CN107563378A - 体数据中提取感兴趣区域的方法及其*** - Google Patents
体数据中提取感兴趣区域的方法及其*** Download PDFInfo
- Publication number
- CN107563378A CN107563378A CN201710775143.3A CN201710775143A CN107563378A CN 107563378 A CN107563378 A CN 107563378A CN 201710775143 A CN201710775143 A CN 201710775143A CN 107563378 A CN107563378 A CN 107563378A
- Authority
- CN
- China
- Prior art keywords
- voi
- interest
- image
- area
- texture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 105
- 230000012010 growth Effects 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 37
- 239000000284 extract Substances 0.000 abstract description 10
- 210000001519 tissue Anatomy 0.000 description 105
- 230000002452 interceptive effect Effects 0.000 description 27
- 238000003860 storage Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 16
- 238000009877 rendering Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000002156 mixing Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 230000002792 vascular Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003450 growing effect Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000003325 tomography Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000008467 tissue growth Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 241001632427 Radiola Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002491 angiogenic effect Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/107—Visualisation of planned trajectories or target regions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
-
- 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
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/028—Multiple view windows (top-side-front-sagittal-orthogonal)
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2021—Shape modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Architecture (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种体数据中提取感兴趣区域的方法,所述方法包括:获取第一断位图像数据,所述第一断位图像数据包括至少第一层图像和第二层图像;确定所述第一层图像中的第一感兴趣区域(ROI);确定所述第二层图像中的第二ROI;以及基于所述第一ROI、所述第二ROI和所述第一断位图像数据的特征信息,确定第一感兴趣体积(VOI)。一ROI、所述第二ROI和所述第一断位图像数据的特征信息,确定第一感兴趣体积(VOI)。方便用户与图像处理***进行交互的方法,使得用户可以方便地观察和/或调整实时提取结果。
Description
【技术领域】
本申请涉及一种医学图像的方法及***,特别地,涉及体数据中提取感兴趣区域的方法及其***。
【背景技术】
随着科学技术的发展,医学图像被广泛应用于临床医疗检测和诊断。高质量的医学图像有利于准确定位病灶,提高诊断的准确性。对于图像中的组织,在检测和诊断过程中(例如,肝段分割、肿瘤检测、手术分析等),往往需要在图像中标记组织,提取感兴趣体积(VOI)部位的灰度信息,并在三维图像上进行显示观察。在提取感兴趣区域过程中,通常会利用区域生长方法进行图像分割。在三维图像中,不同组织之间存在空间位置关系,在对某一组织(例如,血管)进行区域生长时,生长的实时结果可能会被另一组织(例如,骨骼)遮挡,不便于用户观察。
【发明内容】
本发明所要解决的技术问题是提供一种体数据中提取感兴趣区域的方法及其***,用以满足用户诊断需求。
为解决上述技术问题,本发明本发明提供一种体数据中提取感兴趣区域方法包括:
获取第一断位图像数据,所述第一断位图像数据包括至少第一层图像和第二层图像;
确定所述第一层图像中的第一感兴趣区域(ROI);
确定所述第二层图像中的第二ROI;以及
基于所述第一ROI、所述第二ROI和所述第一断位图像数据的特征信息,确定第一感兴趣体积(VOI)。
进一步的,所述方法包括:
基于所述图像特征信息优化所述第一感兴趣区域,以获得第二感兴趣区域,所述第二感兴趣区域包括至少部分所述第一感兴趣区域。
进一步的,所述第一感兴趣区域包括一个第三感兴趣区域,所述方法进一步包括:
在第一时刻,基于所述第一感兴趣区域开始进行所述第三感兴趣区域的区域生长;
在第二时刻,暂停所述第三感兴趣区域的区域生长;
基于图像深度信息以及所述第一感兴趣区域确定至少部分的第三感兴趣区域,所述至少部分第三感兴趣区域包括至少一个第一体素,以及所述第一体素的深度信息小于或等于所述图像深度信息;
基于所述至少部分第三感兴趣区域确定第一纹理,所述第一纹理包括所述至少一个第一体素的灰度分布信息;以及
基于所述第一纹理与所述第一感兴趣区域,确定第二纹理,所述第二纹理包括所述第一纹理。
进一步的,,所述特征信息包括灰度信息。
本发明还提供一种体数据中提取感兴趣区域的方法,在至少一个机器上执行,所述至少一个机器中的每一个机器具有至少一个处理器和一个存储器,包括:
获取图像数据;
基于所述图像数据,三维重建第一图像,所述第一图像包括第一感兴趣体积VOI,所述第一VOI包括至少一个第一体素;
在第一时刻,基于所述第一图像开始进行所述第一VOI的区域生长;
在第二时刻,暂停所述第一VOI的区域生长;
基于图像深度信息,确定第二VOI,所述第二VOI包括至少部分第一VOI,所述第二VOI包括至少一个第二体素,以及所述第二体素的深度信息小于或等于所述图像深度信息;
基于所述第二VOI绘制所述第一纹理,所述第一纹理包括所述至少一个第二体素的灰度分布信息;以及
基于所述第一纹理与所述第一图像,确定第二纹理,所述第二纹理包括所述第一纹理。
进一步的,所述确定第二VOI包括:
确定第一种子点集,所述第一种子点集包括所述第一时刻至所述第二时刻生长的所有种子点;
确定第二种子点集,所述第一种子点集包括所述第二种子点集,以及所述第二种子点集的种子点深度信息小于或等于所述图像深度信息;
基于所述第二种子点集中的种子点的三维坐标,确定所述第二种子点集中的种子点的二维投影坐标;以及
基于所述第二种子点集中的种子点的二维投影坐标确定所述第二VOI。
进一步的,所述方法进一步包括不考虑图像深度信息绘制所述第一VOI的第三纹理,包括:
在第三时刻,确定第三种子点集,所述第三种子点集包括所述第一时刻至所述第三时刻生长的至少部分的种子点;
基于所述第三种子点集中的种子点的三维坐标,确定所述第三种子点集中的种子点的二维投影坐标;以及
基于所述第三种子点集中的种子点的二维投影坐标确定所述第一VOI的第三纹理,所述第三纹理包括所述至少一个第一体素的灰度分布信息。
进一步的,,所述进行所述第一VOI的区域生长进一步包括:
在第四时刻,确定所述第一时刻至所述第四时刻内区域生长中种子点提取次数;
判断所述种子点提取次数是否小于或等于一个预设值;
基于所述判断,若所述种子点提取次数小于或等于所述预设值,则减小种子点生成速度;以及
基于所述判断,若所述种子点提取次数大于所述预设值,则增加种子点生成速度。
本发明还提供一种在体数据中提取感兴趣区域的***,包括:
至少一个处理器,以及
存储器,用来存储指令,所述指令被所述至少一个处理器执行时,导致所述***实现的操作包括,包括:
获取图像数据;
基于所述图像数据,三维重建第一图像,所述第一图像包括第一感兴趣体积VOI,所述第一VOI包括至少一个第一体素;
在第一时刻,基于所述第一图像开始进行所述第一VOI的区域生长;
在第二时刻,暂停所述第一VOI的区域生长;
基于图像深度信息,确定第二VOI,所述第二VOI包括至少部分第一VOI,所述第二VOI包括至少一个第二体素,以及所述第二体素的深度信息小于或等于所述图像深度信息;
基于所述第二VOI绘制所述第一纹理,所述第一纹理包括所述至少一个第二体素的灰度分布信息;以及
基于所述第一纹理与所述第一图像,确定第二纹理,所述第二纹理包括所述第一纹理。
本发明对比现有技术有如下的有益效果:既能体现组织之间的遮挡关系又利于观察组织生长的动态变化,优化生长速率。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是根据本申请的一些实施例所示的图像处理***的工作环境的一个示意图;
图2是是根据本申请的一些实施例所示的数据处理引擎的一个示意图;
图3是根据本申请的一些实施例所示的确定VOI的一种示例性流程图;
图4是根据本申请的一些实施例所示的基于容积再现法进行VOI区域生长的一种示例性流程图;
图5是根据本申请的一些实施例所示的非线性VOI区域生长的一种示例性流程图;
图6是根据本申请的一些实施例所示的基于容积再现(VR)图像确定VOI的一种示例性流程图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
图1是根据本申请的一些实施例所示的图像处理***100的工作环境的一个示意图。该图像处理***100可以包括成像设备110、数据处理引擎120、存储设备60和交互设备150。成像设备110、数据处理引擎120、存储设备60和交互设备150相互之间可以通过网络160进行通信。
在一些实施例中,成像设备110可以通过扫描目标采集数据。成像设备110可以包括但不限于计算机断层扫描(CT)、计算机断层扫描血管造影(CTA)、正电子发射断层扫描术(PET)、单光子发射计算机断层扫描(SPECT)、磁共振成像仪(MRI)、数字减影血管造影(DSA)、超声波扫描(US)、热断层扫描仪(TTM)、SPECT-MR、CT-PET、CE-SPECT、PET-MR、PET-US、SPECT-US、TMS-MR、US-CT、US-MR、X射线-CT、X射线-PET或多种的组合。在一些实施例中,采集的数据可以是图像数据。所述图像数据可以是二维图像数据和/或三维图像数据。在二维图像中,最细微的可分辨元素可以为像素点(pixel)。在三维图像中,最细微的可分辨元素可以为体素点(voxel)。在三维图像中,图像可由一系列的二维切片或二维断层构成。图像中的一个点(或元素)在三维图像中可以被称为体素,在其所在的二维断层图像中可以被称为像素。“体素”和/或“像素”仅为了描述方便,并不对二维和/或三维图像做相应的限定。
所述图像数据的格式可以包括但不限于联合图像专家小组(Joint PhotographicExperts Group(JPEG))文件格式、标签图像(Tagged Image File Format(TIFF))文件格式、图像互换(Graphics Interchange Format(GIF))文件格式、闪光照片(Kodak FlashPiX(FPX))文件格式、医学数字成像和通信(Digital Imaging and Communications inMedicine(DICOM))文件格式等。
数据处理引擎120可以对数据进行处理。所述数据可以包括图像数据,用户输入数据等。所述图像数据可以是二维图像数据和/或三维图像数据等。所述用户输入数据可以包括数据处理参数(例如,图像三维重建层厚、层间距或层数等),***相关指令等。所述数据可以是通过成像设备110采集的数据,从存储设备60中读取的数据,从交互设备150中获得的数据或者通过网络160从云端或外接设备中获得的数据等。在一些实施例中,对数据的处理方式可以包括对数据进行获取、分类、筛选、转换、计算、显示等一种或几种的组合。数据处理引擎120可以将处理后的数据传输至存储设备60进行储存或传输至交互设备150。例如,数据处理引擎120可以对图像数据进行处理,并将处理后的图像数据传输至交互设备150进行显示。
需要注意的是,上述数据处理引擎120可以实际存在于***中,也可以通过云计算平台完成相应功能。其中,云计算平台包括但不限于以存储数据为主的存储型云平台、以处理数据为主的计算型云平台、以及兼顾数据存储和处理的综合云计算平台等。图像处理***100所使用的云平台可以是公共云、私有云、社区云或混合云等。例如,根据实际需要,图像处理***100接收的一些医学图像,可以通过云平台进行计算和/或存储。另一些医学图像,可以通过本地处理模块和/或***内部存储器进行计算和/或存储。
存储设备60可以配置在具有存储功能的设备上。存储设备60可以存储从成像设备110收集的数据(例如,成像设备110拍摄的图像数据)和数据处理引擎120工作中产生的各种数据。存储设备60也可以存储通过交互设备150输入的数据(用户输入数据)。存储设备60可以是本地的或远程的。在一些实施例中,存储设备60可以配置在数据处理引擎120中。存储设备60可以包括层次式数据库、网络式数据库和关系式数据库等其中的一种或几种的组合。存储设备60可以将信息数字化后再利用电、磁或光学等方式的存储设备加以存储。存储设备60可以用来存放各种信息,例如,程序,数据等。
交互设备150可以接收、发送和/或显示数据或信息。在一些实施例中,交互设备150可以具备数据处理引擎120的部分或全部的功能。例如交互设备150可以对数据处理引擎120处理结果进行进一步处理,例如对数据处理引擎120处理后的数据进行显示。在一些实施例中,交互设备150与数据处理引擎120可以是一个集成的设备。所述集成的设备可以同时实现数据处理引擎120和交互设备150的功能。在一些实施例中,交互设备150可以包括但不限于输入设备、输出设备等中的一种或几种的组合。输入设备可以包括但不限于字符输入设备(例如,键盘)、光学阅读设备(例如,光学标记阅读机、光学字符阅读机)、图形输入设备(例如,鼠标器、操作杆、光笔)、图像输入设备(例如,摄像机、扫描仪、传真机)、模拟输入设备(例如,语言模数转换识别***)等中的一种或几种的组合。输出设备可以包括但不限于显示设备、打印设备、绘图仪、影像输出***、语音输出***、磁记录设备等中的一种或几种的组合。在一些实施例中,交互设备150可以是同时具有输入和输出功能的设备,例如,台式电脑、笔记本、智能手机、平板电脑、个人数码助理(personal digital assistance,PDA)等。
网络160可以实现图像处理***100内部的通信,接收***外部的信息,向***外部发送信息等。在一些实施例中,成像设备110、数据处理引擎120和交互设备150之间可以通过有线连接、无线连接或其结合的方式接入网络160。网络160可以是单一网络,也可以是多种网络的组合。在一些实施例中,网络160可以包括但不限于局域网、广域网、公用网络、专用网络、无线局域网、虚拟网络、都市城域网、公用开关电话网络等中的一种或几种的组合。在一些实施例中,网络160可以包括多种网络接入点,例如有线或无线接入点、基站或网络交换点,通过以上接入点使数据源连接网络160并通过网络传输信息。
图2是根据本申请的一些实施例所示的数据处理引擎120的一个示意图。数据处理引擎120可以包括图像数据获取模块202、预处理模块204、VOI确定模块206、存储模块208和显示模块210。在一些实施例中,图像数据获取模块202、预处理模块204、VOI确定模块206、存储模块208和显示模块210中的两个或多个之间可以通过网络160进行通信。在一些实施例中,图像数据获取模块202、预处理模块204、VOI确定模块206、存储模块208和显示模块210中的两个或多个之间可以通过通信总线214进行通信。
图像数据获取模块202可以获取图像数据。所述图像可以是医学图像。所述医学图像可以包括CT图像、PET图像、SPECT图像、MRI图像、超声图像等中的一种或几种组合。所述医学图像可以是二维图像和/或三维图像。在一些实施例中,图像数据获取模块202可以从成像设备110、存储设备60、交互设备150和/或存储模块208获取图像数据。在一些实施例中,图像数据的获取可以是实时的,也可以是非实时的。在一些实施例中,获取的图像数据可以存储在存储设备60、存储模块208中或任何在本申请中所描述的集成在***中或独立于***外的存储设备中。在一些实施例中,获取的图像数据可以被发送至其他模块、单元或子单元进行进一步处理。例如,图像数据获取模块202可以将图像数据发送至预处理模块204对图像数据进行预处理。又如,图像数据获取模块202可以将图像数据发送至VOI确定模块206进行VOI的确定。再如,图像数据获取模块202可以将图像数据发送至显示模块210进行图像的显示。
预处理模块204可以对图像数据进行预处理。在一些实施例中,所述图像数据可以包括图像数据获取模块202获取的图像数据。所述图像数据也可以包括数据处理引擎120工作过程中产生的中间图像数据(例如,VOI确定模块206确定VOI过程中产生的中间图像数据)。所述预处理可以包括初始定位、图像归一化、图像重建、图像平滑、图像压缩、图像增强、图像配准、图像融合、图像几何校正、图像去噪等一种或几种的组合。所述预处理操作可以利用点运算、几何运算等实现。点运算可以包括对图像数据中的像素进行加、减、乘、除等运算。几何运算可以包括对图像数据进行平移、缩放、旋转、扭曲校正等处理。在一些实施例中,经过预处理的图像数据可以被发送至其他模块、单元或子单元中进行进一步处理。例如,经过预处理的图像数据可以被发送至VOI确定模块206进行VOI的确定。又如,经过预处理的图像数据可以被发送至存储模块208进行存储。
VOI确定模块206可以确定一个或多个感兴趣体积VOI。在一些实施例中,VOI确定模块206可以对图像数据进行处理,并重建三维图像,以实现感兴趣目标的立体显示、编辑和/或分析等。一个感兴趣体积(VOI)可以包括一个或多个感兴趣的体素。在一些实施例中,一个感兴趣体积(VOI)可以包括一层或多层二维断层图像中的一个或多个像素。在一些实施例中,所述VOI可以包括至少部分的感兴趣目标。在一些实施例中,所述感兴趣目标可以是机体、物体、损伤部位、肿瘤等一种或多种的组合。在一些实施例中,所述感兴趣目标可以是头部、胸腔、腹部、内脏器官等一种或多种的组合。在一些实施例中,所述感兴趣目标可以是一个或多个特定的组织或器官,例如,骨骼、血管、气管、肝脏等一种或多种的组合。在一些实施例中,VOI确定模块206可以全自动、半自动或手动确定一个或多个VOI。例如,VOI确定模块206可以基于一个或多个图像分割算法,自动提取一个或多个VOI。又如,用户可以通过交互设备150手动确定一个或多个VOI。再如,用户可以对生成的VOI进行人工修正或更改等。
在一些实施例中,VOI的自动确定可以基于一种或多种三维重建技术。所述三维重建技术可以包括面绘制法、体绘制法和网格绘制等。面绘制法可以确定VOI的表面信息。面绘制法可以对二维断层图像中待确定的VOI的表面进行分割,然后通过几何单元内插形成VOI表面,最后根据光照、阴暗模型等对所述VOI表面进行渲染和/或消隐。面绘制法得到的图像可以被显示模块210显示,以方便用户查看面绘制的结果。面绘制法可以包括边界轮廓线表示法、基于体素的面绘制方法、表面曲面表示法等。边界轮廓线表示法(例如,三角片拟合表面法)可以根据一个或多个图像分割方法提取二维断层图像的轮廓线,然后把一层或多层二维断层图像对应的轮廓线构造在一起,以表示感兴趣体积(VOI)的表面边界。基于体素的面绘制方法可以在体素级别上生成感兴趣体积(VOI)的表面。首先,VOI确定模块206可以利用阈值分割方法将感兴趣目标物体从背景中提取出来,然后采用深度遍历搜索确定构成感兴趣体积(VOI)表面的体素。例如,处在感兴趣体积(VOI)和背景的邻接面的体素可以构成感兴趣体积(VOI)的表面。所述表面曲面表示法可以通过感兴趣体积(VOI)的边界轮廓线重建表面。例如,VOI确定模块206可以通过多个边界轮廓线将所述感兴趣体积(VOI)的表面划分为不同区域,并利用三角形或多边形的小平面(或曲面)在相邻的边界轮廓线间通过平面填充算法(例如,种子填充法、注入填充法、边界填充法等)填充所述区域,以形成感兴趣体积(VOI)的表面。表面曲面表示法可以包括立方块法、移动立方体法、剖分立方体法等。
对于体绘制法,VOI确定模块206可以将一个二维断层图像中的每个像素看成是三维空间中的一个六面体单元(即体素),将一条虚拟光线穿过多个二维断层图像,并分析该虚拟光线上的每个体素对光线的透射、散射和反射作用,从而得到所述虚拟光线上的多个体素的综合特征信息。体绘制法可以包括空间域法、变换域法等。空间域法可以直接对图像数据进行处理并显示,例如光线跟踪法、抛雪球法、错切-形变法等。变换域法可以将图像数据变换到变换域,然后进行处理并显示,例如频域体绘制法、基于小波的体绘制法等。所述图像数据可以是图像数据获取模块202获得的图像数据或是预处理模块204预处理后的图像数据。
在一些实施例中,所述VOI的确定可进一步基于三维表面模型重建技术,例如多平面重建(MPR)、最大密度投影法(MIP)、表面阴影显示法(SSD)等或多种的组合。在一些实施例中,经过VOI确定模块206处理过的图像数据可以被发送至其他模块、单元或子单元中进行进一步处理。例如,经过VOI确定模块206处理过的图像数据可以被发送至显示模块210进行显示。在一些实施例中,VOI确定模块206可以基于一种或多种图像分割方法确定一个VOI对应的像素/体素,然后利用一种或多种三维重建技术确定所述VOI。所述图像分割方法可以是本申请所描述的任意一种图像分割方法(例如,区域生长法)。
存储模块208可以存储来自图像数据获取模块202、预处理模块204、VOI确定模块206和/或显示模块210的数据。所述存储模块208可以包括***内部的存储设备(例如,存储设备60、磁盘212、ROM 204、RAM 206等)和/或***的外接存储设备。所述存储模块208可以实际存在于***中,也可以通过云计算平台完成相应的存储读取功能。
显示模块210可以显示图像数据。在一些实施例中,所述图像数据可以包括图像数据获取模块202获取的图像数据和/或数据处理引擎120工作过程中产生的中间图像数据。所述中间图像数据可以是经过预处理模块204预处理后的图像数据,VOI确定模块206在确定VOI过程中产生的中间数据(例如,ROI的二维断层图像)或VOI确定模块206所确定的VOI。在一些实施例中,显示模块210可以包括二维图像显示窗口,三维图像显示窗口等,以对图像数据进行二维和/或三维显示。在一些实施例中,显示模块210可以在三维图像显示窗口上显示二维图像信息。例如,在VOI确定过程中,显示模块210可以在三维图像显示窗口上显示确定的VOI,也可以在VOI上标记并显示相应的一个或多个ROI。在一些实施例中,显示模块210可以响应来自于交互设备150的信息,对显示的图像区域、显示的视角、显示效果等进行调整。例如,用户可以通过交互设备150(例如,鼠标)拖动、旋转或切换图像的显示窗口,从不同的角度观察VOI。又如,用户可以通过交互设备150(例如,鼠标)选中某一个ROI(或VOI),进行放大显示或缩小显示等。再如,用户可以通过交互设备150更改二维断层图像的层厚,显示模块210可以根据调整的层厚信息,重新显示图像数据。
图3是根据本申请的一些实施例所示的确定VOI的一种示例性流程图。
在301中,可以确定至少两个ROI。在一些实施例中,所述至少两个ROI可以是同一个三维感兴趣目标在不同二维断层图像上对应的区域。比如,可以在第一二维断层图像中确定第一ROI,并且在第二二维断层图像中确定第二ROI。在一些实施例中,所述至少两个ROI(例如第一二维断层图像和第二二维断层图像)可以是位于同一个断位的两个感兴趣图像区域。所述断位可以包括横断位、矢状位、冠状位或任意角度的斜断位。例如,对于肝脏,用户可能想要确定肝脏中的肿瘤,可以在矢状位的多个二维断层图像中确定各个二维断层图像中显示的肿瘤区域。
ROI的确定可以是全自动、半自动或手动进行的在一些实施例中,所述ROI的自动确定可以包括在多个二维断层图像中基于图像特征信息分割所述ROI。所述分割ROI的操作可以基于一种或多种图像分割算法。所述图像分割算法可以包括阈值分割、区域生长法、分水岭分割、形态学分割、统计学分割等中的一种或几种的组合。阈值分割可以是一种基于区域的分割算法。
在303中,可以基于图像特征信息优化确定的ROI。在在一些实施例中,所述优化的过程可以包括调整所述ROI轮廓线所包括的范围。例如,在肿瘤提取过程中,可调整ROI轮廓线,使得ROI尽量包含整个肿瘤区域。在一些实施例中,通过调整所述ROI的范围可以避开ROI所包括的血管、钙化组织、损伤组织等。在一些实施例中,ROI可以由用户手动进行优化。例如,用户可以通过交互设备140(例如,鼠标)拖拽ROI轮廓线上的控制点,从而调整ROI的范围。所述控制点的选取可以基于用户所观察的图像特征信息(例如,灰度信息)。
在305中,可以基于所述ROI生成VOI。在一些实施例中,所述生成VOI的操作可以由VOI生成单元404执行。所述VOI的生成可以基于301中确定的所述至少两个ROI,也可以基于303中优化后的ROI。在一些实施例中,所述生成VOI的过程可以包括生成所述VOI的轮廓面。VOI的轮廓面可以基于ROI轮廓线生成。通过ROI轮廓线生成VOI轮廓面可以基于本申请中描述的任意一种或几种曲面重构技术。
在一些实施例中,所述VOI轮廓面可以是三维掩膜图像。所述三维掩膜图像可以指所述VOI轮廓面上或内的体素灰度值为1,所述VOI轮廓面外的体素灰度值为0。进一步地,可以基于所述掩膜图像对所述VOI的体素进行特征信息的提取(例如,提取所述VOI的灰度信息)。例如,将所述VOI轮廓面的掩膜图像与体数据(例如,包含体素特征信息的图像数据)中相对应的体素灰度值相乘,则VOI内的体素灰度信息保持不变,而VOI区域外的体素灰度信息为0,从而提取所述VOI的体素灰度信息。需要注意的是,所述相对应的体素可以指掩膜图像与体数据显示的感兴趣目标同一物理位置所对应的体素。在一些实施例中,所述VOI轮廓面可以是以三维网格(mesh)的形式显示。
在307中,可以基于图像特征信息优化生成的所述VOI。在一些实施例中,所述优化的过程可以包括调整所述VOI轮廓面所包括的体积范围。例如,在肿瘤提取过程中,可调整VOI轮廓面范围,使得VOI尽量包含整个肿瘤区域。在一些实施例中,通过调整所述VOI的范围可以避开VOI所包括的血管、钙化组织、损伤组织等。在一些实施例中,VOI的优化可以基于用户手动优化,也可以自动优化。例如,用户可以通过交互设备140(例如,鼠标)拖拽VOI轮廓面上的点,从而调整VOI的范围。
需要注意的是,以上关于确定VOI的流程300的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解本申请的基本原理后,可以在不背离这一原理的情况下,对确定VOI的流程300作出改变。在一些实施例中,确定VOI的流程300可以不包括303和/或307。在一些实施例中,301和303可以合并为一个操作。在一些实施例中,305和307可以合并为一个操作。
图4是根据本申请的一些实施例所示的基于容积再现法进行感兴趣区域区域生长的一种示例性流程图。在402中,可以确定至少一个初始种子点。在一些实施例中,402可以由感兴趣区域生成单元504执行。在一些实施例中,所述初始种子点可以包括至少一个体素。在一些实施例中,所述初始种子点可以是一个区域,所述区域可以是多个体素的集合。在一些实施例中,所述初始种子点的选取可以基于VR图像,也可以基于图像数据(例如,二维断层图像)。在一些实施例中,所述初始种子点的确定可以是手动的,例如,用户可以通过交互设备150(例如,鼠标)进行选取。在一些实施例中,所述初始种子点的提取也可以是自动的。例如,所述初始种子点可以是图像灰度直方图中出现概率最多的体素或像素点。又如,所述初始种子点可以是图像的中心点。在一些实施例中,可以基于本申请中描述的任意一种或多种图像分割算法对所述图像进行分割,然后基于分割后的图像选取种子点。例如,可以基于分水岭分割算法确定初始种子点。在一些实施例中,可以将图像划分为多个矩形区域,并选取每个矩形区域的中心点作为初始种子点。例如,可以对图像进行边缘检测,选取相邻边界区域的中心点、边缘检测形成的封闭区域内的任意一点或局部极小值点等作为初始种子点。又如,可以基于数学形态学方法,得到图像的灰度梯度图,进而在灰度梯度图上变化较小的区域和/或变化较大的区域选取初始种子点。
在一些实施例中,操作402可以基于一种或多种选取标准选取初始种子点。所述选取标准可以包括所述初始种子点与其邻近像素或体素之间特征的相似性。所述特征可以包括灰度值、颜色、纹理、亮度等一种或多种的组合。所述选取标准可以包括相似度函数、光谱角、光谱距离、规范化向量距离等。所述相似度函数可以用于衡量两个体素点特征之间的相似性,如相似系数值函数、距离函数等。相似系数值函数可以通过相似系数值衡量两个体素的相似度。两个体素点越相似则相似系数值越大;两个体素点越不相似,则相似系数值越小。在距离函数中,可以将每个体素点看作是高维(例如,四维或高于四维)空间的一个点,进而使用某种距离(例如,马氏距离、欧式距离等)表示体素之间的相似性,距离较近的体素点性质较相似;距离较远的体素点则差异较大。光谱角可以指将光谱数据视为多维空间的矢量,矢量像素或体素与相邻矢量像素或体素之间的夹角。相邻体素间光谱角的大小可以衡量相邻体素间的光谱差异。光谱距离可以指将光谱数据视为多维空间的矢量,矢量像素或体素与相邻矢量像素或体素之间的距离。规划化向量距离可以综合考虑光谱角与光谱距离,定义两个体素之间的光谱差异;光谱差异越小,则体素被选为种子点的可能性越大;光谱差异越大,则体素被选为种子点的可能性越小。
在404中,可以基于所述初始种子点进行第一感兴趣区域区域生长。在一些实施例中,404可以由VOI确定模块206执行。在一些实施例中,所述第一感兴趣区域区域生长可以基于一种或多种生长准则,对初始种子点邻域内的体素点进行遍历,并将满足生长准则的体素点与初始种子点所在区域进行合并。新增的体素点可以作为下一次区域生长的种子点,并继续进行区域生长,直到没有找到满足生长条件的体素点时生长停止。在一些实施例中,所述生长准则可以基于体素点的特征,如纹理、灰度、颜色、亮度等一种或几种的组合。例如,所述生长准则可以基于体素的灰度,如果种子点与其邻域内的体素灰度值差的绝对值小于一预设阈值,则将所述体素与种子点所在区域进行合并。又如,所述生长准则可以基于纹理特征的相似性,具体地,可以基于灰度共生矩阵计算种子点邻域内体素纹理特征值的平均值(例如,对比度、相关性和熵等),并将平均值与种子点所在区域的体素纹理特征值进行对比,如果种子点邻域内的体素点纹理特征值的平均值与种子点所在区域的体素点纹理特征值之差小于一预设阈值,则可以将所述种子点邻域内体素点与种子点所在区域合并。
在一些实施例中,所述区域生长可以基于图像数据。所述图像数据可以是体数据(如,多个二维断层图像序列)。基于图像数据生长的感兴趣区域可以进一步基于容积再现技术进行感兴趣区域区域VR图像的重建及显示。例如,假定一投射线从预订角度穿过多个二维断层图像序列的感兴趣区域区域,并对同一条投射线上的不同断层的体素点进行二维投影,并通过虚拟照明效应,综合显示不同断层图像上的体素点。在一些实施例中,所述区域生长可以基于VR图像。例如,可以基于VR图像选择初始种子点,并进行区域生长,对所生长的感兴趣区域区域进行不同伪色彩的显示。
在406中,可以不考虑图像深度信息,绘制第一感兴趣区域纹理。在一些实施例中,406可以由VOI确定模块206执行。在一些实施例中,所述VR图像可以包括第一感兴趣区域以及背景区域。在一些实施例中,所述深度信息可以包括体素点或像素点的三维空间信息。深度信息可以用来表示体素点或像素点在通过所述体素点或像素点的投影线上的位置或是所述体素点或像素点距离投影平面的距离。在一些实施例中,在操作406中,可以在将所述第一感兴趣区域内的所有体素点的三维坐标进行二维投影时,不考虑投影线上背景区域体素点或透明度低于第一感兴趣区域内体素点透明度的体素点。在一些实施例中,所述第一感兴趣区域可以是基于当前区域生长提取的所有体素点组成的区域。在一些实施例中,所述第一感兴趣区域可以是当前区域生长基于上一次区域生长新增的体素所组成的区域。所述第一感兴趣区域纹理可以通过感兴趣区域中的体素及其周围空间邻域的灰度分布来表现。第一感兴趣区域纹理可以描述第一感兴趣区域中体素的空间颜色分布和光强分布。
在一些实施例中,所述第一感兴趣区域纹理的绘制可以基于一种或多种纹理提取技术。所述纹理提取技术可以包括统计学法、几何法、模型法、信号处理法、结构法等一种或多种的组合。统计学法可以基于体素及其邻域内的体素灰度特性,进行区域内的纹理统计,如灰度共生矩阵法(GLCM)、灰度梯度矩阵法、灰度行程统计法、灰度差分统计法、交叉对角矩阵法、自相关函数法、半方差图法等。几何法可以基于纹理由多个体素以一定规律进行排列提取纹理,如Voronio棋盘格特征法。模型法可以基于纹理是以某种参数控制的分布模型方式形成的,提取纹理特征,如随机模型法、分形模型法、复杂网络模型法、马赛克模型法等。典型的模型法可以包括随机模型法,如马尔可夫随机场(MRF)模型法、Gibbs随机模型法、滑动平均模型法、同步自回归模型、自回归滑动模性、广义长相关模型法等。信号处理法可以在空间域、变换域以及多尺度分析基础上,对图像中的一个区域进行相关变换,再提取相对平稳的特征值,并以此特征值表示所述区域内的一致性以及区域间的相异性。信号处理法可以基于变换法、滤波器法、Laws纹理测量法等一种或几种组合。所述变换法可以包括Radom变换法、局部傅里叶变换法、局部沃尔什变换法、Gabor变换法、小波变换法、哈达马变换法、离散余弦变换法等。所述滤波器法可以包括特征滤波器法、正交镜像滤波器法、优化FIR滤波器法等。结构法可以基于纹理基元的类型和数目以及基元之间的重复性的空间组织结构和排列规则提取纹理特征,如句法纹理分析法、数学形态学法等。
在408中,可以暂停所述区域生长。在一些实施例中,408可以由VOI确定模块206执行。在一些实施例中,用户可以通过交互设备150(例如,鼠标,键盘等)输入暂停区域生长的指令,VOI确定模块206可以接收该指令并暂停区域生长。在一些实施例中,所述暂停区域生长可以通过旋转、平移、缩放操作界面等交互操作实现。在一些实施例中,所述暂停区域生长可以通过释放鼠标的操作实现。
在410中,可以基于图像深度信息,绘制一些实施例中,410可以由VOI确定模块206执行。在一些实施例中,操作410可以基于图像数据进行体素点深度信息提取,获得体素点的深度信息。所述深度信息的提取可以基于一种或多种深度信息提取技术。所述深度信息提取技术可以包括多视图立体法、光度立体视觉法、散焦推断法、基于机器学习的方法等一种或多种的组合。多视图立体法可以基于二维断层图像进行像素点提取并匹配其角度图像,然后基于匹配的体素点求解出体素点的三维坐标。光度立体视觉法可以基于感兴趣区域在不同光照条件下的图像序列估计出感兴趣区域表面法向图,并利用线积分等技术获得最终体素点的三维坐标,并获得体素点的深度信息。散焦推断法可以基于感兴趣区域模糊程度推算体素点深度信息。基于机器学习的方法可以包括采用马尔可夫随机场模型为机器学习模型,进行监督学习。在一些实施例中,所述第二感兴趣区域纹理的绘制可以参考本申请中描述的任意一种或多种纹理提取技术。
在一些实施例中,所述第一感兴趣区域可以包括第一体素点集合,所述第二感兴趣区域可以包括第二体素点集合,所述第一体素点集合可以包括所述第二体素点集合。在一些实施例中,所述第二感兴趣区域的确定可以基于第一体素点集合中体素点的深度信息和/或VR图像中体素的透明度。例如,利用穿过第一体素点集合中的一体素点的投射线,从一个预设的角度穿过VR图像,若在所述体素点至投影面之间的投射线上,不存在透明度高于所述体素点的体素点,则所述体素点属于第二感兴趣区域区域内;若在所述体素点至投影面之间的投射线上,存在透明度低于所述体素点的体素点,则所述体素点不属于第二感兴趣区域区域内。
在412中,可以混合所述VR图像与所述第一感兴趣区域纹理或所述第二感兴趣区域纹理。在一些实施例中,412可以由VOI确定模块206执行。在一些实施例中,混合所述VR图像与所述第一感兴趣区域纹理后,操作412可以在所述VR图像中显示所述第一感兴趣区域。所述第一感兴趣区域可以包括区域生长过程中实时新增的体素点(即当前区域生长相对于上一次区域生长新增的体素点)或是从初始区域生长至当前区域生长过程中生长的全部体素点。混合所述VR图像与所述第二感兴趣区域纹理后,操作412可以在所述VR图像中显示所述第二感兴趣区域。例如,在头颈部血管组织提取过程中,所述血管组织为第一感兴趣区域,对于未被头盖骨遮挡的部分血管组织可以是第二感兴趣区域,将所述第一感兴趣区域与头颈部VR图像进行混合,可以观察血管组织变化过程(例如,血管组织生长是否溢出或生长不全等)。将所述第二感兴趣区域与头颈部VR图像混合,可以观察血管组织与头盖骨等组织的遮挡关系。
需要注意的是,以上关于流程400的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解本申请的基本原理后,可以在不背离这一原理的情况下,对流程400作出改变。例如,流程400可以进一步包括对图像数据进行预处理。又如,流程400可以不包括步骤408和/或410。再如,可以在VR显示窗口和MPR显示窗口同步显示区域生长的实时过程。诸如此类的变形,均在本申请的保护范围之内。
图5是根据本申请的一些实施例所示的非线性感兴趣区域区域生长的一种示例性流程图。在一些实施例中,流程400中进行第一感兴趣区域区域生长步骤404可由图5中所示的流程500实现。在502中,可以开始进行区域生长。在一些实施例中,步骤502可以由VOI确定模块206执行。在一些实施例中,用户可以通过交互设备150输入区域生长的开始指令,VOI确定模块206可以基于用户输入的开始指令启动所述区域生长。例如,用户可以利用鼠标单击图像区域。又如,用户可以点击操作界面的启动按钮或开始按钮开始区域生长。
在504中,可以开启定时器。步骤504可以由VOI确定模块206执行。在一些实施例中,VOI确定模块206在开始区域生长的同时或在开始区域生长并经过一个时间间隔之后,再开启定时器。在一些实施例中,所述定时器可以在操作502中与所述区域生长同时开始。例如,当用户单击图像区域,开始区域生长时,所述定时器可以同时启动。在一些实施例中,所述定时器可以在区域生长开始后再经过预设的第一时间间隔后自动开启。所述第一时间间隔可以基于感兴趣区域区域大小进行设定。例如,若所述感兴趣区域区域越小,则所述第一时间间隔越小;若所述感兴趣区域区域越大,则所述第一时间间隔越大。
在508中,可以判断是否停止区域生长。在一些实施例中,504可以由VOI确定模块206执行。在一些实施例中,所述区域生长的停止可以包括区域生长的终止或暂停。在一些实施例中,504可以判断所述区域生长是否满足区域生长终止条件。所述终止条件可以包括当没有体素点满足区域生长准则时,终止所述区域生长。6在一些实施例中,504可以基于用户交互信息判断是否暂停区域生长。例如,用户执行释放鼠标、平移、旋转、缩放操作界面等操作行为时暂停区域生长。若区域生长未停止,可以执行510,提取种子点;若区域生长停止,可以执行506,停止定时器。在一些实施例中,所述定时器可以记录提取种子点的频率。例如,所述定时器运行次数可以表示种子点提取次数。
在510中,可以基于定时器确定种子点提取次数。在一些实施例中,可以在定时器开启后的预设的第二时间间隔内,确定种子点提取次数。所述第二时间间隔可以基于所述感兴趣区域区域的大小进行设定。例如,若所述感兴趣区域区域越小,则所述第二时间间隔越小;若所述感兴趣区域区域越大,则所述第二时间间隔越大。
在512中,可以判断所述种子点提取次数是否小于或等于一个预设阈值。若所述种子点提取次数小于或等于预设阈值,则执行514;若种子点提取次数大于预设阈值,则执行516。在一些实施例中,所述预设阈值可以基于所述感兴趣区域区域的大小进行设定。例如,若所述感兴趣区域区域越小,则所述预设阈值越小;若所述感兴趣区域区域越大,则所述预设阈值越大。在一些实施例中,所述预设阈值的范围可以是1至5,例如预设阈值可以是5。在一些实施例中,所述预设阈值的范围可以是1至10。需要注意的是,以上所列预设阈值的数值,仅为描述方便,并且仅作为一个举例,并不能把本申请限制在所举范围之内。
在514中,可以较慢的速度生长种子点。在一些实施例中,操作514可以在当前种子点提取至下一次种子点提取的时间间隔内,降低种子点生长速度,从而减小种子点生长量。例如,当所述感兴趣区域区域较小的时候,用户可能希望看到感兴趣区域区域生长变化的过程,则可以较慢速度生长少量种子点,从而控制感兴趣区域区域避免种子点生长过快。
在516中,可以较快的速度生长种子点,以此递增,直到种子点数目趋于稳定。在一些实施例中,操作516可以在当前种子点提取至下一次种子点提取的时间间隔内,提高种子点生长速度,从而增加种子点生长量。例如,当所述感兴趣区域区域较大的时候,用户可能希望在感兴趣区域区域生长早期区域生长速度较快,但在感兴趣区域区域生长后期,由于种子点数目较大,容易生长溢出,需要降低区域生长速度。生长速度可以根据510中确定的定时器运行的次数来调整。因此,在区域生长前期可以提高种子点生成速度,增加种子点生成量,从而提高区域生长速度。在区域生长后期,可以降低种子点生长速度,使种子点生成量趋于稳定,从而减缓区域生长速度。需要注意的是,较慢的速度和较快的速度是相对而言的,例如,可以将低于一个预设值的速度视为较慢的速度,而将高于该预设值的速度视为较快的速度。类似地,少量种子点和大量种子点也是相对而言的,例如,可以将低于一个预设数量的种子点视为少量种子点,而将高于该预设数量的种子点视为大量种子点。
需要注意的是,以上关于非线性感兴趣区域区域生长流程500的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解本申请的基本原理后,可以在不背离这一原理的情况下,对非线性感兴趣区域区域生长流程500作出改变。例如,非线性感兴趣区域区域生长流程500可以包括初始种子点的选取。又如,非线性感兴趣区域区域生长流程500可进一步包括暂停区域生长和/图像渲染或显示图像等。再如,可以在VR显示窗口和MPR显示窗口同步显示区域生长的实时过程。诸如此类的变形,均在本申请的保护范围之内。
图6是根据本申请的一些实施例所示的基于容积再现(VR)图像确定感兴趣区域的一种示例性流程图。流程600可以是流程400的一个示例性的实施例。
在602中,可以获取VR图像。在一些实施例中,602可以由图像数据获取模块202执行。在一些实施例中,602可以基于容积再现技术对图像数据进行重建而获取VR图像。在一些实施例中,所述VR图像可以包括至少一个感兴趣区域和/或背景区域。
在604中,可以进行感兴趣区域区域生长。在一些实施例中,604可以由VOI确定模块206执行。在一些实施例中,感兴趣区域的确定可以包括多次区域生长的过程,每次区域生长过程可以提取相似或相同的体素点。在一些实施例中,所述区域生长可以包括初始种子点的选取。所述初始种子点的选取可以是手动的或自动的。所述初始种子点可以基于体素纹理特征被选取。在一些实施例中,604可以对初始种子点邻域内的体素点进行遍历,以选取满足预设生长条件的体素点。对于满足预设生长条件的体素点,可以被与初始种子点合并在同一区域,即为感兴趣区域区域。感兴趣区域区域内新增的体素点可以作为新的种子点,进行下一次区域生长(即下一次提取相似或相同的体素点)的种子点。
在606中,可以判断是否停止区域生长。在一些实施例中,606可以由VOI确定模块206执行。在一些实施例中,606可以确定当前操作方式,并根据当前操作方式判断是否停止区域生长。在一些实施例中,所述当前操作方式可以包括用户的操作行为,例如,点击鼠标、释放鼠标、平移、旋转、缩放操作界面等操作方式。在一些实施例中,若用户执行点击鼠标、输入一个开始指令或保持鼠标处于未释放状态等操作时,可以执行608。若用户执行释放鼠标、平移、旋转、输入一个暂停指令等操作时,可以执行618。
在608中,可以确定第一种子点集合。在一些实施例中,608可以由VOI确定模块206执行。所述第一种子点集合可以包括至少一个第一体素点。所述第一体素点可以包括至少一个当前区域生长过程与上次区域生长过程相比,新增的体素点。例如,在第一时刻,VOI确定模块206可以开始进行(或在先前暂停之后重新开始)感兴趣区域的区域生长,而在第二时刻,暂停了所述感兴趣区域的区域生长,那么,所述第一种子点集可以包括所述第一时刻至所述第二时刻生长的种子点。在一些实施例中,所述新增的体素点可以表示感兴趣区域生长的实时变化状态。在一些实施例中,所述当前区域生长过程可以包括在区域生长暂停的时间点前,最接近所述区域生长暂停时间点的一次种子点生成和/或提取过程。
在610中,可以不考虑深度信息,基于所述第一种子点集合的三维坐标,确定所述第一种子点集合中的第一体素点的二维投影坐标。在一些实施例中,610可以由VOI确定模块206执行。在一些实施例中,可以假定一投射线以及一投射面(即显示面),所述投射线以预订角度穿过所述第一体素点,所述第一体素点在所述投射面上投影,并形成二维投影坐标。在一些实施例中,在对所述第一体素点进行二维投影时,可以不考虑通过所述第一体素点至投影面的投影线上背景区域体素点或透明度低于所述第一体素点透明度的体素点。在一些实施例中,可以将透明度低于所述第一体素点透明度设为最大值(或不透明度设为0)。例如,基于头颈部的容积再现(VR)图像进行头颈部血组织生长时,部分血管组织可能会被头盖骨遮挡,所述第一种子集合可以是实时生长的血管组织,如果不考虑所述头颈部VR图像的深度信息,可以将所述头盖骨部分图像的透明度设为最大值,即不考虑头盖骨对血管组织的遮挡关系,显示血管生长变化过程。
在612中,可以基于所述第一种子点集合及所述二维投影坐标确定所述第一种子点集合的第一纹理。在一些实施例中,612可以由VOI确定模块206执行。在一些实施例中,所述第一纹理可以是第一种子点集合中第一体素点的纹理。在一些实施例中,可以基于所述二维投影坐标确定所述第一体素点在二维投影坐标对应区域内的纹理。在一些实施例中,所述纹理特征的提取可以基于本申请中描述的任意一种或多种纹理提取技术。在一些实施例中,可以对第一种子点集合进行纹理提取,并将所提取的纹理绘制并显示于所述二维投影坐标所对应的区域。
在614中,可以混合所述第一纹理与所述VR图像。在一些实施例中,614可以由VOI确定模块206执行。在一些实施例中,614可以混合所述背景区域纹理与所述第一纹理。所述背景区域的纹理可以基于本申请中任意一种纹理提取技术进行提取。
在618中,可以确定第二种子点集合。在一些实施例中,618可以由VOI确定模块206执行。所述第二种子点集合可以包括至少一个第二体素点。所述第二体素点可以包括开始区域生长至所述区域生长暂停时间点内所有新增的体素点。在一些实施例中,所述第一种子点集合可以包括所述第二种子点集合。
在620中,可以确定当前显示的VR图像的深度信息。在一些实施例中,620可以由VOI确定模块206执行。在一些实施例中,所述当前显示的VR图像可以包括已经生长的部分感兴趣区域。所述深度信息的确定方法可以参考本申请附图4中的详细描述。在一些实施例中,所述VR图像深度信息可以包括当前VR图像中体素点的深度信息。在一些实施例中,620可以基于当前VR图像确定当前显示的VR图像中体素点的深度信息。在一些实施例中,620可以基于图像数据(如,多个二维断层图像序列)确定体素点的深度信息。
在622中,可以基于所述深度信息,确定第三种子点集合。在一些实施例中,622可以由VOI确定模块206执行。所述第三种子点集合可以包括至少一个第三体素点。在一些实施例中,所述第三种子集合可以包括至少部分的第二种子点集合。例如,在第一时刻,VOI确定模块206可以开始进行(或在先前暂停之后重新开始)感兴趣区域的区域生长,在第二时刻,暂停了所述感兴趣区域的区域生长,而在第三时刻,又继续进行了所述感兴趣区域的区域生长,那么,所述第三种子点集可以包括所述第一时刻至所述第三时刻生长的至少部分种子点。在一些实施例中,所述深度信息可以表示不同体素点在三维空间的位置信息。在一些实施例中,622可以基于不同体素点的三维空间位置信息以及透明度,确定第三体素点及第三种子点集合。例如,可以利用一条投射线从一预设角度穿过VR图像(例如,当前显示的VR图像或602中获取的VR图像),所述投射线通过第二种子点集合中的第二体素点。在所述第二体素点位置到投影面的投影线上,若不存在透明度低于所述第二体素点透明度的体素点,则所述第二体素点属于所述第三种子点集合中的第三体素点。若存在透明度低于所述第二体素点透明度的体素点,则所述第二体素点不属于所述第三种子点集合中的第三体素点。
在624中,可以基于所述第三种子点集合中的三维坐标确定二维投影坐标。在一些实施例中,624可以由VOI确定模块206执行。在一些实施例中,可以假定一投射线以及一投射面(即显示面),所述投射线以预订角度穿过第三种子点集合中的第三体素点,所述第三体素点在所述投射面上投影,并形成二维投影坐标。
在626中,可以基于所述第三种子点集合及所述二维投影坐标确定所述第三种子点集合的第二纹理。在一些实施例中,626可以由VOI确定模块206执行。在一些实施例中,所述第二纹理可以是所述第三种子点集合中的第三体素点在二维投影坐标所对应区域的纹理。在一些实施例中,所述第二纹理可以基于本申请中描述的任意一种纹理提取技术进行提取。在一些实施例中,可以对第三种子点集合进行纹理提取,并将所提取的纹理绘制并显示于所述二维投影坐标所对应的区域。
在628中,可以混合所述VR图像与所述第二纹理。在一些实施例中,628可以由VOI确定模块206执行。在一些实施例中,628可以混合所述背景区域纹理与所述第二纹理。所述背景区域的纹理可以基于本申请中任意一种纹理提取技术进行提取。
需要注意的是,以上关于流程600的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解本申请的基本原理后,可以在不背离这一原理的情况下,对流程600作出改变。例如,流程600可以包括获取图像数据。又如,流程600可进一步包括预处理所述图像数据。诸如此类的变形,均在本申请的保护范围之内。
本发明还提供一种一种在体数据中提取感兴趣区域的***,包括:至少一个处理器,以及存储器,用来存储指令。
所述指令被所述至少一个处理器执行时,导致所述***实现的操作包括,包括:获取图像数据;基于所述图像数据,三维重建第一图像,所述第一图像包括第一感兴趣体积VOI,所述第一VOI包括至少一个第一体素;
在第一时刻,基于所述第一图像开始进行所述第一VOI的区域生长;在第二时刻,暂停所述第一VOI的区域生长;基于图像深度信息,确定第二VOI,所述第二VOI包括至少部分第一VOI,所述第二VOI包括至少一个第二体素,以及所述第二体素的深度信息小于或等于所述图像深度信息;基于所述第二VOI绘制所述第一纹理,所述第一纹理包括所述至少一个第二体素的灰度分布信息;以及基于所述第一纹理与所述第一图像,确定第二纹理,所述第二纹理包括所述第一纹理。
本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发明的保护范围当以权利要求书所界定的为准。
Claims (9)
1.一种体数据中提取感兴趣区域的方法,其特征在于,包括:
获取第一断位图像数据,所述第一断位图像数据包括至少第一层图像和第二层图像;
确定所述第一层图像中的第一感兴趣区域(ROI);
确定所述第二层图像中的第二ROI;以及
基于所述第一ROI、所述第二ROI和所述第一断位图像数据的特征信息,确定第一感兴趣体积(VOI)。
2.权利要求1所述的方法,进一步包括:
基于所述图像特征信息优化所述第一感兴趣区域,以获得第二感兴趣区域,所述第二感兴趣区域包括至少部分所述第一感兴趣区域。
3.根据权利要求1所述的方法,所述第一感兴趣区域包括一个第三感兴趣区域,所述方法进一步包括:
在第一时刻,基于所述第一感兴趣区域开始进行所述第三感兴趣区域的区域生长;
在第二时刻,暂停所述第三感兴趣区域的区域生长;
基于图像深度信息以及所述第一感兴趣区域确定至少部分的第三感兴趣区域,所述至少部分第三感兴趣区域包括至少一个第一体素,以及所述第一体素的深度信息小于或等于所述图像深度信息;
基于所述至少部分第三感兴趣区域确定第一纹理,所述第一纹理包括所述至少一个第一体素的灰度分布信息;以及
基于所述第一纹理与所述第一感兴趣区域,确定第二纹理,所述第二纹理包括所述第一纹理。
4.权利要求1所述的方法,所述特征信息包括灰度信息。
5.一种体数据中提取感兴趣区域的方法,在至少一个机器上执行,所述至少一个机器中的每一个机器具有至少一个处理器和一个存储器,包括:
获取图像数据;
基于所述图像数据,三维重建第一图像,所述第一图像包括第一感兴趣体积VOI,所述第一VOI包括至少一个第一体素;
在第一时刻,基于所述第一图像开始进行所述第一VOI的区域生长;
在第二时刻,暂停所述第一VOI的区域生长;
基于图像深度信息,确定第二VOI,所述第二VOI包括至少部分第一VOI,所述第二VOI包括至少一个第二体素,以及所述第二体素的深度信息小于或等于所述图像深度信息;
基于所述第二VOI绘制所述第一纹理,所述第一纹理包括所述至少一个第二体素的灰度分布信息;以及
基于所述第一纹理与所述第一图像,确定第二纹理,所述第二纹理包括所述第一纹理。
6.权利要求5所述的方法,所述确定第二VOI包括:
确定第一种子点集,所述第一种子点集包括所述第一时刻至所述第二时刻生长的所有种子点;
确定第二种子点集,所述第一种子点集包括所述第二种子点集,以及所述第二种子点集的种子点深度信息小于或等于所述图像深度信息;
基于所述第二种子点集中的种子点的三维坐标,确定所述第二种子点集中的种子点的二维投影坐标;以及
基于所述第二种子点集中的种子点的二维投影坐标确定所述第二VOI。
7.权利要求5所述的方法,进一步包括不考虑图像深度信息绘制所述第一VOI的第三纹理,包括:
在第三时刻,确定第三种子点集,所述第三种子点集包括所述第一时刻至所述第三时刻生长的至少部分的种子点;
基于所述第三种子点集中的种子点的三维坐标,确定所述第三种子点集中的种子点的二维投影坐标;以及
基于所述第三种子点集中的种子点的二维投影坐标确定所述第一VOI的第三纹理,所述第三纹理包括所述至少一个第一体素的灰度分布信息。
8.权利要求5所述的方法,所述进行所述第一VOI的区域生长进一步包括:
在第四时刻,确定所述第一时刻至所述第四时刻内区域生长中种子点提取次数;
判断所述种子点提取次数是否小于或等于一个预设值;
基于所述判断,若所述种子点提取次数小于或等于所述预设值,则减小种子点生成速度;以及
基于所述判断,若所述种子点提取次数大于所述预设值,则增加种子点生成速度。
9.一种体数据中提取感兴趣区域的***,包括:
至少一个处理器,以及
存储器,用来存储指令,所述指令被所述至少一个处理器执行时,导致所述***实现的操作包括,包括:
获取图像数据;
基于所述图像数据,三维重建第一图像,所述第一图像包括第一感兴趣体积VOI,所述第一VOI包括至少一个第一体素;
在第一时刻,基于所述第一图像开始进行所述第一VOI的区域生长;
在第二时刻,暂停所述第一VOI的区域生长;
基于图像深度信息,确定第二VOI,所述第二VOI包括至少部分第一VOI,所述第二VOI包括至少一个第二体素,以及所述第二体素的深度信息小于或等于所述图像深度信息;
基于所述第二VOI绘制所述第一纹理,所述第一纹理包括所述至少一个第二体素的灰度分布信息;以及
基于所述第一纹理与所述第一图像,确定第二纹理,所述第二纹理包括所述第一纹理。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNPCT/CN2017/095320 | 2017-07-31 | ||
PCT/CN2017/095320 WO2019023900A1 (zh) | 2017-07-31 | 2017-07-31 | 在体数据中提取感兴趣区域的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107563378A true CN107563378A (zh) | 2018-01-09 |
Family
ID=60978753
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710775868.2A Active CN107808156B (zh) | 2017-07-31 | 2017-08-31 | 感兴趣区域提取方法 |
CN201710775143.3A Pending CN107563378A (zh) | 2017-07-31 | 2017-08-31 | 体数据中提取感兴趣区域的方法及其*** |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710775868.2A Active CN107808156B (zh) | 2017-07-31 | 2017-08-31 | 感兴趣区域提取方法 |
Country Status (4)
Country | Link |
---|---|
US (3) | US11094066B2 (zh) |
EP (1) | EP3654244A4 (zh) |
CN (2) | CN107808156B (zh) |
WO (1) | WO2019023900A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345517A (zh) * | 2018-09-19 | 2019-02-15 | 上海联影医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN109493328A (zh) * | 2018-08-31 | 2019-03-19 | 上海联影智能医疗科技有限公司 | 医学图像显示方法、查看设备以及计算机设备 |
CN109712252A (zh) * | 2018-12-20 | 2019-05-03 | 上海联影医疗科技有限公司 | 图像的编辑方法、装置、计算机设备以及存储介质 |
CN110458836A (zh) * | 2019-08-16 | 2019-11-15 | 深圳开立生物医疗科技股份有限公司 | 一种超声造影成像方法、装置和设备及可读存储介质 |
CN111192356A (zh) * | 2019-12-30 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 感兴趣区域的显示方法、装置、设备和存储介质 |
WO2020164468A1 (zh) * | 2019-02-15 | 2020-08-20 | 腾讯科技(深圳)有限公司 | 医学图像分割方法、图像分割方法及相关装置、*** |
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 |
CN114998407A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华城检测技术有限公司 | 基于傅里叶变换的数字图像三维纹理重建方法 |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016086744A1 (en) * | 2014-12-02 | 2016-06-09 | Shanghai United Imaging Healthcare Co., Ltd. | A method and system for image processing |
JP6885896B2 (ja) * | 2017-04-10 | 2021-06-16 | 富士フイルム株式会社 | 自動レイアウト装置および自動レイアウト方法並びに自動レイアウトプログラム |
US10265138B2 (en) * | 2017-09-18 | 2019-04-23 | MediVis, Inc. | Methods and systems for generating and using 3D images in surgical settings |
JP6542406B1 (ja) * | 2018-02-16 | 2019-07-10 | 株式会社東芝 | 読取システム、読取方法、プログラム、及び記憶媒体 |
CN109509197B (zh) * | 2018-09-26 | 2021-11-09 | 东软医疗***股份有限公司 | 一种分割感兴趣区域的方法、装置、设备及存储介质 |
US10930386B2 (en) | 2018-12-11 | 2021-02-23 | International Business Machines Corporation | Automated normality scoring of echocardiograms |
TWI711007B (zh) * | 2019-05-02 | 2020-11-21 | 緯創資通股份有限公司 | 調整感興趣區域的方法與其運算裝置 |
JP7083427B2 (ja) * | 2019-06-04 | 2022-06-10 | 富士フイルム株式会社 | 修正指示領域表示装置、方法およびプログラム |
US11854281B2 (en) | 2019-08-16 | 2023-12-26 | The Research Foundation For The State University Of New York | System, method, and computer-accessible medium for processing brain images and extracting neuronal structures |
CN110610147A (zh) * | 2019-08-30 | 2019-12-24 | 中国科学院深圳先进技术研究院 | 血管图像提取方法、相关装置及存储设备 |
CN110796693B (zh) * | 2019-09-11 | 2023-03-21 | 重庆大学 | 一种工业ct切片图像直接生成二维有限元模型的方法 |
US11521314B2 (en) * | 2019-12-31 | 2022-12-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
US20230120433A1 (en) * | 2020-03-09 | 2023-04-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods and apparatuses for detecting a change in an area of interest |
CN111047611A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 病灶体积测量方法和装置 |
US11688071B2 (en) * | 2020-03-19 | 2023-06-27 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image reconstruction and processing |
CN111436962B (zh) * | 2020-04-13 | 2023-05-26 | 重庆工程职业技术学院 | 用于海量医学影像数据分布收集设备及其工作方法 |
CN111539885B (zh) * | 2020-04-21 | 2023-09-19 | 西安交通大学 | 一种基于多尺度网络的图像增强去雾方法 |
EP3958209B1 (en) * | 2020-08-19 | 2024-07-03 | Volkswagen Ag | Computer-implemented methods, computing devices and computer programs for processing volumetric scanning data and analyzing a performance of structural elements |
CN112784450B (zh) * | 2020-10-27 | 2022-07-15 | 成都飞机工业(集团)有限责任公司 | 一种基于有限元理论的模具最大零件外缘线提取方法 |
US11900592B2 (en) * | 2020-12-03 | 2024-02-13 | Ping An Technology (Shenzhen) Co., Ltd. | Method, device, and storage medium for pancreatic mass segmentation, diagnosis, and quantitative patient management |
US11893745B2 (en) * | 2020-12-09 | 2024-02-06 | Raytheon Company | System and method for generating and displaying contours |
CN112651929B (zh) * | 2020-12-09 | 2022-06-10 | 浙江明峰智能医疗科技有限公司 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及*** |
US20220301133A1 (en) * | 2021-03-16 | 2022-09-22 | Kla Corporation | Segmentation of design care areas with a rendered design image |
CN113192053A (zh) * | 2021-05-18 | 2021-07-30 | 北京大学第三医院(北京大学第三临床医学院) | 基于深度学习的***靶区智能勾画方法、设备和介质 |
US11263749B1 (en) | 2021-06-04 | 2022-03-01 | In-Med Prognostics Inc. | Predictive prognosis based on multimodal analysis |
CN114119491B (zh) * | 2021-10-29 | 2022-09-13 | 吉林医药学院 | 一种基于医学图像分析的数据处理*** |
CN114240937B (zh) * | 2022-02-24 | 2022-05-27 | 武汉烽火凯卓科技有限公司 | 一种基于ct切片的肾结石检测方法及*** |
CN114332087B (zh) * | 2022-03-15 | 2022-07-12 | 杭州电子科技大学 | Octa图像的三维皮层表面分割方法及*** |
WO2024112960A1 (en) * | 2022-11-23 | 2024-05-30 | Genentech, Inc. | Anchor points-based image segmentation for medical imaging |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6898263B2 (en) * | 2002-11-27 | 2005-05-24 | Ge Medical Systems Global Technology Company, Llc | Method and apparatus for soft-tissue volume visualization |
CN101065775A (zh) * | 2004-11-26 | 2007-10-31 | 皇家飞利浦电子股份有限公司 | 感兴趣体积的选择 |
CN102622750A (zh) * | 2012-02-24 | 2012-08-01 | 西安电子科技大学 | 基于交互式区域生长的胃部ct序列图像分割方法 |
CN104850219A (zh) * | 2014-02-19 | 2015-08-19 | 北京三星通信技术研究有限公司 | 估计附着物体的人体姿势的设备和方法 |
WO2017092615A1 (zh) * | 2015-11-30 | 2017-06-08 | 上海联影医疗科技有限公司 | 一种计算机辅助诊断***及方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8682045B2 (en) * | 1997-02-25 | 2014-03-25 | Wake Forest University Health Sciences | Virtual endoscopy with improved image segmentation and lesion detection |
US6754374B1 (en) * | 1998-12-16 | 2004-06-22 | Surgical Navigation Technologies, Inc. | Method and apparatus for processing images with regions representing target objects |
JP4421203B2 (ja) * | 2003-03-20 | 2010-02-24 | 株式会社東芝 | 管腔状構造体の解析処理装置 |
CN100423695C (zh) * | 2006-11-08 | 2008-10-08 | 沈阳东软医疗***有限公司 | 一种确定感兴趣区域的装置及方法 |
US7940974B2 (en) * | 2006-11-21 | 2011-05-10 | General Electric Company | Method and system for adjusting 3D CT vessel segmentation |
US8155405B2 (en) * | 2007-04-20 | 2012-04-10 | Siemens Aktiengsellschaft | System and method for lesion segmentation in whole body magnetic resonance images |
US8160345B2 (en) * | 2008-04-30 | 2012-04-17 | Otismed Corporation | System and method for image segmentation in generating computer models of a joint to undergo arthroplasty |
US20090322748A1 (en) * | 2008-06-09 | 2009-12-31 | Uti Limited Partnership | Methods,systems, and computer program products for GPU-based point radiation for interactive volume sculpting and segmentation |
US8983156B2 (en) | 2012-11-23 | 2015-03-17 | Icad, Inc. | System and method for improving workflow efficiences in reading tomosynthesis medical image data |
CN106709930B (zh) | 2016-12-29 | 2020-03-31 | 上海联影医疗科技有限公司 | 三维医学图像的感兴趣体积分割方法及装置 |
-
2017
- 2017-07-31 EP EP17919848.6A patent/EP3654244A4/en active Pending
- 2017-07-31 WO PCT/CN2017/095320 patent/WO2019023900A1/zh unknown
- 2017-08-31 CN CN201710775868.2A patent/CN107808156B/zh active Active
- 2017-08-31 CN CN201710775143.3A patent/CN107563378A/zh active Pending
-
2018
- 2018-12-30 US US16/236,622 patent/US11094066B2/en active Active
-
2021
- 2021-07-02 US US17/305,248 patent/US11776216B2/en active Active
-
2023
- 2023-09-28 US US18/477,535 patent/US20240029359A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6898263B2 (en) * | 2002-11-27 | 2005-05-24 | Ge Medical Systems Global Technology Company, Llc | Method and apparatus for soft-tissue volume visualization |
CN101065775A (zh) * | 2004-11-26 | 2007-10-31 | 皇家飞利浦电子股份有限公司 | 感兴趣体积的选择 |
CN102622750A (zh) * | 2012-02-24 | 2012-08-01 | 西安电子科技大学 | 基于交互式区域生长的胃部ct序列图像分割方法 |
CN104850219A (zh) * | 2014-02-19 | 2015-08-19 | 北京三星通信技术研究有限公司 | 估计附着物体的人体姿势的设备和方法 |
WO2017092615A1 (zh) * | 2015-11-30 | 2017-06-08 | 上海联影医疗科技有限公司 | 一种计算机辅助诊断***及方法 |
Non-Patent Citations (1)
Title |
---|
彭瑞云等: "《形态计量与图像分析学》", 31 August 2012 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493328A (zh) * | 2018-08-31 | 2019-03-19 | 上海联影智能医疗科技有限公司 | 医学图像显示方法、查看设备以及计算机设备 |
CN109493328B (zh) * | 2018-08-31 | 2020-08-04 | 上海联影智能医疗科技有限公司 | 医学图像显示方法、查看设备以及计算机设备 |
US10950026B2 (en) | 2018-08-31 | 2021-03-16 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for displaying a medical image |
CN109345517B (zh) * | 2018-09-19 | 2022-11-25 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN109345517A (zh) * | 2018-09-19 | 2019-02-15 | 上海联影医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN109712252A (zh) * | 2018-12-20 | 2019-05-03 | 上海联影医疗科技有限公司 | 图像的编辑方法、装置、计算机设备以及存储介质 |
WO2020164468A1 (zh) * | 2019-02-15 | 2020-08-20 | 腾讯科技(深圳)有限公司 | 医学图像分割方法、图像分割方法及相关装置、*** |
US11954864B2 (en) | 2019-02-15 | 2024-04-09 | Tencent Technology (Shenzhen) Company Limited | Medical image segmentation method, image segmentation method, and related apparatus and system |
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 |
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 |
CN110458836A (zh) * | 2019-08-16 | 2019-11-15 | 深圳开立生物医疗科技股份有限公司 | 一种超声造影成像方法、装置和设备及可读存储介质 |
CN111192356B (zh) * | 2019-12-30 | 2023-04-25 | 上海联影智能医疗科技有限公司 | 感兴趣区域的显示方法、装置、设备和存储介质 |
CN111192356A (zh) * | 2019-12-30 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 感兴趣区域的显示方法、装置、设备和存储介质 |
CN114998407B (zh) * | 2022-08-01 | 2022-11-08 | 湖南华城检测技术有限公司 | 基于傅里叶变换的数字图像三维纹理重建方法 |
CN114998407A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华城检测技术有限公司 | 基于傅里叶变换的数字图像三维纹理重建方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3654244A4 (en) | 2020-11-04 |
US11094066B2 (en) | 2021-08-17 |
US20210334978A1 (en) | 2021-10-28 |
US11776216B2 (en) | 2023-10-03 |
US20240029359A1 (en) | 2024-01-25 |
CN107808156B (zh) | 2022-05-27 |
WO2019023900A1 (zh) | 2019-02-07 |
US20190139223A1 (en) | 2019-05-09 |
EP3654244A1 (en) | 2020-05-20 |
CN107808156A (zh) | 2018-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563378A (zh) | 体数据中提取感兴趣区域的方法及其*** | |
US11710242B2 (en) | Methods and systems for image segmentation | |
CN104809723B (zh) | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 | |
US11461990B2 (en) | Method and system for image processing | |
CN107798682A (zh) | 图像分割***、方法、装置和计算机可读存储介质 | |
CN106611413A (zh) | 图像分割方法及其*** | |
CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
US10580181B2 (en) | Method and system for generating color medical image based on combined color table | |
WO2022213654A1 (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
CN107194925A (zh) | 图像处理方法及*** | |
CN110458859A (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割*** | |
CN106934841A (zh) | 生成彩色医学影像的方法及医学*** | |
CN107273904A (zh) | 图像处理方法及*** | |
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 | |
CN117611542A (zh) | 一种基于胎儿宫内颅脑影像检测方法及*** | |
US20220148163A1 (en) | Method and product for ai recognizing of embolism based on vrds 4d medical images | |
CN117437350B (zh) | 一种用于手术术前规划的三维重建***及方法 | |
CN107292867A (zh) | 图像处理方法及*** | |
Tek et al. | Region competition via local watershed operators | |
Bao et al. | Introduction to 3D Visualization of Abdominal CT Images | |
WO2021030994A1 (zh) | 基于vrds ai静脉影像的识别方法及产品 | |
CN114401673A (zh) | 基于vrds 4d医学影像的胃肿瘤识别方法及相关产品 |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |
|
RJ01 | Rejection of invention patent application after publication |