CN109313803B - 一种用于映射对象的身体的至少部分的图像中的结构的至少部分的方法和装置 - Google Patents
一种用于映射对象的身体的至少部分的图像中的结构的至少部分的方法和装置 Download PDFInfo
- Publication number
- CN109313803B CN109313803B CN201780036744.0A CN201780036744A CN109313803B CN 109313803 B CN109313803 B CN 109313803B CN 201780036744 A CN201780036744 A CN 201780036744A CN 109313803 B CN109313803 B CN 109313803B
- Authority
- CN
- China
- Prior art keywords
- image
- track
- weighted centroid
- point
- weighted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
提供一种用于在对象的身体的至少部分的图像中映射结构的至少部分的方法和装置。确定围绕所述对象的所述身体的所述至少部分的所述图像中的第一点的第一区域的第一加权质心(202)。确定围绕所述第一加权质心的第二区域的第二加权质心(204)。基于相对于所述第一加权质心的位置的第二加权质心的位置在所述图像中映射所述结构的第一轨迹的至少部分(206)。
Description
技术领域
本发明涉及医学成像领域,具体地,涉及映射对象的身体的至少部分的图像中的结构的至少部分。
背景技术
医学成像是用于提供包括器官的对象的身体内部的视觉表示的有用的工具。存在许多不同类型的医学成像技术,包括计算机断层摄影(CT)、磁共振(MR)、超声(US)等。从医学成像采集的图像能够证明对于对象的临床分析以及必要时的医学介入是有价值的。例如,医学成像对于癌症筛查是特别有用的。
计算机断层摄影经常用于肺部癌症筛查,因为扫描具有成本效益,并且对通过计算机断层摄影产生的图像的分析已经被认识到降低对象的死亡率。计算机断层摄影扫描由放射科医生进行,他们需要根据标准化的Lung-RADSTM报告方案记录所述扫描。在这种方案下,肺被分成五个肺叶,并且这五个肺叶被分为20个肺分段(segments)。根据该方案,必须与肺叶和分段相关联描述任何检测到的肺结节(例如,异常现象或异常情况)的位置。
例如,US 2014/0079306 A1公开了一种方法,在所述方法中,获得胸部的三维医学图像,从三维医学图像提取支气管结构,基于所述支气管结构的分叉将支气管结构划分为多个支气管结构,并且基于多个经划分的支气管结构获得多个经划分的肺部区域。
然而,尽管肺叶(和支气管结构)由可见裂缝分离并因此直接识别,但肺分段本身在解剖学上与中央动脉相关联来定义。这使得肺分段更难以在肺部的图像中快速识别,并且因此即使通过经验丰富的放射科医生也很容易混淆。因此,与肺分段相关联的结节位置报告错误是常见的。
此外,已知用于分段的现有技术对噪声敏感并且依赖于图像中的高空间分辨率,这在大多数医学成像技术中是不可能的(例如,低图像分辨率对于计算机断层摄影筛查是典型的)。
因此,需要一种用于在对象的身体的至少部分的图像中映射结构的至少部分的方法和装置。
发明内容
如上所述,现有方法的限制是难以识别对象的身体的部分的分段(例如,肺分段)的位置。假定该分段通常与器官的血管结构相关联来定义,为了克服这些问题,有一种识别血管分叉(divergence)的脊线的方法以使医生能够更容易地识别对象的身体的部分的分段的边界,将是有价值的。
因此,根据本发明的第一方面,提供一种用于在对象的身体的至少部分的图像中映射结构的至少部分的方法。所述方法包括确定围绕所述对象的所述身体的所述至少部分的所述图像中的第一点的第一区域的第一加权质心,确定围绕所述第一加权质心的第二区域的第二加权质心,以及基于相对于所述第一加权质心的位置的所述第二加权质心的位置在所述图像中映射所述结构的第一轨迹的至少部分。
在一些实施例中,结构可以是血管结构。
在一些实施例中,加权质心可以是强度加权质心、血管特征(vesselness)加权质心、密度加权质心、或者根据强度的幂的加权。在一些实施例中,可以根据欧几里德距离的高斯权重对质心进行加权。
在一些实施例中,所述方法还可以包括,确定围绕所述第二加权质心的第三区域的第三加权质心,并且基于相对于所述第二加权质心的所述位置的所述第三加权质心的位置在所述图像中映射所述结构的所述第一轨迹的至少部分。
在一些实施例中,所述方法还可以包括确定围绕所述图像中的第二点的第四区域的第四加权质心,确定围绕所述第四加权质心的第五区域的第五加权质心,基于相对于所述第五加权质心的位置的所述第四加权质心的位置在图像中映射所述结构的第二轨迹的至少部分,以及比较所述第一轨迹和所述第二轨迹,以识别所述图像中的所述结构的至少一条脊线。在一些实施例中,比较可以包括确定所述第一轨迹与所述第二轨迹之间的局部分叉最大值。在一些实施例中,第二点可以相邻于第一点。
在一些实施例中,所述方法可以从所述图像中的至少一个其他点开始重复,以在所述图像中映射所述身体的所述部分的所述结构的至少一个其他轨迹。
在一些实施例中,比较可以包括确定所述第一轨迹和所述第二轨迹是否分叉,并且将所述图像中的所述结构的所述至少一条脊线识别为位于确定所述第一轨迹和所述第二轨迹分叉处的所述第一轨迹与所述第二轨迹之间。
在一些实施例中,确定所述第一轨迹和所述第二轨迹是否分叉可以包括,确定第一轨迹和第二轨迹在第一轨迹中的点与第二轨迹中的对应点之间的欧几里德距离小于第一轨迹中的后续点与第二轨迹中的后续对应点之间的欧几里德距离处分叉。在一些实施例中,确定第一轨迹和第二轨迹是否分叉可以包括,确定第一轨迹和第二轨迹在第一轨迹和第二轨迹中的对应点之间的平均欧几里德距离大于阈值处分叉。
在一些实施例中,确定第一轨迹和第二轨迹是否分叉可以包括,确定第一轨迹和第二轨迹在第一轨迹与第二轨迹的对应点之间的最大欧几里德距离大于阈值处分叉。
在一些实施例中,识别图像中的结构的至少一条脊线可以包括,将至少一条脊线识别为位于第一轨迹和第二轨迹之间的中间(halfway)。在一些实施例中,所述方法还可以包括将至少一条脊线识别为在被确定为第一轨迹和第二轨迹收敛处的第一轨迹和第二轨迹之间不存在。
在一些实施例中,可以通过将所采集的对象的身体的至少部分的图像与第一高斯核卷积获得第一平滑图像、将所采集的图像与第二高斯核卷积获得第二平滑图像、以及从第二平滑图像减去第一平滑图像获得图像来获得对象的身体的至少部分的图像。在一些实施例中,第一高斯核的标准偏差可以大于第二高斯核的标准偏差。
在一些实施例中,所述图像可以是二维图像,并且所述图像中的所述点是像素,或者,所述图像可以是三维图像,并且所述图像中的所述点是体素。
在一些实施例中,所述图像可以是二维图像,并且所述至少一条脊线可以是二维图像中的至少一条线,或者,所述图像可以是三维图像,并且所述至少一条脊线可以是三维图像中的至少一个表面。
在一些实施例中,所述方法还包括,在确定第一加权质心之前,将图像重心采样为各向同性像素或各向同性体素。
根据本发明的第二方面,提供一种计算机程序产品,包括计算机可读介质,所述计算机可读介质具有体现在其中的计算机可读代码,所述计算机可读代码被配置为使得在由合适的计算机或处理器执行时,使计算机或处理器执行上述方法。
根据本发明的第三方面,提供一种用于在对象的身体的至少部分的图像中映射结构的至少部分的装置。所述装置包括处理器,其被配置为确定围绕所述对象的所述身体的所述至少部分的所述图像中的第一点的第一区域的第一加权质心,确定围绕所述第一加权质心的第二区域的第二加权质心,以及基于相对于所述第一加权质心的位置的所述第二加权质心的位置在所述图像中映射所述结构的第一轨迹的至少部分。
在一些实施例中,所述处理器还可以被配置为确定围绕所述图像中的第二点的第四区域的第四加权质心,确定围绕所述第四加权质心的第五区域的第五加权质心,基于相对于所述第五加权质心的位置的所述第四加权质心的位置在所述图像中映射所述结构的第二轨迹的至少部分,以及比较所述第一轨迹和所述第二轨迹,以识别所述图像中的所述结构的至少一条脊线。在一些实施例中,所述第二点可以相邻于所述第一点。
在一些实施例中,所述处理器可以被配置为控制一个或多个用户接口,以呈现在图像中所映射的所述结构的所述第一轨迹的至少部分。
根据上述方面和实施例,能够从图像的每个点以一定长度自动追踪对象的身体的结构的至少部分(例如,血管结构)。还能够识别诸如高血管分叉的那些脊线。而且,这是以简单有效的方式实现的。所述方法和所述装置对抵抗噪声以及低图像分辨率也是高度稳定的。所识别的脊线能够在叠加到原始图像上时(例如,向诸如放射科医生的医疗保健专家)传送有用的取向信息,从而允许容易地识别肺叶分段。
因此,提供一种用于在对象的身体的至少部分的图像中映射结构的至少部分的改进的方法和装置。
附图说明
为了更好地理解本发明,并且为了更清楚地显示它是如何实现的,现在仅通过范例的方式参考附图,其中:
图1是根据实施例的装置的框图;
图2是示出根据实施例的方法的流程图;
图3是示出根据另一实施例的方法的流程图;
图4是示出根据另一实施例的方法的流程图;
图5是示出根据范例性实施例的方法的流程图;以及
图6是根据实施例的原始图像A和经处理的图像B的图示。
具体实施方式
如上所述,本发明提供一种克服现有问题的用于在对象的身体的至少部分的图像中映射结构的至少部分的改进的方法和装置。
图1示出了根据本发明的实施例的装置100的框图,所述装置100能够用于在对象的身体的至少部分的图像中映射结构的至少部分。
装置100包括处理器102,其控制装置100的操作并且能够实施本文中所描述的方法。处理器102能够包括被配置或编程为以本文中所描述的方式控制装置100的一个或多个处理器、处理单元、多核处理器或模块。在具体实施方式中,处理器102能够包括多个软件和/或硬件模块,每个软件和/或硬件模块被配置为执行或者用于执行根据本发明的实施例的方法的单个或多个步骤。
简而言之,处理器102被配置为确定围绕对象的身体的至少部分的图像中的第一点的第一区域的第一加权质心,确定围绕第一加权质心的第二区域的第二加权质心,以及基于相对于第一加权质心的位置的第二加权质心的位置在图像中映射结构的第一轨迹的至少部分。在一些实施例中,图像是二维图像,并且图像中的点是像素。在其他实施例中,图像是三维图像,并且图像中的点是体素。所述图像能够是医学图像,诸如计算机断层摄影(CT)图像、磁共振(MR)图像、超声(US)图像、X射线图像或任何其他医学图像。
在一些实施例中,对象的身体的至少部分的图像中的结构是血管、淋巴或肺叶结构。结构的范例包括诸如动脉、静脉和毛细血管的血管。对象的身体的部分可以是包括待映射的结构的对象的身体的任何部分。例如,对象的身体的部分可以是对象的肺、对象的肠、对象的肾、对象的肝脏、对象的***、对象的另一个肺叶器官、或包括待映射的结构的对象的身体的任何其他部分。尽管已经为图像中的对象的身体的部分和对象的身体的至少部分的结构提供了范例,但是应当理解,本发明也可以用于映射对象的身体的其他部分的其他结构。
在本文中所描述的任何实施例中,能够以任何合适的方式对加权质心进行加权。例如,加权质心能够是根据强度加权的质心(其可以称为强度加权质心)、根据密度加权的质心(其可以称为密度加权质心)、根据强度的幂(power of intensity)加权的质心(其可以称为强度的幂加权质心)、或者根据血管特征(vesselness)加权的质心(其可以称为血管特征加权质心)。在任何这些范例中,权重能够是标量属性值,诸如标量强度值、标量密度值、标量强度的幂的值或标量血管特征值。为了确定围绕图像中的点(或围绕加权质心)的区域的加权质心,将区域中的每个点的坐标值乘以针对该点的权重,并将得到的值相加,然后除以所有权重的总和。
为了确定围绕图像中的点(或加权质心)的区域的强度加权质心,将区域中的每个点的坐标值乘以针对该点的标量强度值,并将得到的值相加,然后除以所有标量强度值的总和。强度加权质心能够是有用的,因为图像中的结构(例如血管)通常比背景更亮,使得区域中的每个点的强度值能够直接用作加权因子。强度加权质心是根据零导数加权的质心的范例。为了确定围绕图像中的点(或加权质心)的区域的强度的幂加权质心,将区域中的每个点的坐标值乘以针对该点的标量强度的幂值,并将得到的值相加,然后除以所有标量强度的幂值的总和。
为了确定围绕图像中的点(或加权质心)的区域的密度加权质心,将区域中的每个点的坐标值乘以针对该点的标量密度值,并将得到的值相加,然后除以所有标量密度值的总和。密度加权质心类似于强度加权质心,但能够应用于其中光子数被记录为所接收的光子的密度的图像。在一些实施例中(例如,在计算机断层摄影图像实施例或X射线图像实施例中),密度由用于对质心进行加权的强度值指示。点的密度可以与点的强度成比例。
根据一些实施例,为了确定围绕图像中的点(或加权质心)的区域的血管特征加权质心,将区域中的每个点的坐标值乘以针对该点的标量血管特征值,并将得到的值相加,然后除以所有标量血管特征值的总和。标量血管特征值定义图像中的点属于血管的可能性。在一些实施例中,可以基于海赛矩阵(Hessian matrix)定义血管特征。例如,可以由海赛矩阵的本征值来定义血管特征。在一些实施例中,可以基于结构张量来确定血管特征。
在一些实施例中,为了根据一些实施例确定围绕图像中的点(或围绕加权质心)的区域的血管特征加权质心,可以确定区域中的每个点的坐标值的第一空间导数。这些第一空间导数形成梯度矢量,所述梯度矢量能够用于外部矢量与径向矢量的乘积中来产生矩阵(具体地,针对二维图像的2×2矩阵和针对三维图像的3×3矩阵)。例如,所有矩阵的总和产生对称结构张量,能够根据所述对称结构张量来确定本征值。第二本征值的幅度表示圆柱形结构(例如,血管),因此,在一些实施例中,第二本征值的幅度能够用作加权因子来强调图像中的圆柱形结构。备选地或额外地,在一些实施例中,第二本征值与最大本征值的比率能够用作权重因子。
根据一些实施例,代替确定区域中的每个点的坐标值的第一空间导数,可以确定区域中的每个点的坐标值的第二空间导数。第二导数形成二维对称矩阵(具体地,针对二维图像的2×2矩阵和针对三维图像的3×3矩阵),分别产生两个和三个本征值。根据第一导数和第二导数(如上所述)的加权是能够用于突出背景区域上方的结构(或更具体地,血管)的血管特征加权的范例。
在上述任何实施例中,还可以应用其他加权(例如,诸如高斯加权空间加权,如稍后所述的)。
再次返回图1,在一些实施例中,装置100还可以包括至少一个用户接口104。备选地或额外地,用户接口104可以是在装置100的外部(即,与装置100分离或远离装置100)。例如,用户接口104可以是另一装置的一部分。
用户接口104可以用于向装置100的对象或其他用户(例如,医疗保健提供者、医疗保健专家、护理人员或任何其他人)提供从根据本发明的方法产生的信息。处理器102可以被配置为控制一个或多个用户接口104以提供从根据本发明的方法产生的信息。例如,处理器102可以被配置为控制一个或多个用户接口104以呈现在图像中所映射的结构的第一轨迹的至少部分。备选地或额外地,用户接口104可以被配置为接收用户输入。换言之,用户接口104可以允许装置100的对象或另一用户手动输入数据、指令或信息。处理器102可以被配置为从一个或多个用户接口104采集用户输入。
用户接口104可以能够向装置100的对象或另一用户呈现(或输出)信息、数据或信号。备选地或额外地,用户接口104可以使得装置100的对象或另一用户能够提供用户输入、与装置100交互和/或控制装置100。例如,用户接口104可以包括一个或多个开关、一个或多个按钮、小键盘、键盘、触摸屏或应用程序(例如,在平板电脑或智能电话上)、显屏或其他视觉指示器、一个或多个扬声器、一个或多个麦克风、任何其他语音对话组件、一个或多个灯、用于提供触觉反馈(例如,振动功能)的组件、或任何其他用户接口或用户接口的组合。
在一些实施例中,装置100还可以包括通信接口106,其用于使装置100能够与装置100内部或外部的任何接口、传感器和设备进行通信。通信接口106可以无线地或经由有线连接与任何接口、传感器和设备进行通信。例如,在用户接口104在装置100外部的实施例中,通信接口106可以无线地或经由有线连接与外部用户接口进行通信。
在一些实施例中,装置100还可以包括存储器108,其被配置为存储程序代码,所述程序代码能够由处理器102执行,以执行本文中所描述的方法。存储器108还能够用于存储由装置100的处理器102或由装置100外部的任何设备、传感器和接口产生或采集的信息、数据、信号和测量结果。
应当理解,图1仅示出了说明本发明的这个方面所需的组件,在实际实施方式中,装置100可以包括所示出的那些组件的附加组件。例如,装置100可以包括用于为装置100供电的电池或其他电源或用于将装置100连接到市电电源的装置。
图2示出了根据实施例的用于在对象的身体的至少部分的图像中映射结构的至少部分的方法200。所示方法200总体上能够由装置100的处理器102执行或在装置100的处理器102的控制下执行。
参考图2,在框202处,确定围绕对象的身体的至少部分的图像中的第一点的第一区域的第一加权质心。实际上,图像中的第一点用作针对图像中的结构的第一轨迹的起始点。图像中的第一点可以是图像中任意选择的点,或者可以是图像中的预定点。第一个加权质心则是针对图像中的结构的第一轨迹的下一个点。第一加权质心是围绕图像中的第一点的第一区域的加权质心。本文中,围绕点(或加权质心)的区域也可以被称为围绕点(或加权质心)的局部邻域。
围绕点的区域的尺寸可以是预定区域。例如,在一些实施例中,围绕点的区域可以是存储在存储器108中的预编程的区域。在一些实施例中,区域可以由处理器102基于从在试验数据集上执行的测试学习的信息或基于经由用户接口104接收的用户输入来进行设置。区域还可以由处理器102基于通过处理器102学习的信息或通过经由用户接口104接收的用户输入来调整。在一些实施例中,区域可以根据图像的尺寸、待映射的特征的尺寸和/或图像和待映射特征的相对尺寸来设置。在一些实施例中,不同尺寸的区域可以用于不同的特征。例如,较小的特征(诸如毛细管)可以利用比用于映射较大特征(诸如静脉或动脉)的较小尺寸的区域来映射。在一些实施例中,图像可以使用一系列不同尺寸的区域多次映射,以便定位不同尺度的特征。例如,肺分段(即,形成肺叶的子单元)的典型尺寸为大约50mm。因此,如果要映射肺分段,则可以将用于计算质心的区域设置为具有小于这种尺寸的等效像素或体素宽度,以允许区分肺分段。
在框204处,确定围绕第一加权质心的第二区域的第二加权质心。在框206处,基于相对于第一加权质心的位置的第二加权质心的位置在图像中映射结构的第一轨迹的至少部分。相对于第一加权质心的位置的第二加权质心的位置之间的映射可以被称为第一轨迹中的步骤(或者截面或部分)。因此,基于第一加权质心和第二加权质心的相对位置来定义第一轨迹的至少部分的映射。以这种方式,第一加权质心和第二加权质心形成第一轨迹的部分。因此,第一轨迹包括多个质心,所述多个质心至少包括第一(起始)点、第一加权质心和第二加权质心。在一些实施例中,例如,第一轨迹的至少部分的映射能够被定义为将第二加权质心连接到第一加权质心的线(其可以是直线或曲线)。
效果上,在图像中的结构的第一轨迹的至少部分映射从图像中提取或推断结构的至少部分在图像中的位置。因此,根据上述方法,连续加权质心在图像中绘制出指向或沿着结构的特征的路径。例如,连续加权质心可以绘制沿着毛细管的连续的点(诸如从毛细管的最精细端朝向相关联的静脉或动脉)。在一些实施例中,叠加图能够与提供在叠加图上的结构的第一轨迹的至少部分一起生成。
然后可以将图像中的所映射的结构的第一轨迹的至少部分呈现给对象或另一个用户。例如,如前所述,处理器102可以被配置为控制一个或多个用户接口104以呈现所映射的结构的第一轨迹的至少部分。在范例性实施例中,所映射的结构的第一轨迹的至少部分由显示屏呈现。如前所述,在一些实施例中,叠加图能够与提供在叠加图上的结构的第一轨迹的至少部分一起生成。因此,在一些实施例中,所映射的结构的第一轨迹的至少部分可以被呈现为原始图像上方的叠加图。以这种方式,能够可视化或突出显示图像中的身体的部分的结构。
图2的方法可以从图像中的至少一个其他点开始重复,以在图像中映射身体的部分的结构的至少一个其他轨迹的至少部分。在一些实施例中,图像中的每个点用作轨迹的起始点。换言之,根据一些实施例,轨迹从图像中的每个点开始。
图3示出了根据另一实施例的用于在对象的身体的至少部分的图像中映射结构的至少部分的方法300。所示方法300总体上能够由装置100的处理器102执行或在装置100的处理器102的控制下执行。
参考图3,在框302处,确定围绕对象的身体的至少部分的图像中的第一点的第一区域的第一加权质心。在框304处,确定围绕第一加权质心的第二区域的第二加权质心。在框306处,基于相对于第一加权质心的位置的第二加权质心的位置在图像中映射结构的第一轨迹的至少部分。如前所述,相对于第一加权质心的位置的第二加权质心的位置之间的映射是第一轨迹中的第一步骤。换言之,分别参考图2的框202、框204和框206执行上面描述的方法。这里将不再重复所述方法的细节,但是应当理解为也适用于图3的框302、304和306。
在图3的框308处,确定围绕第二加权质心的第三区域的第三加权质心。在框310处,基于相对于第二加权质心的位置的第三加权质心的位置在图像中映射结构的第一轨迹的至少部分。相对于第二加权质心的位置的第三加权质心的位置之间的映射是第一轨迹中的第二步骤。因此,第一轨迹包括多个质心,并且在该实施例中,至少包括第一(起始)点、第一加权质心、第二加权质心和第三加权质心。
在框312处,针对第一轨迹中的至少一个其他步骤(或至少一个其他加权质心)重复框308和310的方法。这里,基于围绕先前的加权质心的区域来确定至少一个其他加权质心中的每一个,并且基于相对于先前的加权质心的至少一个其他加权质心的位置来映射结构的第一轨迹的至少部分。相对于先前的加权质心的每个至少一个其他加权质心之间的映射是第一轨迹中的另一步骤。以这种方式,第一轨迹能够包括多个步骤N。
可以针对预定数量的步骤N(或者针对预定数量的加权质心)或预定数量的次数来重复框308和310的方法。在一些实施例中,针对预定数量的步数N(或预定数量的加权质心)或预定数量的次数的值可以是存储在存储器108中的预编程的值。在一些实施例中,该值可以由处理器102基于从在试验数据集上执行的测试学习的信息或基于经由用户接口104接收的用户输入来设置。该值还可以由处理器102基于通过处理器102学习的信息或通过经由用户接口104接收的用户输入来进行调整。
每次重复框308和310的方法时,被确定的加权质心朝向或沿着对象的身体的至少部分的图像中的结构移动。例如,在质心是密度加权的情况下,被确定的加权质心朝向图像中的更密集的(和/或更厚的)结构并且沿着该结构向结构的更密集的(和/或更厚的)部分移动。类似地,在质心是强度加权的情况下,被确定的加权质心朝向图像中的较高强度的结构并沿着该结构向结构的较高强度的部分移动。以这种方式,能够产生图像中的高密度或高强度结构的轨迹。
然后可以将所映射的结构的第一轨迹呈现给对象或另一个用户。例如,如前所述,处理器102可以被配置为控制一个或多个用户接口104以呈现所映射的结构的第一轨迹。在范例性实施例中,所映射的结构的第一轨迹由显示屏呈现。所映射的结构的第一轨迹可以被呈现为原始图像上方的叠加图。以这种方式,能够可视化或突出显示图像中的身体的部分的结构。
图3的方法可以从图像中的至少一个其他点开始重复,以在图像中映射身体的部分的结构的至少一个其他轨迹的至少部分。在一些实施例中,图像中的每个点用作针对轨迹的起始点。换言之,根据一些实施例,轨迹从图像中的每个点开始。
图4示出了根据另一实施例的用于在对象的身体的至少部分的图像中映射结构的至少部分的方法400。所示方法400能够总体上由装置100的处理器102执行或在装置100的处理器102的控制下执行。
参考图4,在框402处,确定围绕对象的身体的至少部分的图像中的第一点的第一区域的第一加权质心。在框404处,确定围绕第一加权质心的第二区域的第二加权质心。在框406处,基于相对于第一加权质心的位置的第二加权质心的位置在图像中映射结构的第一轨迹的至少部分。如前所述,相对于第一加权质心的位置的第二加权质心的位置之间的映射是第一轨迹中的第一步骤。换言之,分别参考图2的框202、框204和框206执行上面描述的方法。这里将不再重复该方法的细节,但是应理解为也适用于图4的框402、404和406。
在框408处,确定围绕图像中的第二点的第四区域的第四加权质心。图像中的第二点可以是图像中与第一点相邻的(或邻近的)的点。例如,第一点和第二点可以是二维图像中的相邻的(或邻近的)像素或三维图像中的相邻的(或邻近的)体素。效果上,图像中的两个相邻的(或邻近的)点每个用作起始点。第二点是针对图像中的身体的至少部分的结构的第二轨迹的起始点。
在框410处,确定围绕第四加权质心的第五区域的第五加权质心。在框412处,基于相对于第五加权质心的位置的第四加权质心的位置在图像中映射结构的第二轨迹的至少部分。相对于第五加权质心的位置的第四加权质心的位置之间的映射是第二轨迹中的第一步骤。因此,第二轨迹包括多个质心,所述多个质心至少包括第二(起始)点、第四加权质心和第五加权质心。效果上,第一轨迹和第二轨迹表示图像中的身体的至少部分的结构的两个独立轨迹。
在框414处,比较第一轨迹和第二轨迹,以识别图像中的结构的至少一条脊线。脊线是图像中的结构的区域之间的边界。例如,脊线可以是具有不利或相反流动方向的结构的区域之间的边界,或者是结构分叉处(例如分支)的区域之间的边界。在图像是三维图像的实施例中,脊线可以是三维图像中的平面或表面。例如,脊线可以是定义结构的不同部分之间的或者分叉的结构的部分之间的边界的平面或表面。在图像是二维图像的实施例中,脊线可以是二维图像中的线。例如,脊线可以是定义结构的不同部分之间的或者分叉的结构的部分之间的边界的线。
在实施例中,比较第一轨迹和第二轨迹能够包括确定第一轨迹与第二轨迹之间的局部分叉最大值、确定第一轨迹与第二轨迹之间的平均欧几里德距离、以及确定第一轨迹和第二轨迹中的相应点之间的欧几里德距离中的任何一个或多个。
在确定平均欧几里德距离的情况下,确定两条轨迹中的对应点的平均距离。例如,对于第一轨迹中的每个点,确定第一轨迹中的点与第二轨迹中的对应点之间的欧几里德距离,那么平均距离是这些所确定的欧几里德距离的平均值。换言之,确定第一轨迹中的第i个点与第二轨迹中的第i个点之间的欧几里德距离,确定第一轨迹中的第(i+1)个点与第二轨迹中的第(i+1)个点之间的欧几里德距离,以此类推,针对第一轨迹中的每个点这样进行确定,并且将这些所确定的欧几里德距离的平均值(其也能够称为平均欧几里德距离)用作所确定的距离。
备选地或额外地,在确定局部分叉最大值的情况下,确定针对两个轨迹中的对应点的最大距离。例如,对于第一轨迹中的每个点,确定第一轨迹中的点与第二轨迹中的对应点之间的欧几里德距离。最大距离则是这些所确定的欧几里德距离的最大值。换言之,确定第一轨迹中的第i个点与第二轨迹中的第i个点之间的欧几里德距离,确定第一轨迹中的第(i+1)个点与第二个轨迹中的第(i+1)个点之间的欧几里德距离,以此类推,对第一轨迹中的每个点这样进行确定,并且将这些所确定的欧几里德距离的最大值或最大量(也能够称为局部分叉最大值)用作所确定的距离。
在所确定的距离(例如,第一轨迹和第二轨迹中的对应点之间的平均欧几里德距离,或第一轨迹和第二轨迹的对应点之间的最大欧几里德距离)低于或小于预定阈值的情况下,所确定的距离指示第一轨迹和第二轨迹收敛。另一方面,在所确定的距离(例如,第一轨迹和第二轨迹中的对应点之间的平均欧几里德距离,或第一轨迹和第二轨迹的对应点之间的最大欧几里德距离)高于或大于预定阈值的情况下,所确定的距离指示第一轨迹和第二轨迹分叉。在一些实施例中,预定阈值可以是存储在存储器108中的预编程的阈值。在一些实施例中,阈值可以由处理器102基于从对试验数据集执行的测试学习的信息或基于经由用户接口104接收的用户输入来进行设置。阈值还能够由处理器102基于由处理器102学习的信息或通过经由用户接口104接收的用户输入来进行调整。预定阈值可以设置为40mm、45mm、50mm、55mm、60mm或任何介入值。尽管已经为预定阈值提供了范例值,但是应当理解,也可以使用任何其他值。
备选地或额外地,在确定第一轨迹和第二轨迹中的对应点之间的欧几里德距离的情况下,将第一轨迹和第二轨迹中的点之间的欧几里德距离与第一轨迹和第二轨迹中的后续点之间的欧几里德距离进行比较。例如,对于第一轨迹中的每个点,确定第一轨迹中的点与第二轨迹中的对应点之间的欧几里德距离。换言之,确定第一轨迹中的第i个点与第二轨迹中的第i个点之间的欧几里德距离,确定第一轨迹中的第(i+1)个点与第二轨迹中的第(i+1)个点之间的欧几里德距离,依此类推对第一轨迹中的每个点这样进行确定。随后,确定针对轨迹中的两个或多个连续或连贯点确定的欧几里德距离是增加还是减小。例如,确定第一轨迹和第二轨迹的第(i+1)个点之间的欧几里德距离是大于还是小于第一轨迹和第二轨迹的第i个点之间的欧几里德距离。如果针对轨迹中的两个或多个连续或连贯点确定的欧几里德距离增加(例如,如果第一轨迹和第二轨迹的第(i+1)个点之间的欧几里德距离大于第一轨迹和第二轨迹中的第i个点之间的欧几里德距离),则第一轨迹和第二轨迹被确定为分叉。换言之,确定第一轨迹和第二轨迹在第一轨迹中的点与第二轨迹中的对应点之间的欧几里德距离小于第一轨迹中的后续点与第二轨迹中的后续对应点之间的欧几里德距离处分叉。另一方面,如果针对轨迹中的连续或连贯点确定的欧几里德距离减小(例如,如果第一轨迹和第二轨迹的第(i+1)个点之间的欧几里德距离小于第一轨迹和第二轨迹的第i个点之间的欧几里德距离),则第一轨迹和第二轨迹被确定为收敛。换言之,确定第一轨迹和第二轨迹在第一轨迹中的点与第二轨迹中的对应点之间的欧几里德距离大于第一轨迹中的后续点与第二轨迹中的后续对应点之间的欧几里德距离处收敛。
因此,以上述任何方式,能够确定第一轨迹和第二轨迹是否分叉(或收敛)。在第一轨迹和第二轨迹被确定为分叉的情况下,结构的脊线被识别为位于(或定位于)第一轨迹与第二轨迹之间。例如,结构的脊线可以被识别为位于(或定位于)第一轨迹和第二轨迹之间的中间,例如沿着第一轨迹和第二轨迹之间等距的线。另一方面,在第一轨迹和第二轨迹被确定为收敛的情况下,结构的脊线不被识别为位于(或定位于)第一轨迹和第二轨迹之间或者被识别为在第一轨迹和第二轨迹之间不存在。
以这种方式,能够通过第一轨迹与第二轨迹的比较来识别图像中的结构的至少一条脊线。例如,这对于图像中的血管结构是有用的,因为两条轨迹将由于血管结构的分支性质而收敛或分叉。效果上,第一轨迹和第二轨迹将被吸引到越来越大的血管,从而遵循图像中的结构的分段或肺叶的内部结构。
然后可以将所识别的图像中的结构的至少一条脊线呈现给对象或另一用户。例如,处理器102可以被配置为控制一个或多个用户接口104以呈现所识别的结构的至少一条脊线。在范例性实施例中,通过显示屏来呈现所识别的结构的至少一条脊线。所识别的结构的至少一条脊线可以被呈现为原始图像上方的叠加图。以这种方式,能够可视化或突出显示图像中身体的部分的结构。
返回图4,在框416处,可以针对图像中的结构的至少一个其他的第一轨迹和第二轨迹重复框404、406、408、410、412和414的方法。这里,对于第一轨迹和第二轨迹二者,每个加权质心是基于围绕先前的加权质心的区域来确定的,并且相对于先前的加权质心的加权质心的位置用于确定在图像中的结构的轨迹中的步骤。框404、406、408、410、412和414的方法可以重复预定数量的步骤N(或预定数量的加权质心)或预定数量的次数。在一些实施例中,图像中的每个点用作用于轨迹的起始点。换言之,根据一些实施例,轨迹从图像中的每个点开始。在一些实施例中,可以通过生成具有到第一对轨迹的不同的起始点的一对或多对轨迹(以与上述相同的方式),并且通过比较不同分叉轨迹的位置内插脊线的位置来改善脊线的位置的精度。
如前所述,在任何所述实施例中,能够以任何合适的方式获得在本文所述方法中使用的对象的身体的至少部分的图像。图像可以是对象的身体的至少部分的原始(例如,原始的或未处理的)图像,或者可以通过首先处理所采集的对象的身体的至少部分的图像来获得。
在通过处理所采集的对象的身体的至少部分的图像来获得图像的范例性实施例中,将所采集的图像与第一高斯核进行卷积来获得第一平滑图像。所采集的图像也与第二高斯核进行卷积来获得第二平滑图像。然后,通过从第二平滑图像中减去第一平滑图像获得本文中描述的方法中所使用的对象的身体的至少部分的图像。在一些实施例中,第一高斯核的标准偏差大于第二高斯核的标准偏差。在一些实施例中,高斯核的尺度被选择为小于正在被映射的结构。例如,如果肺分段(或肺叶)正在被映射,则核在尺度上被选择小于典型的肺分段尺寸。
在一些实施例中,在根据本文描述的任何实施例处理对象的身体的至少部分的图像之前,方法可以首先包括将图像分割为多个图像分段。在这些实施例中,随后可以针对多个图像分段中的至少一个执行所述方法。多个图像片段可以是对象的身体的不同部分。例如,在图像是对象的肺的图像的情况下,一个图像分段可以是左肺,而另一个图像分段可以是右肺。
在本文描述的任何实施例中,加权质心(可以是第一加权质心、第二加权质心、第三加权质心、第四加权质心、第五加权质心或任何其他加权质心)能够以任何合适的方式进行加权。例如,加权质心能够是强度加权质心、密度加权质心、血管特征加权质心、或者根据强度的幂的加权,如上所述。
除了这些权重之外,还可以根据在局部邻域内的均匀的权重(例如盒子滤波器)或空间权重(例如欧几里德距离的高斯权重)对质心进一步进行加权(即,可以对强度加权、密度加权、血管特征加权或根据强度的幂的加权进行进一步加权)。在实施例中,能够选择围绕起始点或先前的加权质心c的区域中的多个点x(或每个点x)。对于每个所选择的点x,确定欧几里德距离d(x)=|x-c|。然后,使用高斯正态分布来确定每个点x的权重w(x)。例如,用于确定每个点x的权重w(x)的高斯正态分布公式能够表示为:
w(x)=exp(-0.5*(d*d)/(s*s)),
其中s是预定值。预定值s能够是存储在存储器108中的预编程的值。在一些实施例中,预定值s可以由处理器102基于从对试验数据集执行的测试学习的信息或基于经由用户接口104接收的用户输入来进行设置。预定值s还能够由处理器102基于由处理器102学习的信息或通过经由用户接口104接收的用户输入来进行调整。
在一些实施例中,加权质心可以根据欧几里德距离的高斯权重乘以响应于整数值的幂的局部血管过滤器来加权。例如,可以针对图像中的每个点确定血管过滤器的响应。血管过滤器提供血管特征值。如前所述,血管特征值是标量值,其描述图像中的点(或加权质心)属于血管的可能性。幂可以是任何整数值,例如1、2、3、4、5、6或任何其他整数值。以这种方式使用血管过滤器能够提供血管增强。换言之,能够强调图像中的较高的强度值,同时能够不强调图像中的较低的强度值。
在本文所描述的任何实施例中,在确定第一加权质心之前(在图2的框202处、图3的框302处、或图4的框402处),所述方法还可以包括将图像重新采样为各向同性点。例如,二维图像实施例中的各向同性点是各向同性像素,三维图像实施例中的各向同性点是各向同性体素。以这种方式,能够重新采样其中点之间的间隔不等距的图像,以实现其中点之间的间隔在所有方向上是等距的各向同性间隔。例如,能够重新采样其中在x、y和z方向上的体素的间隔不等距的图像体积,以实现其中体素之间的间隔在x、y和z三个方向上是等距的各向同性体素间隔。在这些实施例中,重新采样的图像中的第一各向同性点可以用于确定图2、3或4的任何实施例中的第一加权质心。类似地,重新采样的图像中的第二各向同性点可以用于确定图4的实施例中的第四加权质心。以这种方式,能够各向同性地重新采样图像中的各向异性点,使得能够在不考虑图像中的点的间隔并且不会引入几何失真的情况下执行本文公开的方法。
根据任何实施例,能够在处理器102的控制下,例如在存储器108中存储图像中的第一点和第二点(以及任何其他起始点)、所确定的加权质心、第一轨迹和第二轨迹(以及任何其他轨迹)。以这种方式,能够容易地检索所存储的信息。
图5示出了根据范例性实施例的用于在对象的身体的至少部分的图像中映射结构的至少部分的方法500。在该范例性实施例中,图像是三维图像,并且图像中的点是体素。所示方法500能够总体上由装置100的处理器102执行或在装置100的处理器102的控制下执行。
参考图5,在框502处,各向同性地重新采样图像体积。图像体积的各向同性重新采样(其可以包括各向异性体素网格)允许在不考虑体素间隔并且不引入几何失真的情况下执行后续步骤。
在框504处,增强图像中的结构(例如,至少一个血管)。这是以先前描述的方式,通过将图像与第一高斯核卷积来获得第一平滑图像,将图像与第二高斯核卷积来获得第二平滑图像,以及从第二平滑图像中减去第一平滑图像来实现的。在该范例性实施例中,第一高斯核的标准偏差σ1大于第二高斯核的标准偏差σ2。
在框506处,以逐个分量方式确定加权质心。例如,对于空间位置分量x,执行如下所示的三维体积Mx的高斯平滑:
Mx=x·Ik(x),
其中Ik(x)是在某一位置x=(x,y,z)处的血管过滤器强度(或者,备选地,图像强度),k是正整数值(例如,整数值8或任何其他正整数值),以将平均值朝向更高的血管强度移动。这里,空间位置分量x被加和,由图像中每个点处的局部强度加权。
同样地,对于空间位置分量y的三维体积My的高斯平滑,对于空间位置分量z的三维体积Mz的高斯平滑和三维体积M0的高斯平滑执行如下所述:
My=y·Ik(x),Mz=z·Ik(x),并且M0=Ik(x).
换言之,每个空间位置分量x、y、z被独立地求和,通过图像中每个点处的局部强度加权。这里,三维体积M0是图像中的每个点处的局部强度的权重之和。
实际上,三维空间位置分量x、y、z的高斯平滑产生与原始图像相同程度的四个体积。因此,下一个轨迹点x’由xyz-分量给出,如下所示:
x’=[Gσ*Mx(x),Gσ*My(x),Gσ*Mz(x)]/(Gσ*M0(x)).
这里,三个空间位置分量x、y、z由每个分量的加权和除以权重之和(即,针对每个分量的加权平均值)来确定。
在框508处,对于每个体素位置x,下一个轨迹点x’被存储在存储器108中以供后续检索。
以这种方式,根据该范例实施例的所示方法500使用一系列高斯卷积。这一系列的高斯卷积允许用于以有效的方式针对对象的身体的至少部分(例如,肺)的整个体积执行在对象的身体的至少部分的图像中的结构的至少部分的映射的方法。
图6示出了根据实施例的原始图像A和经处理的图像B。经处理的图像B利用在原始图像A上方呈现的叠加图提供,其表示图像中的身体的部分的结构。如图所示,最高血管分叉值600在经处理的图像B的叠加图中表现得更暗。能够从图示看出,在经处理的图像B的叠加图中呈现的脊线不仅形成在可见的肺叶裂隙处,而且还形成在分叉的位置处。
因此,提供了一种改进的方法和装置,用于在对象的身体的至少部分的图像中映射结构的至少部分。所述方法和装置能够在医学成像分析和可视化工具中是有用的。例如,所述方法和装置在癌症筛查中特别有用。
应当理解,本发明还适用于计算机程序,特别是适用于将本发明付诸实践的载体上或载体中的计算机程序。程序可以是源代码、目标代码、代码中间源和目标代码的形式,例如以部分编译的形式,或者以适合用于根据本发明的方法的实施方式中的任何其他形式。还应当理解,这样的程序可以具有许多不同的架构设计。例如,实施根据本发明的方法或***的功能的程序代码可以被细分为一个或多个子例程。在这些子例程之间分配功能的许多不同方式对于技术人员来说是显而易见的。子例程可以一起存储在一个可执行文件中以形成自包含程序。这样的可执行文件可以包括计算机可执行指令,例如,处理器指令和/或解释器指令(例如,Java解释器指令)。备选地,一个或多个或所有子例程可以存储在至少一个外部库文件中,并且可以静态地或动态地与主程序链接,例如,在运行时。主程序包含对至少一个子程序的调用。子例程还可以包括对彼此的功能调用。涉及计算机程序产品的实施例包括与本文所阐述的至少一种方法的每个处理阶段相对应的计算机可执行指令。这些指令可以被细分为子例程和/或存储在可以静态或动态链接的一个或多个文件中。涉及计算机程序产品的另一个实施例包括与本文所阐述的***和/或产品中的至少一个的每个装置相对应的计算机可执行指令。这些指令可以被细分为子例程和/或存储在可以静态或动态链接的一个或多个文件中。
计算机程序的载体可以是能够承载程序的任何实体或设备。例如,载体可以包括数据存储器,诸如ROM,例如CD ROM或半导体ROM,或磁记录介质,例如硬盘。此外,载体可以是可以经由电缆或光缆或通过无线电或其他方式传送可传输的载体,诸如电信号或光信号。当程序体现在这样的信号中时,载体可以由这种电缆或其他设备或装置构成。可选择地,载体可以是程序嵌入其中的集成电路,集成电路适于执行或用于执行相关方法。
通过研究附图、公开内容和所附权利要求,本领域技术人员在实践所要求保护的发明时可以理解和实现对所公开实施例的变型。在权利要求中,词语“包括”不排除其他元件或步骤,并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中记载的若干项的功能。在相互不同的从属权利要求中记载某一措施这一事实并不表示这些措施的组合不能用于获益。计算机程序可以存储/分布在合适的介质上,诸如与其他硬件一起提供或作为其他硬件的一部分提供的光学存储介质或固态介质,但也可以以其他形式分布,诸如经由因特网或其他有线或无线电信***。权利要求中的任何附图标记不应被解释为限制范围。
Claims (15)
1.一种用于在对象的身体的至少部分的图像中映射结构的至少部分的方法,所述方法包括:
确定(402)围绕所述对象的所述身体的所述至少部分的所述图像中的第一点的第一区域的第一加权质心;
确定(404)围绕所述第一加权质心的第二区域的第二加权质心;并且
基于相对于所述第一加权质心的位置的所述第二加权质心的位置在所述图像中映射(406)所述结构的第一轨迹的至少部分;
确定(408)围绕所述图像中的第二点的第四区域的第四加权质心,其中,所述第二点相邻于所述第一点;
确定(410)围绕所述第四加权质心的第五区域的第五加权质心;
基于相对于所述第五加权质心的位置的所述第四加权质心的位置在所述图像中映射(412)所述结构的第二轨迹的至少部分;并且
比较(414)所述第一轨迹与所述第二轨迹,以识别所述图像中的所述结构的至少一条脊线,其中,所述脊线是所述结构的区域之间或分叉的所述结构的部分之间的边界。
2.如权利要求1所述的方法,其中,所述结构是血管结构。
3.如权利要求1所述的方法,其中,所述加权质心是强度加权质心、血管特征加权质心、密度加权质心、或根据强度的幂的加权。
4.如权利要求3所述的方法,其中,所述质心根据欧几里德距离的高斯权重进一步加权。
5.如权利要求1所述的方法,所述方法还包括:
确定围绕所述第二加权质心的第三区域的第三加权质心;并且
基于相对于所述第二加权质心的所述位置的所述第三加权质心的位置在所述图像中映射所述结构的所述第一轨迹的至少部分。
6.如权利要求1所述的方法,其中,比较包括:
确定所述第一轨迹和所述第二轨迹是否分叉;并且
将所述图像中的所述结构的所述至少一条脊线识别为位于确定所述第一轨迹和和所述第二轨迹分叉处的所述第一轨迹与所述第二轨迹之间。
7.如权利要求6所述的方法,其中,确定所述第一轨迹和所述第二轨迹是否分叉包括:
确定所述第一轨迹和所述第二轨迹在所述第一轨迹中的点与所述第二轨迹中的对应点之间的欧几里德距离小于所述第一轨迹中的后续点与所述第二轨迹的后续对应点之间的欧几里德距离处分叉;
确定所述第一轨迹和所述第二轨迹在所述第一轨迹中的对应点与所述第二轨迹中的对应点之间的平均欧几里德距离大于阈值处分叉;或者
确定所述第一轨迹和所述第二轨迹在所述第一轨迹中的对应点与所述第二轨迹中的对应点之间的最大欧几里德距离大于阈值处分叉。
8.如权利要求6所述的方法,其中,识别所述图像中的所述结构的所述至少一条脊线包括将所述至少一条脊线识别为位于所述第一轨迹与所述第二轨迹之间的中间。
9.如权利要求6、7或8中的任一项所述的方法,还包括:
将所述至少一条脊线识别为在被确定为所述第一轨迹和所述第二轨迹收敛处在所述第一轨迹与所述第二轨迹之间不存在。
10.如权利要求1-8中的任一项所述的方法,其中,所述方法从所述图像中的至少一个其他点开始重复,以在所述图像中映射所述身体的所述部分的所述结构的至少一个其他轨迹的至少部分。
11.如权利要求1-8中的任一项所述的方法,其中,所述图像是二维图像,并且所述图像中的所述点是像素,或者,所述图像是三维图像,并且所述图像中的所述点是体素。
12.如权利要求1-8中的任一项所述的方法,其中,所述图像是二维图像,并且所述至少一条脊线是所述二维图像中的至少一条线,或者,所述图像是三维图像,并且所述至少一条脊线是所述三维图像中的至少一个表面。
13.一种计算机可读介质,其具有体现在其中的计算机可读代码,在所述代码由合适的计算机或处理器执行时,使所述计算机或处理器实施如权利要求1-12中的任一项所述的方法。
14.一种用于在对象的身体的至少部分的图像中映射结构的至少部分的装置(100),所述装置包括:
处理器(102),其被配置为:
确定围绕所述对象的所述身体的所述至少部分的所述图像中的第一点的第一区域的第一加权质心;
确定围绕所述第一加权质心的第二区域的第二加权质心;并且
基于相对于所述第一加权质心的位置的所述第二加权质心的位置在所述图像中映射所述结构的第一轨迹的至少部分;
确定围绕所述图像中的第二点的第四区域的第四加权质心,其中,所述第二点相邻于所述第一点;
确定围绕所述第四加权质心的第五区域的第五加权质心;
基于相对于所述第五加权质心的位置的所述第四加权质心的位置在所述图像中映射所述结构的第二轨迹的至少部分;并且
比较所述第一轨迹与所述第二轨迹,以识别所述图像中的所述结构的至少一条脊线,其中,所述脊线是所述结构的区域之间或分叉的所述结构的部分之间的边界。
15.如权利要求14所述的装置(100),其中,所述处理器(102)被配置为控制一个或多个用户接口(104),以呈现在所述图像中所映射的所述结构的所述第一轨迹的至少部分。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16174785.2 | 2016-06-16 | ||
EP16174785 | 2016-06-16 | ||
PCT/EP2017/064722 WO2017216318A1 (en) | 2016-06-16 | 2017-06-15 | A method and apparatus for mapping at least part of a structure in an image of at least part of a body of a subject |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109313803A CN109313803A (zh) | 2019-02-05 |
CN109313803B true CN109313803B (zh) | 2023-05-09 |
Family
ID=56134207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780036744.0A Active CN109313803B (zh) | 2016-06-16 | 2017-06-15 | 一种用于映射对象的身体的至少部分的图像中的结构的至少部分的方法和装置 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20200320684A1 (zh) |
EP (1) | EP3472805B1 (zh) |
JP (1) | JP6876070B2 (zh) |
CN (1) | CN109313803B (zh) |
BR (1) | BR112018075815A2 (zh) |
RU (1) | RU2741572C2 (zh) |
WO (1) | WO2017216318A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113068123A (zh) * | 2020-01-02 | 2021-07-02 | 广东博智林机器人有限公司 | 一种质心确定方法、装置、服务器及存储介质 |
US11315310B2 (en) * | 2020-03-12 | 2022-04-26 | Nvidia Corporation | Reservoir-based spatiotemporal importance resampling utilizing a global illumination data structure |
CN111415742B (zh) * | 2020-03-17 | 2024-06-04 | 北京青燕祥云科技有限公司 | 通过肺叶预测病灶肺段位置的计算方法 |
US20220249172A1 (en) * | 2021-02-05 | 2022-08-11 | Biosense Webster (Israel) Ltd. | System and method for alignment of balloon ablation catheter in pulmonary vein |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005101314A2 (en) * | 2004-04-12 | 2005-10-27 | The General Hospital Corporation | Method and apparatus for processing images in a bowel subtraction system |
CN102473303A (zh) * | 2009-08-12 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 生成对象数据 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4822142B2 (ja) * | 2006-05-02 | 2011-11-24 | 国立大学法人名古屋大学 | 内視鏡挿入支援システム及び内視鏡挿入支援方法 |
JP5484998B2 (ja) * | 2010-04-13 | 2014-05-07 | 株式会社東芝 | 医用画像処理装置及び脂肪領域計測用制御プログラム |
US10592581B2 (en) * | 2012-07-30 | 2020-03-17 | Brainlab Ag | Method for inverse trajectory planning |
JP5777070B2 (ja) * | 2012-09-14 | 2015-09-09 | 富士フイルム株式会社 | 領域抽出装置、領域抽出方法および領域抽出プログラム |
-
2017
- 2017-06-15 CN CN201780036744.0A patent/CN109313803B/zh active Active
- 2017-06-15 JP JP2018563900A patent/JP6876070B2/ja active Active
- 2017-06-15 EP EP17731534.8A patent/EP3472805B1/en active Active
- 2017-06-15 RU RU2019101116A patent/RU2741572C2/ru active
- 2017-06-15 WO PCT/EP2017/064722 patent/WO2017216318A1/en unknown
- 2017-06-15 BR BR112018075815-9A patent/BR112018075815A2/pt not_active Application Discontinuation
- 2017-06-15 US US16/304,016 patent/US20200320684A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005101314A2 (en) * | 2004-04-12 | 2005-10-27 | The General Hospital Corporation | Method and apparatus for processing images in a bowel subtraction system |
CN102473303A (zh) * | 2009-08-12 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 生成对象数据 |
Non-Patent Citations (2)
Title |
---|
G YANG ET AL..A Multiscale Tracking Algorithm for the Coronary Extraction in MSCT Angiography.《THE EFFECT OF APPLIED COMPRESSIVE LOADING ON TISSUE-ENGINEERED CARTILAGE CONSTRUCTS CULTURED WITH TGF-BETAS.》.2006, * |
医学超声波图像的边界保护滤波及特征映射补偿;方敬等;《北京交通大学学报》;20040415(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2017216318A1 (en) | 2017-12-21 |
JP2019522519A (ja) | 2019-08-15 |
RU2741572C2 (ru) | 2021-01-27 |
EP3472805B1 (en) | 2020-05-13 |
RU2019101116A3 (zh) | 2020-08-10 |
EP3472805A1 (en) | 2019-04-24 |
BR112018075815A2 (pt) | 2019-03-26 |
RU2019101116A (ru) | 2020-07-16 |
US20200320684A1 (en) | 2020-10-08 |
JP6876070B2 (ja) | 2021-05-26 |
CN109313803A (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7183376B2 (ja) | 検出精度を向上させるために関心領域の異なるビューからの複数の画像を用いるコンピュータ支援検出 | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及*** | |
US9536316B2 (en) | Apparatus and method for lesion segmentation and detection in medical images | |
EP2925216B1 (en) | Stenosis therapy planning | |
EP2054860B1 (en) | Selection of datasets from 3d renderings for viewing | |
CN109313803B (zh) | 一种用于映射对象的身体的至少部分的图像中的结构的至少部分的方法和装置 | |
US8781189B2 (en) | Reproducible segmentation of elliptical boundaries in medical imaging | |
JP6093347B2 (ja) | 医療画像処理システム及び方法 | |
US11393099B2 (en) | Image segmentation and prediction of segmentation | |
US20180064409A1 (en) | Simultaneously displaying medical images | |
US11182901B2 (en) | Change detection in medical images | |
EP2601637B1 (en) | System and method for multi-modality segmentation of internal tissue with live feedback | |
JP6934734B2 (ja) | 画像処理装置、画像処理装置の制御方法およびプログラム | |
EP3607527B1 (en) | Quantitative evaluation of time-varying data | |
US20230030618A1 (en) | Making measurements in images | |
Goyal et al. | Segmentation of coronary arteries of heart |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |