CN109964249A - 用于对身体部分的自适应轮廓勾画的装置 - Google Patents
用于对身体部分的自适应轮廓勾画的装置 Download PDFInfo
- Publication number
- CN109964249A CN109964249A CN201780070890.5A CN201780070890A CN109964249A CN 109964249 A CN109964249 A CN 109964249A CN 201780070890 A CN201780070890 A CN 201780070890A CN 109964249 A CN109964249 A CN 109964249A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- model
- body part
- data
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 209
- 230000004048 modification Effects 0.000 claims abstract description 74
- 238000012986 modification Methods 0.000 claims abstract description 74
- 230000004044 response Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 18
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 description 21
- 238000001959 radiotherapy Methods 0.000 description 13
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 210000002216 heart Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002307 prostate Anatomy 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T7/174—Segmentation; Edge detection involving the use of two or more 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Radiation-Therapy Devices (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于对身体部分的自适应轮廓勾画的装置。描述了提供(210)至少一幅图像;其中,所述至少一幅图像包括包含身体部分的图像数据的第一图像。确定(220)对所述第一图像中的所述身体部分的图像数据的初始的自动的基于模型的分割。响应于对所述初始的自动的基于模型的分割的修改而确定(230)所述身体部分的最终分割数据。能够在所述初始的自动的基于模型的分割和所述最终分割数据的基础上应用(240)更新的基于模型的分割。
Description
技术领域
本发明涉及用于对身体部分的自适应轮廓勾画的装置、用于对身体部分的自适应轮廓勾画的***,并且涉及用于对身体部分的自适应轮廓勾画的方法,以及涉及计算机程序单元和计算机可读介质。
背景技术
当提供器官的自动分割时,用户有时希望修改分割结果。例如,在放射治疗处置规划(RTP)中,规划目标体积(PTV)的分割通常通过在实际的处置规划被执行之前被用户修改(例如由于疾病的可疑的亚临床扩散)。这样的修改可以包括分割结果的全局扩张以包括PTV周围的安全裕量、或如当前用户所希望的任何其他局部修改。然而,在针对相同患者或不同患者的下一个规划过程中,用户需要再次手动地修改重复的自动分割结果,这使工作流乏味且低效。
US2012/087561A1描述了一种用于识别图像的时间序列内的感兴趣区域的方法包括采集包括多个图像帧的图像的时间序列。图像分割被执行以从图像的时间序列的多个图像帧中的每个内分割感兴趣区域(ROI)。接收针对多个图像帧中的一个或多个内的ROI的手动编辑。手动编辑被传播到多幅图像的其他图像帧。手动编辑中的每个被传播到其他图像帧的程度取决于用来传播手动编辑的变换函数或变形场和受其他图像帧与已经被手动编辑的帧之间的时间距离影响的加权因子。
US2008/100612A1描述了一种用于有效地向用户提供相关图像显示的OCT成像***用户接口。这些显示在图像采集期间用来对齐患者并且核实采集图像质量。在图像分析期间,这些显示指示显示的数据图像之间的位置关系,自动显示可疑分析,自动显示诊断数据,同时显示来自多次就诊的类似数据,改善对存档数据的访问,并且提供针对相关信息的有效数据呈现的其他改善。
WO2012/069965A1描述了一种辐射治疗规划***包括规划模块,所述规划模块从诊断成像装置接收第一规划图像集,并且使用自动分割工具或手动分割工具和辐射治疗规划***来生成第一辐射治疗计划。在第一辐射治疗计划已经针对一个或多个治疗过程被应用之后,第二规划图像集被生成。规划模块使用可变形图像配准算法来对规划图像集进行配准,并且生成对应的变形图,所述对应的变形图被应用于所分割的第一规划图像集的所分割的感兴趣对象(OOI)以将感兴趣对象传播到第二规划图像集上。变形图在以下两个步骤中根据传播的与实际的OOI位置之间的偏差来进行校正:1)传播的OOI的手动或自动校正被执行,诸如感兴趣区域轮廓校正和/或感兴趣标志点位置;2)校正的全局变形图根据这些局部OOI校正来生成。校正的变形图被应用于第一辐射治疗计划和描绘在利用第一辐射治疗计划实施的(一个或多个)治疗过程期间累积在每个OOI中的辐射的累积辐射图。
发明内容
具有用于自动分割身体部分的改善的技术将会是有利的。
本发明的目的通过独立权利要求的主题得以解决,其中,进一步的实施例被并入从属权利要求中。应当注意,本发明的以下描述的方面也适于用于对身体部分进行自适应轮廓勾画的装置、用于对身体部分进行自适应轮廓勾画的***、用于对身体部分进行自适应轮廓勾画的方法,并且适于计算机程序单元和计算机可读介质。
在第一方面中,提供了一种用于对身体部分的自适应轮廓勾画的装置,包括:
-输入单元;以及
-处理单元。
所述输入单元被配置为向所述处理单元提供至少一幅图像。所述至少一幅图像包括包含身体部分的图像数据的第一图像。所述处理单元被配置为确定对所述第一图像中的所述身体部分的图像数据的初始的自动的基于模型的分割。响应于对所述初始的自动的基于模型的分割的修改,所述处理单元被配置为确定所述身体部分的最终分割数据。所述处理单元被配置为在所述初始的自动的基于模型的分割和所述最终分割数据的基础上应用更新的自动的基于模型的分割。
换言之,基于模型的分割(MBS)用来勾画(一幅或多幅)医学图像中的器官。分割可以是身体部分(诸如心脏、肝脏、肾脏等)的表面表示。自动生成的分割然后例如通过用户(诸如外科医生)将分割表面的多个部分移动到新位置来进行修改。该装置于是稍后能够在修改的分割的基础上重新生成修改的分割。因此,例如对于其中规划目标体积(PTV)被使用的放射治疗处置规划(RTP),外科医生可能希望应用覆盖与在正常分割过程中勾画的体积稍微不同的体积的RTP。外科医生的特定要求被存储,并且然后能够在未来被自动重新应用于相同患者,而无需外科医生再次重新修改PTV,并且实际上外科医生能够再次将这样的修改的PTV应用于其他患者而无需修改PTV。
换言之,用户的修改能够作为与自动分割的偏差被记住,并且那些偏差(即,表面距离)被添加到自动分割以便自动考虑初始的修改。因此,那些偏差(即,表面偏差)被包含到自动分割中(例如被添加到自动分割)。
以此方式,对自动生成的网格的修改(诸如用户修改)被使用,因为这些修改以一致的方式作为网格变形被包含用于下一个规划放射治疗(RT)过程或用于下一个患者。这节省了时间,并且显著改善了临床工作流。
因此,包括可再现的用户特异性修改的器官分割能够被递送,即一个特定用户的所有修改都能够用来根据该用户的“品味”导出“典型”的平均修改。而且,包括患者特异性修改的器官分割能够被递送,即特定患者所需的修改能够被记住以自动允许该特定患者的一致的且可再现的进一步分割结果(包括其患者特异性修改)。
在一范例中,对所述初始的自动的基于模型的分割的修改得到修正的基于模型的分割,并且其中所述处理单元被配置为在所述修正的基于模型的分割的基础上确定最终分割数据。
换言之,对第一分割的修改得到第二分割。例如,器官的三维表面轮廓能够被用户以一定方式修改,例如通过在器官周围的一些区域中拉动表面远离其原始位置。以此方式,外科医生可能希望例如RT被应用于比通过原始分割勾画的区域更远离器官延伸的区域。第一分割以特定数据为特征,并且第二(修改的)分割以特定数据为特征,并且这些数据能够用来使得该装置能够自动生成第二(修改的)分割。
在一范例中,对最终分割数据的确定包括对初始的自动的基于模型的分割与修正的基于模型的分割之间的至少一个偏差的确定。
在一范例中,对最终分割数据的确定包括对初始的自动的基于模型的分割与修正的基于模型的分割之间的至少一个距离的确定。
因此,网格之间的偏差能够作为距离被记住或被存储,然而这样的偏差可以作为与整个网格的全局偏差相关的一个缩放因子或多个缩放因子或与网格的多个分段的局部偏差相关的特定缩放因子被记住或被存储。
以此方式,例如第一分割与第二分割之间的简单的距离度量能够在自动确定考虑用户修改的新分割中被使用。
在一范例中,所述初始的自动的基于模型的分割包括至少两个区域段,所述至少两个区域段包括共享一个共同边界的第一区域段和第二区域段。所述修正的基于模型的分割包括与所述初始的自动的基于模型的分割的所述至少两个区域段相关联的至少两个区域段。所述修正的基于模型的分割的所述至少两个区域段包括共享一个共同边界的第一区域段和第二区域段。所确定的至少一个偏差包括从所述初始的自动的基于模型的分割上的所述第一区域段和所述第二区域段与所述修正的基于模型的分割上的所述第一区域段和所述第二区域段之间的边界延伸的至少一个距离。
以此方式,通过考虑分割表面的区域部分之间的边界,考虑用户修改的新的更新的分割能够被自动生成,并且其中更新的分割将不会具有交叠的分割表面。这是因为通过考虑分割表面的区域部分之间的边界,表面的连续性被实现,使得分割不交叠。换言之,通过考虑区域段之间的边界,区域段能够被强行在该边界处被接合。然后,当该边界被移动时,区域段在该边界处维持其接合,并且以此方式,区域段不会由于移动而交叠。
在一范例中,所述处理单元被配置为将所述最终分割数据确定为得到所述修正的基于模型的分割的基于模型的分割参数。
换言之,用户修改分割表面以提供新分割表面。处理单元然后通过能量最小化例程(诸如蒙特卡洛例程)对分割参数进行迭代,直到其能够重新创建修改的分割表面。
在一范例中,对所述初始的自动的基于模型的分割的所述修改包括与所述初始的自动的基于模型的分割的至少一个偏差,并且其中所述最终分割数据是在与所述初始的基于模型的分割的所述至少一个偏差的基础上确定的。
换言之,用户可以正好将与原始分割表面的一个或多个偏差指示为“修改”。然后在偏差的基础上使得处理单元能够自动生成考虑外科医生的修改的对器官的新的分割。
在一范例中,所述至少一个偏差包括至少一个距离。
以此方式,用户能够输入修改,如例如与分割表面的距离。
在一范例中,所述至少一幅图像包括包含所述身体部分的图像数据的第二图像,并且其中所述处理单元被配置为在所述更新的基于模型的分割的基础上确定所述第二图像中的所述身体部分的分割。
因此,所述装置能够应用所获悉的考虑用户“品味”或要求的新的分割,并且将这样的分割应用到身体部分的新的图像数据。
在一范例中,所述第二图像是针对与针对所述第一图像相同的患者的。
换言之,以此方式,所述装置节省了对患者的处置的时间,其中对身体部分(诸如器官)的分割的初始用户修改能够被自动传播以影响稍后的分割,因此提供了更有效的RTP。
在一范例中,所述第二图像是针对与针对所述第一图像不同的患者的。
因此,例如关于特定器官应当如何被处置的外科医生的一般化要求能够用于所有患者而不要求针对不同的患者从起点修改分割数据。外科医生可以利用从不同患者发展的更新的(修改的)分割,但是任何额外的修改将会少于如果从零开始所需的修改。
在第二方面中,提供了一种用于对身体部分的自适应轮廓勾画的***,包括:
-图像采集单元;
-根据第一方面的用于对身体部分的自适应轮廓勾画的装置;以及
-输出单元。
所述图像采集单元被配置为采集包括所述身体部分的图像数据的图像,并且所述图像采集单元被配置为向所述输入单元提供所述图像。所述处理单元被配置为通过应用所述更新的基于模型的分割来确定对所述身体部分的所述图像数据的分割。所述输出单元被配置为输出表示所述更新的基于模型的分割的数据。
以此方式,RTP中的用户的一般“品味”或患者特异性修改、以及早前的校正性修改能够被自动包含回到分割流水线中。因此,外科医生“品味”能够被存储并且被重新应用于分割,例如外科医生可能希望针对所有患者在***周围具有到处(或在***的特定部分内)被扩张5mm的扩大的包络,并且外科医生的这样的品味能够针对所有患者自动地被重新应用于分割。而且,并且类似地对于特定患者,外科医生可能希望具有针对该特定患者的定制的修改,并且对分割的这种修改能够被存储并且被重新应用于该患者。换言之,根据先前的影像和用户修改确定的更新的基于模型的分割能够用来提供考虑用户要求的对身体部分(诸如器官)的自动更新的分割。以此方式,自动提供通常将会必须被用户(诸如外科医生)手动输入的修改的分割被自动提供。因此临床工作流被大大简化,因为仅在训练阶段中需要手动修改或在整个处置过程内每个患者仅需要手动修改一次。未来的分割需要少得多的(如果有的话)用户交互,因为这些修改已经被自动包含。
在第三方面中,提供了一种用于对身体部分的自适应轮廓勾画的方法,包括:
a)提供至少一幅图像;其中,所述至少一幅图像包括包含身体部分的图像数据的第一图像;
b)确定对所述第一图像中的所述身体部分的图像数据的初始的自动的基于模型的分割;
c)响应于对所述初始的自动的基于模型的分割的修改而确定所述身体部分的最终分割数据;以及
d)在所述初始的自动的基于模型的分割和所述最终分割数据的基础上应用更新的基于模型的分割。
在一范例中,对所述初始的自动的基于模型的分割的修改得到修正的基于模型的分割,并且其中在步骤c)中,所述最终分割数据是在所述修正的基于模型的分割的基础上确定的。
根据另一方面,提供了一种控制如先前描述的装置的计算机程序单元,在所述计算机程序单元被处理单元执行时,所述计算机程序单元适于执行如先前描述的方法的步骤。
根据另一方面,提供了一种包括如先前描述的计算机单元的计算机可读介质。
有利地,由以上方面和范例中的任一个提供的益处同样适用于所有其他方面和范例,并且反之亦然。
参考下文描述的实施例,以上方面和范例将会变得显而易见并且得以阐明。
附图说明
示范性实施例将在下文中参考附图来进行描述:
图1示出了用于对身体部分进行自适应轮廓勾画的装置的范例的示意性设置;
图2和图3示出了用于对身体部分进行自适应轮廓勾画的***的范例的示意性设置;
图4示出了用于对身体部分进行自适应轮廓勾画的方法的范例;
图5示出了用于对身体部分进行自适应轮廓勾画的工作流的范例。
具体实施方式
图1示出了用于对身体部分的自适应轮廓勾画的装置10的范例。装置10包括输入单元20和处理单元30。输入单元20被配置为向处理单元30提供至少一幅图像。这经由有线或无线通信来完成。至少一幅图像包括包含身体部分的图像数据的第一图像。处理单元30被配置为确定对第一图像中的身体部分的图像数据的初始的自动的基于模型的分割。响应于对初始的自动的基于模型的分割的修改,处理单元30被配置为确定身体部分的最终分割数据。处理单元30还被配置为在初始的自动的基于模型的分割和最终分割数据的基础上应用更新的自动的基于模型的分割。
在一范例中,输入单元包括被配置为提供至少一幅图像的数据存储或传输单元。换言之,该装置能够以处理先前采集的影像的离线模式进行操作。在一范例中,输入单元能够是或形成图像采集单元的一部分,或从这样的图像采集单元接收影像。
在一范例中,初始的自动的基于模型的分割与对初始的自动的基于模型的分割的修改之间的网格到网格的距离被存储,并且能够在确定稍后修改的分割中被使用(或重新应用)。
根据一范例,对初始的自动的基于模型的分割的修改得到修正的基于模型的分割。处理单元30被配置为在修正的基于模型的分割的基础上确定最终分割数据。
根据一范例,对最终分割数据的确定包括对初始的基于模型的分割与修正的基于模型的分割之间的至少一个偏差的确定。至少一个偏差能够是网格之间的至少一个距离和/或至少一个缩放因子。
根据一范例,初始的自动的基于模型的分割包括至少两个区域段。至少两个区域段包括共享一个共同边界的第一区域段和第二区域段。修正的基于模型的分割包括与初始的自动的基于模型的分割的至少两个区域段相关联的至少两个区域段。修正的基于模型的分割的至少两个区域段包括共享一个共同边界的第一区域段和第二区域段。所确定的至少一个距离从初始的自动的基于模型的分割上的第一区域段和第二区域段与修正的基于模型的分割上的第一区域段和第二区域段之间的边界延伸。
根据一范例,处理单元30被配置为将最终分割数据确定为得到修正的基于模型的分割的基于模型的分割参数。
在一范例中,处理单元被配置为通过能量最小化例程(诸如蒙特卡洛例程)对分割参数进行迭代,直到其能够重新创建修改的分割表面。
根据一范例,对初始的自动的基于模型的分割的修改包括与初始的自动的基于模型的分割的至少一个偏差。最终分割数据是在与初始的自动的基于模型的分割的至少一个偏差的基础上确定的。
根据一范例,至少一个偏差包括至少一个距离。
根据一范例,至少一幅图像包括包含身体部分的图像数据的第二图像。处理单元30被配置为在更新的基于模型的分割的基础上确定对第二图像中的身体部分的分割。
根据一范例,第二图像是针对与针对第一图像相同的患者的。
根据一范例,第二图像是针对与针对第一图像不同的患者的。
图2和图3示出了用于对身体部分的自适应轮廓勾画的***100的范例。***100包括图像采集单元110、以及如关于图1讨论的用于对身体部分的自适应轮廓勾画的装置10。***100还包括输出单元120。***100能够包括患者位于其上的台130,所述台能够移动到图像采集单元110中。装置10的多个部分能够被容纳在图像采集单元110中,并且/或者装置10的多个部分能够被容纳在输出单元120中。例如,输入单元20和处理器30能够被容纳在图像采集单元110中或被容纳在输出单元120中,所述输出单元在图3中被示为工作站。图像采集单元110能够是装置10的输入单元20。图像采集单元110被配置为采集包括身体部分的图像数据的图像。图像采集单元被配置为向输入单元20提供图像。输入单元20然后向处理单元30提供图像。这些通信能够是经由有线或无线通信的。处理单元30被配置为通过应用更新的基于模型的分割来确定对身体部分的图像数据的分割。输出单元120被配置为输出表示更新的基于模型的分割的数据。
在一范例中,采集单元被配置为采集第一图像。然而,用来确定更新的基于模型的分割的第一图像可以已经由不同的图像采集单元采集。
在一范例中,由图像采集单元采集的图像是第二图像。
在一范例中,采集单元是超声探头。在一范例中,采集单元是X射线扫描器,诸如C型臂扫描器。在一范例中,采集单元是MRI扫描器。
在一范例中,图像是X射线图像。在一范例中,X射线图像由多幅个体X射线图像形成,以提供表示身体部分的体积。在一范例中,图像是超声图像。在一范例中,图像是MRI图像。超声图像和MRI图像也能够是三维图像。
在一范例中,输出单元被配置为显示图像数据,例如将图像显示在一个或多个监测器(诸如一个或多个视觉显示单元VDU)上。
在一范例中,输入单元20是图像采集单元110。
图4以其基本步骤示出了用于对身体部分的自适应轮廓勾画的方法200。方法200包括:
在提供步骤210(也被称为步骤a))中,提供至少一幅图像;其中,至少一幅图像包括包含身体部分的图像数据的第一图像;
在确定步骤220(也被称为步骤b))中,确定对第一图像中的身体部分的图像数据的初始的自动的基于模型的分割;
在确定步骤230(也被称为步骤c))中,响应于对初始的自动的基于模型的分割的修改而确定身体部分的最终分割数据;以及
在应用步骤240(也被称为步骤d))中,在初始的自动的基于模型的分割和最终分割数据的基础上应用更新的基于模型的分割。
在一范例中,在步骤a)处,向处理单元提供至少一幅图像,并且处理单元执行步骤b)和c)。然而,在一范例中,不同的处理器能够执行步骤d),或执行步骤b)和c)的相同处理器能够执行步骤d)。
根据一范例,对初始的自动的基于模型的分割的修改得到修正的基于模型的分割,并且其中在步骤c)中,最终分割数据是在修正的基于模型的分割的基础上确定的。
在一范例中,步骤c)包括步骤c1),确定232初始的自动的基于模型的分割与修正的基于模型的分割之间的至少一个偏差。
在一范例中,至少一个偏差包括至少一个距离。在一范例中,至少一个偏差包括至少一个缩放因子。
在一范例中,初始的自动的基于模型的分割包括至少两个区域段,所述至少两个区域段包括共享一个共同边界的第一区域段和第二区域段。修正的基于模型的分割包括与初始的自动的基于模型的分割的至少两个区域段相关联的至少两个区域段。。修正的基于模型的分割的至少两个区域段包括共享一个共同边界的第一区域段和第二区域段。在该方法中,步骤c1)包括确定234从初始的自动的基于模型的分割上的第一区域段和第二区域段与修正的基于模型的分割的第一区域段和第二区域段之间的边界延伸的至少一个距离。
在一范例中,步骤c)包括将最终分割数据确定236为得到修正的基于模型的分割的基于模型的分割参数。
在一范例中,对初始的自动的基于模型的分割的修改包括与初始的自动的基于模型的分割的至少一个偏差,并且在步骤c)中,最终分割数据是在与初始的自动的基于模型的分割的至少一个偏差的基础上确定的。
在一范例中,至少一个偏差包括至少一个距离。
在一范例中,至少一幅图像包括包含身体部分的图像数据的第二图像。该方法然后包括步骤e),在更新的基于模型的分割的基础上确定250对第二图像中的身体部分的分割。
现在更详细地描述所述装置、***和方法,其中还参考图5。
基于模型的分割
身体部分(例如心脏)在X射线图像(或超声图像/MRI图像/CT图像)中进行分割。图像的分割提供了X射线图像体积中的心脏的轮廓。
更详细地,例如对X射线图像中的心脏的基于模型的分割包括均值模型,例如由N个点和连接点的T个三角形组成的三角形网格。初始形状描述了例如平均或典型形状。模型然后在若干个步骤中适应于图像。首先,一般位置(例如重心)和取向被确定,并且网格被相应地放置在图像中。在模型训练期间,每个三角形已经获悉它应当搜索哪些特定的图像特征。在适应期间,每个三角形然后搜索这些图像特征,从而得到一组吸引力(根据其导出所谓的外部能量)。基于该外部能量,模型通过估计全局或区域仿射变换(能量被最小化)的参数被连续调整。在最终步骤中,局部变形基于外力被允许。同时,所谓的内部能量惩罚与平均形状的过大偏差。在多次迭代之后,网格的形状已经适应于图像。因为哪些网格部分属于哪些解剖结构是已知的,所以这将解剖背景添加到图像。在Ecabert等人的文章AutomaticModel-Based Segmentation of the Heart in CT Images(IEEE Transactions onMedical Imaging,第27卷,第9号,2008年九月,1189-1201)中详细地讨论了被应用于CT图像但是此处其也能够被应用于超声图像/MRI图像的分割算法。
图5示出了用于对身体部分的自适应轮廓勾画的工作流。在步骤(a)处,器官的分割被执行。网格(黑色轮廓)上的每个三角形与感兴趣器官(内部灰色区域)的边界对齐。在步骤(b)处,作为RTP的一部分,用户已经修改了网格。在该范例中,网格已经向右被扩张。所述装置、***和方法然后自动使得手动修改能够被重新应用于器官分割。这在步骤(c)处进行示出。这示出了当对下一个实例2进行分割时,(a)与(b)之间的网格变形已经作为典型的用户修改被包含到自适应流水线中,使得自动的结果已经包含这样的改变。此处注意,网格变形被呈现为到水平方向的简单缩放。更高级的变形(诸如依赖器官比例的距离、高级的局部修改或考虑局部曲率/多个器官和轮廓)也是可能的。因此,如此处考虑的缩放是“记住”用户修改的一种方式,其中计算表面距离(如上面描述的)形成“记住”这样的用户修改的另一种方式。
继续参考图5,更详细地,工作流一方面考虑了可以被分类成用户“品味”(反映使分割适应于其一般解读患者的图像的一般方式的改变)的修改并且另一方面考虑了反应针对分割到特定患者的当前图像和另外的图像的特定应用的校正的校正性修改。基于此,这样的用户修改关于自动分割结果来获悉。这使用以下步骤来执行:第一,基于模型的分割(MBS)照常被执行,并且感兴趣器官的分割S1被递送(图5a)。第二,用户根据需要修改分割结果,从而得到分割S1’(图5b)。第三,表面偏差在S1与S1’之间进行计算(例如以表面距离的形式,诸如针对每个三角形的一个带符号的距离值)。第四,当应用对自适应处置的另一图像或下一个患者的另一图像的分割时,那些距离用来提供更新的分割。换言之,新的(更新的)分割使用用户输入的距离,并且在提供新的分割中,新的分割包含这些距离,并且网格在这些距离而非原始器官轮廓的基础上进行修改。这将得到已经包含距离S1-S1’(即先前的自S1的用户修改)的自动分割S2(图5c)。
为了概括在图5中示出的工作流,使用三角化表面网格的基于模型的分割(MBS)用来鲁棒地且准确地勾画医学图像中的器官。分割通过在以每个网格三角形为中心的图像搜索区域中找到目标点、紧接着使模型网格适应于所有目标点(使用基于模型的正则化)来进行工作。然而,对于若干应用,分割结果可能需要被手动修改。例如,在放射治疗处置规划(RTP)中,对规划目标体积(PTV)的分割通常在计算处置计划之前被用户修改。然而,这种修改需要每一次被一致地应用于例如自适应辐射治疗,并且由于一致性原因,它需要被应用于需要通过该用户或机构的相同轮廓勾画的其他患者也是可能的。因此,图5中示出的工作流使得用户的修改能够被记住。利用这种方法,用户的一般“品味”(如早前的校正性修改)被获悉,并且这些例如作为后处理步骤作为对记住的表面偏差的应用被包含回到分割流水线中。这大大简化了临床工作流,因为理想情况下,然后仅在训练阶段中需要手动修改或在整个处置过程内每个患者仅需要手动修改一次,并且未来的分割将需要少得多的用户交互,因为这些修改已经被自动包含。
将认识到,虽然上面的工作流涉及对3D体积的基于模型的分割,但是能够将其应用于其他X射线或超声图像(或实际上MRI图像)。例如,图像能够以X平面模式被采集,即两个正交的超声切片被记录,并且分割被应用。
所述装置、***和方法对于RTP、尤其是对于自适应RT是特别感兴趣的。当用于患者的处置计划被生成时,对PTV的分割通常在执行处置规划软件之前被医师手动生成。这通常需要每一次被完成,并且因此是耗时的。本文描述的装置、***和方法允许(1)对目标结构的自动分割、紧接着(2)对与在(1)中生成的初始分割有关的医师的手动用户交互的包含。换言之,用户交互仅在自动分割的网格上被允许,使得该用户的修改能够以一致的方式作为网格变形被包含用于下一个规划阶段或下一个患者。这节省了时间,并且显著改善了临床工作流。这也得到以下结果:第一,包括可再现的用户特异性修改的器官分割能够被递送,即一个特定用户的所有修改都能够用来根据该用户的“品味”导出“典型”的平均修改。第二,包括患者特异性修改的器官分割能够被递送,即特定患者所需的修改能够被记住以自动允许该具体患者的一致的且可再现的进一步分割结果(包括其患者特异性修改)。
在另一示范性实施例中,提供了一种计算机程序或计算机程序单元,其特征在于被配置为在适当***上运行根据前述实施例中的一个所述的方法的方法步骤。
因此,计算机程序单元因此可以被存储在计算机单元上,所述计算机单元也可以是实施例的部分。该计算单元可以被配置为执行或诱导上述方法的步骤的执行。此外,其可以被配置为操作上面描述的装置的部件。计算单元能够被配置为自动操作和/或执行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。因此,数据处理器可以被装备为执行根据前述实施例中的一个所述的方法。
本发明的该示范性实施例涵盖从最开始使用本发明的计算机程序和借助于更新将现有程序转变为使用本发明的程序的计算机程序两者。
此外,计算机程序单元可以能够提供所有必要步骤,以履行如上面描述的方法的示范性实施例的流程。
根据本发明的又一示范性实施例,提出了一种计算机可读介质,诸如CD-ROM,其中,所述计算机可读介质具有被存储在其上的计算机程序单元,前述章节描述了所述计算机程序单元。
计算机程序可以被存储和/或分布在适当的介质上,诸如与其他硬件一起被提供或作为其他硬件的部分被提供的光学存储介质或固态介质,但是所述计算机程序也可以以其他形式分布,诸如经由互联网或其他有线或无线通信***分布。
然而,计算机程序也可以被提供在如万维网的网络上并且能够从这样的网络下载到数据处理器的工作存储器中。根据本发明的又一示范性实施例,提供一种用于使计算机程序单元可用于下载的介质,所述计算机程序单元被布置为执行根据本发明的前面描述的实施例中的一个所述的方法。
必须注意,参考不同主题描述了本发明的实施例。特别地,参考方法类型的权利要求描述了一些实施例,而参***类型的权利要求描述了其他实施例。然而,除非另有说明,本领域技术人员将从以上和以下描述中获悉,除属于一种类型的主题的特征的任何组合之外,涉及不同主题的特征之间的任何组合也被视为由本申请所公开。然而,所有特征能够被组合从而提供比特征的简单加和更多的协同效果。
尽管已经在附图和前述描述中详细说明并描述了本发明,但是这样的说明和描述应被视为是说明性或示范性的而非限制性的。本发明不限于所公开的实施例。本领域技术人员通过研究附图、说明书和从属权利要求,在实践所请求保护的本发明时,能够理解并实现所公开的实施例的其他变型。
在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以履行在权利要求中记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定措施,但是这并不指示不能有利地使用这些措施的组合。权利要求书中的任何附图标记都不应被解释为对范围的限制。
Claims (11)
1.一种用于对身体部分的自适应轮廓勾画的装置(10),包括:
-输入单元(20);
-处理单元(30);
其中,所述输入单元(20)被配置为向所述处理单元提供至少一幅图像;
其中,所述至少一幅图像包括包含身体部分的图像数据的第一图像和包含所述身体部分的图像数据的第二图像;
其中,所述处理单元(30)被配置为确定对所述第一图像中的所述身体部分的图像数据的初始的自动的基于模型的分割以提供所述第一图像中的所述身体部分的分割表面表示;
其中,响应于对所述初始的自动的基于模型的分割的修改,所述修改包括对所述分割表面的至少一个部分到至少一个新位置的基于用户的移动以得到修正的基于模型的分割来提供所述第一图像中的所述身体部分的修正的分割表面表示,所述处理单元(30)被配置为在所述初始的自动的基于模型的分割的所述分割表面与所述修正的基于模型的分割的所述修正的分割表面之间的至少一个偏差的基础上确定所述身体部分的最终分割数据;并且
其中,所述处理单元(30)被配置为在所述初始的自动的基于模型的分割和所述最终分割数据的基础上将更新的自动的基于模型的分割应用到所述第二图像中的所述身体部分的图像数据以提供所述第二图像中的所述身体部分的分割表面表示。
2.根据权利要求1所述的装置,其中,所述初始的自动的基于模型的分割的所述分割表面包括至少两个区域段,所述至少两个区域段包括共享一个共同边界的第一区域段和第二区域段,并且其中,所述修正的基于模型的分割的所述修正的分割表面包括为与所述初始的自动的基于模型的分割的所述至少两个区域段相同的段的至少两个区域段,所述修正的基于模型的分割的所述至少两个区域段包括共享一个共同边界的第一区域段和第二区域段,并且其中,所确定的至少一个偏差包括从所述初始的自动的基于模型的分割的所述分割表面上的所述第一区域段和所述第二区域段与所述修正的基于模型的分割的所述修正的分割表面上的所述第一区域段和所述第二区域段之间的所述边界延伸的至少一个距离。
3.根据权利要求1所述的装置,其中,所述处理单元(30)被配置为将所述最终分割数据确定为得到所述修正的基于模型的分割的基于模型的分割参数。
4.根据权利要求1所述的装置,其中,对所述初始的自动的基于模型的分割的所述修改包括与所述初始的自动的基于模型的分割的至少一个偏差,并且其中,所述最终分割数据是在与所述初始的基于模型的分割的所述至少一个偏差的基础上确定的。
5.根据权利要求4所述的装置,其中,所述至少一个偏差包括至少一个距离。
6.根据权利要求1所述的装置,其中,所述第二图像是针对与针对所述第一图像相同的患者的。
7.根据权利要求1所述的装置,其中,所述第二图像是针对与针对所述第一图像不同的患者的。
8.一种用于对身体部分的自适应轮廓勾画的***(100),包括:
-图像采集单元(110);
-根据任一前述权利要求所述的用于对身体部分的自适应轮廓勾画的装置(10);以及
-输出单元(120);
其中,所述图像采集单元(110)被配置为采集包括所述身体部分的图像数据的图像,并且所述图像采集单元(110)被配置为向所述输入单元(20)提供所述图像;并且
其中,所述处理单元(30)被配置为通过应用所述更新的基于模型的分割来确定对所述身体部分的所述图像数据的分割;并且
其中,所述输出单元(120)被配置为输出表示所述更新的基于模型的分割的数据。
9.一种用于对身体部分的自适应轮廓勾画的方法(200),包括:
a)提供(210)至少一幅图像;其中,所述至少一幅图像包括包含身体部分的图像数据的第一图像和包含所述身体部分的图像数据的第二图像;
b)确定(220)对所述第一图像中的所述身体部分的图像数据的初始的自动的基于模型的分割以提供所述第一图像中的所述身体部分的分割表面表示;
c)响应于对所述初始的自动的基于模型的分割的修改而确定(230)所述身体部分的最终分割数据,所述修改包括用户将所述分割表面的至少一个部分移动到至少一个新位置以得到修正的基于模型的分割来提供所述第一图像中的所述身体部分的修正的分割表面表示,其中,所述最终分割数据是在所述初始的自动的基于模型的分割的所述分割表面与所述修正的基于模型的分割的所述修正的分割表面之间的至少一个偏差的基础上确定的;以及
d)在所述初始的自动的基于模型的分割和所述最终分割数据的基础上将更新的基于模型的分割应用(240)到所述第二图像中的所述身体部分的图像数据以提供所述第二图像中的所述身体部分的分割表面表示。
10.一种用于控制根据权利要求1至7中的一项所述的装置和/或根据权利要求8所述的***的计算机程序单元,所述计算机程序单元当由处理器运行时被配置为执行根据权利要求9所述的方法。
11.一种包括根据权利要求10所述的程序单元的计算机可读介质。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16189826.7 | 2016-09-21 | ||
EP16189826 | 2016-09-21 | ||
PCT/EP2017/073964 WO2018055066A1 (en) | 2016-09-21 | 2017-09-21 | Apparatus for adaptive contouring of a body part |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109964249A true CN109964249A (zh) | 2019-07-02 |
Family
ID=56997327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780070890.5A Pending CN109964249A (zh) | 2016-09-21 | 2017-09-21 | 用于对身体部分的自适应轮廓勾画的装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10937170B2 (zh) |
EP (1) | EP3516621B1 (zh) |
JP (1) | JP6752966B2 (zh) |
CN (1) | CN109964249A (zh) |
WO (1) | WO2018055066A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10918885B2 (en) | 2018-09-27 | 2021-02-16 | Varian Medical Systems International Ag | Systems, methods and devices for automated target volume generation |
US10930386B2 (en) | 2018-12-11 | 2021-02-23 | International Business Machines Corporation | Automated normality scoring of echocardiograms |
EP4035127A4 (en) | 2019-09-24 | 2023-10-18 | Applied Materials, Inc. | INTERACTIVE TRAINING OF A MACHINE LEARNING MODEL FOR TISSUE SEGMENTATION |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1956007A (zh) * | 2005-10-24 | 2007-05-02 | 中国科学院自动化研究所 | 基于局部和全局区域不相似性度量的变分分割方法 |
US20100322489A1 (en) * | 2009-06-18 | 2010-12-23 | Omisa Inc. | System and method for image segmentation |
US20120087561A1 (en) * | 2010-10-12 | 2012-04-12 | Siemens Corporation | Interaction method for regions of-interest in time series images |
WO2012069965A1 (en) * | 2010-11-23 | 2012-05-31 | Koninklijke Philips Electronics N.V. | Interactive deformation map corrections |
JP2013529509A (ja) * | 2010-06-23 | 2013-07-22 | ヴァリアン メディカル システムズ インターナショナル アーゲー | 高度な構造生成および編集のためのメカニズム |
CN103295234A (zh) * | 2013-05-17 | 2013-09-11 | 上海大图医疗科技有限公司 | 基于形变表面模型的医学图像分割***及方法 |
CN104349817A (zh) * | 2012-05-29 | 2015-02-11 | 皇家飞利浦有限公司 | 用于辐射治疗中的经改进的门控效率和动态裕度调节的基于弹性成像的方法 |
CN105184782A (zh) * | 2015-08-27 | 2015-12-23 | 山东师范大学 | 一种ct中盆腔器官自动分割的方法 |
WO2016127173A1 (en) * | 2015-02-06 | 2016-08-11 | The University Of Akron | Optical imaging system and methods thereof |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1649422A1 (en) | 2003-07-16 | 2006-04-26 | Philips Intellectual Property & Standards GmbH | Object-specific segmentation |
US8223143B2 (en) | 2006-10-27 | 2012-07-17 | Carl Zeiss Meditec, Inc. | User interface for efficiently displaying relevant OCT imaging data |
WO2008063494A2 (en) * | 2006-11-16 | 2008-05-29 | Vanderbilt University | Apparatus and methods of compensating for organ deformation, registration of internal structures to images, and applications of same |
US8340379B2 (en) * | 2008-03-07 | 2012-12-25 | Inneroptic Technology, Inc. | Systems and methods for displaying guidance data based on updated deformable imaging data |
CN102369529A (zh) * | 2009-04-02 | 2012-03-07 | 皇家飞利浦电子股份有限公司 | 用于图像引导治疗规划的自动解剖结构描绘 |
WO2011073820A1 (en) | 2009-12-16 | 2011-06-23 | Koninklijke Philips Electronics N.V. | Use of collection of plans to develop new optimization objectives |
US10311585B2 (en) * | 2010-06-23 | 2019-06-04 | Varian Medical Systems International Ag | Mechanism for advanced structure generation and editing |
DE212011100130U1 (de) * | 2010-08-05 | 2013-06-24 | Philips Intellectual Property & Standards Gmbh | Auf gleicher Ebene und interaktiv stattfindende Oberflächennetz-Anpassung |
EP2983781B1 (en) | 2013-12-20 | 2018-10-31 | RaySearch Laboratories AB | Incremental treatment planning |
US20180174311A1 (en) * | 2015-06-05 | 2018-06-21 | Siemens Aktiengesellschaft | Method and system for simultaneous scene parsing and model fusion for endoscopic and laparoscopic navigation |
US9949700B2 (en) * | 2015-07-22 | 2018-04-24 | Inneroptic Technology, Inc. | Medical device approaches |
WO2017091492A1 (en) * | 2015-11-23 | 2017-06-01 | Heartflow, Inc. | Systems and methods for assessing organ and/or tissue transplantation by simulating one or more transplant characteristics |
EP3391337A1 (en) * | 2015-12-15 | 2018-10-24 | Koninklijke Philips N.V. | Image processing systems and methods |
US10169871B2 (en) * | 2016-01-21 | 2019-01-01 | Elekta, Inc. | Systems and methods for segmentation of intra-patient medical images |
US9965863B2 (en) * | 2016-08-26 | 2018-05-08 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
-
2017
- 2017-09-21 US US16/332,859 patent/US10937170B2/en active Active
- 2017-09-21 EP EP17768159.0A patent/EP3516621B1/en active Active
- 2017-09-21 WO PCT/EP2017/073964 patent/WO2018055066A1/en unknown
- 2017-09-21 JP JP2019515651A patent/JP6752966B2/ja not_active Expired - Fee Related
- 2017-09-21 CN CN201780070890.5A patent/CN109964249A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1956007A (zh) * | 2005-10-24 | 2007-05-02 | 中国科学院自动化研究所 | 基于局部和全局区域不相似性度量的变分分割方法 |
US20100322489A1 (en) * | 2009-06-18 | 2010-12-23 | Omisa Inc. | System and method for image segmentation |
JP2013529509A (ja) * | 2010-06-23 | 2013-07-22 | ヴァリアン メディカル システムズ インターナショナル アーゲー | 高度な構造生成および編集のためのメカニズム |
US20120087561A1 (en) * | 2010-10-12 | 2012-04-12 | Siemens Corporation | Interaction method for regions of-interest in time series images |
WO2012069965A1 (en) * | 2010-11-23 | 2012-05-31 | Koninklijke Philips Electronics N.V. | Interactive deformation map corrections |
CN104349817A (zh) * | 2012-05-29 | 2015-02-11 | 皇家飞利浦有限公司 | 用于辐射治疗中的经改进的门控效率和动态裕度调节的基于弹性成像的方法 |
CN103295234A (zh) * | 2013-05-17 | 2013-09-11 | 上海大图医疗科技有限公司 | 基于形变表面模型的医学图像分割***及方法 |
WO2016127173A1 (en) * | 2015-02-06 | 2016-08-11 | The University Of Akron | Optical imaging system and methods thereof |
CN105184782A (zh) * | 2015-08-27 | 2015-12-23 | 山东师范大学 | 一种ct中盆腔器官自动分割的方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190251693A1 (en) | 2019-08-15 |
EP3516621A1 (en) | 2019-07-31 |
WO2018055066A1 (en) | 2018-03-29 |
JP6752966B2 (ja) | 2020-09-09 |
JP2019530502A (ja) | 2019-10-24 |
EP3516621B1 (en) | 2020-05-27 |
US10937170B2 (en) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Savenije et al. | Clinical implementation of MRI-based organs-at-risk auto-segmentation with convolutional networks for prostate radiotherapy | |
Yang et al. | 4D‐CT motion estimation using deformable image registration and 5D respiratory motion modeling | |
Cusumano et al. | Artificial Intelligence in magnetic Resonance guided Radiotherapy: Medical and physical considerations on state of art and future perspectives | |
RU2541887C2 (ru) | Автоматизированное оконтуривание анатомии для планирования терапии с управлением по изображениям | |
JP5491174B2 (ja) | 画像誘導型放射線治療のための画像の変形可能なレジストレーション | |
JP2021035502A (ja) | 畳み込みニューラルネットワークを用いた画像セグメンテーションのためのシステムおよび方法 | |
CN109741344A (zh) | 血管分割方法、装置、医疗影像设备及存储介质 | |
JP2021521993A (ja) | 敵対的生成ネットワークを使用した画像強調 | |
JP2017501459A (ja) | 高度医用画像処理ウィザード | |
US10275895B2 (en) | Mechanism for advanced structure generation and editing | |
JP2006516440A (ja) | 三次元物体の再構築法 | |
CN109964249A (zh) | 用于对身体部分的自适应轮廓勾画的装置 | |
Lindquist et al. | 3D printing in cardiology: a review of applications and roles for advanced cardiac imaging | |
CN103079467B (zh) | 用于高级结构生成和编辑的机制 | |
US10032316B2 (en) | System for dynamically propagating real-time alterations of medical images | |
US11995834B2 (en) | Method and system for the automated determination of examination results in an image sequence | |
CN115861464A (zh) | 基于多模mri同步生成的伪ct合成方法 | |
CN108064148A (zh) | 用于体外受精的图像引导的胚胎转移 | |
CN114596225A (zh) | 一种运动伪影模拟方法和*** | |
Ezhil et al. | Comparison of rigid and adaptive methods of propagating gross tumor volume through respiratory phases of four-dimensional computed tomography image data set | |
CN109199418B (zh) | 至少一个特征变量的可视化 | |
GB2611602A (en) | A System and Method for quality assurance of medical image segmentation | |
EP4402692A1 (en) | A system and method for quality assurance of medical image segmentation | |
WO2023057281A1 (en) | A system and method for quality assurance of medical image segmentation | |
Kotte et al. | Clinical implementation of MRI-based organs-at-risk auto-segmentation with convolutional networks for prostate radiotherapy |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231208 |
|
AD01 | Patent right deemed abandoned |