CN107077736A - 依据基于解剖学界标的特征分割医学图像的***和方法 - Google Patents
依据基于解剖学界标的特征分割医学图像的***和方法 Download PDFInfo
- Publication number
- CN107077736A CN107077736A CN201580046996.2A CN201580046996A CN107077736A CN 107077736 A CN107077736 A CN 107077736A CN 201580046996 A CN201580046996 A CN 201580046996A CN 107077736 A CN107077736 A CN 107077736A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- point
- landmark points
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000003709 image segmentation Methods 0.000 title claims abstract description 33
- 210000003484 anatomy Anatomy 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims description 157
- 238000012545 processing Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 210000001519 tissue Anatomy 0.000 claims description 2
- 210000000988 bone and bone Anatomy 0.000 claims 1
- 230000008569 process Effects 0.000 description 33
- 238000000605 extraction Methods 0.000 description 31
- 230000011218 segmentation Effects 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 25
- 238000002591 computed tomography Methods 0.000 description 20
- 238000013145 classification model Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 14
- 210000002307 prostate Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 10
- 210000003932 urinary bladder Anatomy 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 8
- 238000001959 radiotherapy Methods 0.000 description 6
- 210000004197 pelvis Anatomy 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 210000000664 rectum Anatomy 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000002224 dissection Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 206010060862 Prostate cancer Diseases 0.000 description 2
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30081—Prostate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本公开涉及用于分割医学图像的***、方法以及计算机可读存储介质。本公开的各实施例可以涉及一种用于分割医学图像的方法。所述方法可以通过执行多个计算机可执行指令的处理器设备来实现。所述方法可以包括从存储器接收图像,以及在所述图像内识别至少一个界标点。所述方法可以进一步包括在所述图像中选择图像点,以及确定所述图像点相对于所述至少一个界标点的至少一个特征。所述方法还可以包括:通过使用分类模型,基于所确定的至少一个特征,将所述图像点与解剖学结构相关联。
Description
技术领域
本公开总体涉及医学图像分割。更具体地,本公开涉及用于基于使用相对于解剖学界标提取的特征的学习算法的自动化医学图像分割的***和方法。
背景技术
图像分割技术广泛用于分割医学图像和确定图像内解剖学结构之间的轮廓。例如,在放射治疗中,通常执行器官的自动分割,以减少轮廓勾画时间并且提高各医院的轮廓精度和一致性。然而,在具有较低图像质量的医学图像(诸如可以用于治疗癌症患者的一些计算机断层扫描(CT)或锥形束计算机断层扫描(CBCT)图像)上,自动化分割仍然是非常困难的任务。例如,已知这样的CT或CBCT图像对于大多数软组织结构具有较低对比度和细小纹理。因此,主要基于图像对比度的常规图像分割方法经常不能在医学图像中找到在背景与关注的解剖学结构(例如,器官或肿瘤)之间或者不同解剖学结构之间的精确的轮廓。
图1图示了来自典型的***癌患者的示例性三维(3D)CT图像。图(A)以3D视图示出了患者的骨盆区域,其包括患者的膀胱、***和直肠。图像(B)、(C)和(D)是来自该骨盆区域的3D CT图像的轴状图视图、矢状面视图和冠状图视图。如图像(B)、(C)和(D)中所示,患者的***边界的大部分是不可见的。也就是说,人们不能容易地区分***与其他解剖学结构或者确定***的轮廓。相比之下,图像(E)、(F)和(G)示出了同一3D CT图像上的预期的***轮廓。因此,当用于分割该示例性3D CT图像时,仅仅基于图像中呈现的对比度和纹理的常规图像分割方法很可能会失败。
机器学习技术的最新发展使得改进在较低质量图像上的图像分割成为可能。例如,监督学习算法可以“训练”机器或计算机来预测医学图像的各个像素或体素应当属于哪个解剖学结构。这种预测通常将像素或体素的特征用作输入。因此,分割的表现高度依赖于可用特征的类型。到目前为止,大多数基于学习的图像分割方法主要基于诸如图像强度、图像纹理等局部图像特征。因此,这些分割方法对于诸如图1所示的3D CT图像的较低质量的图像仍然不是最理想的。
相应地,需要为基于学习的自动分割方法设计更恰当的特征,以便在放射治疗或相关领域中提高医学图像上的分割表现。
发明内容
本公开的某些实施例涉及一种用于分割医学图像的方法。所述方法可以通过执行多个计算机可执行指令的处理器设备实现。所述方法可以包括从存储器接收图像,以及在所述图像内识别至少一个界标点。所述方法可以进一步包括在所述图像中选择图像点,以及确定所述图像点相对于所述至少一个界标点的至少一个特征。所述方法还可以包括:基于所确定的至少一个特征,通过使用分类模型,将所述图像点与解剖学结构相关联。
本公开的某些实施例涉及另一种用于分割医学图像的方法。所述方法可以通过执行多个计算机可执行指令的处理器设备实现。所述方法可以包括从存储器位置接收图像,以及在所述图像中识别至少一个界标点。所述方法可以进一步包括在所述图像中选择图像点,以及确定所述图像点相对于所述至少一个界标点的至少一个特征。所述方法可以进一步包括提取图像纹理、来自所述图像的图像块、或其组合中的至少一种。所述方法还可以包括:基于所述确定的至少一个特征以及所提取的图像纹理、所提取的图像块及其组合中的至少一种,通过使用分类模型,将所述图像点与解剖学结构相关联。
本公开的某些实施例涉及一种存储计算机可执行指令的非暂时性计算机可读介质。当由计算机执行时,所述计算机可执行指令可使所述计算机执行训练用于分割医学图像的分类模型的操作。所述计算机可执行指令可以包括用于接收训练图像的指令,所述训练图像包括多个图像点,并且所述训练图像内的各个图像点被分配解剖学结构。所述计算机可执行指令可以进一步包括用于识别所述训练图像中的至少一个界标点并且确定所述训练图像中的各个图像点相对于界标点的一个或更多个特征的指令。所述计算机可执行指令还可以包括用于将多个图像点用作训练数据来训练分类模型的指令。所述分类模型基于未分类图像点的所述确定的一个或更多个特征将所述未分类图像点与解剖学结构相关联。
本公开的某些实施例涉及一种存储计算机可执行指令的非暂时性计算机可读介质。所述计算机可执行指令在由计算机执行时可使所述计算机执行用于使用分类模型来分割医学图像的操作。所述计算机可执行指令可以包括用于从存储器位置接收图像并且在图像内识别至少一个界标点的指令。所述计算机可执行指令可以进一步包括用于在图像中选择图像点以及确定图像点相对于界标点的至少一个特征的指令。所述计算机可执行指令还可以包括用于基于至少一个确定的特征通过使用分类模型将图像点与解剖学结构相关联的指令。
本公开的某些实施例涉及一种训练用于分割医学图像的分类模型的***。所述***可以包括被配置为存储多个训练图像的数据库,每个训练图像包括多个图像点,并且各个图像点被分配解剖学结构。所述***可以进一步包括连接到数据库以访问多个训练图像的训练单元。所述训练单元可以包括特征提取模块和分类器训练模块。所述特征提取模块可以被配置为从数据库接收训练图像。所述训练图像包括多个图像点,并且所述训练图像内的各个图像点被分配解剖学结构。所述特征提取模块可以进一步被配置为在训练图像中识别至少一个界标点。所述特征提取模块还可以被配置为确定训练图像中的各个图像点相对于界标点的一个或更多个特征。所述分类器训练模块可以被配置为将所述多个图像点用作训练数据来训练分类模型。所述分类模型基于未分类图像点的一个或更多个确定的特征将未分类图像点与解剖学结构相关联。
本公开的某些实施例涉及一种用于使用分类模型来分割医学图像的***。所述***可以包括被配置为存储多个图像的数据库。所述***可以进一步包括连接到数据库以访问多个图像的分类单元。所述分类单元可以包括特征提取模块和解剖学分类模块。所述分类单元可以被配置为从所述数据库接收图像,并且在图像内识别至少一个界标点。所述分类单元可以进一步被配置为在图像中选择图像点,并且确定所述图像点相对于所述界标点的至少一个特征。
本公开的其他的目的和优点部分地会在下面的详细说明中阐述以及部分地从说明中而显而易见,或者可以通过本公开的实施而习得。本公开的目的和优点将借助在所附权利要求中具体指出的元件和组合来实现和获得。
应当理解,前面的一般描述和以下的详细描述仅为示例性和说明性的,而不是限制了所要求保护的本发明。
附图说明
构成本说明书的一部分的附图示出了若干实施例,并且与说明一起用于解释本公开的原理。
图1示出了来自典型的***癌患者的示例性三维(3D)计算机断层扫描(CT)图像。
图2示出了根据本公开的一些实施例的用于基于使用界标特征的学习算法来分割医学图像的示例性图像分割***。
图3示出了根据本公开的一些实施例的示例性医学图像处理设备。
图4A是示出根据本公开的一些实施例的用于使用从训练图像提取的界标特征来训练解剖学分类模型的示例性解剖学分类器训练过程的流程图。
图4B是示出根据本公开的一些实施例的用于使用从训练图像提取的界标特征来训练解剖学分类模型的另一示例性解剖学分类器训练过程的流程图。
图5A是示出根据本公开的一些实施例的用于使用通过图4A的过程获得的解剖学分类模型对医学图像内的图像点进行分类的示例性解剖学分类过程的流程图。
图5B是示出根据本公开的一些实施例的用于使用通过图4B的过程获得的解剖学分类模型对医学图像内的图像点进行分类的另一示例性解剖学分类过程的流程图。
图6示出了根据本公开的一些实施例的3D医学图像的各种不同解剖学结构及其对应的轴状面视图、矢状面视图和冠状面视图中的示例性界标点。
图7示出了根据本公开的一些实施例的图像体素相对于两个界标点的界标特征。
图8示出了根据本公开的一些实施例的图1所示的3D CT图像上的分割结果。
图9是示出根据本公开的一些实施例的分割结果的进一步示例性应用的流程图。
具体实施方式
虽然文中描述所公开原理的示例和特征,但是在不偏离所公开的实施例的精神和范围的情况下,变型、调整和其他实现方式是可以的。此外,词语“具有”、“包含”和“包括”以及其它类似形式旨在意义上等同并且是开放的,以便跟随这些词中的任一个的一个或更多个项并非指对该一个或更多个项进行穷举,或是指仅限于所列出的一个或更多个项。并且除非上下文另有明确指明,否则单数形式“一”、“一个”和“该”旨在包括复数形式。
符合本公开的***和方法针对使用基于界标特征的学习算法来分割医学图像。如本文所使用的,“学习算法”是指可以基于现有信息或知识来学习模型或模式的任何算法。例如,学习算法可以是机器学习算法或任何其他合适的学习算法。在一些实施例中,可以使用诸如支持向量机(SVM)、Adaboost/Logitboost、随机森林和神经网络的监督学习算法。在一些其他实施例中,还可以使用半监督学习算法。
监督学习是机器学习的分支,其在给定一组训练数据的情况下推断预测模型。训练数据的每个单独样本是包含数据向量(诸如一系列度量)和期望输出值的对。监督学习算法分析训练数据并产生预测器函数。当输出为离散时,诸如识别不同组的标签列表,预测器函数被称为分类器或分类模型。预测器函数一旦通过训练而得到,就能够对任何有效的输入对象预测出正确输出值。
与所公开的实施例相符,图像分割可以被公式化为基于学习的分类函数,其将医学图像的各个图像点分类到一种解剖学结构。如本文所使用的,“图像点”是指数字图像中的对应于底层对象中物理点的图像元素。例如,图像点是2D图像中的像素或3D图像中的体素。
与所公开的实施例相符的,图像分割还可以对图像块而不是图像点进行分类。如本文所使用的,“图像块”是待归类在一起的一组图像点。例如,图像块可以是2D图像中的超像素、或3D图像中的超体素。当已知图像块内的图像点属于同一解剖学结构时,基于图像块的分类可以更加高效和准确。相应地,每当在本公开中使用术语“图像点”时,其意图包括如上文所定义的基本的“图像点”并且还有“图像块”。
所公开的分割方法通常包括两个阶段:“训练”或“学习”解剖学分类模型的训练阶段,以及使用解剖学分类模型来预测各个图像点所属的解剖学结构的分类阶段。
与所公开的实施例相符的,训练过程使用一组训练图像来学习解剖学分类模型。如本文所使用的,“训练图像”是图像点已经被分类和标记的图像。例如,训练图像可以被预先分割。因此,训练图像中的图像点与已知的解剖学结构相关联。
与所公开的实施例相符的,训练过程在每个训练图像上识别界标点,并且基于这些界标点来确定训练图像中的各个图像点的界标特征。如本文所使用的,“界标点”是训练图像中的对应于已知解剖学界标的参考点。相应地,“界标特征”是与图像点相关联的特征,并反映图像点与界标点之间的关系。在一些实施例中,界标特征可以指示图像点与界标点之间的相对位置或几何形状。界标特征的示例可以包括但不限于:(1)图像点与界标点之间的相对距离,(2)基于图像点和界标点形成的位移矢量的方向和/或分量值,(3)可从由图像点和多个界标点形成的形状而计算出的角度、面积、体积或其他几何度量,(4)图像点与各个界标点之间的相对强度值,和(5)基于上述度量的任何派生值,诸如角度的正弦/余弦或距离值的平方或平方根。
与所公开的实施例相符的,训练过程使用各个图像点的界标特征作为训练数据矢量,并且使用对应的图像点的已知解剖学标记用作期望输出,并且应用监督学习算法。一旦使用下面更详细论述的过程进行了适当训练,这样的算法就可以用作解剖学分类器的一部分。
与所公开的实施例相符的,分类模块使用训练好的分类器来对医学图像中的未被分割的图像点的解剖学结构进行预测。在机器学习环境中,分类仅是对图像点最可能属于哪个解剖学结构的预测。换句话说,分类模块确定特定的图像点属于各个解剖学结构的概率,然后预测图像点应当属于与最高概率相关联的解剖学结构。
与所公开的实施例相符的,分类模块还在待分割的医学图像上识别界标点,并且基于这些界标点来确定图像中的各个图像点的界标特征。所述界标点通常与在训练图像上识别出的那些界标点处于相同的位置。类似地,确定的界标特征通常也与在训练过程期间确定的那些具有相同的类型。然后,界标特征被提供给训练好的分类器以获得对各个图像点的解剖学结构标记的预测。一旦医学图像中的所有图像点都被适当地标记,图像即被分割。
与所公开的实施例相符的,训练模块和分类模块还可以确定和使用不是基于界标的图像特征。如本文所使用的,“图像特征”与图像点相关联,并反映相关图像点的局部属性或上下文特性。图像特征的示例可以包括但不限于图像强度、图像纹理、图像块、强度分布的曲率等。所公开的训练模块和分类模块可以结合界标特征来使用一个或更多个图像特征。
所公开的图像分割***和方法可以应用于从任何类型的成像模式获得的医学图像,包括但不限于X射线图像、CT图像、CBCT图像、螺旋CT图像、磁共振成像(MRI)图像、超声(US)图像、正电子发射断层扫描(PET)图像、单光子发射计算机断层扫描(SPECT)图像以及光学图像。此外,所公开的图像分割***和方法可以适于分割2D和3D图像。当分割2D图像时,界标点在2D平面中识别,并且相关界标特征也在2D中运算。
现在参考附图对示例性实施例进行描述。在附图中,附图标记的最左边的(一个或多个)数字标识附图标记首次出现所在的附图。在方便的情况下,在整个附图中使用相同的附图标记来指明相同或相似的部分。
上文已经介绍了图1。图2示出了根据本公开的一些实施例的用于基于使用界标特征的学习算法来分割医学图像的示例性图像分割***100。图像分割***100可以包括训练图像数据库101、解剖学分类器训练单元102、解剖学分类单元103、医学图像数据库104以及网络105。在一些实施例中,图像分割***100可以包括比图2所示的更多或更少的组件。例如,当解剖学分类器被预训练和提供时,图像分割***100可以仅包括解剖学分类单元103、医学图像数据库104以及可选地,网络105。
在一些实施例中,图像分割***100的各个组件可能被定位成彼此远离,并且通过网络105来连接。在一些替代实施例中,图像分割***100的某些组件可以位于相同地点或一个设备内。例如,训练图像数据库101可以位于解剖学分类器训练单元102当地,或者是解剖学分类器训练单元102的一部分。作为另一个示例,解剖学分类器训练单元102和解剖学分类单元103可以在同一计算机或处理设备内。
如图2所示,解剖学分类器训练单元102可以与训练图像数据库101进行通信以接收一个或更多个训练图像。存储在训练图像数据库102中的训练图像可以从包含之前的放射治疗疗程的图像的医学图像数据库获得。训练图像被预分割。也就是说,训练图像中的各个图像点(像素或体素)与包含在训练图像中的背景或已知解剖学结构之一相关联。与所公开的实施例相符的,训练图像可以包括MRI图像、3D MRI、2D流式MRI、4D容积MRI、CT图像、CBCT图像、螺旋CT图像、PET图像、功能MRI图像(例如,fMRI、DCE-MRI和弥散MRI)、X射线图像、荧光图像、超声图像、放射治疗射野图像、SPECT图像、等等。在一些实施例中,可以从肿瘤学信息***收集训练数据。
解剖学分类器训练单元102可以使用从训练图像数据库102接收的训练图像来生成使用学习算法的解剖学分类器。如图2所示,解剖学分类器训练单元102可以包括界标特征提取模块121和基于界标特征的训练模块122。解剖学分类器训练单元102可以另外包括输入和输出接口(未示出),以与训练图像数据库101、网络105以及用户112进行通信。与一些实施例相符的,解剖学分类器训练单元102可以由执行解剖学分类器训练过程(例如,如图4A和图4B所公开的)的软件而专门编程的硬件(例如,如图3所公开的)来实现。
界标特征提取模块121可以在所接收到的每个训练图像上识别一个或更多个界标点。在一些实施例中,界标点可以通过界标特征提取模块102例如基于图像分割和关于各种解剖学结构的现有知识来自动检测。在一些替代实施例中,界标点可以由用户112选择或识别。例如,用户112可以在由图像显示器(未示出)显示的训练图像上点击以输入界标点的位置,或者用户112可以选择界标点的预定图案、映射图或构造。与所公开的实施例相符,界标点可以是各种解剖学结构的解剖学界标。
界标特征提取模块121可以进一步选择与界标点不同的图像点。可以在训练图像内随机地选择图像点。也就是说,选定的图像点可以处于训练图像中的任何地方,例如,在与界标点相同的任意解剖学结构中或在不同解剖学结构中。界标特征提取模块102然后可以基于选定的图像点与各个界标点之间的关系为每个选定的图像点确定和导出一个或更多个界标特征。该特征提取过程可以对训练图像中一组选定的图像点重复,直到训练图像中的所有图像点都已被选择和处理。通过明确地定义用作参考的一组解剖学界标点,现在使用高级的位置和几何信息来对各个图像点进行编码。一旦对训练图像中的所有相关图像点确定了界标特征,界标特征即被提供给基于界标特征的训练模块122。
基于界标特征的训练模块122可以使用选定的图像点作为训练数据来训练分类器。在一些实施例中,所述训练可以基于诸如监督机器学习算法的学习算法。例如,可以使用诸如支持向量机(SVM)、Adaboost/Logitboost、随机森林和神经网络的学习算法。分类器经训练使得当训练图像中的特定图像点的界标特征被输入到模型时,所述模型输出对与图像点的预定解剖学结构相匹配的解剖学结构的预测。在使用来自许多个训练图像的许多个图像点进行训练之后,分类器变得足够智能来预测任何新图像中的未分类图像点的解剖学结构。
解剖学分类单元103可以从解剖学分类器训练单元102接收训练好的解剖学分类器。如图2所示,解剖学分类单元103可以包括界标特征提取模块131和解剖学结构分类模块132。解剖学分类单元103可以另外包括输入和输出接口(未示出)以与训练图像数据库104、网络105和用户113进行通信。与一些实施例相符的,解剖学分类单元103可以利用执行解剖学分类器训练过程(例如,如图5A和图5B所公开的)的软件专门编程的硬件(例如,如图3所公开的)来实现。
解剖学分类单元103可以与医学图像数据库104进行通信以接收一个或更多个医学图像。存储在医学图像数据库103中的医学图像可以从包含放射治疗疗程的图像的医学图像数据库获得。这些医学图像通常还未被分割。与所公开的实施例相符的,可以使用包括MRI、功能MRI、CT、CBCT、螺旋CT、PET、SPECT、X射线、荧光成像、超声和放射治疗射野成像等在内的各种成像模式来获取医学图像。在一些实施例中,医学图像数据库104可以是解剖学分类单元103的集成部分,或与解剖学分类单元103位于相同地点,诸如,在放射治疗室中。
界标特征提取模块131可以与界标特征提取模块121具有类似的硬件和软件结构。界标特征提取模块131可以在从医学图像数据库105接收的每个医学图像上识别一个或更多个界标点。在医学图像上识别出的界标点与在训练图像上识别出的那些相符。同样,界标点可以由用户113选择,或由界标特征提取模块131自动地识别。
界标特征提取模块131可以进一步选择医学图像中的与界标点不同的图像点,并且基于选定的图像点与界标点之间的关系来确定一个或更多个界标特征。特征提取过程可以对医学图像中的一组选定的图像点重复,直到医学图像中的所有图像点都已被选择和处理。所确定的界标特征可以被提供给解剖学结构分类模块132。
解剖学结构分类模块132可以使用从解剖学分类器训练单元102接收的训练好的解剖学分类器和从界标特征提取模块132接收的界标特征来预测各个图像点的解剖学结构。当所有选定的图像点均被分类时,解剖学结构分类模块132可以输出分割的图像。在一些实施例中,分割的图像可以显示给用户113,或者存储在医学图像数据库104中用于进一步治疗。在一些实施例中,分割图像可以自动地被存储在训练图像数据库101中而成为训练图像。
网络105可以提供图像分割***100中的任何上述组件之间的连接。例如,网络105可以是局域网(LAN)、无线网络、云运算环境(例如,软件即服务、平台即服务、基础设施即服务)、客户端-服务器、广域网(WAN)、等等。
图3示出了根据本公开的一些实施例的示例性医学图像处理设备200。医学图像处理设备200可以是解剖学分类器训练单元102、或解剖学分类单元103或两者的组合的实施例。如本领域技术人员将理解的,在一些实施例中,医学图像处理设备200可以是专用计算机或通用计算机。例如,医学图像处理设备200可以是为医院定制的用于处理图像获取和图像处理任务的计算机。
如图3所示,医学图像处理设备110可以包括图像处理器221、存储器222、医学图像数据库225、图像数据存储设备226、输入/输出227、网络接口228和图像显示器229。
图像处理器221可以是包括诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等一个或更多个通用处理设备的处理设备。更具体地,图像处理器221可以是复杂指令集运算(CISC)微处理器、精简指令集运算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。图像处理器221还可以是诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上***(SoC)等一个或更多个专用处理设备。
图像处理器221可以通信地联接到存储器222并且被配置为执行存储在其中的计算机可执行指令。存储器222可以包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、静态存储器等。在一些实施例中,存储器222可以存储诸如一个或更多个图像处理程序223的计算机可执行指令以及在执行计算机程序时使用或生成的诸如医学图像数据224的数据。处理器221可以执行图像处理程序223以实现解剖学分类器训练单元102和/或解剖学分类单元103的功能。处理器221还可以从存储器222发送/接收医学图像数据224。例如,处理器221可以接收存储在存储器222中的训练图像数据或医学图像数据。处理器221还可以生成诸如界标点和界标特征的中间数据,并将它们发送到存储器222。
医学图像处理设备200可以可选地包括医学图像数据库225,其包括训练图像数据库101和医学图像数据库104中的一者或二者。本领域技术人员将理解,医学图像数据库225可以包括以集中或分布的方式定位的多个设备。处理器221可以与医学图像数据库225进行通信以将图像读取到存储器222中或将来自存储器222的分割的图像存储到医学图像数据库225。
图像数据存储设备226可以是可用于存储与由图像处理器221执行的图像处理任务相关联的数据的附加存储设备。在一些实施例中,图像数据存储设备226可以包括机器可读存储介质。虽然实施例中的机器可读存储介质可以是单一介质,但是术语“机器可读存储介质”应当被理解为包括存储一组或更多组计算机可执行指令或数据的单介质或多介质(例如,集中式或分布式数据库和/或相关联的高速缓存或服务器)。术语“机器可读存储介质”还应被认为包括能够存储或编码由机器执行的一组指令并且使机器执行本公开的任意一个或更多个方法的任何介质。相应地,术语“机器可读存储介质”应被理解为包括但不限于固态存储器、光学和磁性介质。
输入/输出227可以被配置为允许由医学图像处理设备200接收和/或发送数据。输入/输出227可以包括允许医学图像处理设备200与用户或其他机器和设备进行通信的一个或更多个数字和/或模拟通信设备。例如,输入/输出227可以包括让用户112或用户113提供输入的键盘和鼠标。
网络接口228可以包括网络适配器、电缆连接器、串行连接器,USB连接器、并行连接器,诸如光纤、USB3.0、雷电等高速数据传输适配器、诸如WiFi适配器的无线网络适配器、电信(3G、4G/LTE等)适配器等。医学图像处理设备200可以通过网络接口228连接到网络105。图像显示器229可以是适用于显示医学图像的任何显示设备。例如,图像显示器229可以是LCD、CRT或LED显示器。
图4A是示出根据本公开的一些实施例的用于使用从训练图像提取的界标特征来训练解剖学分类模型的示例性解剖学分类器训练过程400A的流程图。在一些实施例中,解剖学分类器训练过程400A可以由解剖学分类器训练单元102执行。
过程400A可以在解剖学分类器训练单元102从训练图像数据库101接收关注区域的训练图像时开始(步骤410)。例如,训练图像可以示出患者的骨盆区域、头部区域、心脏区域、肝脏区域或其他解剖学区域。在一些实施例中,训练图像可以为与待分割的医学图像相同或相似的关注区域。
在步骤420中,界标特征提取模块121可以在训练图像中识别至少一个界标点。因为,在示例实施例中,界标特征提取模块121将在所有训练图像上定义或定位相同的一组界标点,因此优选地,所选择的界标点具有较强图像特性或独特的图像特性。例如,界标点可以对应于人体的唯一或独特的解剖学位置或具有独特的图像外观。
这些界标点可以或者由用户112手动地挑选并被提供给界标特征提取模块121,或者由界标特征提取模块121自动地检测。在一些实施例中,可以通过例如在训练图像与相同解剖学区域的预定界标图之间的图像配准来执行自动检测。例如,预定界标图可以定义特定解剖学区域的各种界标点的特定映射或间隔。如果用户112正在处理示出了患者的特定解剖学区域的医学图像,则用户112可以由此选择与该解剖学区域对应的预定界标图。一旦选择,那么由预定图定义的界标点就可以被提供给模块121。当训练图像是3D图像时,界标点可以是体素,并且当训练图像是2D图像时,界标点可以是像素。
例如,图6示出了本公开的一些实施例的3D医学图像(A)及其相应的轴状面视图、矢状面视图和冠状面视图(B)至(J)的各种不同解剖学结构中的示例性界标点610至630。如图6所示,界标点610位于膀胱中心附近,界标点620位于膀胱和***的边界上,并且界标点630位于***中心附近。图像(B)、(C)和(D)是示出标记点610的轴状面视图、矢状面视图和冠状面视图。图像(E)、(F)和(G)是示出界标点620的轴状面视图、矢状面视图和冠状面视图。图像(H)、(I)和(J)是示出界标点630的轴状面视图、矢状面视图和冠状面视图。
本领域技术人员将理解,界标点并不限于图6所示的示例性位置,而是可以被选择为训练图像的任何位置处。此外,界标点不限于骨盆区域。它们可以位于诸如头颈部、肺、肝或女性骨盆等任何人体区域。
返回至图4A,在步骤430中,界标特征提取模块121可以在训练图像中识别一组图像点,其中各个图像点与已知的解剖学结构预先关联。这样识别出的图像点可以包括存在于训练图像中的背景和各个解剖学结构中的代表图像点。
在步骤440中,界标特征提取模块121可以确定图像点相对于至少一个界标点的至少一个界标特征。在一些实施例中,可以针对各个图像点基于其相对于界标点的相对位置和几何形状结构来计算界标特征。因此,可以确定特定图像点相对于单个界标点的一组界标特征。当在步骤420中识别出多个界标点时,多组界标特征可以与特定图像点相关联。
例如,图7示出了根据本公开的一些实施例的图像体素730相对于两个界标点710和720的界标特征。如图7中所示,界标点710位于膀胱中心附近,并且界标点720位于膀胱和***的边界上。图像体素730位于***区域中。
图7进一步示出了3D笛卡尔坐标中的界标点710、720和图像体素730。界标点710的坐标是(a,b,c),界标点720的坐标是(d,e,f),并且图像体素730的坐标是(r,s,t)。在该图示中,图像体素730的界标特征基于图像体素730与界标点710和720中的各个界标点之间的位置或几何关系。
在一些实施例中,界标特征可以包括图像点与界标点之间的相对距离。例如,图像点730与界标点710之间的相对距离是并且图像点730与界标点720之间的相对距离是
在一些实施例中,界标特征还可以包括在图像点与界标点之间形成的或通过将图像点与界标点相连接所形成的位移矢量的方向和/或分量值。例如,图7示出了从图像体素730指向两个界标点710和720中的各个界标点的箭头,其指示它们之间的位移矢量的相应的方向。还可以计算这些向量的分量值来形成与图像体素730相关联的界标特征。
在一些实施例中,界标特征可以包括可以从由图像点和多个界标点形成的形状计算出的角度、面积、体积或其他几何度量。例如,界标点710、720和图像体素730形成三角形,其中可以计算所述三角形的三个角和面积来定义与图像体素730相关联的界标特征。
在一些进一步实施例中,界标特征还包括图像点与各个界标点之间的相对强度值。另外,界标特征提取模块121可以进一步基于上述度量中的一个或更多个来导出诸如角度的正弦/余弦或距离值的平方或平方根的任何值,并使用这些导出值作为与图像体素730相关联的界标特征。
返回至图4A,将对在步骤430中识别出的组中的所有图像点执行步骤440。在步骤450中,界标特征提取模块121可以判定是否已经处理了所述组中的所有图像点,并且如果是这样(步骤450:是),则进行到步骤460。否则(步骤460:否),将重复步骤440来处理下一图像点。
在步骤460中,基于界标特征的训练模块122可以基于在步骤440中确定的界标特征和预先分配给这些图像点的解剖学结构来应用学习算法以生成解剖学分类模型。在一些实施例中,界标特征提取模块121可以应用支持向量机(SVM)来训练分类模型。SVM训练算法构建了将输入指派到多个类别之一的模型。SVM模型是将样本表征为空间中的点,被映射成使得分离类别的样本被划分为空间中分离的组。也就是说,SVM模型可以将界标特征映射到对应于各种解剖学结构的高维空间。训练数据帮助精细化映射,使得一旦经过训练,SVM模型就可以将新输入(未分类图像点的界标特征)映射到相同空间中并且预测所述图像点属于哪个解剖学结构。
在步骤470中,训练好的解剖学分类模型可以由解剖学分类器训练单元102输出,并且被提供给解剖学分类单元103。过程400A可以在步骤470之后结束。
图4B是示出根据本公开的一些实施例的用于使用从训练图像提取的界标特征来训练解剖学分类模型的另一示例性解剖学分类器训练过程400B的流程图。除了增加的步骤442和修改的步骤460之外,解剖学分类器训练过程400B类似于过程400A。相应地,将不再次描述步骤410至440、步骤450和步骤470。
除了在步骤440中确定的界标特征之外,在步骤442中,界标特征提取模块121可以进一步确定图像点的至少一个图像特征。如上文指出的,图像特征可以反映图像点的局部属性或上下文特性。在一些实施例中,图像特征可以包括但不限于图像强度、图像纹理、一个或更多个图像块、强度分布的曲率、以及上述各项的任意组合或派生。在步骤460中,基于界标特征的训练模块122可以使用界标特征和图像特征二者来训练解剖学分类模型。界标特征和图像特征的组合可以提高图像分割的准确性。
图5A是示出根据本公开的一些实施例的用于使用通过图4A的过程获得的解剖学分类模型对医学图像内的图像点进行分类的示例性解剖学分类过程500A的流程图。
例如,解剖学分类过程500A可以在解剖学分类单元103从例如解剖学分类器训练单元102接收解剖学分类模型时开始(步骤510)。在步骤520中,解剖学分类单元103进一步从医学图像数据库104接收医学图像。在步骤530中,界标特征提取模块131可以在医学图像中识别至少一个界标点,类似于图4A和4B的步骤420中所执行的。在步骤530中,这些界标点优选地由界标特征提取模块121识别,但也可以由用户112手动地识别或确定。在医学图像中识别的界标点通常与在过程400A和400B期间在训练图像中识别的那些界标点相同。
在步骤540中,界标特征提取模块131可以在医学图像中选择一组图像点。在一些实施例中,这些图像点可以是那些尚未与任何解剖学结构相关联的图像点。不必选择与过程400A和400B的步骤430中所选择的相同的一组图像点。
在步骤550中,界标特征提取模块131可以针对在步骤540中选定的图像点来确定选定的图像点相对于至少一个界标点的至少一个界标特征。步骤550可以类似于过程400A和400B的步骤440来执行。在步骤550中确定的界标特征的类型通常与在过程400A和400B的步骤440中确定的类型相同。
在步骤560中,解剖学结构分类模块132可以使用从解剖学分类器训练单元102接收的解剖学分类模型来预测与图像点相关联的解剖学结构。例如,在步骤550中确定的界标特征可以被输入到解剖学分类模型中。解剖学分类模型然后基于其现有知识(即,在训练期间学习到的图像点的界标特征与该图像点的解剖学结构之间的关系)来分析这些界标特征。最后,解剖学分类模型可以将图像点分配到解剖学结构中的一个。
将对步骤540中识别出的组中的所有图像点执行步骤550和560。例如,可以重复步骤550和560,直到医学图像中的所有图像点都已被处理和分类。在步骤570中,解剖学结构分类模块132可以判定是否已经处理了所述组中的所有图像点,并且如果是这样(步骤570:是),则进行到步骤580。否则(步骤580:否),将重复步骤550和560来处理下一个图像点。
在步骤580中,解剖学结构分类模块132可以基于预测结果来分割医学图像。在一些实施例中,解剖学结构分类模块132可以将恒定值分配给被分类为具有相同解剖学结构的图像点。在一些实施例中,图像点根据它们所属的解剖学结构进行颜色编码。在一些实施例中,作为步骤580的一部分,解剖学结构分类模块132可以在分割期间改变某些图像点的分类。例如,可以应用改变以使两个解剖学结构之间或者背景与解剖学结构之间的轮廓平滑。作为另一个示例,解剖学结构通常是连续的。因此,由所有***图像点包围的图像点不大可能被分类为膀胱的一部分。相应地,解剖学结构分类模块132可以基于图像点的相邻图像点来改变该图像点的分类结果。
在步骤590中,从解剖学分类单元103输出分割后的医学图像。在一些实施例中,分割后的医学图像可以在图像显示器228上显示给用户。在一些实施例中,分割后的医学图像可以存储在医学图像数据库中用于将来的医学用途。在一些其他实施例中,分割后的医学图像可以作为训练图像存储在训练图像数据库101中以丰富知识库。过程500A可以在步骤590之后结束。
图5B是示出根据本公开的一些实施例的用于使用通过图4B的过程获得的解剖学分类模型对医学图像内的图像点进行分类的另一示例性解剖学分类过程500B的流程图。除了增加的步骤552和修改的步骤560之外,解剖学分类过程500B类似于过程500A。相应地,将不再次描述步骤510至550和步骤570至590。
除了在步骤550中确定的界标特征之外,在步骤552中,界标特征提取模块131可以进一步基于图像点的局部属性或上下文特性来确定图像点的至少一个图像特征。这些图像特征通常是与在过程400B的步骤442中确定的那些类型相同的类型。在步骤560中,解剖学分类单元103可以使用界标特征和图像特征二者来进行预测。界标特征和图像特征的组合可以提高预测的精度,因此提高图像分割的质量。
例如,图8示出了根据本公开的一些实施例的使用不同的界标特征组在图1所示的3D CT图像上的分割结果。行(A)至(D)分别以轴状面视图、矢状面视图和冠状面视图示出了患者的3D CT图像。具体地,行(A)示出了分割之前的医学图像。行(B)示出了通过仅使用图像特征而不使用任何界标特征对膀胱、***和直肠的分割结果。如图所示,分割结果是噪声较多的并且具有相对较大的误分类率。例如,一些***体素被错误分类为直肠体素,并且一些直肠体素被错误分类为身体体素。行(C)示出了通过结合行(B)所使用的图像特征使用三个界标特征的分割结果。所述结果噪声较少,并且误分类率显著降低。行(D)示出了通过结合行(B)所使用的图像特征使用24个界标特征的分割结果。可以观察到,通过使用界标特征和图像特征的组合,提高了分割的质量。此外,当应用更多的界标特征时,也提高了分割的质量。为了增加界标特征的数量,可以通过识别更多界标点和/或定义更多的相对于各个界标点的界标特征来增加。
精确分割的图像或解剖学结构的清晰界定的轮廓可以有益于依赖于分割结果的各种应用。例如,图9是示出根据本公开的一些实施例的分割结果的示例性进一步应用的流程图。
1.形状建模
如图9所示,分类模型910可以基于分类结果生成初始图像轮廓。可以将所述初始轮廓提供给形状模型920用于进一步精细化。形状模型920的示例可以包括但不限于主动形状模型(ASM)、稀疏形状模型、基于物理的形状模型等。
在一些实施例中,形状模型920可以迭代地使轮廓变形以适合于医学图像中的对象(解剖学结构)。例如,形状模型920可以首先执行轮廓建模以确定对象的粗糙形状,然后使粗糙形状遵循限制该形状可能变化的方式的点分布模型。形状模型920可以交替进行这些步骤直到收敛为止。通过使用高质量初始轮廓,形状模型920可以以较少的迭代获得精细的形状,从而减少处理时间。
2.图像配准
如图9所示,分类模型910可以提供解剖学结构以辅助图像配准。图像配准是将不同的数据组变换到一个坐标系中的过程。典型的图像配准算法或是基于强度的或是基于特征的,或者是两者的组合。特别地,基于特征的方法找到诸如点、线和轮廓的图像特征之间的对应。因此,图像配准可以极大地受益于更好界定的初始轮廓。
在一些实施例中,分类模型910可以向中心***930提供结构信息,中心***930基于解剖学分类结果计算解剖学结构的中心点位置。这样的信息可以用于初始化或引导图像配准算法940的计算。图像配准算法940的示例可以包括但不限于本领域普通技术人员已知的刚性配准、仿射配准、分段线性配准以及诸如Demons配准、B样条配准、微分同胚配准等各种可变形的配准算法。
在一些其它实施例(未示出)中,分类模型910可以提供解剖学分类结果以精细化用于图像配准算法的优化函数中的相似性或匹配标准。
3.体积计算
解剖学分类结果还可以帮助生成对解剖学结构的体积大小的精确估计。对于诸如膀胱的某些解剖学结构,体积大小在计算用于治疗的变形场和剂量优化中是很重要的。在膀胱的示例中,体积大小可在不同疗程显着改变。因此,对其大小的精确估计会给出关于膀胱周围的相对位置或变形的重要的先验知识,从而帮助计算变形场或在运行中(on thefly)优化剂量分布。
如图9所示,分类模型910可以将与诸如膀胱的解剖学结构相关的分割信息提供给体积计算器950。体积计算器950可以基于解剖学结构的轮廓和其他结构数据来计算解剖学结构的体积大小。体积大小可以进一步提供给治疗数据库960以引导将来的治疗。例如,可以利用体积大小信息来帮助引导从数据库选择类似的患者。
本文描述了各种操作或功能,其可以被作为软件代码或指令实现或定义为软件代码或指令。这样的内容可以是可直接执行的(“对象”或“可执行”形式)源代码或差分代码(“增量”或“补丁”代码)。本文所述的实施例的软件实现可以经由其中存储有代码或指令的制品或者经由操作通信接口以经由通信接口发送数据的方法来提供。机器或计算机可读存储介质可以使机器执行所描述的功能或操作,并且包括以可由机器(例如,计算设备、电子***等等)访问的形式存储信息的任何机制,诸如可记录/不可记录介质(例如,只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存设备、等等)。通信接口包括接合到硬连线、无线、光学等介质中的任何一个以与另一设备通信的任何机制,诸如存储器总线接口、处理器总线接口、互联网连接、磁盘控制器等。可以通过提供配置参数和/或发送信号来将通信接口配置成将该通信接口准备好以提供描述软件内容的数据信号。可以经由发送到通信接口的一个或更多个命令或信号来访问通信接口。
本发明还涉及一种用于执行本文的操作的***。该***可以是为了所需目的而特别构造的,或者该***可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。这样的计算机程序可以存储在计算机可读存储介质中,所述计算机可读存储介质诸如但并不限于包括软盘、光盘、CDROM、磁光盘等任何类型的盘、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁卡或光卡、或适于存储电子指令的任何类型的介质,其中每个介质耦合到计算机***总线。
除非另有说明,否则本文示出和描述的本发明的实施例中的操作的实施或执行顺序不是必要的。也就是说,除非另有说明,所述操作可以以任何顺序执行,并且本发明的实施例可以包括比本文公开的那些操作更多或更少的操作。例如,可以预期,在另一操作之前、同时或之后实施或执行特定操作在本发明的方案的范围内。
本发明的实施例可以利用计算机可执行指令来实现。计算机可执行指令可以被组织成一个或更多个计算机可执行组件或模块。本发明的各方案可以以任何数量和组织的这种组件或模块来实现。例如,本发明的各方案不限于图中所示出和本文所描述的特定的计算机可执行指令或特定组件或模块。本发明的其它实施例可以包括具有比本文所示出和描述的更多或更少功能的不同的计算机可执行指令或组件。
当介绍本发明或其实施例的各方案的元素时,冠词“一”、“一个”、“该”和“所述”旨在表示存在一个或更多个元素。术语“包含”、“包括”和“具有”意指包含性的,并且意味着可以存在除所列出的元素之外的附加元素。
已经对本发明的各方案进行了详细描述,显而易见的是,在不偏离如所附权利要求中限定的本发明的方案的范围的情况下,可以进行变型和变化。由于可以在不偏离本发明的方案的范围的情况下对上述结构、产品和方法进行各种改变,因此上述说明书中包含的和附图中所示出的所有内容将旨在被解释为说明性的,而不是限制意义上的。
Claims (44)
1.一种用于分割医学图像的计算机实现方法,所述方法包括:
从存储器接收图像;
在所述图像内识别至少一个界标点;
在所述图像中选择图像点;
通过处理器确定所述图像点相对于所述至少一个界标点的至少一个特征;以及
通过所述处理器,基于所确定的所述至少一个特征,通过使用分类模型,将所述图像点与解剖学结构相关联。
2.根据权利要求1所述的方法,进一步包括使用机器学习技术来生成所述分类模型。
3.根据权利要求2所述的方法,其中所述方法进一步包括使用多个训练图像训练所述分类模型,其中所述训练包括:
接收所述多个图像中的训练图像,其中所述训练图像具有多个图像点;
在所述训练图像中识别至少一个界标点;
在所述训练图像中识别一组图像点,其中所述组中的各个图像点被分配解剖学结构;
确定所述组中的各个图像点相对于所述界标点的至少一个特征;以及
使用所述一组图像点作为训练数据来生成所述分类模型,其中所述分类模型基于未分类图像点的至少一个特征来预测所述未分类图像点的解剖学结构。
4.根据权利要求3所述的方法,其中所述一组图像点在所述训练图像内被随机地选择。
5.根据权利要求1所述的方法,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的相对距离。
6.根据权利要求1所述的方法,其中所述确定的至少一个特征包括在所述图像点与所述至少一个界标点之间形成的位移矢量的方向分量。
7.根据权利要求1所述的方法,其中所述确定的至少一个特征包括从由所述图像点和所述至少一个界标点形成的形状所确定的几何度量。
8.根据权利要求1所述的方法,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的一组相对强度值。
9.根据权利要求1所述的方法,其中所述确定的至少一个特征包括图像强度值、图像纹理值、图像块值、曲率值、或强度分布值中的至少一种。
10.根据权利要求1所述的方法,其中所述至少一个界标点包括多个界标点,其中各个界标点处于所述训练图像内的不同位置。
11.根据权利要求1所述的方法,其中所述至少一个界标点是作为患者体内的组织、器官或骨骼中的至少一种的解剖学界标。
12.根据权利要求1所述的方法,进一步包括使用所述分类模型来生成所述解剖学结构的初始轮廓。
13.根据权利要求12所述的方法,进一步包括通过使用一个或更多个形状模型来精细化所述初始轮廓。
14.根据权利要求13所述的方法,其中所述形状模型包括主动形状模型、稀疏形状模型、基于物理的形状模型、或其任何组合中的至少一种。
15.一种用于分割医学图像的计算机实现方法,所述方法包括:
从存储器位置接收图像;
在所述图像中识别至少一个界标点;
在所述图像中选择图像点;
通过处理器确定所述图像点基于所述界标点的至少一个特征;
提取图像纹理、来自所述图像的图像块、或其组合中的至少一种;以及通过所述处理器,基于所确定的至少一个特征以及所提取的图像纹理、所提取的图像块、及其组合中的至少一种,通过使用分类模型,将所述图像点与解剖学结构相关联。
16.根据权利要求15所述的方法,其中所述图像纹理包括所述图像中各个图像点的相对强度的空间排布。
17.根据权利要求15所述的方法,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的相对距离。
18.根据权利要求15所述的方法,其中所述确定的至少一个特征包括在所述图像点与所述至少一个界标点之间形成的位移矢量的方向分量。
19.根据权利要求15所述的方法,其中所述确定的至少一个特征包括从由所述图像点和所述至少一个界标点形成的形状所确定的几何度量。
20.根据权利要求15所述的方法,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的一组相对强度值。
21.一种存储计算机可执行指令的非暂时性计算机可读介质,所述计算机可执行指令在由计算机执行时使所述计算机执行训练用于分割医学图像的分类模型的操作,所述计算机可执行指令包括用于以下操作的指令:
接收训练图像,所述训练图像包括多个图像点,并且所述训练图像内的各个图像点被分配解剖学结构;
在所述训练图像中识别至少一个界标点;
确定所述训练图像中的各个图像点相对于所述界标点的一个或更多个特征;以及
使用所述多个图像点作为训练数据来训练所述分类模型,其中所述分类模型基于未分类图像点的所确定的一个或更多个特征将所述未分类图像点与解剖学结构相关联。
22.根据权利要求21所述的计算机可读介质,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的相对距离。
23.根据权利要求21所述的计算机可读介质,其中所述确定的至少一个特征包括在所述图像点与所述至少一个界标点之间形成的位移矢量的方向分量。
24.根据权利要求21所述的计算机可读介质,其中所述确定的至少一个特征包括从由所述图像点和所述至少一个界标点形成的形状所确定的几何度量。
25.根据权利要求21所述的计算机可读介质,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的一组相对强度值。
26.根据权利要求21所述的计算机可读介质,其中所述确定的至少一个特征包括图像强度值、图像纹理值、图像块值、曲率值或强度分布值中的至少一种。
27.一种存储计算机可执行指令的非暂时性计算机可读介质,所述计算机可执行指令在由计算机执行时使所述计算机执行用于使用分类模型来分割医学图像的操作,所述计算机可执行指令包括用于以下操作的指令:
从存储器位置接收图像;
在所述图像内识别至少一个界标点;
在所述图像中选择图像点;
确定所述图像点相对于所述界标点的至少一个特征;以及
基于所确定的至少一个特征,通过使用所述分类模型将所述图像点与解剖学结构相关联。
28.根据权利要求27所述的计算机可读介质,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的相对距离。
29.根据权利要求27所述的计算机可读介质,其中所述确定的至少一个特征包括在所述图像点与所述至少一个界标点之间形成的位移矢量的方向分量。
30.根据权利要求27所述的计算机可读介质,其中所述确定的至少一个特征包括从由所述图像点和所述至少一个界标点形成的形状所确定的几何度量。
31.根据权利要求27所述的计算机可读介质,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的一组相对强度值。
32.根据权利要求27所述的计算机可读介质,其中所述确定的至少一个特征包括图像强度值、图像纹理值、图像块值、曲率值或强度分布值中的至少一种。
33.一种训练用于分割医学图像的分类模型的***,所述***包括:
数据库,其被配置为存储多个训练图像,每个训练图像包括多个图像点,并且各个图像点被分配解剖学结构;以及
训练单元,其连接到所述数据库以访问所述多个训练图像,所述训练单元包括:
特征提取模块,其被配置为:
从所述数据库接收训练图像,所述训练图像包括多个图像点,并且所述训练图像内的各个图像点被分配解剖学结构;
在所述训练图像中识别至少一个界标点;和
确定所述训练图像中的各个图像点相对于所述界标点的一个或更多个特征;和
分类器训练模块,其被配置为使用所述多个图像点作为训练数据来训练所述分类模型,其中所述分类模型基于未分类图像点的所确定的一个或更多个特征将所述未分类图像点与解剖学结构相关联。
34.根据权利要求33所述的***,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的相对距离。
35.根据权利要求33所述的***,其中所述确定的至少一个特征包括在所述图像点与所述至少一个界标点之间形成的位移矢量的方向分量。
36.根据权利要求33所述的***,其中所述确定的至少一个特征包括从由所述图像点和所述至少一个界标点形成的形状所确定的几何度量。
37.根据权利要求33所述的***,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的一组相对强度值。
38.根据权利要求33所述的***,其中所述确定的至少一个特征包括图像强度值、图像纹理值、图像块值、曲率值或强度分布值中的至少一种。
39.一种使用分类模型来分割医学图像的***,所述***包括:
数据库,其被配置为存储多个图像;以及
分类单元,其连接到所述数据库以访问所述多个图像,所述分类单元包括:
特征提取模块,其被配置为:
从所述数据库接收图像;
在所述图像内识别至少一个界标点;
在所述图像中选择图像点;
确定所述图像点相对于所述界标点的至少一个特征;和
解剖学分类模块,其被配置为:基于所确定的至少一个特征,通过使用所述分类模型将所述图像点与解剖学结构相关联。
40.根据权利要求39所述的***,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的相对距离。
41.根据权利要求39所述的***,其中所述确定的至少一个特征包括在所述图像点与所述至少一个界标点之间形成的位移矢量的方向分量。
42.根据权利要求39所述的***,其中所述确定的至少一个特征包括从由所述图像点和所述至少一个界标点形成的形状所确定的几何度量。
43.根据权利要求39所述的***,其中所述确定的至少一个特征包括所述图像点与所述至少一个界标点之间的一组相对强度值。
44.根据权利要求39所述的***,其中所述确定的至少一个特征包括图像强度值、图像纹理值、图像块值、曲率值或强度分布值中的至少一种。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/474,407 US9740710B2 (en) | 2014-09-02 | 2014-09-02 | Systems and methods for segmenting medical images based on anatomical landmark-based features |
US14/474,407 | 2014-09-02 | ||
PCT/US2015/046011 WO2016036516A1 (en) | 2014-09-02 | 2015-08-20 | Systems and methods for segmenting medical images based on anatomical landmark-based features |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107077736A true CN107077736A (zh) | 2017-08-18 |
CN107077736B CN107077736B (zh) | 2022-02-01 |
Family
ID=54140634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580046996.2A Active CN107077736B (zh) | 2014-09-02 | 2015-08-20 | 依据基于解剖学地标的特征分割医学图像的***和方法 |
Country Status (7)
Country | Link |
---|---|
US (2) | US9740710B2 (zh) |
EP (1) | EP3195257B1 (zh) |
JP (1) | JP6514325B2 (zh) |
CN (1) | CN107077736B (zh) |
AU (1) | AU2015312327B2 (zh) |
RU (1) | RU2699499C2 (zh) |
WO (1) | WO2016036516A1 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833229A (zh) * | 2017-11-02 | 2018-03-23 | 上海联影医疗科技有限公司 | 信息处理方法、装置及*** |
CN109658470A (zh) * | 2018-06-09 | 2019-04-19 | 上海联影医疗科技有限公司 | 生成图像的***和方法 |
CN111340859A (zh) * | 2018-12-19 | 2020-06-26 | 西门子医疗有限公司 | 用于图像配准的方法、学习装置和医学成像装置 |
CN111353524A (zh) * | 2019-10-28 | 2020-06-30 | 上海联影智能医疗科技有限公司 | 用于定位患者特征的***和方法 |
CN111356930A (zh) * | 2017-11-17 | 2020-06-30 | 皇家飞利浦有限公司 | 人工智能实现的解剖界标定位 |
CN111563496A (zh) * | 2019-02-13 | 2020-08-21 | 西门子医疗有限公司 | 用于图像采集的自动视图规划的连续学习 |
CN112115938A (zh) * | 2019-06-21 | 2020-12-22 | 斯特拉克斯私人有限公司 | 用于在图像中选择感兴趣区域的方法和*** |
CN112529919A (zh) * | 2019-12-11 | 2021-03-19 | 上海联影智能医疗科技有限公司 | 用于生成受试者的心脏的牛眼图生成的***和方法 |
CN112912924A (zh) * | 2018-10-22 | 2021-06-04 | 皇家飞利浦有限公司 | 预测算法分割的正确性 |
CN112946547A (zh) * | 2019-12-11 | 2021-06-11 | 通用电气精准医疗有限责任公司 | 用于从校准图像生成诊断扫描参数的***和方法 |
CN113344008A (zh) * | 2021-06-02 | 2021-09-03 | 广西大学 | 基于深度学习的茎秆组织解剖学特征参数高通量提取方法 |
CN113473896A (zh) * | 2018-12-24 | 2021-10-01 | 躯体构成技术私人有限公司 | 分析主体 |
Families Citing this family (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9740710B2 (en) | 2014-09-02 | 2017-08-22 | Elekta Inc. | Systems and methods for segmenting medical images based on anatomical landmark-based features |
KR102294734B1 (ko) | 2014-09-30 | 2021-08-30 | 삼성전자주식회사 | 영상 정합 장치, 영상 정합 방법 및 영상 정합 장치가 마련된 초음파 진단 장치 |
US10318839B2 (en) * | 2015-01-13 | 2019-06-11 | Council Of Scientific And Industrial Research | Method for automatic detection of anatomical landmarks in volumetric data |
US9842390B2 (en) * | 2015-02-06 | 2017-12-12 | International Business Machines Corporation | Automatic ground truth generation for medical image collections |
CN106022381B (zh) * | 2016-05-25 | 2020-05-22 | 厦门大学 | 基于车载激光扫描点云的路灯杆自动提取方法 |
US11880980B2 (en) * | 2016-06-17 | 2024-01-23 | Children's National Medical Center | Medical anatomy quantification: computer-aided diagnosis tool |
US9965863B2 (en) * | 2016-08-26 | 2018-05-08 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
US10867417B2 (en) | 2016-09-06 | 2020-12-15 | Elekta, Inc. | Neural network for generating synthetic medical images |
US11138739B2 (en) * | 2016-11-29 | 2021-10-05 | Koninklijke Philips N.V. | Heart segmentation methodology for cardiac motion correction |
US11042989B2 (en) * | 2016-12-09 | 2021-06-22 | Children's National Medical Center | Image segmentation of complex structures |
CN108205806B (zh) * | 2016-12-20 | 2020-10-09 | 北京大学 | 一种锥束ct图像三维颅面结构的自动解析方法 |
WO2018209057A1 (en) | 2017-05-11 | 2018-11-15 | The Research Foundation For The State University Of New York | System and method associated with predicting segmentation quality of objects in analysis of copious image data |
US10949966B2 (en) * | 2017-08-18 | 2021-03-16 | Siemens Healthcare Gmbh | Detecting and classifying medical images based on continuously-learning whole body landmarks detections |
WO2019060298A1 (en) | 2017-09-19 | 2019-03-28 | Neuroenhancement Lab, LLC | METHOD AND APPARATUS FOR NEURO-ACTIVATION |
EP3698325A1 (en) * | 2017-10-18 | 2020-08-26 | Koninklijke Philips N.V. | Landmark visualization for medical image segmentation |
CN111432731A (zh) | 2017-11-02 | 2020-07-17 | 皇家飞利浦有限公司 | 用于检测图像伪影的智能超声*** |
EP3704669A4 (en) * | 2017-11-02 | 2020-12-30 | Shanghai United Imaging Healthcare Co., Ltd. | SYSTEMS AND METHODS FOR GENERATING SEMANTIC INFORMATION FOR A SCAN IMAGE |
US10489907B2 (en) * | 2017-11-13 | 2019-11-26 | Siemens Healthcare Gmbh | Artifact identification and/or correction for medical imaging |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
US10878529B2 (en) | 2017-12-22 | 2020-12-29 | Canon Medical Systems Corporation | Registration method and apparatus |
WO2019133997A1 (en) | 2017-12-31 | 2019-07-04 | Neuroenhancement Lab, LLC | System and method for neuroenhancement to enhance emotional response |
EP3735177A1 (en) * | 2018-01-03 | 2020-11-11 | Koninklijke Philips N.V. | Full dose pet image estimation from low-dose pet imaging using deep learning |
US10910099B2 (en) * | 2018-02-20 | 2021-02-02 | Siemens Healthcare Gmbh | Segmentation, landmark detection and view classification using multi-task learning |
CN108460827B (zh) * | 2018-02-27 | 2022-06-14 | 上海交通大学医学院附属第九人民医院 | 一种基于多源数据数字化设计和制作阻塞器模型的方法 |
CN108334863B (zh) * | 2018-03-09 | 2020-09-04 | 百度在线网络技术(北京)有限公司 | 身份认证方法、***、终端和计算机可读存储介质 |
JP6962263B2 (ja) * | 2018-04-17 | 2021-11-05 | 日本電信電話株式会社 | 3次元点群ラベル学習装置、3次元点群ラベル推定装置、3次元点群ラベル学習方法、3次元点群ラベル推定方法、及びプログラム |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
WO2019240257A1 (ja) * | 2018-06-15 | 2019-12-19 | キヤノン株式会社 | 医用画像処理装置、医用画像処理方法及びプログラム |
CN110021021B (zh) * | 2018-07-09 | 2024-06-07 | 乐人美德株式会社 | 头部图像分析装置及图像分析方法 |
JP7211725B2 (ja) * | 2018-07-09 | 2023-01-24 | 富士フイルムヘルスケア株式会社 | 自動位置決め機能付き磁気共鳴イメージング装置、磁気共鳴イメージング装置の制御方法、及び、撮像断面自動設定用プログラム |
CN109166133B (zh) * | 2018-07-14 | 2021-11-23 | 西北大学 | 基于关键点检测和深度学习的软组织器官图像分割方法 |
CN109215064B (zh) * | 2018-08-03 | 2021-06-08 | 华南理工大学 | 一种基于超像素向导的医学图像配准方法 |
JP7305401B2 (ja) | 2018-09-06 | 2023-07-10 | キヤノン株式会社 | 画像処理装置、画像処理装置の作動方法、及びプログラム |
EP3849410A4 (en) | 2018-09-14 | 2022-11-02 | Neuroenhancement Lab, LLC | SLEEP ENHANCEMENT SYSTEM AND METHOD |
CN112822973A (zh) | 2018-10-10 | 2021-05-18 | 佳能株式会社 | 医学图像处理装置、医学图像处理方法和程序 |
CN109410220B (zh) * | 2018-10-16 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN109685102B (zh) * | 2018-11-13 | 2024-07-09 | 平安科技(深圳)有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
CN109508688B (zh) * | 2018-11-26 | 2023-10-13 | 平安科技(深圳)有限公司 | 基于骨架的行为检测方法、终端设备及计算机存储介质 |
US20200178934A1 (en) * | 2018-12-10 | 2020-06-11 | General Electric Company | Ultrasound imaging system and method for displaying a target object quality level |
WO2020183791A1 (ja) | 2019-03-11 | 2020-09-17 | キヤノン株式会社 | 画像処理装置および画像処理方法 |
JP7313192B2 (ja) * | 2019-05-27 | 2023-07-24 | キヤノンメディカルシステムズ株式会社 | 診断支援装置、及び、x線ct装置 |
AU2019204372B1 (en) * | 2019-06-21 | 2020-05-07 | Curvebeam Ai Limited | Method and System for Selecting a Region of Interest in an Image |
EP3756728A1 (en) | 2019-06-24 | 2020-12-30 | Vision RT Limited | Patient motion tracking system configured for automatic roi generation |
KR102247545B1 (ko) * | 2019-07-24 | 2021-05-03 | 경북대학교 산학협력단 | 수술위치 정보제공방법 및 수술위치 정보제공장치 |
US11132793B2 (en) | 2019-08-01 | 2021-09-28 | International Business Machines Corporation | Case-adaptive medical image quality assessment |
JP7395143B2 (ja) * | 2019-09-09 | 2023-12-11 | 国立大学法人大阪大学 | 三次元ランドマーク自動認識を用いた人体の三次元表面形態評価方法及び三次元表面形態評価システム |
US11487968B2 (en) | 2019-12-16 | 2022-11-01 | Nvidia Corporation | Neural network based facial analysis using facial landmarks and associated confidence values |
EP4213106A1 (en) * | 2019-12-19 | 2023-07-19 | Brainlab AG | Medical image analysis using machine learning and an anatomical vector |
RU2742701C1 (ru) * | 2020-06-18 | 2021-02-09 | Самсунг Электроникс Ко., Лтд. | Способ интерактивной сегментации объекта на изображении и электронное вычислительное устройство для его реализации |
EP3913574B1 (en) * | 2020-05-21 | 2022-12-21 | Tata Consultancy Services Limited | Anatomical landmark detection and identification from digital radiography images containing severe skeletal deformations |
US11978266B2 (en) | 2020-10-21 | 2024-05-07 | Nvidia Corporation | Occupant attentiveness and cognitive load monitoring for autonomous and semi-autonomous driving applications |
KR102510221B1 (ko) * | 2020-12-24 | 2023-03-15 | 연세대학교 산학협력단 | 골절 위험 예측 방법 및 장치 |
CN113239992B (zh) * | 2021-04-28 | 2024-05-07 | 深圳睿心智能医疗科技有限公司 | 血管分类方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11276462A (ja) * | 1998-01-29 | 1999-10-12 | Siemens Corporate Res Inc | 画像収集中にx線イメ―ジングシステムのコリメ―タを自動設定する方法、およびx線イメ―ジングシステム |
US20050169536A1 (en) * | 2004-01-30 | 2005-08-04 | Vittorio Accomazzi | System and method for applying active appearance models to image analysis |
CN101169868A (zh) * | 2006-10-25 | 2008-04-30 | 爱克发医疗保健公司 | 用于分割数字医学图像的方法 |
US20080137923A1 (en) * | 2006-12-06 | 2008-06-12 | Siemens Medical Solutions Usa, Inc. | X-Ray Identification of Interventional Tools |
CN101297321A (zh) * | 2005-10-25 | 2008-10-29 | 布拉科成像S.P.A.公司 | 配准图像的方法,用于执行配准图像的方法的算法,用于使用所述算法配准图像的程序以及处理生物医学图像以减少由对象移动导致的成像伪影的方法 |
CN101969852A (zh) * | 2008-03-04 | 2011-02-09 | 断层放疗公司 | 用于改进图像分割的方法和*** |
CN102239495A (zh) * | 2008-12-04 | 2011-11-09 | 皇家飞利浦电子股份有限公司 | 用于采集医学图像数据的方法、装置和计算机程序产品 |
US20120002855A1 (en) * | 2010-06-30 | 2012-01-05 | Fujifilm Corporation | Stent localization in 3d cardiac images |
US20120027272A1 (en) * | 2010-07-30 | 2012-02-02 | Akinola Akinyemi | Image segmentation |
WO2012021861A2 (en) * | 2010-08-13 | 2012-02-16 | Mckinnon, Brian William | Detection of anatomical landmarks |
CN103649961A (zh) * | 2011-06-27 | 2014-03-19 | 皇家飞利浦有限公司 | 对图像数据中的发现的解剖学标记的方法 |
CN103839251A (zh) * | 2012-11-26 | 2014-06-04 | 三星电子株式会社 | 用于医学图像配准的方法和设备 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2873955B1 (ja) * | 1998-01-23 | 1999-03-24 | 東京工業大学長 | 画像処理方法および装置 |
US7693563B2 (en) * | 2003-01-30 | 2010-04-06 | Chase Medical, LLP | Method for image processing and contour assessment of the heart |
US20050018890A1 (en) * | 2003-07-24 | 2005-01-27 | Mcdonald John Alan | Segmentation of left ventriculograms using boosted decision trees |
US20050237336A1 (en) * | 2004-04-23 | 2005-10-27 | Jens Guhring | Method and system for multi-object volumetric data visualization |
US7804990B2 (en) * | 2006-01-25 | 2010-09-28 | Siemens Medical Solutions Usa, Inc. | System and method for labeling and identifying lymph nodes in medical images |
US8150498B2 (en) | 2006-09-08 | 2012-04-03 | Medtronic, Inc. | System for identification of anatomical landmarks |
WO2010113712A1 (ja) * | 2009-03-31 | 2010-10-07 | アルプス電気株式会社 | 容量型湿度センサ及びその製造方法 |
CN106975163B (zh) * | 2009-04-02 | 2020-11-24 | 皇家飞利浦电子股份有限公司 | 用于图像引导治疗规划的自动解剖结构描绘 |
WO2011007312A1 (en) * | 2009-07-17 | 2011-01-20 | Koninklijke Philips Electronics N.V. | Multi-modality breast imaging |
GB2478329B (en) * | 2010-03-03 | 2015-03-04 | Samsung Electronics Co Ltd | Medical image processing |
JP6240064B2 (ja) * | 2011-04-29 | 2017-11-29 | ザ ジェネラル ホスピタル コーポレイション | 散乱媒質の深さ分解した物理的及び/又は光学的特性を決定する方法 |
US9740710B2 (en) | 2014-09-02 | 2017-08-22 | Elekta Inc. | Systems and methods for segmenting medical images based on anatomical landmark-based features |
-
2014
- 2014-09-02 US US14/474,407 patent/US9740710B2/en active Active
-
2015
- 2015-08-20 CN CN201580046996.2A patent/CN107077736B/zh active Active
- 2015-08-20 RU RU2017110538A patent/RU2699499C2/ru active
- 2015-08-20 WO PCT/US2015/046011 patent/WO2016036516A1/en active Application Filing
- 2015-08-20 JP JP2017512347A patent/JP6514325B2/ja active Active
- 2015-08-20 EP EP15763677.0A patent/EP3195257B1/en active Active
- 2015-08-20 AU AU2015312327A patent/AU2015312327B2/en active Active
-
2017
- 2017-07-20 US US15/654,768 patent/US10546014B2/en active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11276462A (ja) * | 1998-01-29 | 1999-10-12 | Siemens Corporate Res Inc | 画像収集中にx線イメ―ジングシステムのコリメ―タを自動設定する方法、およびx線イメ―ジングシステム |
US20050169536A1 (en) * | 2004-01-30 | 2005-08-04 | Vittorio Accomazzi | System and method for applying active appearance models to image analysis |
CN1926573A (zh) * | 2004-01-30 | 2007-03-07 | 思代软件公司 | 用于将主动表观模型应用于图像分析的***和方法 |
CN101297321A (zh) * | 2005-10-25 | 2008-10-29 | 布拉科成像S.P.A.公司 | 配准图像的方法,用于执行配准图像的方法的算法,用于使用所述算法配准图像的程序以及处理生物医学图像以减少由对象移动导致的成像伪影的方法 |
CN101169868A (zh) * | 2006-10-25 | 2008-04-30 | 爱克发医疗保健公司 | 用于分割数字医学图像的方法 |
US20080137923A1 (en) * | 2006-12-06 | 2008-06-12 | Siemens Medical Solutions Usa, Inc. | X-Ray Identification of Interventional Tools |
CN101969852A (zh) * | 2008-03-04 | 2011-02-09 | 断层放疗公司 | 用于改进图像分割的方法和*** |
CN102239495A (zh) * | 2008-12-04 | 2011-11-09 | 皇家飞利浦电子股份有限公司 | 用于采集医学图像数据的方法、装置和计算机程序产品 |
US20120002855A1 (en) * | 2010-06-30 | 2012-01-05 | Fujifilm Corporation | Stent localization in 3d cardiac images |
US20120027272A1 (en) * | 2010-07-30 | 2012-02-02 | Akinola Akinyemi | Image segmentation |
WO2012021861A2 (en) * | 2010-08-13 | 2012-02-16 | Mckinnon, Brian William | Detection of anatomical landmarks |
CN103607947A (zh) * | 2010-08-13 | 2014-02-26 | 史密夫和内修有限公司 | 解剖标志的检测 |
CN103649961A (zh) * | 2011-06-27 | 2014-03-19 | 皇家飞利浦有限公司 | 对图像数据中的发现的解剖学标记的方法 |
CN103839251A (zh) * | 2012-11-26 | 2014-06-04 | 三星电子株式会社 | 用于医学图像配准的方法和设备 |
Non-Patent Citations (4)
Title |
---|
COOTES T F等: "the use of active shape models for locating structures in medical images", 《INFORMATION PROCESSING IN MEDICAL IMAGING》 * |
DWARIKANATH MAHAPATRA等: "Localizing and Segmenting Crohn’s Disease Affected Regions In Abdominal MRI Using Novel Context Features", 《PROCEEDINGS OF SPIE》 * |
WEI LI等: "learning image context for segmentation of the prostate in ct-guided radiotherapy", 《PHYSICS IN MEDICINE AND BIOLOGY》 * |
尹健光: "CASAS中的骨骼分割与定位研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 医药卫生科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833229A (zh) * | 2017-11-02 | 2018-03-23 | 上海联影医疗科技有限公司 | 信息处理方法、装置及*** |
CN111356930B (zh) * | 2017-11-17 | 2023-09-12 | 皇家飞利浦有限公司 | 用于定位预定义的解剖结构的解剖界标的方法和*** |
CN111356930A (zh) * | 2017-11-17 | 2020-06-30 | 皇家飞利浦有限公司 | 人工智能实现的解剖界标定位 |
CN109658470A (zh) * | 2018-06-09 | 2019-04-19 | 上海联影医疗科技有限公司 | 生成图像的***和方法 |
CN109658470B (zh) * | 2018-06-09 | 2022-11-08 | 上海联影医疗科技股份有限公司 | 生成图像的***和方法 |
CN112912924A (zh) * | 2018-10-22 | 2021-06-04 | 皇家飞利浦有限公司 | 预测算法分割的正确性 |
CN112912924B (zh) * | 2018-10-22 | 2024-05-14 | 皇家飞利浦有限公司 | 预测算法分割的正确性 |
CN111340859B (zh) * | 2018-12-19 | 2023-09-01 | 西门子医疗有限公司 | 用于图像配准的方法、学习装置和医学成像装置 |
CN111340859A (zh) * | 2018-12-19 | 2020-06-26 | 西门子医疗有限公司 | 用于图像配准的方法、学习装置和医学成像装置 |
CN113473896A (zh) * | 2018-12-24 | 2021-10-01 | 躯体构成技术私人有限公司 | 分析主体 |
CN111563496A (zh) * | 2019-02-13 | 2020-08-21 | 西门子医疗有限公司 | 用于图像采集的自动视图规划的连续学习 |
CN112115938A (zh) * | 2019-06-21 | 2020-12-22 | 斯特拉克斯私人有限公司 | 用于在图像中选择感兴趣区域的方法和*** |
CN111353524B (zh) * | 2019-10-28 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 用于定位患者特征的***和方法 |
CN111353524A (zh) * | 2019-10-28 | 2020-06-30 | 上海联影智能医疗科技有限公司 | 用于定位患者特征的***和方法 |
CN112946547A (zh) * | 2019-12-11 | 2021-06-11 | 通用电气精准医疗有限责任公司 | 用于从校准图像生成诊断扫描参数的***和方法 |
CN112529919A (zh) * | 2019-12-11 | 2021-03-19 | 上海联影智能医疗科技有限公司 | 用于生成受试者的心脏的牛眼图生成的***和方法 |
CN112529919B (zh) * | 2019-12-11 | 2024-05-31 | 上海联影智能医疗科技有限公司 | 用于生成受试者的心脏的牛眼图生成的***和方法 |
CN113344008B (zh) * | 2021-06-02 | 2022-08-09 | 广西大学 | 基于深度学习的茎秆组织解剖学特征参数高通量提取方法 |
CN113344008A (zh) * | 2021-06-02 | 2021-09-03 | 广西大学 | 基于深度学习的茎秆组织解剖学特征参数高通量提取方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3195257B1 (en) | 2023-11-01 |
RU2017110538A (ru) | 2018-10-03 |
US20160063720A1 (en) | 2016-03-03 |
EP3195257A1 (en) | 2017-07-26 |
WO2016036516A1 (en) | 2016-03-10 |
AU2015312327A1 (en) | 2017-03-16 |
RU2699499C2 (ru) | 2019-09-05 |
RU2017110538A3 (zh) | 2019-03-14 |
US9740710B2 (en) | 2017-08-22 |
JP6514325B2 (ja) | 2019-05-15 |
CN107077736B (zh) | 2022-02-01 |
JP2017532092A (ja) | 2017-11-02 |
AU2015312327B2 (en) | 2019-06-06 |
US10546014B2 (en) | 2020-01-28 |
US20170322950A1 (en) | 2017-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107077736A (zh) | 依据基于解剖学界标的特征分割医学图像的***和方法 | |
US11386557B2 (en) | Systems and methods for segmentation of intra-patient medical images | |
CN109410188B (zh) | 用于对医学图像进行分割的***和方法 | |
US9959486B2 (en) | Voxel-level machine learning with or without cloud-based support in medical imaging | |
CN109003267B (zh) | 从3d图像自动检测目标对象的计算机实现方法和*** | |
JP2021035502A (ja) | 畳み込みニューラルネットワークを用いた画像セグメンテーションのためのシステムおよび方法 | |
JP6782051B2 (ja) | オンライン学習により強化されたアトラスベース自動セグメンテーション | |
US9299145B2 (en) | Image segmentation techniques | |
US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
Kieselmann et al. | Cross‐modality deep learning: contouring of MRI data from annotated CT data only | |
CN107567638A (zh) | 对解剖结构的基于模型的分割 | |
EP3884501A1 (en) | Interactive iterative image annotation | |
CN114255235A (zh) | 用于自动定位三维图像中的器官分段的方法和布置 | |
EP4195148A1 (en) | Selecting training data for annotation | |
Wu et al. | Automatic segmentation of ultrasound tomography image | |
US20220351000A1 (en) | Method and apparatus for classifying nodules in medical image data | |
CN113851202A (zh) | 用于标识相似的预存储医学数据集的方法和布置 | |
Marte | Model driven segmentation and the detection of bone fractures |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20171018 Address after: American Georgia Applicant after: ELEKTA LIMITED Address before: American California Applicant before: IMPAC MEDICAL SYSTEMS, INC. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |