CN109427417A - 用于在医学图像数据中分割检查对象的器官结构的方法 - Google Patents
用于在医学图像数据中分割检查对象的器官结构的方法 Download PDFInfo
- Publication number
- CN109427417A CN109427417A CN201811000479.3A CN201811000479A CN109427417A CN 109427417 A CN109427417 A CN 109427417A CN 201811000479 A CN201811000479 A CN 201811000479A CN 109427417 A CN109427417 A CN 109427417A
- Authority
- CN
- China
- Prior art keywords
- organ structure
- check object
- organ
- segmentation
- medical image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- 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
- 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
- G06T7/0002—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-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
- G06T2207/30—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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种用于在医学图像数据中分割检查对象的器官结构的方法、计算单元、医学成像设备和计算机程序产品。根据本发明的用于在医学图像数据中分割检查对象的器官结构的方法包括以下方法步骤:‑采集表征器官结构的形态变异的检查对象的基因数据,‑采集检查对象的医学图像数据,‑借助分割算法在医学图像数据中分割器官结构,其中,除了医学图像数据之外,还将基因数据作为输入参数引入分割算法中,并且其中,在分割器官结构时,分割算法考虑器官结构的形态变异,‑提供分割的器官结构。
Description
技术领域
本发明涉及一种用于在医学图像数据中分割检查对象的器官结构的方法、计算单元、医学成像设备和计算机程序产品。
背景技术
通常,借助医学成像设备拍摄医学图像数据,并且医学图像数据能够显示患者的身体的解剖结构和/或功能过程。分割医学图像数据属于最常使用的对医学图像数据进行后处理的方法。在医学图像数据中分割的器官结构可以是对医学图像数据进行计算机支持的分析的基础。因此,例如可以想到根据在分割中识别出的形态参数对器官结构的病变进行自动识别。此外,对器官结构的分割可以是将器官结构可视化的基础。在放射治疗规划的工作流程中也经常可以有意义地使用对目标器官和/或风险器官的自动分割。
已知用于在医学图像数据中对器官结构进行计算机支持的自动分割的不同算法。这些算法当然提供医学图像数据本身或者由医学图像数据导出的信息、例如纹理参数作为输入参数。此外,可以将特定于患者的特征、例如患者的身高、年龄或者性别作为输入数据引入分割算法中。例如,在基于图集的分割中,可以根据患者的性别来选择用于分割器官结构的合适的图集。例如从US 20170011526A1、US 8170330B2、US 8837771B2或者US9367924B2中已知用于分割医学图像数据的不同的方法。
目前,分子诊断方法正在非常迅速地进一步发展,使得分析人类基因组需要的时间越来越少,并且成本越来越低。这样,未来各个患者的基因数据的常规可用性将明显更高。这样,除了医学图像数据之外,还可以从患者获得基因数据,以便能够借助不同的诊断参数来检查复杂的症状。
发明内容
本发明要解决的技术问题是,使得能够进行有效的、专门与检查对象调谐的检查对象的器官结构的分割。上述技术问题通过本发明的特征来解决。在说明书中描述有利设计。
根据本发明的用于在医学图像数据中分割检查对象的器官结构的方法包括以下方法步骤:
-采集表征器官结构的形态变异的检查对象的基因数据,
-采集检查对象的医学图像数据,
-借助分割算法在医学图像数据中分割器官结构,其中,除了医学图像数据之外,还将基因数据作为输入参数引入分割算法中,并且其中,在分割器官结构时,分割算法考虑器官结构的形态变异,
-提供分割的器官结构。
器官结构在此可以是检查对象的整个身体器官或者检查对象的身体器官的一部分。检查对象可以是患者、健康的受检者或者动物。采集医学图像数据可以包括借助医学成像设备获取医学图像数据或者从图像数据库加载已经获取的医学图像数据。
采集基因数据可以包括例如借助基因测序法分析检查对象的基因组或者从数据库加载检查对象的已经分析的基因数据。基因数据特别是涉及特定于检查对象的遗传特征、例如检查对象的DNA序列的一部分或者检查对象的基因指纹的一部分。因此,实际从检查对象采集的基因数据可能与临床问题、特别是要分割的器官结构有关。采集基因数据可以包括确定特定于检查对象的基因标记,基因标记可以合适地用作分割算法的输入参数。特别是采集专门与要分割的器官结构的形态、例如大小和/或形状相关的检查对象的基因数据。这样,基因数据例如可以表征是否或者在何种程度上器官结构受形态变异影响。器官结构的形态变异在此特别地是器官结构的形态、即例如大小和/或形状相对于器官结构的标准形态的变化。采集基因数据在此可以包括检查在检查对象的基因数据中是否存在导致器官结构的形态变异的特定基因变异。基因变异、也称为遗传变异在此特别地是例如基因之间的区域中的检查对象的DNA序列相对于标准DNA序列的变化(基因间变异,intergenetic variant)。
分割器官结构特别是包括在医学图像数据中自动或者半自动地识别器官结构。分割器官结构可以包括确定医学图像数据的哪一部分与器官结构相关联。这样,分割器官结构特别是包括针对医学图像数据的每个体素确定该体素是否属于该器官结构。分割器官结构在此特别是通过分割算法来执行。分割算法在此可以使用已知分割方法,例如基于图集的分割、随机行走(Random-Walker)方法、区域生长方法或者使用人工神经网络。也可以使用其它分割方法,例如活动轮廓分割方法(例如active snakes)、水平集分割方法或者统计分割方法(例如active shape models(活动形状模型))。当然还可以想到本领域技术人员视为合理的其它分割方法。在半自动分割中,用户可以例如通过设置种子点和/或通过设置至少一个界标来初始化分割。用户也可以监控和/或改变所进行的分割。
分割算法不仅具有医学图像数据、而且具有基因数据作为输入参数。分割算法具有基因数据作为输入参数,也可以意味着分割算法具有由检查对象的基因数据导出的、特别是关于器官结构的形态变异的信息作为输入参数。特别是基于例如给出是否或者在何种程度上器官结构受形态变异影响的基因数据,来考虑器官结构的形态变异。
这样,基因数据以及与此相关联的器官结构的形态变异可以是用于器官结构的分割的特别有利的附加信息。如在下面的实施方式中还要更详细地描述的,可以根据基因数据特别合适地选择或者调整分割算法。在考虑基因数据的情况下,器官结构的分割由此可以以单独与检查对象调谐的方式进行。这样,例如可以想到更准确和/或更有效的器官结构的分割。有利的是,在分割器官结构时,不仅考虑医学图像数据的图像内容,而且考虑由基因数据表征的器官结构的形态。这样,例如可以想到,当已经可以基于由基因数据表征的形态变异针对分割设置合适的边界条件时,可以减小分割的计算开销。
提供分割的器官结构特别是包括在输出单元、例如显示单元上输出分割的器官结构和/或将分割的器官结构存储在数据库中。在此,特别是相对于医学图像数据提供分割的器官结构,例如在医学图像数据中以合适的可辨认的方式、例如以颜色编码的方式显示分割的器官结构。替换地或者附加地,可以向进一步处理单元传输分割的器官结构,进一步处理单元可以基于分割的器官结构对医学图像数据执行进一步处理。对于检查对象的照射规划的应用情况,可以将分割的器官结构设置为照射规划的目标器官或者风险器官。
对医学图像数据或分割的器官结构的进一步处理又可以在使用基因数据的情况下进行。例如,可以依据基因数据确定与检查对象的形态变异调谐的、器官结构的形态的标准值范围。在对可能指出疾病的器官结构的异常形态的自动诊断中,可以合适地使用该与基因数据调谐的标准值范围。
一个实施方式设置为,形态变异涉及器官结构的以下形态特征中的至少一个:
-器官结构的大小,
-器官结构的形状,
-器官结构的体积,
-器官结构在检查对象的身体中的定位。
这样,当根据基因数据已知形态变异时,分割算法可以特别合适地考虑特定于检查对象的至少一个形态特征。由基因数据表征的形态变异在此可以包括至少一个形态特征在何种程度上受形态变异影响的信息。至少一个形态特征的这种改变程度在此可以以绝对值或者相对于另一个器官结构或相对于该形态特征的标准值范围给出。根据基因数据已知的关于所提及的形态特征中的至少一个的基本知识,可以特别合适地作为附加信息在分割器官结构时提供支持。
一个实施方式设置为,采集基因数据包括检查在检查对象的基因数据中是否存在导致器官结构的形态变异的基因变异,其中,将检查结果作为输入参数引入分割算法中,并且分割算法在分割器官结构时考虑检查结果。
一般来说,基因变异、例如基因间变异导致形态变异。这尤其意味着,仅当在基因数据中存在基因变异时,器官结构受形态变异影响。这样,借助检查在基因数据中是否存在基因变异,可以特别有利地确定器官结构的形态变异。检查结果在此特别地可以是在检查对象的基因数据中是否存在基因变异的二进制信息。这样,可以将该二进制信息合适地作为附加信息引入器官结构的分割中。例如,可以基于该二进制信息选择分割算法和/或设置或者调整分割算法的分割参数。
一个实施方式设置为,在另一个方法步骤中,首先确定要在医学图像数据中分割什么器官结构类型,并且其中,根据所确定的器官结构类型进行所述检查。
这样,特别是首先明确或确定要分割什么器官结构类型、即特别是哪种器官结构,并且基于该确定,检查在患者的基因数据中是否存在专门导致要分割的器官结构类型的形态变化的基因变异。这样,可以特别有针对性地在检查对象的基因数据中搜索对于该器官结构类型决定性的基因变异。
替换地,也可以想到以下方法:在进行分割之前,与要分割的器官结构类型无关地检查在患者的基因数据中是否存在可能影响器官结构的形态的明显的基因变异,从而可以相应地对要进行的分割进行合适的调整。
一个实施方式设置为,采集基因数据包括采集形态变异在何种程度上改变器官结构的形态的信息,其中,将所述信息作为输入参数引入分割算法中,并且分割算法在分割器官结构时考虑所述信息。
这样,可以根据形态变异改变器官结构的形态的程度特别合适地调整分割算法。改变程度在此可以以相对于器官结构的形态的标准值的百分比给出。
一个实施方式设置为,分割算法在使用图集的情况下使用基于图集的分割,其中,对于分割所使用的图集根据由基因数据表征的形态变异的存在从图集的集合中来选择。
图集的集合可以包括第一图集和第二图集,其中,第一图集基于具有与形态变异相关联的基因变异的第一图集组的图集图像数据,并且其中,第二图集基于不具有与形态变异相关联的基因变异的第二图集组的图集图像数据。然后,可以根据器官结构的基因变异或形态变异的存在,从图集的集合中选择适合于器官结构的分割的图集。使用合适地与器官结构的形态变异调谐的图集,可以使基于图集的分割更准确和/或性能更高。
一个实施方式设置为,分割算法在使用图集的情况下使用基于图集的分割,其中,图集具有至少一个图集器官结构,并且根据由基因数据表征的形态变异的存在对图集器官结构进行变形。
这样,可以首先使用标准图集或者根据先前的实施方式合适地选择的图集。然后,可以在将该图集用于分割之前,例如在针对医学图像数据进行配准之前,根据基因数据合适地调整该图集。例如,可以根据由基因数据表征的形态变形对图集中的至少一个图集器官结构进行变形。借助这样调整后的图集,可以对器官结构进行准确和/或高性能的基于图集的分割。
一个实施方式设置为,分割算法在使用针对器官结构的分割的边界条件的情况下使用区域生长方法或者随机行走方法,其中,边界条件根据由基因数据表征的形态变异来确定。
当形态变异给出至少一个形态特征的变化时,至少一个形态特征的变化可以表示区域生长方法或者随机行走方法的合适的边界条件。通过使用所述边界条件,所提到的分割方法可以以性能更高的方式运行并且提供更准确的结果。
一个实施方式设置为,分割算法使用针对器官结构的分割经过训练的人工神经网络,其中,根据由基因数据表征的形态变异的存在来选择和/或改变对于分割所使用的人工神经网络。
这样,器官结构的分割特别是基于以人工神经网络为基础的机器学习方法、也称为深度学习方法。人工神经网络(KNN,英语:artificial neural network,ANN)特别地是以计算机程序模拟的、由人工神经元组成的网络。人工神经网络在此一般基于多个人工神经元的联网。人工神经元在此一般布置在不同的层(layer)上。人工神经网络通常包括输入层和输出层(output layer),输出层的神经元输出作为人工神经网络的唯一的输出可见。位于输入层和输出层之间的层一般称为隐藏层(hidden layer)。一般来说,首先开始人工神经网络的架构和/或拓扑,然后在训练阶段针对特殊任务或者在训练阶段针对多个任务进行训练。训练人工神经网络在此一般包括改变人工神经网络的两个人工神经元之间的连接的权重。训练人工神经网络也可以包括在人工神经元之间发展新的连接、清除人工神经元之间的已有连接、调整人工神经元的阈值和/或加入或者清除人工神经元。
特别是在准备阶段就已经以适合于器官结构的分割的方式对人工神经网络进行训练。对于人工神经网络的训练,在此特别是使用器官结构已经以分割的方式存在的医学训练图像数据组。医学训练数据组在此一般从与检查对象不同的训练检查对象获取。
借助考虑基因数据,现在可以借助人工神经网络将分割专门与检查对象调谐。如在下面的实施方式中还要更详细地描述的,例如可以根据检查对象中的遗传变异的存在,选择经过合适的训练的人工神经网络。也可以想到,事后根据基因数据合适地对经过训练的人工神经网络进行调整,从而人工神经网络可以特别有利地以与由基因数据表征的形态变异调谐的方式执行分割。也可以想到,在训练人工神经网络时,作为附加训练参数考虑基因数据或者由基因数据导出的信息。为了降低复杂度,例如可以有利地由基因数据导出在检查对象中是否存在特定遗传变异的二进制训练参数,并且在训练人工神经网络时使用该参数。
一个实施方式设置为,为了分割器官结构,提供第一人工神经网络和第二人工神经网络,其中,第一人工神经网络借助具有基因变异的第一训练组进行了训练,并且第二人工神经网络借助没有基因变异的第二训练组进行了训练,其中,根据检查结果,使用第一人工神经网络或者第二人工神经网络来分割器官结构。
如果检查得出检查对象具有基因变异,则特别是使用第一人工神经网络来进行分割。如果检查得出检查对象没有基因变异,则特别是使用第二人工神经网络来进行分割。这样选择的人工神经网络可以特别准确和/或高性能地执行分割,因为特别合适地以与由基因数据表征的形态变异调谐的方式进行了选择。
一个实施方式设置为,采集检查对象的另外的特定于患者的特征,其中,除了医学图像数据和基因数据之外,还将所述另外的特定于患者的特征引入分割算法中,并且所述另外的特定于患者的特征包括如下列表中的至少一个特征:
-检查对象的年龄,
-检查对象的性别,
-检查对象的身高,
-检查对象的体重。
这样,可以将特定于患者的特征作为特别有利的另外的附加信息引入器官结构的分割中。这样,可以以进一步单独与检查对象调谐的方式执行器官结构的分割。
一个实施方式设置为,要分割的器官结构是以下器官结构中的一个:
-检查对象的脑部结构,
-检查对象的***,
-检查对象的心脏结构。
根据本发明的方法可以特别合适地应用于所提到的器官结构。脑部结构例如可以包括以下列表中的一个或多个结构:胼胝体,海马区,皮层,丘脑,下丘脑,脑干,小脑,白质,灰质,脑脊液等。心脏结构例如可以包括以下列表中的一个或多个结构:右心房,左心房,右心室,左心室,主动脉,心包,心肌,心外膜,心尖等。当然可以想到可以借助根据本发明的方法来分割的其它器官结构。
根据本发明的计算单元包括至少一个计算模块,其中,计算单元被构造为用于执行根据本发明的方法。
因此,特别是计算单元被构造为执行计算机可读指令,以执行根据本发明的方法。特别是,计算单元包括存储单元,其中,在存储单元上存储计算机可读信息,其中,计算单元被构造为从存储单元加载计算机可读信息并且执行计算机可读信息,以执行根据本发明的方法。
这样,根据本发明的计算单元被构造为执行用于在医学图像数据中分割检查对象的器官结构的方法。为此,计算单元可以包括第一采集单元,用于采集表征器官结构的形态变异的检查对象的基因数据。计算单元可以包括第二采集单元,用于采集检查对象的医学图像数据。计算单元可以包括分割单元,用于借助分割算法在医学图像数据中分割器官结构,其中,除了医学图像数据之外,还将基因数据作为输入参数引入分割算法中,并且其中,在分割器官结构时,分割算法考虑器官结构的形态变异。计算单元可以包括提供单元,用于提供分割的器官结构。
计算单元的部件大部分可以以软件部件的形式构造。但是,原则上,这些部件部分地、特别是当涉及特别快速的计算时,也可以以软件支持的硬件部件、例如FPGA等的形式来实现。例如当仅涉及从其它软件部件接收数据时,需要的接口也可以构造为软件接口。但是其也可以构造为通过合适的软件控制的、按照硬件构建的接口。当然也可以想到,所提及的部件中的多个以单个的软件部件或软件支持的硬件部件的形式以组合的方式来实现。
根据本发明的医学成像设备包括根据本发明的计算单元。
计算单元可以被构造为向医学成像设备发送控制信号和/或接收和/或处理控制信号,以执行根据本发明的方法。计算单元可以集成到医学成像设备中。计算单元也可以与医学成像设备分离地安装。计算单元可以与医学成像设备连接。
采集医学图像数据可以包括借助医学成像设备的拍摄单元拍摄医学图像数据。然后,可以向计算单元传输医学图像数据,以进行进一步处理。然后,计算单元可以借助第二采集单元采集医学图像数据。
根据本发明的计算机程序产品可直接加载到可编程计算单元的存储器中,并且具有程序代码部件,用于在计算单元中执行该计算机程序产品时,执行根据本发明的方法。计算机程序产品可以是计算机程序或者包括计算机程序。由此能够以快速、可相同地重复以及鲁棒的方式执行根据本发明的方法。该计算机程序产品被配置为,能够借助计算单元来执行根据本发明的方法步骤。在此,计算单元必须相应地具有前提条件,例如对应的***内存、对应的显卡或者对应的逻辑单元,从而能够有效地执行相应的方法步骤。例如将该计算机程序产品存储在计算机可读介质上或者网络或服务器上,可以将该计算机程序产品从网络或服务器加载到本地计算单元的处理器中,处理器可以直接连接在一起或者构造为一部分。此外,可以将该计算机程序产品的控制信息存储在电子可读数据载体上。电子可读数据载体的控制信息可以被设计为,其在使用数据载体时在计算单元中执行根据本发明的方法。因此,计算机程序产品也可以是电子可读数据载体。电子可读数据载体的示例是存储有电子可读的控制信息、特别是软件(参照上面)的DVD、磁带、硬盘或者USB棒。当将这些控制信息(软件)从数据载体中读出并且存储到控制器和/或计算单元中时,能够执行前面描述的方法的所有根据本发明的实施方式。因此,本发明还可以涉及所述计算机可读介质和/或所述电子可读数据载体。
根据本发明的计算机程序产品、根据本发明的医学成像设备和根据本发明的计算单元的优点基本上对应于先前详细叙述的根据本发明的方法的优点。在此提到的特征、优点或替换实施方式同样也可以转用于所要求保护的其它主题,反之亦然。换句话说,也可以利用结合方法描述或要求保护的特征来进一步扩展具体的对象。方法的对应功能性特征在此通过对应的具体的模块、特别是通过硬件模块来实施。
附图说明
下面,根据在附图中示出的实施例详细描述和说明本发明。
附图中:
图1示出了具有根据本发明的计算单元的医学成像设备,
图2示出了根据本发明的方法的第一实施方式,
图3示出了根据本发明的方法的第二实施方式,
图4示出了根据本发明的方法的可能的第一应用,
图5示出了根据本发明的方法的可能的第二应用,
图6示出了根据本发明的方法的可能的第三应用,以及
图7示出了根据本发明的方法的可能的第四应用。
具体实施方式
图1示出了具有根据本发明的计算单元27的医学成像设备11。
医学成像设备11例如可以是磁共振设备、单光子发射断层成像设备(SPECT-)、正电子发射断层成像设备(PET-)、计算机断层成像设备、超声波设备、X射线设备或C形臂设备。在此,包括由多个提到的成像模态的任意组合的组合的医学成像设备11也是可能的。
在所示出的情况下,医学成像设备11示例性地构造为磁共振设备11。
磁共振设备11包括由磁体单元13形成的检测器单元,检测器单元具有用于产生强的、特别是恒定的主磁场18的主磁体17。此外,磁共振设备11具有用于容纳患者15的圆柱形的患者容纳区域14,其中,患者容纳区域14在圆周方向上被磁体单元13圆柱形地包围。可以借助磁共振设备11的患者支承装置16将患者15移入患者容纳区域14中。患者支承装置16为此具有可移动地布置在磁共振设备11内部的患者台。磁体单元13借助磁共振设备的壳体外罩31向外屏蔽。
此外,磁体单元13具有用于产生磁场梯度的梯度线圈单元19,磁场梯度用于在成像期间进行位置编码。梯度线圈单元19借助梯度控制单元28控制。磁体单元13还包括:高频天线单元20,其在所示出的情况下构造为固定地集成在磁共振设备11中的身体线圈;以及高频天线控制单元29,用于激励在由主磁体17产生的主磁场18中产生的极化。高频天线单元20由高频天线控制单元29控制,并且向基本上由患者容纳区域14形成的检查空间中入射高频磁共振序列。高频天线单元20还构造为用于特别是从患者15接收磁共振信号。
为了控制主磁体17、梯度控制单元28和高频天线控制单元29,磁共振设备11具有控制单元24。控制单元24对磁共振设备11进行中央控制,例如执行预先确定的成像梯度回波序列。可以在磁共振设备11的提供单元25上、在该情况下在显示单元25上向使用者提供例如成像参数的控制信息以及重建的磁共振图像。此外,磁共振设备11具有输入单元26,借助其可以在测量过程期间由使用者输入信息和/或参数。控制单元24可以包括梯度控制单元28和/或高频天线控制单元29和/或显示单元25和/或输入单元26。
此外,磁共振设备11包括拍摄单元32。拍摄单元32在该情况下由磁体单元13与高频天线控制单元29和梯度控制单元28一起构成。
这样的磁共振设备11当然可以包括磁共振设备11通常具有的其它部件。此外,磁共振设备11的一般工作方式对于本领域技术人员是已知的,因此省略对其它部件的详细描述。
所示出的磁共振设备11包括计算单元27,计算单元27包括第一采集单元33、第二采集单元34、分割单元35和提供单元36。这样,计算单元27被构造为用于执行根据图2至图3的方法。
为了单独执行根据本发明的方法,计算单元27有利地借助第二采集单元34从数据库加载医学图像数据。当根据本发明的方法以组合的方式由磁共振设备11和计算单元27执行时,计算单元27的第二采集单元34将采集特别是借助磁共振设备11的拍摄单元32拍摄的医学图像数据。为此,计算单元27、特别是第二采集单元34有利地与磁共振设备11的控制单元24连接,以进行数据交换。当根据本发明的方法以组合的方式由磁共振设备11和计算单元27执行时,可以在磁共振设备11的提供单元25上提供由计算单元27分割的分割的器官结构。
图2示出了根据本发明的用于在医学图像数据中分割检查对象15的器官结构的方法的第一实施方式的流程图。
在第一方法步骤40中,采集表征器官结构的形态变异的检查对象15的基因数据。在此,形态变异可能涉及器官结构的以下形态特征中的至少一个:
-器官结构的大小,
-器官结构的形状,
-器官结构的体积,
-器官结构在检查对象的身体中的定位。
在另一个方法步骤41中,采集检查对象15的医学图像数据。
在另一个方法步骤42中,借助分割算法在医学图像数据中分割器官结构,其中,除了医学图像数据之外,还将基因数据作为输入参数引入分割算法中,并且其中,在分割器官结构时,分割算法考虑器官结构的形态变异。
在另一个方法步骤43中,提供分割的器官结构。
图3示出了根据本发明的用于在医学图像数据中分割检查对象15的器官结构的方法的第二实施方式的流程图。
下面的描述主要局限于与图2中的实施例的不同之处,其中,关于保持相同的方法步骤,参见对图2中的实施例的描述。基本上保持相同的方法步骤原则上用相同的附图标记表示。
在图3中示出的根据本发明的方法的实施方式主要包括根据图2的根据本发明的方法的第一实施方式的方法步骤40、41、42、43。在图3中示出的根据本发明的方法的实施方式附加地包括附加的方法步骤和子步骤。也可以想到仅具有在图3中示出的附加的方法步骤和/或子步骤中的一部分的图3的替换方法流程。图3的替换方法流程当然也可以具有附加的方法步骤和/或子步骤。
在另一个方法步骤44中,根据图3,首先确定要在医学图像数据中分割什么器官结构类型。随后,第一方法步骤40在第一子步骤40-1中包括检查在检查对象的基因数据中是否存在导致器官结构的形态变异的基因变异。检查根据所确定的器官结构类型进行。随后,可以将检查结果作为输入参数引入分割算法中,并且分割算法可以在另一个方法步骤42中分割器官结构时考虑该检查结果。
在第一方法步骤40的第二子步骤40-2中,采集基因数据包括采集形态变异在何种程度上改变器官结构的形态的信息。又可以将该信息作为输入参数引入分割算法中,并且分割算法可以在另一个方法步骤42中分割器官结构时考虑该信息。当然,第一方法步骤40的第一子步骤40-1和第二子步骤40-2也可以彼此分离地使用。
在另一个方法步骤45中,采集检查对象的另外的特定于患者的特征,其中,除了医学图像数据和基因数据之外,还将所述另外的特定于患者的特征引入分割算法中,并且所述另外的特定于患者的特征包括如下列表中的至少一个特征:
-检查对象的年龄,
-检查对象的性别,
-检查对象的身高,
-检查对象的体重。
在图2至图3中示出的根据本发明的方法的方法步骤由计算单元执行。为此,计算单元包括所需的软件和/或计算机程序,其存储在计算单元的存储单元中。软件和/或计算机程序包括程序装置,其设计为,当在计算单元中借助计算单元的处理器单元运行计算机程序和/或软件时执行根据本发明的方法。
在图4至图7的实施例中描述了如何能够在分割器官结构时特别合适地考虑基因数据的不同的可能性。在图4至图7中示出的根据本发明的方法的实施方式主要包括根据图2的根据本发明的方法的第一实施方式的方法步骤40、41、42、43。应当指出,图4至图7仅仅是用于说明根据本发明的方法的具体示例。当然可以想到例如基于其它基因变异或者用于分割其它器官结构的根据本发明的方法的其它应用。
图4示出了根据本发明的方法的可能的第一应用。
脑部结构的分割尤其在用于诊断或早期发现退行性脑部疾病的脑部结构测量(脑形态测量)领域具有很高的价值。这样,在图4中示出的情况下,要分割脑部结构。另一个方法步骤41为此包括子步骤41-1,其中,采集检查对象的脑部的医学图像数据,特别是借助磁共振设备获取的磁共振图像数据。此外,分割算法要在使用具有至少一个图集器官结构的图集的情况下使用基于图集的分割。
在图4中示出的情况下,第一方法步骤40包括子步骤40-3,其中,采集特定于脑部结构的形态变异的基因数据。从多篇文章中示例性地已知脑部结构的形态和特定基因数据之间的紧密关系:
-Stein等描述了基因间变异rs7294919的存在导致海马区的体积比人口中位数增加10%(Stein等,Identification of common variants associated with humanhippocampal and intracranial volumes,Nat Genet.,2012,44(5):552–561)。
-最近在Hibar等的文章中发表了皮质下脑结构(海马区,壳核,尾状核,颅内体积)与不同的遗传变异之间的关系(Hibar等,Common genetic variants influence humansubcortical brain structures,Nature,2015,520(7546):224-229)。
-在Thompson等的研究中证实了遗传特性对不同的脑部区域的大小的一般影响(Thompson等,Genetic influences on brain structure,Nat Neurosci,2001,4(12):1253-1258)。
这样,子步骤40-3包括检查在基因数据中是否存在导致检查对象的脑部结构的形态变异的基因变异。如果不是这种情况,则可以在另一个方法步骤42中像通常一样对脑部结构执行基于图集的分割。否则,可以将基于图集的分割适当地与脑部结构的形态变异调谐。
为此,另一个方法步骤42包括子步骤42-1,其中,根据由基因数据表征的形态变异的存在,对图集器官结构进行变形。特别是相对于包含在图集中的其它结构调整图集器官结构的形态、例如其大小和/或其体积。如果例如要分割海马区,并且在检查对象中确定了由Stein等描述的基因间变异rs7294919,则可以在分割中使用之前,将图集海马区结构放大10%。这样调整后的图集现在可以特别合适地考虑海马区相对于人口中位数的增大,由此在分割海马区时可以产生特别准确的结果。例如通过在医学图像数据中将海马区的大小匹配于海马区的真实大小,可以简化图集与医学图像数据的配准。
替换地,也可以想到如下方法:在子步骤42-1中,根据由基因数据表征的形态变异的存在,从图集的集合中选择对于分割所使用的图集。随后,仍然可以对图集器官结构进行变形。
另一个方法步骤43包括子步骤43-1,其中,提供分割的脑部结构。例如,可以想到在以颜色编码的方式示出分割的脑部结构的情况下,显示检查对象的脑部。替换地或者附加地,可以想到测量分割的脑部结构,其中,测量结果可以以报告的形式输出。
图5示出了根据本发明的方法的可能的第二应用。
在图5中示出的情况下,要分割检查对象的***。为此,另一个方法步骤41包括子步骤41-2,其中,采集检查对象的***的医学图像数据、特别是磁共振图像数据。此外,分割算法要使用针对器官结构的分割经过训练的人工神经网络。
Descazeaud等证明患者的基因表达签名与***的体积紧密相关。例如已经发现,在存在较大的***的情况下,基因TEMFF2也被调节为较高(Descazeaud等,BPH geneexpression profile associated to prostate gland volume,Diagn Mol Pathol,2008,17(4):207-213)。
这样,在图5中示出的情况下,第一方法步骤40包括子步骤40-4,其中,采集特定于***的形态变异的基因数据。这样,在图5的子步骤40-4中,检查基因TEMFF2的调节。如果识别出该基因的常见的调节,则可以在另一个方法步骤42中,像通常一样进行分割。在该基因的调节增大的情况下,可以将对***的分割适当地与***的预期增大的大小调谐。
为此,另一个方法步骤42包括子步骤42-2,其根据由基因数据表征的形态变异的存在,改变对于分割所使用的人工神经网络。基因TEMFF2的高度调节的程度可以直接作为***的预期大小的标志引入借助人工神经网络的分割中。在存在该基因的提高的调节的情况下,可以调整人工神经网络,使得其特别适合用于分割特别是大的***腺体。
还可以想到,根据由基因数据表征的形态变异的存在,选择对于分割所使用的人工神经网络。在这种情况下,为了分割器官结构,提供第一人工神经网络和第二人工神经网络,其中,第一人工神经网络借助具有基因变异的第一训练组进行了训练,并且第二人工神经网络借助没有基因变异的第二训练组进行了训练,其中,根据检查结果,使用第一人工神经网络或者第二人工神经网络来分割器官结构。
在当前情况下,第一训练组可以具有比第一训练组更高的基因TEMFF2的调节。这样,第一人工神经网络特别适合用于分割比第二人工神经网络大的***腺体。
最后,还可以想到如下应用情况:首先例如借助人工神经网络对***进行粗分割。然后,可以借助合适的边界条件细化该粗分割。基因数据对***的预期大小的影响可以在粗分割中和/或在细分割中作为附加的输入信息使用,或者在细化分割时作为附加的边界条件。
另一个方法步骤43包括子步骤43-2,其中,提供分割的***。也可以作为对于***增生的存在的度量,来计算分割的***的体积。
图6示出了根据本发明的方法的可能的第三应用。
在一些应用情况下(例如在基于图像的患者监控中或者作为后续对医学图像数据的后处理的基础),可能有意义的是,对检查对象的整个身体体积进行分割。这样,在图6中示出的情况下,要对检查对象的整个身体体积进行分割。另一个方法步骤41为此包括子步骤41-3,其中,采集检查对象的整个身体或者轴向身体部分的医学图像数据。分割算法要在使用身体模型的情况下使用基于模型的分割。
Heid等证明腰臀比(腰围和臀围之间的比)与不同的遗传变异紧密相关(Heid等,Meta-analysis identifies 13new loci associated with waist-hip ratio andreveals sexual dimorphism in the genetic basis of fat distribution,Nat Genet,2010,42(11):949-960)。在图6中示出的情况下,第一方法步骤40包括子步骤40-5,其中,采集特定于腰臀比的形态变异的基因数据。
与此对应,在另一个方法步骤42的子步骤42-3中,除了患者的身高和体重之外,与腰臀比相关联的遗传变异也可以是对于整个身体体积的分割有意义的输入参数。例如,可以根据通过遗传变异预测的腰臀比来选择适合用于身体分割的模型和/或以合适的方式调整已经存在的模型。如果检查得出检查对象具有正常的腰臀比,因为其未受遗传变异影响,则可以像通常一样执行身体分割。
另一个方法步骤43包括子步骤43-3,其中,提供检查对象的分割的身体体积,特别是用于进行进一步处理。
图7示出了根据本发明的方法的可能的第四应用。
在分割心脏或者心脏结构时或者在识别心脏中的界标时(例如用于随后的自动测量规划),心脏的一般大小可以是对于分割有意义的输入参数或边界条件。这样,在图7中示出的情况下,要分割检查对象的心脏结构、即左心室。另一个方法步骤41为此包括子步骤41-4,其中,采集检查对象的心脏的医学图像数据。此外,分割算法要在使用边界条件的情况下使用区域生长方法来分割左心室。替换地,也可以想到使用随机行走方法。
如果心脏特别地是扩张的(例如在扩张型心肌病的情况下),则传统的分割算法可能不再起作用。患者的基因信息可能指出这种扩张,如例如在Lakdawala等的文章中所描述的(Lakdawala等,Genetic Testing for Dilated Cardiomyopathy in ClinicalPractice,J Card Fail,2012,18(4):296-303)。这样,在图7中示出的情况下,第一方法步骤40包括子步骤40-6,其中,采集特定于心脏的扩张的基因数据。这样,子步骤40-6包括检查在基因数据中是否存在导致心脏扩张的基因变异。如果不是这种情况下,则可以在另一个方法步骤42中,像通常一样执行分割。否则,可以将心脏结构的分割合适地与心脏的扩张调谐。
为此,另一个方法步骤42包括子步骤42-4,其中,将左心室的分割合适地与心脏的扩张调谐。区域生长方法(或者替换地随机行走方法)的边界条件在此根据由基因数据表征的心脏的扩张来确定。这样,对于预期的心脏强烈扩张,可以更高地选择描述左心室的最大大小的边界条件。
另一个方法步骤43包括子步骤43-4,其中,提供分割的心脏结构。例如,在心脏的图示中以强调的方式示出左心室。
虽然通过优选实施例进一步详细示出并描述了本发明,但是本发明不限于所公开的示例,本领域技术人员可以得出其它变形,而不脱离本发明的保护范围。
Claims (15)
1.一种用于在医学图像数据中分割检查对象的器官结构的方法,包括以下方法步骤:
-采集表征器官结构的形态变异的检查对象的基因数据,
-采集检查对象的医学图像数据,
-借助分割算法在医学图像数据中分割器官结构,其中,除了医学图像数据之外,还将基因数据作为输入参数引入分割算法中,并且其中,在分割器官结构时,分割算法考虑器官结构的形态变异,
-提供分割的器官结构。
2.根据权利要求1所述的方法,其中,所述形态变异涉及器官结构的以下形态特征中的至少一个:
-器官结构的大小,
-器官结构的形状,
-器官结构的体积,
-器官结构在检查对象的身体中的定位。
3.根据上述权利要求中任一项所述的方法,其中,采集基因数据包括检查在检查对象的基因数据中是否存在导致器官结构的形态变异的基因变异,其中,将检查结果作为输入参数引入分割算法中,并且分割算法在分割器官结构时考虑检查结果。
4.根据权利要求3所述的方法,其中,在另一个方法步骤中,首先确定要在医学图像数据中分割什么器官结构类型,并且其中,根据所确定的器官结构类型进行所述检查。
5.根据上述权利要求中任一项所述的方法,其中,采集基因数据包括采集形态变异在何种程度上改变器官结构的形态的信息,其中,将所述信息作为输入参数引入分割算法中,并且分割算法在分割器官结构时考虑所述信息。
6.根据上述权利要求中任一项所述的方法,其中,所述分割算法在使用图集的情况下使用基于图集的分割,其中,根据由基因数据表征的形态变异的存在从图集的集合中选择对于分割所使用的图集。
7.根据上述权利要求中任一项所述的方法,其中,所述分割算法在使用图集的情况下使用基于图集的分割,其中,图集具有至少一个图集器官结构,并且根据由基因数据表征的形态变异的存在对图集器官结构进行变形。
8.根据权利要求1至5中任一项所述的方法,其中,所述分割算法在使用针对器官结构的分割的边界条件的情况下使用区域生长方法或者随机行走方法,其中,所述边界条件根据由基因数据表征的形态变异来确定。
9.根据权利要求1至5中任一项所述的方法,其中,所述分割算法使用针对器官结构的分割经过训练的人工神经网络,其中,根据由基因数据表征的形态变异的存在来选择和/或改变对于分割所使用的人工神经网络。
10.根据权利要求3和9所述的方法,其中,为了分割器官结构,提供第一人工神经网络和第二人工神经网络,其中,第一人工神经网络借助具有基因变异的第一训练组进行了训练,并且第二人工神经网络借助没有基因变异的第二训练组进行了训练,其中,根据检查结果,使用第一人工神经网络或者第二人工神经网络来分割器官结构。
11.根据上述权利要求中任一项所述的方法,其中,采集检查对象的另外的特定于患者的特征,其中,除了医学图像数据和基因数据之外,还将所述另外的特定于患者的特征引入分割算法中,并且所述另外的特定于患者的特征包括如下列表中的至少一个特征:
-检查对象的年龄,
-检查对象的性别,
-检查对象的身高,
-检查对象的体重。
12.根据上述权利要求中任一项所述的方法,其中,要分割的器官结构是以下器官结构中的一个:
-检查对象的脑部结构,
-检查对象的***,
-检查对象的心脏结构。
13.一种计算单元,包括至少一个计算模块,其中,所述计算单元被构造为用于执行根据上述权利要求中任一项所述的方法。
14.一种医学成像设备,包括根据权利要求13所述的计算单元。
15.一种计算机程序产品,其能够直接加载到可编程的计算单元的存储器中,具有程序代码部件,用于当在计算单元中执行计算机程序产品时执行根据权利要求1-12中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17188583.3 | 2017-08-30 | ||
EP17188583.3A EP3451286B1 (de) | 2017-08-30 | 2017-08-30 | Verfahren zum segmentieren einer organstruktur eines untersuchungsobjekts in medizinischen bilddaten |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109427417A true CN109427417A (zh) | 2019-03-05 |
Family
ID=59858514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811000479.3A Pending CN109427417A (zh) | 2017-08-30 | 2018-08-30 | 用于在医学图像数据中分割检查对象的器官结构的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20190066301A1 (zh) |
EP (1) | EP3451286B1 (zh) |
CN (1) | CN109427417A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308845A (zh) * | 2020-11-03 | 2021-02-02 | 赛诺威盛科技(北京)有限公司 | 左心室分割方法、装置及电子设备 |
WO2024119323A1 (zh) * | 2022-12-05 | 2024-06-13 | 深圳华大生命科学研究院 | 样本图像的组织分割方法、***、设备及介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561917A (zh) * | 2020-12-22 | 2021-03-26 | 上海联影智能医疗科技有限公司 | 图像的分段方法、***、电子设备及可读存储介质 |
CN114648525B (zh) * | 2022-05-10 | 2022-08-23 | 深圳市一图智能科技有限公司 | 基于流域分析的器官分段方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103536360A (zh) * | 2012-07-09 | 2014-01-29 | 西门子公司 | 由医学图像数据组提取数据组的方法及医学图像拍摄装置 |
US8693788B2 (en) * | 2010-08-06 | 2014-04-08 | Mela Sciences, Inc. | Assessing features for classification |
CN104537682A (zh) * | 2015-01-26 | 2015-04-22 | 四川众亿得科技有限责任公司 | 一种医学影像的分割与调度方法 |
CN104798105A (zh) * | 2012-11-20 | 2015-07-22 | 皇家飞利浦有限公司 | 采用图像纹理特征的集成表型 |
CN105512489A (zh) * | 2015-12-10 | 2016-04-20 | 哈尔滨工业大学 | 一种基于多尺度心脏Thimthy综合症发病机制的建模方法 |
US20160188836A1 (en) * | 2014-12-30 | 2016-06-30 | Covidien Lp | System and method for cytopathological and genetic data based treatment protocol identification and tracking |
US20160292859A1 (en) * | 2015-03-31 | 2016-10-06 | Cortechs Labs, Inc. | Covariate modulate atlas |
GB2539246A (en) * | 2015-06-11 | 2016-12-14 | Mirada Medical Ltd | Method and apparatus for selecting a subset of atlases from a set of candidate atlases |
CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与*** |
US20170132491A1 (en) * | 2015-11-06 | 2017-05-11 | Siemens Healthcare Gmbh | Method, computer and imaging apparatus for evaluating medical image data of an examination subject |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6897875B2 (en) * | 2002-01-24 | 2005-05-24 | The Board Of The University Of Nebraska | Methods and system for analysis and visualization of multidimensional data |
US8170330B2 (en) | 2007-10-30 | 2012-05-01 | Siemens Aktiengesellschaft | Machine learning for tissue labeling segmentation |
US8837771B2 (en) | 2012-02-28 | 2014-09-16 | Siemens Aktiengesellschaft | Method and system for joint multi-organ segmentation in medical image data using local and global context |
US9367924B2 (en) | 2014-05-06 | 2016-06-14 | Siemens Aktiengesellschaft | Method and system for segmentation of the liver in magnetic resonance images using multi-channel features |
EP3250128B1 (en) * | 2015-01-26 | 2020-10-21 | Spectrum Dynamics Medical Limited | Systems and methods for medical image registration |
DE102015212596B4 (de) | 2015-07-06 | 2017-06-08 | Siemens Healthcare Gmbh | Verfahren zur Segmentierung eines ballonartigen Volumens |
-
2017
- 2017-08-30 EP EP17188583.3A patent/EP3451286B1/de not_active Not-in-force
-
2018
- 2018-08-23 US US16/110,076 patent/US20190066301A1/en not_active Abandoned
- 2018-08-30 CN CN201811000479.3A patent/CN109427417A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8693788B2 (en) * | 2010-08-06 | 2014-04-08 | Mela Sciences, Inc. | Assessing features for classification |
CN103536360A (zh) * | 2012-07-09 | 2014-01-29 | 西门子公司 | 由医学图像数据组提取数据组的方法及医学图像拍摄装置 |
CN104798105A (zh) * | 2012-11-20 | 2015-07-22 | 皇家飞利浦有限公司 | 采用图像纹理特征的集成表型 |
US20160188836A1 (en) * | 2014-12-30 | 2016-06-30 | Covidien Lp | System and method for cytopathological and genetic data based treatment protocol identification and tracking |
CN104537682A (zh) * | 2015-01-26 | 2015-04-22 | 四川众亿得科技有限责任公司 | 一种医学影像的分割与调度方法 |
US20160292859A1 (en) * | 2015-03-31 | 2016-10-06 | Cortechs Labs, Inc. | Covariate modulate atlas |
GB2539246A (en) * | 2015-06-11 | 2016-12-14 | Mirada Medical Ltd | Method and apparatus for selecting a subset of atlases from a set of candidate atlases |
CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
US20170132491A1 (en) * | 2015-11-06 | 2017-05-11 | Siemens Healthcare Gmbh | Method, computer and imaging apparatus for evaluating medical image data of an examination subject |
CN105512489A (zh) * | 2015-12-10 | 2016-04-20 | 哈尔滨工业大学 | 一种基于多尺度心脏Thimthy综合症发病机制的建模方法 |
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与*** |
Non-Patent Citations (1)
Title |
---|
徐德忠: "第三篇 高级篇", 《循证医学入门 临床科研方法与实例评价》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308845A (zh) * | 2020-11-03 | 2021-02-02 | 赛诺威盛科技(北京)有限公司 | 左心室分割方法、装置及电子设备 |
CN112308845B (zh) * | 2020-11-03 | 2021-07-02 | 赛诺威盛科技(北京)股份有限公司 | 左心室分割方法、装置及电子设备 |
WO2024119323A1 (zh) * | 2022-12-05 | 2024-06-13 | 深圳华大生命科学研究院 | 样本图像的组织分割方法、***、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3451286B1 (de) | 2019-08-28 |
US20190066301A1 (en) | 2019-02-28 |
EP3451286A1 (de) | 2019-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2703344C1 (ru) | Формирование псевдо-кт по мр-данным с использованием регрессионной модели на основе признаков | |
Cusumano et al. | Artificial Intelligence in magnetic Resonance guided Radiotherapy: Medical and physical considerations on state of art and future perspectives | |
JP6903518B2 (ja) | 脳活動解析システム、脳活動解析装置、及び脳活動解析プログラム | |
US9424644B2 (en) | Methods and systems for evaluating bone lesions | |
CN109427417A (zh) | 用于在医学图像数据中分割检查对象的器官结构的方法 | |
CN102652317B (zh) | 用于连续存储以及联合分析图像和非图像医学数据的诊断技术 | |
WO2018119766A1 (zh) | 多模态图像处理***及方法 | |
Gore et al. | Comparative study of various techniques using deep Learning for brain tumor detection | |
CN106880900B (zh) | 用于自动确定造影剂注射方案的方法 | |
US11151722B2 (en) | System and method for estimating synthetic quantitative health values from medical images | |
US20180344161A1 (en) | Medical instrument for analysis of white matter brain lesions | |
US11510587B2 (en) | Left ventricle segmentation in contrast-enhanced cine MRI datasets | |
CN107913470A (zh) | 用于支持患者的辐照规划的方法 | |
Rajasekaran et al. | Advanced brain tumour segmentation from mri images | |
CN109924978A (zh) | 借助医学图像数据组表征检查对象内的干扰物体 | |
EP2689344B1 (en) | Knowledge-based automatic image segmentation | |
EP3813940A1 (en) | Systems and methods for accelerated online adaptive radiation therapy | |
EP3836157A1 (en) | Method for obtaining disease-related clinical information | |
Wang et al. | Deep learning based fully automatic segmentation of the left ventricular endocardium and epicardium from cardiac cine MRI | |
WO2020110519A1 (ja) | 類似度決定装置、方法およびプログラム | |
US20140228667A1 (en) | Determining lesions in image data of an examination object | |
EP3798661B1 (en) | Mri method to determine a susceptibility distribution of an examination subject | |
EP3660736B1 (en) | Image analysis for evaluating the effect of a drug | |
CN107462851A (zh) | 肝组织的自动特征化 | |
Saenz-Gamboa et al. | Automatic semantic segmentation of structural elements related to the spinal cord in the lumbar region by using convolutional neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190305 |
|
WD01 | Invention patent application deemed withdrawn after publication |