CN110291537A - 用于检测脑转移的***和方法 - Google Patents
用于检测脑转移的***和方法 Download PDFInfo
- Publication number
- CN110291537A CN110291537A CN201880011829.8A CN201880011829A CN110291537A CN 110291537 A CN110291537 A CN 110291537A CN 201880011829 A CN201880011829 A CN 201880011829A CN 110291537 A CN110291537 A CN 110291537A
- Authority
- CN
- China
- Prior art keywords
- subset
- interest
- objects
- image
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1077—Beam delivery systems
- A61N5/1084—Beam delivery systems for delivering multiple intersecting beams at the same time, e.g. gamma knives
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30—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
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本公开提供用于检测放疗计划的所关注解剖区的***、方法和计算机可读存储介质。本公开的实施例可以识别(810)医学图像中的多个对象,并且通过对所述多个对象应用形态过滤器(516)来选择(820)所述对象的子集。所述形态过滤器可以确定与所述多个对象中的每一个相关联的形态特征,并且当至少一个对象的形态特征超出预定阈值时,将所述至少一个对象从所述子集中排除。本公开的实施例还可以将所述子集中的所述对象分类(830)到预先确定的形状集合之一中,并且基于所述子集中经过分类的对象来检测(840)所述所关注解剖区。
Description
技术领域
本公开大体上涉及放疗治疗计划。更具体来说,本公开涉及用于在医学图像中检测脑转移以用于开发待在放疗期间使用的放疗治疗计划的***和方法。
背景技术
放疗用于治疗哺乳动物(例如,人类和动物)组织中的癌症和其它病痛。一种这类放疗技术是伽玛刀(Gamma Knife),通过所述伽玛刀,患者受到以高强度和高精度汇聚在标靶(例如,肿瘤)处的大量低强度γ射线照射。在另一个实施例中,使用线性加速器提供放疗,由此以高能粒子(例如,电子、质子、离子等)照射肿瘤。辐射束的放置和剂量必须受到精确控制以确保肿瘤接受处方规定的辐射,并且射束的放置应使得对周围健康组织的损伤减到最少。
在施用辐射剂量以治疗患者之前,需要建立治疗计划,其中指定施加辐射剂量的方式。治疗计划通常基于患者的医学图像(或一系列图像)来建立,在所述图像中展示患者的内部解剖区。由医学图像,确认待治疗的的标靶以及其位置、大小和/或形状,基于确认结果来确定多个辐射束的方向和强度,以使得所述射束在标靶位置处汇聚以提供治疗患者所必要的辐射剂量。虽然医生可以通过以肉眼观察医学图像来确定所述医学图像中的特定对象是否是标靶,但这一过程通常是繁重并且费时的。电脑辅助的图像分类技术可以缩短从医学图像提取一些或所有所需信息的时间。
举例来说,一些方法依赖于训练数据来训练统计学模型,并且训练后的统计学模型可以接着用于识别标靶。然而,这类方法的有效性在很大程度上取决于训练数据的品质。为了获得可接受的结果,训练数据必须含有在标靶位置和分割方面得到精确识别的标靶。通常,这类高品质训练数据供应短缺。
在另一个实例中,纯图像处理方法已经用于增强医学图像的可见性以允许医生更好地观察所述医学图像。然而,这类方法缺乏确定医学图像中的特定对象是否是标靶的分类能力。
本公开是针对克服或减少所阐述的这些问题中的一个或更多个。
发明内容
本公开的一个方面涉及一种用于检测所关注解剖区的***。所述***可以包括存储计算机可执行指令的存储器装置和以通信方式联接到所述存储器装置的至少一个处理器装置。当由所述至少一个处理器装置执行时,所述计算机可执行指令使所述处理器装置进行各种操作。所述操作可以包括识别医学图像中的多个对象。所述操作还可以包括通过对所述多个对象应用形态过滤器来选择所述对象的子集。所述形态过滤器可以确定与所述多个对象中的每一个相关联的形态特征,并且当至少一个对象的所述形态特征超出预定阈值时,将所述至少一个对象从所述子集中排除。所述操作还可以包括将所述子集中的所述对象分类到预先确定的形状集合之一中。此外,所述操作可以包括基于所述子集中经过分类的对象来检测所述所关注解剖区。
本公开的另一方面涉及一种用于检测所关注解剖区的方法。所述方法可以由执行计算机可执行指令的至少一个处理器装置来实施。所述方法可以包括识别医学图像中的多个对象。所述方法还可以包括通过对所述多个对象应用形态过滤器来选择所述对象的子集。所述形态过滤器可以确定与所述多个对象中的每一个相关联的形态特征,并且当至少一个对象的所述形态特征超出预定阈值时,将所述至少一个对象从所述子集中排除。所述方法还可以包括将所述子集中的所述对象分类到预先确定的形状集合之一中。此外,所述方法可以包括基于所述子集中经过分类的对象来检测所述所关注解剖区。
本公开的另一方面涉及一种非暂时性计算机可读介质,所述非暂时性计算机可读介质存储指令集,所述指令集可由装置的至少一个处理器执行以使所述装置进行用于检测所关注解剖区的方法。所述方法可以包括识别医学图像中的多个对象。所述方法还可以包括通过对所述多个对象应用形态过滤器来选择所述对象的子集。所述形态过滤器可以确定与所述多个对象中的每一个相关联的形态特征,并且当至少一个对象的所述形态特征超出预定阈值时,将所述至少一个对象从所述子集中排除。所述方法还可以包括将所述子集中的所述对象分类到预先确定的形状集合之一中。此外,所述方法可以包括基于所述子集中经过分类的对象来检测所述所关注解剖区。
本公开的其它目的和优点将部分地在以下详细描述中进行阐述,并且部分地将由所述描述而显而易见,或可以通过实践本公开而习得。本公开的目的和优点将借助于所附权利要求书中特别指出的要素和组合来实现和获得。
应理解,前述大体描述和以下详细描述仅是示例性和解释性的,并且并不限制所要求的本发明。
附图说明
构成本说明书一部分的附图说明若干实施例,并且与所述描述一起用以解释所公开的原理。
图1示出了根据本公开一些实施例的一种示例性放疗***,所述放疗***包括标靶检测***。
图2A示出了根据本公开一些实施例的一种示例性放疗装置,伽玛刀。
图2B示出了根据本公开一些实施例的另一种示例性放疗装置,线性加速器(LINAC)。
图3示出了根据本公开一些实施例的一种示例性数据处理装置,所述数据处理装置实现图1的标靶检测***。
图4是展示脑转移的示例性医学图像。
图5的方块图展示根据本公开一些实施例的图1的标靶检测***的示例性组件。
图6示意性地示出了具有凸形缺损的对象。
图7展示图1中所示的标靶检测***的示例性输出。
图8的流程图示出了根据本公开一些实施例的用于检测标靶的示例性方法。
具体实施方式
参考附图描述示例性实施例。在便利的情况下,相同的参考标号在所有附图中都用于指相同或相似的部件。
与本公开相符的***和方法是针对在医学图像(或一系列医学图像)中检测所关注解剖区以用于开发放疗治疗计划。所关注解剖区可以包括肿瘤、癌症、具有风险的器官等。在一些实施例中,所关注解剖区可以包括脑转移。所关注解剖区也可以被称作标靶。如本文所用,术语“所关注解剖区”与术语“标靶”可互换。标靶的检测可以包括以下方面中的一个或更多个:(1)分类或识别,指示标靶是否存在于医学图像中或医学图像中所示的特定对象是否是标靶;(2)一旦得到识别,则在二维空间即2D空间和/或三维空间即3D空间中定位,指示标靶的位置(position)或位置(location);和(3)界定或分割,指示使所识别的标靶相对于医学图像的其它特征或背景得到分离、强调或区分的一种或多种方式。
举例来说,医学图像中所示的对象可以以二元方式分类/识别为标靶:是标靶或不是标靶。在另一个实例中,分类/识别可以基于概率或可能性来进行。在一些实施例中,对象可以被识别为非常有可能是标靶,指示对象实际上是标靶的高概率性。类似地,对象可以被识别为较不可能是标靶。与分类或识别相关联的概率或可能性可以通过置信度测量值(如百分比数)来进行描述,以对概率或可能性进行定量。
空间位置可以由标靶在笛卡尔***中的(X,Y,Z)坐标指示,或在使用其它空间坐标系(例如,圆柱形、球形等)的情况下由其它适当坐标指示。
各种方法可以用于界定或分割标靶。举例来说,标靶可以由所述标靶周围的轮廓界定。在另一个实例中,标靶可以用与医学图像中所示的背景或其它特征不同的颜色呈现。使用其它适当方法来分离、强调或区分所识别的标靶对于本领域的技术人员将是显而易见的。
医学图像可以包括由各种成像模态生成的图像。举例来说,医学图像可以包括磁共振成像图像即MRI图像、计算机断层扫描图像即CT图像、超声图像等。医学图像可以是2D或3D。3D图像可以包括多个2D片层。
某一种类的待检测标靶可以具有对所述标靶种类而言具有特异性的一种或多种形态特征。举例来说,大部分脑转移的形状是圆形。这类形态特征可以提供适用于进行对应标靶种类的检测的信息,并且可以引起效率和精确性提升。本公开的实施例提供在标靶(如脑转移)的检测中利用这类形态特征的示例性***和方法。检测结果可以用于开发用于进行放疗治疗的治疗计划。
图1示出了根据本公开一些实施例的一种示例性放疗***100。放疗***100可以包括治疗计划***110、标靶检测***120、放疗装置130和医学成像装置140。另外,放疗***100可以包括显示装置和使用者接口(未展示)。
如图1中所示,标靶检测***120可以与医学成像装置140通信以接收一个或更多个医学图像。标靶检测***120可以在医学图像中检测一个或更多个标靶,并且与治疗计划***110通信传输检测结果。治疗计划***110可以至少部分地基于检测结果来提供治疗计划,并且与放疗装置130通信传输所述治疗计划。治疗计划***还可以在治疗过程之前或期间与医学成像装置140通信以直接接收医学图像,如更新后的医学图像。在治疗期间,放疗装置130可以根据治疗计划来向患者施用辐射剂量。
在一些实施例中,放疗装置130可以相对于治疗计划***110处于本地。举例来说,放疗装置130和治疗计划***110可以位于医疗机构/诊所的同一房间中。在其它实施例中,放疗装置130可以是相对于治疗计划***110处于远程,并且在放疗装置130与治疗计划***110之间的数据通信可以经由网络(例如,局域网(LAN);无线网络;云计算环境,如软件即服务、平台即服务、基础设施即服务;用户端-服务器;广域网(WAN);等)来进行。类似地,在标靶检测***120与治疗计划***110之间、在标靶检测***120与医学成像装置140之间和在治疗计划***110与医学成像装置140之间的通信链路也可以以本地或远程方式实施。
在一些实施例中,如由图1中的虚线框所指示,治疗计划***110和标靶检测***120可以在单个数据处理装置中实现。举例来说治疗计划***110和标靶检测***120可以以对同一硬件装置进行操作的不同软件程序的形式来实现。在其它实施例中,治疗计划***110和标靶检测***120可以使用不同数据处理装置来实现。
医学成像装置140可以包括MRI成像装置、CT成像装置、X射线成像装置、正电子发射断层扫描(PET)成像装置、超声成像装置、荧光检查装置、单光子发射计算机断层扫描(SPECT)成像装置或用于获得患者的一个或更多个医学图像的其它医学成像装置。因此,医学成像装置140可以提供各种医学图像。举例来说,医学图像可以包括MRI图像、CT图像、PET图像、X射线图像、超声图像、SPECT图像等。
图2A示出了根据本公开一些实施例的一种类型的放疗装置130(例如,Leksell伽玛刀)的实例。如图2A中所示,在放疗治疗阶段中,患者202可以穿戴坐标框架220以保持经历手术或放疗的患者身体部分(例如,头部)稳定。坐标框架220和患者定位***222可以确立空间坐标系,所述空间坐标系可以在对患者进行成像时或在辐射手术期间使用。放疗装置130可以包括围封有多个辐射源212的保护性外壳214。辐射源212可以经由射束通道216生成多个辐射束(例如,细束)。多个辐射束可以被配置成从不同方向聚焦于等角点218。虽然每个个别辐射束可以具有相对较低的强度,但当来自不同辐射束的多个剂量在等角点218处累积时,等角点218可以接收相对较高水平的辐射。在一些实施例中,等角点218可以对应于进行手术或治疗的标靶,如肿瘤。
图2B示出了根据本公开一些实施例的放疗装置130的另一个实例(例如,线性加速器)。在使用线性加速器的情况下,患者242可以被定位于患者床台243上以根据治疗计划接收辐射剂量。线性加速器130可以包括生成辐射束46的辐射头245。辐射头245可以围绕水平轴线247可旋转。另外,在患者床台243下方可以提供平板闪烁器检测器244,其可以围绕等角点241与辐射头245同步旋转。轴线247与由辐射头245产生的射束246的中心的交叉点通常被称为“等角点”。患者床台243可以是电动的,以使得患者242可以被定位成肿瘤位点处于或接近等角点241。辐射头245可以围绕台架248旋转,以根据治疗计划向患者242提供多个不同的辐射剂量。
图3示出了一种数据处理装置111的实施例。数据处理装置111可以实现标靶检测***120、治疗计划***110或两者。如图3中所示,数据处理装置111可以包括一个或更多个处理器250、存储器或存储装置260以及通信接口270。存储器/存储装置260可以存储计算机可执行指令,如标靶检测软件264。存储器/存储装置260可以任选地存储治疗计划软件262。
处理器250可以包括一个或更多个处理器单元,或具有一个或更多个核心的单个处理器单元。如本文所用,处理器250的“计算核心”可以指处理器单元或处理器单元中能够以并行计算方式执行指令的核心。举例来说,计算任务可以被分成多个并行分支或“线程”,每个分支/线程都可以由与其它计算核心并行的计算核心执行。
处理器250可以是以通信方式联接到存储器/存储装置装置260,并且被配置成执行所述存储器/存储装置上储存存储的计算机可执行指令。举例来说,处理器250可以执行标靶检测软件264以实施标靶检测***120的功能。视情况,处理器装置250可以执行治疗计划软件262(例如,如由医科达公司(Elekta)制造的软件),所述治疗计划软件可以与标靶检测软件264介接(interface)。
处理器250可以经由通信接口270与数据库150通信以向数据库150发送数据/从数据库150接收数据。数据库150可以与医学成像装置140通信,并且存储由医学成像装置140所获得的医学图像数据。数据库150可以包括以集中或分布方式定位的多个装置。处理器250还可以直接经由通信接口270与医学成像装置140通信。
处理器250可以包括一个或更多个通用处理装置,如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更确切地说,处理器250可以包括复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实施其它指令集的处理器或实施指令集组合的处理器。处理器250还可以包括一个或更多个特殊目的处理装置,如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、***芯片(SoC)等。
存储器/存储装置260可以包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、静态存储器、闪存、硬盘驱动器等。在一些实施例中,存储器/存储装置260可以包括计算机可读介质。虽然在一个实施例中的计算机可读介质可以是单个介质,但术语“计算机可读介质”应被认为包括存储一个或更多个计算机可执行指令集或数据集的单个介质或多个介质(例如,集中式或分布式数据库、和/或相关联的高速缓冲存储器和服务器)。术语“计算机可读介质”还应被认为包括能够存储或编码供计算机执行的指令集并且使所述计算机进行本公开的任何一种或多种方法的任何介质。术语“计算机可读介质”因此应被认为包括(但不限于)固态存储器、光学和磁性介质。
通信接口270可以包括网络适配器、电缆接连接器、串联连接器、USB插头连接器、并联连接器;高速数据传输适配器,如光纤、USB 3.0、雷电(thunderbolt)等;无线网络适配器,如WiFi适配器、电信(3G、4G、LTE等)适配器等。通信接口270可以提供局域网(LAN)、无线网络、云计算环境(例如,软件即服务、平台即服务、基础设施即服务等)、用户端-服务器、广域网(WAN)等的功能。处理器250可以经由通信接口270与数据库150和医学成像装置140通信。
放疗治疗计划可能需要对标靶进行检测或定界,所述标靶如肿瘤、OAR或所述肿瘤周围或极接近所述肿瘤的健康组织。如上文所论述,可以对标靶进行分类、定位和分割以允许研究标靶中或围绕标靶的剂量分布。
在标靶检测期间,可以通过医学成像装置140获得经历放疗的患者的一个或更多个医学图像,如MRI图像、CT图像、PET图像、fMRI图像、X射线图像、超声图像、放疗射野图像、SPECT图像等,以显露身体部分的内部结构。图4展示患者脑部的示例性医学图像,其中若干脑转移示出为白色圆形对象402。在将医学图像中的一个或更多个对象识别为标靶之后,可以进行分割。举例来说,可以生成所识别的一个或更多个标靶的3D结构。3D结构可以通过在MRI或CT图像的每个2D层或片层内描绘标靶轮廓并且将多个2D层或片层的轮廓组合来获得。轮廓可以人工地(例如,由医生、剂量测定员(dosimetrist)或健康护理工作人员)生成或自动地(例如,使用程序,如由医科达公司制造的基于图谱集(Atlas)的自动分割软件)生成。
本公开的实施例可以基于所检测标靶的形态特征对来自一个或更多个医学图像的标靶进行自动分类、分割和定位。使用标靶检测***120在医学图像中检测一个或更多个标靶的示例性工作流程展示于图5中。
参看图5,标靶检测***120可以包括形成可以并行执行的一个或更多个操作分支的组件。举例来说,一个这类分支包括可见性过滤器512、对象识别器514、形态过滤器516和对象分类器518。并行分支包括类似组件522、524、526和528。在一些实施例中,标靶检测***120可以接收包括多个2D片层的3D医学图像,并且每个2D片层可以由相应的分支处理。以这种方式,多个2D片层可以进行并行处理,从而增加处理速度。在一些实施例中,一个或更多个2D医学图像也可以由串行的单个分支处理(例如,用于软件调测或复查目的)。在下文中,将在于3D MRI图像中检测脑转移标靶的情形下描述图5中所示的每个组件的详细功能。其它类型的医学图像中的其它类型的标靶可以类似地进行检测。
如上文所论述,3D MRI图像可以包括多个2D片层,并且每个片层可以对应于处于固定Z坐标处的X-Y平面。每个2D片层可以由分支分开地处理以实现并行处理。在每个分支中,例如在包括512、514、516和518的分支中,医学图像(例如,2D片层)可以首先经历预处理阶段,其中可见性过滤器512可以增强所述医学图像的可见性。举例来说,可见性过滤器512可以包括各向异性扩散过滤器,其减小医学图像中的噪声而不去除明显特征,所述特征如用于检测脑转移的边缘、线或其它相关信息。可见性过滤器512还可以包括强度阈值化过滤器以经由适应性/自动对比处理来去除大部分背景噪声。可见性过滤器512还可以包括灰度水平过滤器以对医学图像的灰度水平进行量化。一种或多种上文过滤器可以用于对医学图像进行预处理。
在预处理之后,对象识别器514可以识别医学图像中的一个或更多个对象。对象可以包括表现为与医学图像中的背景不同的任何形状。对象识别器514可以进一步找出所识别的每个对象的轮廓。轮廓可以围封所述对象的一部分或整个区。对象也可以通过其对应的轮廓来加以识别。
在已经识别一个或更多个对象和其轮廓之后,医学图像可以由形态过滤器516进行处理以去除很可能不是脑转移的任何对象。如上文所描述,某一类型的标靶可以具有标靶特异性形态特征,所述形态特征可以用于将特定类型的标靶与其它标靶相区分。举例来说,大部分脑转移类似于类圆形状。因此,如果一个对象不呈圆形或不接近圆形,则所述对象很可能不是脑转移。因此,形态过滤器516可以基于由对象识别器514所识别的一个或更多个对象的形状来排除这些对象。举例来说,形态过滤器516可以确定在对象中所见的凸形缺损的深度来评估所述对象的形状。
图6展示具有凸形缺损的对象的示意性表示。参看图6,对象602可以是已由对象识别器514识别的一个对象,其中所识别的轮廓以围封所述对象的实线形式展示。为了评估对象602的形状,形态过滤器516可以首先确定围封对象602的凸包606,所述凸包示出为图6中的虚线围封体。如图6中所示,凸包606可以可见化为以形状包封形式围绕对象602拉伸的“橡皮圈”。形态过滤器516可以接着确定对象602轮廓中的所有凸形缺损。举例来说,对象602的轮廓具有三个凸形缺损612、614和616,指示轮廓的部分从凸包606向内延伸。对于每个凸形缺损,形态过滤器516可以确定凸形缺损的深度,如深度622、624和626。举例来说,深度可以基于从凸形缺损到凸包的距离来加以确定。在一些实施例中,距离可以从凸包606测量到朝向对象602中心(604)内部最深点。形态过滤器516可以比较所有深度,并且使用最深凸形缺损(例如,622)的深度作为对象602的类圆度(或非类圆度)的指标。
除凸形缺损之外,形态过滤器516还可以确定其它形状相关因子。举例来说,形态过滤器516可以确定对象/轮廓周围的矩形,并且确定所述矩形的面积。接着,形态过滤器516可以确定由对象占据的面积,并且确定由所述对象占据的面积与矩形的面积之间的比率。在另一个实例中,形态过滤器516可以确定凸包的高度和宽度,并且确定所述高度与所述宽度之间的比率。在另一个实例中,形态过滤器516可以确定凸形缺损的数目、当沿着对象轮廓移动时转弯的数目等。所有这些因子都可以用于评估对象的形状,例如确定所述对象是否足够类圆。如果不是,则对象可以从必须进一步分类的候选对象的子集中排除。举例来说,如果在对象中所见的最深凸形缺损的深度超出预定阈值,则形态过滤器516可以确定所述对象很可能不是脑转移。对象可以接着从用于分类目的的候选者子集中排除。在一些实施例中,对象可以通过例如使用背景颜色漫溢填充(flood filling)由对象轮廓围封的区域来从医学图像中去除。在一些实施例中,形态过滤器516可以从候选子集中排除颅骨的轮廓。
返回参看图5,形态过滤器516可以例如基于与待进行分类的标靶相关联的形态特征来从候选子集中排除尽可能多的对象。以这种方式,形态过滤器516有效地减少需要进一步加以处理的对象的数目。因此,形态过滤器516也可以被视为从由对象识别器514所识别的所有对象中选择候选子集(例如,在过滤之后仍剩余的对象)。所选候选子集中的对象可以由对象分类器518分类。在一些实施例中,对象分类器518可以将对象分类到预先确定的形状集合中,所述形状如点、线、圆和复杂形状。可以存储如由对象分类器518所分类的候选子集中的对象/轮廓以及其相应形状以用于进一步处理。
在所有分支都结束处理其相应2D片层之后,处理结果可以由加法器530组合。举例来说,所有2D片层可以按原始次序(例如,沿着Z轴)堆叠在一起。加法器530可以将相邻的轮廓(例如,跨越多个2D片层沿着Z轴相邻)合并成单个轮廓。由每个2D片层获得的处理结果可以由形状验证器540在3D情形下进行验证。形状验证器540可以从由一个或更多个分支进行的处理所产生的候选子集集合中进一步去除或排除对象。举例来说,形状验证器540可以去除被分类为点或线的对象,仅留下被分类为圆和复杂形状的那些对象。在另一个实例中,形状验证器540可以将所有非圆形从其相应子集中去除。在另一个实例中,形状验证器540可以在分类为非圆形的一个或更多个对象的相应子集不包括任何分类为圆形的对象时,将所述分类为非圆形的对象从其相应子集中去除。取决于所期望的查全率(例如,遗漏真标靶的可能性),基于对象的所分类形状类型来去除所述对象可以以更具包括性(例如,去除更少对象)或更具排除性(例如,去除更多对象)的方式进行。特定选择可以取决于在效率与查全率之间的平衡。
形状验证器540还可以在对象不与位于相邻2D片层中的另一个对象相邻时,将所述对象从其相应子集中去除。举例来说,作为类圆对象的脑转移通常将在沿着Z轴彼此紧邻定位的多个相邻2D片层中展示,并且如上文所描述,这些相邻对象可以由加法器530合并。如果在单个2D片层中分离出的对象在相邻片层中不展示相邻对应物,则所述对象很可能不是脑转移。
形状验证器540还可以将彼此成镜像的对象对从其相应子集中去除。这些成镜像的对象很可能是普通脑结构,而不是脑转移。
形状验证器540还可以将位于预先确定的解剖区域处的一个或更多个对象从其相应子集中去除。举例来说,沿着水平中间血管定位的对象很可能不是脑转移。
在由形状验证器540进一步移除对象之后,可以将子集集合中的剩余对象传递到用于分类的标靶分类器550。标靶分类器550可以评估在先前处理中对每个对象确定的因子,并且确定每一个剩余对象的置信度测量值。置信度测量值可以指示特定对象是脑转移的可能性。举例来说,置信度测量值可以基于类圆度的程度、任何凸形缺损的深度、凸形缺损的数目、由对象占据的面积与围封所述对象的矩形的面积之间的比率、凸包的高度与所述凸包的宽度之间的比率等来加以确定。
标靶分类器550可以基于剩余对象的相应置信度测量值来将所述对象分成多个群组。举例来说,可以将具有较高置信度测量值(指示对象非常有可能是脑转移)的对象放置在一级群组562中。类似地,具有较低置信度测量值的对象可以放置在二级群组564中,并且具有甚至更低置信度测量值但仍可能是脑转移的对象可以放置在三级群组566中。每个对象都可以由轮廓界定,并且可以向使用者显示。
图7展示标靶检测***120的示例性输出。如图7中所示,患者脑部的MRI图像的2D片层展示于中心。所述图像包括由突出显示的轮廓界定的经过分类的标靶702。图像下方的条形指示片层在3D片层叠组中的位置(例如,沿着Z轴)以及其中发现有标靶的片层的位置。如由左侧的图例所指示,实心圆形意味着处于所指示位置的2D片层包括一级群组中的标靶,阴影圆形意味着处于所指示位置的2D片层包括二级群组中的标靶,并且白色圆形意味着处于所指示位置的2D片层包括三级群组中的标靶。使用者可以选择片层条形上的特定位置以查看对应的片层。当所选片层包括经过分类的标靶时,所述标靶由突出显示的轮廓展示。
在已经检测标靶之后,剂量测定员、医生或健康护理工作人员可以决定待向所述标靶和接近于所述标靶的解剖结构施加的辐射剂量。在决定每个解剖结构(例如,肿瘤、OAR等)的剂量之后,可以进行被称为逆向计划的过程来确定一个或更多个计划参数,如体积定界(例如,限定标靶体积、轮廓敏感结构)、围绕肿瘤和OAR的边界、剂量约束(例如,对肿瘤为全剂量而对任何OAR为零剂量;对PTV为95%剂量,而脊髓≤45Gy,脑干≤55Gy并且视觉结构<54Gy,等)、射束角度选择、准直器设置以及射束接通时间。逆向计划的结果可以构成放疗治疗计划,所述放疗治疗计划可以存储在治疗计划***110中。放疗装置130可以接着使用所生成的具有这些参数的治疗计划以向患者递送放疗。
图8是示出用于检测标靶的示例性方法800的流程图。在步骤810中,对象识别器514可以识别医学图像(例如,MRI图像)中的多个对象。在步骤820中,形态过滤器516可以基于形态特征(例如,凸形缺损的深度)来选择对象的子集。举例来说,形态过滤器516可以在于对象上所见的最深凸形缺损的深度超出预定阈值,将所述对象从子集中排除。在步骤830中,对象分类器518可以将子集中的对象分类到预先确定的形状集合之一中,所述形状如点、线、圆的形状和复杂形状。在步骤840中,标靶分类器550可以基于子集中经过分类的对象来检测所关注解剖区(例如,脑转移)。
本文描述各种操作或功能,其可以实施为或定义为软件代码或指令。这类内容可以是可直接执行的(“对象”或“可执行”形式)、源代码或差分代码(“δ”或“补丁”代码)。本文中描述的实施例的软件实施方案可以经由其上存储有代码或指令的制品来提供,或经由操作通信接口以经由所述通信接口发送数据的方法来提供。机器或计算机可读存储介质可以使机器进行所描述的功能或操作,并且包括以可由机器(例如,计算装置、电子***等)存取的形式存储信息的任何机制,如可记录/非可记录介质(例如,只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪存装置等)。通信接口包括介接于硬接线(hardwired)、无线、光学等介质以与另一装置通信的任何机制,如存储器总线接口、处理器总线接口、互联网连接、盘控制器等。通信接口可以通过提供配置参数和/或发送信号而被配置成使通信接口准备好提供描述软件内容的数据信号。通信接口可以经由发送给通信接口的一个或更多个命令或信号来加以存取。
本发明还涉及一种用于进行本文操作的***。这一***可以是出于所需目的而专门构造的,或其可以包含通过存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。这类计算机程序可以存储在计算机可读存储介质中,所述计算机可读存储介质如(但不限于)任何类型的盘,包括软盘、光盘、CD-ROM和磁光盘、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁卡或光卡或适合于存储电子指令的任何类型的介质,所述介质各自联接到计算机***总线。
除非另外指明,否则本文所说明和描述的本发明实施例中的操作的执行或进行次序并非至关重要的。也就是说,除非另外指明,否则操作可以按任何次序进行,并且本发明的实施例可以包括比本文所公开的那些更多或更少的操作。举例来说,预期在另一操作之前、与另一操作同时或在另一操作之后执行或进行特定操作都属于本发明各方面的范围内。
本发明的实施例可以用计算机可执行指令来实施。计算机可执行指令可以被组织成一个或更多个计算机可执行组件或模块。本发明的各方面可以使用任何数目的这类组件或模块以及其组织来实施。举例来说,本发明的各方面不限于图中所说明和本文所描述的具体计算机可执行指令或具体组件或模块。本发明的其它实施例可以包括功能比本文所说明和描述的功能更多或更少的不同计算机可执行指令或组件。
词语“包含”、“具有”、“含有”和“包括”以及其它类似形式希望在含义上等同并且被解释为开放式的,因为跟在这些词语后面的一个或更多个项目并不意在是对这类一个或更多个项目的穷尽性列举,也不意在仅限于所列的一个或更多个项目。另外,除非上下文另外明确规定,否则单数形式“一种个/种(a/an)”和“所述”希望包括复数的参考物。
在已经详细描述本发明各方面的情况下,显而易见的是,有可能在不脱离所附权利要求书中所限定的本发明各方面的范围的情况下进行修改和变化。由于可以在不脱离本发明各方面的范围的情况下在上文构造、产品和方法中进行各种改变,因此希望在上文描述中所含有的以及附图中所示的所有主题被解释为说明性的而非表示限制性的含义。
Claims (29)
1.一种用于检测所关注解剖区的***,其包含:
存储计算机可执行指令的存储器装置;和
以通信方式联接到所述存储器装置的至少一个处理器装置,其中当由所述至少一个处理器装置执行时,所述计算机可执行指令使所述处理器装置进行包括以下的操作:
识别医学图像中的多个对象;
通过对所述多个对象应用形态过滤器来选择所述对象的子集,其中所述形态过滤器确定与所述多个对象中的每一个相关联的形态特征,并且当至少一个对象的所述形态特征超出预定阈值时,将所述至少一个对象从所述子集中排除;
将所述子集中的所述对象分类到预先确定的形状集合之一中;和
基于所述子集中经过分类的对象来检测所述所关注解剖区。
2.根据权利要求1所述的***,其中所述所关注解剖区包括脑转移。
3.根据权利要求1所述的***,其中所述形态特征包括凸形缺损的深度,并且所述操作进一步包含:
基于所述凸形缺损到围封对应对象的凸包的距离来确定所述凸形缺损的深度。
4.根据权利要求3所述的***,其中所述对象包括多个凸形缺损,并且所述形态特征包括最深凸形缺损的深度。
5.根据权利要求3所述的***,其中所述操作进一步包含:
基于所述对应对象的轮廓来确定所述凸形缺损。
6.根据权利要求1所述的***,其中所述操作进一步包含:
将从所述子集中排除的所述至少一个对象从所述医学图像中去除。
7.根据权利要求1所述的***,其中所述预先确定的形状集合包括点、线、圆和复杂形状。
8.根据权利要求7所述的***,其中所述操作进一步包含:
将分类为点或线的一个或更多个对象从所述子集中去除;和
在去除所述分类为点或线的一个或更多个对象之后,基于所述子集来检测所述所关注解剖区。
9.根据权利要求1所述的***,其中所述医学图像包括磁共振成像图像即MRI图像。
10.根据权利要求1所述的***,其中所述医学图像包含二维图像即2D图像。
11.根据权利要求10所述的***,其中所述医学图像是三维图像即3D图像的2D片层,所述3D图像包括多个2D片层,并且其中所述操作进一步包含:
通过对多个2D片层中的每一个应用所述形态过滤器来选择所述多个2D片层中的每一个的相应对象子集;
将所述相应子集中的所述对象分类到所述预先确定的形状集合之一中;和
基于对应于所述多个2D片层的所述子集的集合中经过分类的对象来检测所述所关注解剖区。
12.根据权利要求11所述的***,其中所述操作进一步包含对所述子集的所述集合中所述经过分类的对象进行验证,所述验证包括以下中的至少一个:
将分类为非圆形的一个或更多个对象从其相应子集中去除;
当对象不与位于相邻2D片层中的另一个对象相邻时,将所述对象从其对应子集中去除;
将彼此成镜像的对象对从其相应子集中去除;或
将位于预先确定的解剖区域处的一个或更多个对象从其相应子集中去除。
13.根据权利要求12所述的***,其中所述操作进一步包含:
在所述验证之后,确定所述子集的所述集合中每一个剩余对象的置信度测量值,其中所述置信度测量值指示特定对象是所述所关注解剖区的可能性;和
根据所述剩余对象的相应置信度测量值来将所述剩余对象分成多个群组。
14.根据权利要求11所述的***,其中所述至少一个处理器装置包括多个计算核心,并且其中所述操作进一步包含:
由所述多个计算核心中的每一个执行对单独2D片层应用所述形态过滤器。
15.一种用于检测所关注解剖区的方法,所述方法由执行计算机可执行指令的至少一个处理器装置来实施,所述方法包含:
识别医学图像中的多个对象;
通过对所述多个对象应用形态过滤器来选择所述对象的子集,其中所述形态过滤器确定与所述多个对象中的每一个相关联的形态特征,并且当至少一个对象的所述形态特征超出预定阈值时,将所述至少一个对象从所述子集中排除;
将所述子集中的所述对象分类到预先确定的形状集合之一中;和
基于所述子集中经过分类的对象来检测所述所关注解剖区。
16.根据权利要求15所述的方法,其中所述所关注解剖区包括脑转移。
17.根据权利要求15所述的方法,其中所述形态特征包括凸形缺损的深度,并且所述方法进一步包含:
基于所述凸形缺损到围封对应对象的凸包的距离来确定所述凸形缺损的深度。
18.根据权利要求17所述的方法,其中所述对象包括多个凸形缺损,并且所述形态特征包括最深凸形缺损的深度。
19.根据权利要求17所述的方法,其进一步包含:
基于所述对应对象的轮廓来确定所述凸形缺损。
20.根据权利要求15所述的方法,其进一步包含:
将从所述子集中排除的所述至少一个对象从所述医学图像中去除。
21.根据权利要求15所述的方法,其中所述预先确定的形状集合包括点、线、圆和复杂形状。
22.根据权利要求21所述的方法,其进一步包含:
将分类为点或线的一个或更多个对象从所述子集中去除;和
在去除所述分类为点或线的一个或更多个对象之后,基于所述子集来检测所述所关注解剖区。
23.根据权利要求15所述的方法,其中所述医学图像包括磁共振成像图像即MRI图像。
24.根据权利要求15所述的方法,其中所述医学图像包含二维图像即2D图像。
25.根据权利要求24所述的方法,其中所述医学图像是三维图像即3D图像的2D片层,所述3D图像包括多个2D片层,并且所述方法进一步包含:
通过对多个2D片层中的每一个应用所述形态过滤器来选择所述多个2D片层中的每一个的相应对象子集;
将所述相应子集中的所述对象分类到所述预先确定的形状集合之一中;和
基于对应于所述多个2D片层的所述子集的集合中经过分类的对象来检测所述所关注解剖区。
26.根据权利要求25所述的方法,其进一步包含对所述子集的所述集合中所述经过分类的对象进行验证,所述验证包括以下中的至少一个:
将分类为非圆形的一个或更多个对象从其相应子集中去除;
当对象不与位于相邻2D片层中的另一个对象相邻时,将所述对象从其对应子集中去除;
将彼此成镜像的对象对从其相应子集中去除;或
将位于预先确定的解剖区域处的一个或更多个对象从其相应子集中去除。
27.根据权利要求26所述的***,其进一步包含:
在所述验证之后,确定所述子集的所述集合中每一个剩余对象的置信度测量值,其中所述置信度测量值指示特定对象是所述所关注解剖区的可能性;和
根据所述剩余对象的相应置信度测量值来将所述剩余对象分成多个群组。
28.根据权利要求25所述的方法,其中所述至少一个处理器装置包括多个计算核心,并且所述方法进一步包含:
由所述多个计算核心中的每一个执行对单独2D片层应用所述形态过滤器。
29.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质存储指令集,所述指令集可由装置的至少一个处理器执行以使所述装置进行用于检测所关注解剖区的方法,所述方法包含:
识别医学图像中的多个对象;
通过对所述多个对象应用形态过滤器来选择所述对象的子集,其中所述形态过滤器确定与所述多个对象中的每一个相关联的形态特征,并且当至少一个对象的所述形态特征超出预定阈值时,将所述至少一个对象从所述子集中排除;
将所述子集中的所述对象分类到预先确定的形状集合之一中;和
基于所述子集中经过分类的对象来检测所述所关注解剖区。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/423,220 US10223792B2 (en) | 2017-02-02 | 2017-02-02 | System and method for detecting brain metastases |
US15/423,220 | 2017-02-02 | ||
PCT/EP2018/051760 WO2018141607A1 (en) | 2017-02-02 | 2018-01-24 | System and method for detecting brain metastases |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110291537A true CN110291537A (zh) | 2019-09-27 |
Family
ID=61094476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880011829.8A Pending CN110291537A (zh) | 2017-02-02 | 2018-01-24 | 用于检测脑转移的***和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10223792B2 (zh) |
EP (1) | EP3577598B1 (zh) |
CN (1) | CN110291537A (zh) |
WO (1) | WO2018141607A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111358484A (zh) * | 2020-03-23 | 2020-07-03 | 广州医科大学附属第一医院(广州呼吸中心) | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
CN115366711A (zh) * | 2022-07-29 | 2022-11-22 | 哈尔滨工业大学 | 一种基于热红外图像处理的电动汽车无线充电***异物检测***及方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3449830B1 (de) * | 2017-08-31 | 2020-01-29 | Siemens Healthcare GmbH | Steuerung eines medizintechnischen bildgebenden systems |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003070102A2 (en) * | 2002-02-15 | 2003-08-28 | The Regents Of The University Of Michigan | Lung nodule detection and classification |
US20060177125A1 (en) * | 2005-02-08 | 2006-08-10 | Regents Of The University Of Michigan | Computerized detection of breast cancer on digital tomosynthesis mammograms |
CN1838130A (zh) * | 2004-10-08 | 2006-09-27 | 通用电气公司 | Cad***中检查解剖学形状的方法和*** |
CN102656607A (zh) * | 2009-12-16 | 2012-09-05 | 皇家飞利浦电子股份有限公司 | 使用计划收集来发展新的优化的目标 |
CN103298406A (zh) * | 2011-01-06 | 2013-09-11 | 美国医软科技公司 | 用于在功能和解剖级对器官疾病进行治疗规划的***和方法 |
CN104394771A (zh) * | 2012-06-04 | 2015-03-04 | 泰尔哈绍梅尔医学研究基础设施和服务有限公司 | 超声图像处理 |
CN104487859A (zh) * | 2012-06-20 | 2015-04-01 | 皇家飞利浦有限公司 | 用于医学仪器的图形用户界面 |
CN104685970A (zh) * | 2012-09-28 | 2015-06-03 | 吉坤日矿日石能源株式会社 | 检查具有不规则凹凸表面的基板的装置及使用该装置的检查方法 |
CN105138990A (zh) * | 2015-08-27 | 2015-12-09 | 湖北师范学院 | 一种基于单目摄像头的手势凸包检测与掌心定位方法 |
US20150371420A1 (en) * | 2014-06-19 | 2015-12-24 | Samsung Electronics Co., Ltd. | Systems and methods for extending a field of view of medical images |
US20160070949A1 (en) * | 2013-05-14 | 2016-03-10 | Pathxl Limited | Method And Apparatus |
CN106255531A (zh) * | 2014-04-15 | 2016-12-21 | 医科达公司 | 用于校准的方法和*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011014697A1 (en) * | 2009-07-31 | 2011-02-03 | The Translational Genomics Research Institute | Methods of assessing a risk of cancer progression |
GB201316853D0 (en) * | 2013-09-23 | 2013-11-06 | St Georges Hosp Medical School | Analysing MRI Data to Determine tumour type |
CN104657984B (zh) * | 2015-01-28 | 2018-10-16 | 复旦大学 | 三维超声乳腺全容积图像感兴趣区域的自动提取方法 |
-
2017
- 2017-02-02 US US15/423,220 patent/US10223792B2/en active Active
-
2018
- 2018-01-24 EP EP18702191.0A patent/EP3577598B1/en active Active
- 2018-01-24 WO PCT/EP2018/051760 patent/WO2018141607A1/en unknown
- 2018-01-24 CN CN201880011829.8A patent/CN110291537A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003070102A2 (en) * | 2002-02-15 | 2003-08-28 | The Regents Of The University Of Michigan | Lung nodule detection and classification |
CN1838130A (zh) * | 2004-10-08 | 2006-09-27 | 通用电气公司 | Cad***中检查解剖学形状的方法和*** |
US20060177125A1 (en) * | 2005-02-08 | 2006-08-10 | Regents Of The University Of Michigan | Computerized detection of breast cancer on digital tomosynthesis mammograms |
CN102656607A (zh) * | 2009-12-16 | 2012-09-05 | 皇家飞利浦电子股份有限公司 | 使用计划收集来发展新的优化的目标 |
CN103298406A (zh) * | 2011-01-06 | 2013-09-11 | 美国医软科技公司 | 用于在功能和解剖级对器官疾病进行治疗规划的***和方法 |
CN104394771A (zh) * | 2012-06-04 | 2015-03-04 | 泰尔哈绍梅尔医学研究基础设施和服务有限公司 | 超声图像处理 |
CN104487859A (zh) * | 2012-06-20 | 2015-04-01 | 皇家飞利浦有限公司 | 用于医学仪器的图形用户界面 |
CN104685970A (zh) * | 2012-09-28 | 2015-06-03 | 吉坤日矿日石能源株式会社 | 检查具有不规则凹凸表面的基板的装置及使用该装置的检查方法 |
US20160070949A1 (en) * | 2013-05-14 | 2016-03-10 | Pathxl Limited | Method And Apparatus |
CN106255531A (zh) * | 2014-04-15 | 2016-12-21 | 医科达公司 | 用于校准的方法和*** |
US20150371420A1 (en) * | 2014-06-19 | 2015-12-24 | Samsung Electronics Co., Ltd. | Systems and methods for extending a field of view of medical images |
CN105138990A (zh) * | 2015-08-27 | 2015-12-09 | 湖北师范学院 | 一种基于单目摄像头的手势凸包检测与掌心定位方法 |
Non-Patent Citations (1)
Title |
---|
L. BLANCHET等: "《Discrimination between Metastasis and Glioblastoma Multiforme Based on Morphometric Analysis of MR Images》", 《AMERICAN JOURNAL OF NEURORADIOLOGY》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111358484A (zh) * | 2020-03-23 | 2020-07-03 | 广州医科大学附属第一医院(广州呼吸中心) | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
CN111358484B (zh) * | 2020-03-23 | 2021-12-24 | 广州医科大学附属第一医院(广州呼吸中心) | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
CN115366711A (zh) * | 2022-07-29 | 2022-11-22 | 哈尔滨工业大学 | 一种基于热红外图像处理的电动汽车无线充电***异物检测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180218501A1 (en) | 2018-08-02 |
WO2018141607A1 (en) | 2018-08-09 |
US10223792B2 (en) | 2019-03-05 |
EP3577598A1 (en) | 2019-12-11 |
EP3577598B1 (en) | 2022-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6894987B2 (ja) | 適応型放射線療法に対する3次元位置特定及び追跡 | |
AU2022200517B2 (en) | Image synthesis using adversarial networks | |
US10152790B2 (en) | Three dimensional localization of a moving target for adaptive radiation therapy | |
RU2696428C2 (ru) | Система и способ отслеживания целевого объекта с использованием показателя качества во время лучевой терапии | |
CN110291537A (zh) | 用于检测脑转移的***和方法 | |
US20160213948A1 (en) | System and method to create test objects for radiation therapy |
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 |