CN110546685A - 图像分割和分割预测 - Google Patents

图像分割和分割预测 Download PDF

Info

Publication number
CN110546685A
CN110546685A CN201880024057.1A CN201880024057A CN110546685A CN 110546685 A CN110546685 A CN 110546685A CN 201880024057 A CN201880024057 A CN 201880024057A CN 110546685 A CN110546685 A CN 110546685A
Authority
CN
China
Prior art keywords
image
anatomical structure
imaging modality
segmentation
processor
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.)
Granted
Application number
CN201880024057.1A
Other languages
English (en)
Other versions
CN110546685B (zh
Inventor
R·J·威斯
A·格罗特
J·彼得斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN110546685A publication Critical patent/CN110546685A/zh
Application granted granted Critical
Publication of CN110546685B publication Critical patent/CN110546685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T7/174—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
    • G06T2207/10—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
    • G06T2207/10136—3D 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
    • G06T2207/20081—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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20124—Active shape model [ASM]
    • 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
    • G06T2207/30048—Heart; Cardiac

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Geometry (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

提供了用于生成和使用统计数据的***和方法，所述统计数据指示通过第一成像模态采集的图像与通过第二成像模态采集的图像之间的一种类型的解剖结构的形状的差异。然后，该统计数据可以用于修改从通过所述第一成像模态采集的图像获得的所述解剖结构的第一分割结果，以便预测所述第二成像模态中的所述解剖结构的形状，或者通常基于所述统计数据和所述第一分割结果来生成所述解剖结构的第二分割结果，就像所述解剖结构出现在所述第二成像模态中一样。

Description

图像分割和分割预测
技术领域
本发明涉及用于图像分割的***和计算机实施的方法以及用于生成要在图像分割中使用的统计数据的***和计算机实施的方法。本发明还涉及包括统计数据的计算机可读介质、包括这两种***中的任一者或两者的工作站和成像装置，以及包括用于令处理器***执行这两种方法中的任一者或两者的指令的计算机可读介质。
背景技术
在临床实践中，通常使用不同的成像模态来诊断或处置患者。也就是说，不同的成像模态可以示出患者的解剖结构的不同方面。正因如此，可能必须比较或者通常考虑来自不同成像模态的图像数据。一个非限制性示例是血管造影很好地示出了冠状动脉，但是心脏本身只是一个阴影。正因如此，可以在计算机断层摄影(CT)图像或磁共振(MR)图像中对心脏进行分割，然后将分割结果叠加在X射线图像或血管造影照片上以支持引导。
如果来自不同成像模态的这种图像数据可用，则可能期望跨这种不同成像模态来获得解剖结构(例如，器官或其部分)的分割结果。例如，Chowdhury等人在标题为“Concurrent segmentation of the prostate on MRI and CT via linked statisticalshape models for radiotherapy planning”(Med.Phys.，第39卷，第4期，2012年4月)的文章中描述了用于建立链接的统计形状模型(LSSM)的框架，该模型被称为将感兴趣结构(SOI)的形状变化跨多种成像模态进行链接的统计形状模型(SSM)。文章还介绍，在可能不容易得到或者很难获得在这些模态中的一种模态上对SOI的准确边界描画的情况下，该框架对于训练SSM特别有用。
然而，来自特定成像模态的图像数据可能并不总是可用。尽管如此，可能仍然期望获得特定成像模态中的解剖结构的形状以例如进行测量，对其形状进行可视化等。
发明内容
获得即使在没有来自特定成像模态的图像可用的情况下也能提供在该特定成像模态中的解剖结构的分割结果的***和方法将是有利的。
本发明的以下方面涉及：a)生成和b)使用统计数据，该统计数据指示通过第一成像模态采集的图像与通过第二成像模态采集的图像之间的解剖结构的类型的形状的差异。然后，该统计数据可以用于修改从通过第一成像模态采集的图像获得的解剖结构的第一分割结果，以便预测第二成像模态中的解剖结构的形状，或者通常基于统计数据和第一分割结果来生成解剖结构的第二分割结果，就像解剖结构出现在第二成像模态中一样。
本发明的第一方面提供了一种被配置用于图像分割的***，包括：
图像数据接口，其被配置为访问患者的解剖结构的图像，其中，所述图像是通过第一成像模态采集的；
存储器，其包括表示指令集的指令数据；
处理器，其被配置为与所述图像数据接口和所述存储器通信并运行所述指令集，其中，所述指令集在由所述处理器运行时令所述处理器执行以下操作：
分割所述图像以获得所述患者的所述解剖结构的第一分割结果；
访问统计数据，所述统计数据指示a)通过所述第一成像模态采集的图像与b)通过第二成像模态采集的图像之间的这种类型的解剖结构的形状的差异；并且
基于所述第一分割结果和所述统计数据来生成所述解剖结构的第二分割结果，所述第二分割结果表示通过所述第二成像模态采集的图像中的所述患者的所述解剖结构的形状的估计结果。
本发明的另外的方面提供了一种被配置用于生成用于在图像分割中使用的统计数据的***，包括：
图像数据接口，其被配置为访问一种类型的解剖结构的第一图像集和第二图像集，其中，所述第一图像集是通过第一成像模态采集的，并且所述第二图像集是通过第二成像模态采集的；
存储器，其包括表示指令集的指令数据；
处理器，其被配置为与所述图像数据接口和所述存储器通信并运行所述指令集，其中，所述指令集在由所述处理器运行时令所述处理器执行以下操作：
分割所述第一图像集的个体图像以获得所述类型的解剖结构的第一分割结果集合；
分割所述第二图像集的个体图像以获得所述类型的解剖结构的第二分割结果集合；
基于所述第一分割结果集合和所述第二分割结果集合来生成统计数据，所述统计数据指示a)通过所述第一成像模态采集的图像与b)通过所述第二成像模态采集的图像之间的所述类型的解剖结构的形状的差异。
本发明的另外的方面提供了一种包括这两种***中的任一者或两者的工作站或成像装置。本发明的另外的方面提供了一种包括由***生成的统计数据的计算机可读介质。
本发明的另外的方面提供了一种用于图像分割的计算机实施的方法，包括：
访问患者的解剖结构的图像，其中，所述图像是通过第一成像模态采集的；
分割所述图像以获得所述患者的所述解剖结构的第一分割结果；
访问统计数据，所述统计数据指示a)通过所述第一成像模态采集的图像与b)通过第二成像模态采集的图像之间的这种类型的解剖结构的形状的差异；并且
基于所述第一分割结果和所述统计数据来生成所述解剖结构的第二分割结果，所述第二分割结果表示通过所述第二成像模态采集的图像中的所述患者的所述解剖结构的形状的估计结果。
本发明的另外的方面提供了一种用于生成用于在图像分割中使用的统计数据的计算机实施的方法，所述方法包括：
访问一种类型的解剖结构的第一图像集和第二图像集，其中，所述第一图像集是通过第一成像模态采集的，并且所述第二图像集是通过第二成像模态采集的；
分割所述第一图像集的个体图像以获得所述类型的解剖结构的第一分割结果集合；
分割所述第二图像集的个体图像以获得所述类型的解剖结构的第二分割结果集合；并且
基于所述第一分割结果集合和所述第二分割结果集合来生成统计数据，所述统计数据指示a)通过所述第一成像模态采集的图像与b)通过所述第二成像模态采集的图像之间的所述类型的解剖结构的形状的差异。
本发明的另外的方面提供了一种计算机可读介质，包括表示指令的瞬态或非瞬态数据，所述指令被布置为令处理器***执行这两种计算机实施的方法中的任一者或两者。
上述措施涉及生成统计数据，该统计数据指示通过两种不同的成像模态采集的图像之间的特定类型的解剖结构(例如，器官、器官的部分、组织等)的形状的差异(例如，表面下的实际的或“真实的”解剖结构的物理形状的差异)。例如，可以通过超声来采集第一图像集，并且可以通过MRI来采集第二图像集。解剖结构的形状不仅可以例如因患者的变异性而在给定的图像集上变化或者当涉及同一患者时解剖结构的形状随时间变化，而且还可以在不同的成像模态之间***地变化。这里，术语“***的”是指不属于在整个图像上的解剖结构中的例如因上述患者的变异性引起的偶然差异的差异，而是指解剖结构的形状在两种成像模态之间在结构上产生的差异。例如，这种***性差异可能是因以下因素引起的：两种成像模态采用不同的成像几何，在成像模态中的一种成像模态中解剖结构的部分不那么明显可见等。也可能存在这种***性差异的各种其他原因。
在已经获得了具有相同类型的解剖结构但通过不同的成像模态采集的两个图像集之后，可以如下确定两种成像模态之间的形状的差异。也就是说，可以在每幅图像中分割解剖结构以获得分割结果。例如，可以使用网格模型来分割解剖结构。这种分割可以提供解剖结构的形状的几何描述，这继而允许容易地分析形状。然后可以使用统计分析来确定来自两种成像模态的分割结果之间的差异。一个非限制性示例是，可以例如以平均形状网格模型的形式确定每种成像模态中的解剖结构的平均形状，然后通过比较两个平均形状来确定差异。然而，也可以使用各种其他方式来确定两个分割结果集合之间的差异，这在技术人员的能力范围之内。这里，可以使用来自统计分析领域的已知技术。
在已经确定了第一成像模态与第二成像模态之间的解剖结构的形状的差异之后，可以以统计数据的形式使用该差异。这可以允许已经访问了来自第一成像模态的图像的***预测解剖结构的形状，就像该解剖结构出现在来自第二成像模态的图像中一样，即使第二成像模态中的图像不可用时也可以实现上述预测。也就是说，可以在图像中分割解剖结构，然后基于统计数据对分割结果进行修改，以获得可能反映第二成像模态中的解剖结构的形状的解剖结构的分割结果。替代地，可以例如使用统计数据和第一分割结果来直接生成第二分割结果，而无需实际修改第一分割结果。
上述措施具有以下效果：即使在没有来自特定成像模态的图像可用的情况下也可以获得在该特定成像模态中的解剖结构的分割结果。即使该分割结果可以表示估计结果或预测结果，而不是对解剖结构的实际形状的描画，在各种情况下这也仍然是有利的。例如，即使两种不同的成像模态之间的解剖结构的形状可能大致相似，可能仍然期望以一种特定的成像模态来进行测量，以例如允许与针对该成像模态已经确定的“金标准”进行比较或者通常提高测量结果的可比性。
应当理解，只要生成和/或可获得适当的统计数据，上述措施还可以用于预测另外的成像模态(例如，第三和后续成像模态)中的解剖结构的形状。
任选地，所述指令集在由所述处理器运行时令所述处理器根据所述解剖结构的所述第二分割结果来计算测量结果。例如，所述测量结果可以是体积测量结果、距离测量结果、面积测量结果、曲率测量结果、周长测量结果、直径测量结果，或这些测量结果中的一项或多项的组合。因此，该***可以根据第二成像模态中的解剖结构的预测形状来计算测量结果。如前所述，这可以提高测量结果的可比性，例如，当已经进行了过去的测量时或者已经使用第二成像模态确定了“金标准”时，这就可以提高测量结果的可比性。
任选地，所述图像是介入前图像，并且所述指令集在由所述处理器运行时令所述处理器将所述解剖结构的所述第二分割结果叠加在通过所述第二成像模态采集的介入图像上。这表示第二分割结果的另一有利用途。也就是说，可以根据介入前图像来确定解剖结构的形状，然后使用统计数据将上述解剖结构的形状转换为介入图像中的预期形状，并且最终将上述预期形状叠加在这种图像上。在介入图像本身不能被分割的情况(例如因分割在计算上过于复杂而不能实时执行，或者因介入图像的图像质量不足以允许进行这种分割)下，这可以是有利的。
任选地，所述第一图像集和所述第二图像集包括图像对集合，其中，每个图像对均包括通过所述第一成像模态采集的图像和通过所述第二成像模态采集的图像，其中，图像对中的两幅图像均属于同一患者。通过使用与相同的解剖结构有关的图像对，可以更准确地估计成像模态之间的形状的差异，这是因为成像模态对差异起主要作用。这种有利效果甚至在两幅图像不是同时采集的或者不是在相同检查期间采集的情况下也能实现，因为解剖结构本身的差异通常相对较小(例如小于患者之间的差异)。
任选地，所述指令集在由所述处理器运行时令所述处理器通过对所述第一分割结果集合和所述第二分割结果集合同时执行主成分分析来生成所述统计数据。已经发现，主成分分析(PCA)非常适合于确定所述类型的解剖结构的不同分割结果集合之间的差异。
任选地，所述指令集在由所述处理器运行时令所述处理器通过以下操作来生成所述统计数据：
根据所述第一分割结果集合来计算所述类型的解剖结构的第一平均形状；
根据所述第二分割结果集合来计算所述类型的解剖结构的第二平均形状；
根据所述第一分割结果集合与所述第一平均形状之间的差异以及所述第二分割结果集合与所述第二平均形状之间的差异来构建用于所述主成分分析的矩阵A；
基于所述第一平均形状、所述第二平均形状以及矩阵AAt的特征向量来生成所述统计数据。
任选地，所述指令集在由所述处理器运行时令所述处理器在执行所述主成分分析之前使所述第一分割结果集合相互配准，使所述第二分割结果集合相互配准，并且使所述第一平均形状与所述第二平均形状相互配准。通过在分割结果之间执行配准，统计分析可以集中于分割结果的形状的差异而不是分割结果的位置的差异。例如，第一分割结果集合可以全部与第一平均形状配准，第二分割结果集合可以全部与第二平均形状配准，并且第一平均形状与第二平均形状可以相互配准。因此，所有(平均)分割结果可以相互配准。
任选地，所述指令集在由所述处理器运行时令所述处理器使用基于模型的分割结果来生成所述第一分割结果集合和/或所述第二分割结果集合。
本领域技术人员应当理解，可以以认为有用的任何方式来组合本发明的上述实施例、实施方式和/或任选方面中的两个或更多个。
本领域技术人员能够基于本说明书来执行与两种***中的任一者或两者的所描述的修改和变型相对应的工作站、成像装置、两种计算机实施的方法中的任一种方法和/或计算机程序产品的修改和变型。
本领域技术人员应当理解，所述***和方法可以应用于通过各种采集模态采集的图像数据，所述各种采集模态例如但不限于标准X射线成像、计算机断层摄影(CT)、磁共振成像(MRI)、超声(US)、正电子发射断层摄影(PET)、单光子发射计算机断层摄影(SPECT)以及核医学(NM)。
附图说明
参考附图并且参考通过在以下描述中以示例的方式描述的实施例，本发明的这些方面和其他方面将变得显而易见并且得到阐明，在附图中：
图1示出了用于生成统计数据的***；
图2示出了用于基于统计数据来进行分割的***；
图3A示出了针对舒张末期心脏相位的从超声图像的心脏分割获得的网格模型与从磁共振图像的心脏分割获得的网格模型之间的缩放因子的直方图；
图3B示出了用于心脏分割的网格模型，其中，灰度级指示针对舒张末期心脏相位的超声网格模型与磁共振网格模型之间的平均欧几里得点到面距离；
图4A对应于图3A，但是针对的是收缩末期心脏相位；
图4B对应于图3B，但是针对的是收缩末期心脏相位；
图5示出了用于生成统计数据的方法；
图6示出了用于基于统计数据来进行分割的方法；并且
图7示出了包括非瞬态数据的计算机可读介质。
应当注意，这些附图仅是示意性的且并未按比例绘制。在附图中，与已经描述过的元件相对应的元件可以具有相同的附图标记。
附图标记列表
提供了以下附图标记列表来促进对附图的解读，并且不应将该列表解释为对权利要求的限制。
010 图像存储库
012 数据通信
020 第一图像集
025 第二图像集
030 统计数据
040 图像存储库
042 数据通信
050 图像
060 显示器
062 显示器数据
080 用户输入设备
082 用户输入数据
100 用于生成统计数据的***
120 图像数据接口
122 内部数据通信
140 处理器
142 内部数据通信
160 存储器
200 用于分割的***
220 图像数据接口
222 内部数据通信
240 处理器
242、244 内部数据通信
260 存储器
280 用户接口子***
282 显示器处理器
284 用户输入接口
300、302 缩放因子的直方图
310、312 表示缩放因子的分箱
320、322 发生
350、352 US网格与MR网格之间的点到面距离
400 用于生成统计数据的方法
410 访问第一图像集和第二图像集
420 分割第一图像集
430 分割第二图像集
440 生成统计数据
500 用于图像分割的方法
510 访问患者的图像
520 访问统计数据
530 分割图像
540 生成第二分割结果
600 计算机可读介质
610 非瞬态数据
具体实施方式
描述了用于生成和使用统计数据的***和方法，所述统计数据指示通过第一成像模态采集的图像与通过第二成像模态采集的图像之间的一种类型的解剖结构的形状的差异。然后，该统计数据可以用于修改从通过第一成像模态采集的图像获得的解剖结构的分割结果，以便预测第二成像模态中的解剖结构的形状。因此，统计数据也可以被称为“形状差异数据”，但是在本说明书中被称为统计数据，这是因为它是基于对分割结果集合的统计分析而生成的。
图1示出了用于生成统计数据的***100。***100被示为包括图像数据接口120，图像数据接口120被配置为经由数据通信012来访问一种类型的解剖结构的第一图像集020和第二图像集025，其中，这两个集合中的每个集合是通过不同的成像模态采集的。在图1的示例中，图像数据接口120被示为连接到外部图像存储库010，外部图像存储库010包括图像集020、025的图像数据。例如，图像储存库010可以由医院信息***(HIS)的图片存档和通信***(PACS)构成或者作为其部分，***100可以连接到HIS或者被包括在HIS中。因此，***100可以经由HIS获得对图像集020、025的访问。替代地，可以从***100的内部数据存储设备访问图像集020、025。通常，图像数据接口120可以采用各种形式，例如，到局域网或广域网(例如，互联网)的网络接口，到内部或外部数据存储设备的存储接口等。
***100还被示为包括处理器140和存储器160，处理器140被配置为经由数据通信122与图像数据接口120内部通信，处理器140能经由数据通信142来访问存储器160。
处理器140可以被配置为在***100的操作期间：分割第一图像集020的个体图像以获得该类型的解剖结构的第一分割结果集合；分割第二图像集025的个体图像以获得该类型的解剖结构的第二分割结果集合；并且基于第一分割结果集合和第二分割结果集合来生成统计数据030，统计数据030指示a)通过第一成像模态采集的图像与b)通过第二成像模态采集的图像之间的该类型的解剖结构的形状的差异。图1示出统计数据030是由处理器140输出的。例如，统计数据030可以被存储在存储器160中或另一内部或外部存储介质中。额外地或替代地，***100可以包括用于将统计数据030输出到例如另一***的输出接口。
图2示出了用于基于统计数据来进行分割的***200。***200被示为包括图像数据接口220，图像数据接口220被配置为经由数据通信042来访问通过第一成像模态采集的图像050。图像数据接口220可以但不必是与图1的***的图像数据接口相同类型的接口。在图2的示例中，图像数据接口120被示为连接到包括图像050的图像数据的外部图像存储库040。图像储存库040可以但不必是与参考图1的***描述的图像储存库相同类型的储存库。
***100还被示出为包括处理器240、存储器260以及用户接口子***280，处理器240被配置为经由数据通信222与图像数据接口220内部通信，处理器240能经由数据通信242来访问存储器260，用户接口子***280具有显示器处理器282和用户输入接口284，用户接口子***280被配置为经由数据通信244与处理器240内部通信。
处理器240可以被配置为在***200的操作期间：分割图像050以获得患者的解剖结构的第一分割结果；访问统计数据，该统计数据指示a)通过第一成像模态采集的图像与b)通过第二成像模态采集的图像之间的该类型的解剖结构的形状的差异；并且基于第一分割结果和统计数据来生成解剖结构的第二分割结果，该第二分割结果表示通过第二成像模态采集的图像中的患者的解剖结构的形状的估计结果。虽然统计数据本身并未在图2中示出，但是***200也可以从存储介质(例如，存储器260或另一存储介质，包括但不限于网络可访问的存储介质)访问该统计数据。为此，***200可以包括输入接口(未示出)，例如，网络接口。
用户接口子***280可以被配置为在***200的操作期间：使得用户能够经由图形用户接口与***200交互。为此，显示器处理器282可以被配置为生成用于显示器060的显示器数据062，以便向用户显示图形用户接口。图形用户接口可以由接口指令集来表示，该接口指令集作为能由显示器处理器282访问的数据被存储在存储器(例如，***200的存储器260或另一存储器)中。用户输入接口284可以被配置为接收来自用户可操作的用户设备080的用户输入数据082。用户输入设备080可以采用各种形式，包括但不限于计算机鼠标、触摸屏、键盘、麦克风等。图2示出用户输入设备为计算机鼠标080。通常，用户输入接口284可以是与用户输入设备080的类型相对应的类型，即，用户输入接口284可以是与用户设备接口284的类型相对应的类型。
通常，图1和图2的***中的每个***都可以被实施为设备或装置(例如，工作站或成像装置)或者被实施在设备或装置(例如，工作站或成像装置)中。该设备或装置可以包括运行适当软件的一个或多个(微)处理器。每个***的处理器都可以由这些(微)处理器中的一个或多个来实施，或者由同一(微)处理器来实施。实施每个***的功能的软件可以已经被下载和/或存储在对应的一个或多个存储器中，例如被存储在诸如RAM之类的易失性存储器或诸如闪速存储器之类的非易失性存储器中。替代地，每个***的处理器可以以可编程逻辑单元的形式(例如作为现场可编程门阵列(FPGA))在设备或装置中实施。图像数据接口和用户输入接口可以由设备或装置的相应接口来实施。通常，每个***的每个单元都可以以电路的形式实施。注意，每个***也可以以分布式方式来实施，例如涉及不同的设备或装置。例如，该分布可以根据客户端-服务器模型来进行，例如使用服务器和瘦客户机工作站来进行。
图3A-4B指示了根据从通过第一成像模态采集的图像获得的解剖结构的分割结果来预测第二成像模态中的解剖结构的形状的相关性。也就是说，在临床实践中，经常对来自不同模态的图像数据进行测量。这种测量的示例是心脏左心室或主动脉瓣开口面积的射血分数。根据测量值是高于还是低于某个阈值，可以诊断出疾病并且可以进行处置。
然而，已经发现，取决于进行测量的成像模态，结果存在***性差异。这是通过比较磁共振(MR)分割结果集合和对应的超声(US)分割结果而得到的，其中包括将US网格与患者集合的对应的MR网格进行比较。在将MR网格与US网格逐对比较之前，通过应用基于点的变换(包括旋转、平移并且根据比较的类型还包括缩放)将US网格配准到MR网格。所有配准都针对左心室进行，这是因为两种成像模态中的任一种都不能完全覆盖右心室和右心房。
比较了基于刚性点的变换(包括缩放)的缩放因子，并且在图3A和图4A中分别示出了针对舒张末期(ED)心脏相位和收缩末期(ES)心脏相位的缩放因子，其中，每幅图都示出了在变换中使用的缩放因子310、312的直方图300、302，并且垂直轴指示特定的缩放因子的发生320、322。能够看出，从超声图像获得的网格模型与从磁共振图像获得的网格模型之间存在***性差异，其中，后者趋于比前者更大(由正缩放因子表示)。也就是说，针对舒张末期心脏相位，MR网格趋于比US网格更大，从而得到约10％至30％的缩放因子，平均值为8.74％。收缩末期的缩放因子在20％至25％之间变化，平均值为5.21％。
执行第二配准以研究MR网格与US网格之间的欧几里得距离。针对第二配准，应用了没有缩放的基于刚性点的配准(旋转和平移)。针对MR网格中的每个三角形，通过计算三角形中心之间的欧几里得距离来确定US网格中最接近的三角形。然后，在所有分割结果上对每个三角形的欧几里得距离取平均，并且在图3B和图4B中描绘每个三角形的欧几里得距离，其中，灰度级指示针对舒张末期心脏相位(图3B)的收缩期末期心脏相位(图4B)的超声网格模型和磁共振网格模型之间的平均欧几里得点到面距离。虽然此处的平均欧几里得点到面距离的精确幅值(例如几毫米)并不特别相关，但是能够看出这些差异是局部分布的，而不是整体均匀的，这表明存在形状的差异而不只是大小不同。
可以补偿这种形状的差异，或者具体是可以根据从通过第一成像模态采集的图像获得的解剖结构的分割结果来预测第二成像模态中的解剖结构的形状，这将在下面进行描述。这里给出了示例性实施例，该示例性实施例被认为是说明性的，而不是限制本发明，在不脱离权利要求书所阐述的本发明的范围的情况下，可以对该示例性实施例进行修改。
可以假定可获得两种成像模态的S个对应的分割结果集合，其示出处于对应状态的感兴趣解剖结构，其中，感兴趣解剖结构处于下面描述的器官中。在心脏图像的情况下，对应的状态例如可以处于同一心脏相位，或者通常在图像的采集之间没有介入。
基于模型的分割结果可以用于分割器官并在器官表面上生成对应的点集。Ecabert等人在“Automatic Model-based Segmentation of the Heart in CT Images”(IEEE Transactions on Medical Imaging，2008年，第27卷，第9期，第1189-1201页)中描述了这种基于模型的分割的示例。Kaus等人在“Automated 3-D PDM construction fromsegmented images using deformable models”(IEEE Transactions on MedicalImaging，2003年，第22卷，第8期，第1005-1013页)中描述了器官表面上的M个对应点集的示例。在特定示例中，可以使用形状受约束的可变形模型，例如在Weese等人的“Shape-constrained deformable models and applications in medical imaging”(LectureNotes in Computational Vision and Biomechanics，第14卷，第151-184页，2014年)中就描述了一种形状受约束的可变形模型，该可变形模型可以利用关于对象形状的先验知识，类似于主动形状模型，但是也可以像主动轮廓模型一样灵活。
通常，在两种成像模态中使用的模型可以是相同的，例如具有相同的几何形状和细节水平，但是在它们的几何形状和/或细节水平上也可以不同。后一种情况的示例是，针对MR，可以使用形状受约束的可变形电影模型，其可以具有7284个顶点和14767个三角形，而针对超声，可以使用形状受约束的可变形模型，其可以具有2411个顶点和5126个三角形，因此，与MR模型相比，其结构更为粗糙。
通常，分割可以得到被表示为点分布模型(PDM)的感兴趣器官的形状。第一图像模态的PDM或网格可以包括M个顶点，而第二图像模态的网格可以包括N个顶点。每个顶点都可以表示描述空间中位置的三维向量，并且可以被表示为其中，i是指示患者数据集的指数(i∈{1,…,S})，而v指示PDM的顶点编号(v∈{1,…,M})或(v∈{1,…,N})。然后可以将第一成像模态的网格和第二成像模态的网格定义为：
其涉及第一成像模态
其涉及第二成像模态
作为第一处理步骤，可以选择具有典型器官形状的患者j∈i＝1,…,S，并且可以执行基于刚性点的配准：
xj＝Ryj+T
将第二成像模态的网格yj配准到第一成像模态xj，从而得到经配准的网格R是旋转矩阵，并且T是平移向量。可能不需要涉及缩放的变换，这是因为可以通过差异的形状模型对大小差异进行建模，这在下面进行描述。
在下一步骤中，剩余的网格xi(i≠j)可以与所选择的患者xj对齐，并且剩余的网格yi(i≠j)可以与经配准的参考网格对齐。这种对齐可以涉及基于刚性点的配准(旋转和平移)，得到和
接下来，可以如下计算两种模态的平均网格：
并且
并且，对矩阵AAt的特征值分析可以通过以下方式进行：
现在，可以根据以下条件来近似得到感兴趣器官的形状：
其中，k＝1,…,p指p个最大特征向量，并且μk和νk分别指第一图像模态和第二图像模态的对应的归一化特征向量。特征值的数量p由p＝S-1来确定，并且wk是权重。
然后可以将两种成像模态之间的形状的差异计算为：
上述步骤可以由图1的***来执行。这样做之后，可以生成统计数据，这使得图2的***和类似的***能够基于统计数据和从通过第一成像模态采集的图像获得的第一分割结果来生成解剖结构的分割结果，该分割结果就像解剖结构出现在通过第二成像模态采集的图像中一样。例如，统计数据可以包括属于p个最大特征向量的矩阵AAt的特征向量以及平均网格和基于该描述，技术人员可以实现生成这种统计数据的各种替代方案。
图2的***或类似的***然后可以执行以下步骤。在给定通过第一成像模态采集的非训练图像的情况下，可以使用例如先前描述的基于模型的分割来分割器官。这可以实现对第一图像模态的具有M个顶点的感兴趣器官的分割：
在第一步骤中，可以将给定的网格配准到第一成像模态的平均网格，从而得到经配准的网格可以通过使用平均网格和特征向量的加权和来近似得到器官的形状：
可以基于以下公式来计算可以提供对新网格的最佳近似结果的权重
这样可以使近似网格与原始网格之间的差异最小化。这里，在“＝”上的符号“！”表示等式应为零。在并且M＝(μ1 μ2 … μp)的情况下，这可以被重写为：
可以通过应用QR分解来确定该超定***的加权因子如在约翰·霍普金斯大学出版社于1983年出版的第三版“Matrix computations”手册中所描述的那样。
通过对先前描述的形状差异y-x进行重新公式化，现在可以通过以下公式来近似得到像在第二成像模态中观察到的器官形状：
注意，如果第一成像模态的网格的顶点的数量和第二成像模态的网格的顶点的数量不相同(M≠N)，则可以在应用该公式之前调整这些顶点数量，例如通过使用将US网格的左心室的顶点映射到MR网格中的左心室的对应的顶点的映射来调整这些顶点数量。
应当理解，基于该描述，技术人员能够想到并实现生成和使用该统计数据的各种替代方案。特别地，其他各种统计分析技术也可以代替主成分分析(PCA)，包括但不限于采用具有Orthomax的PCA、稀疏PCA、独立成分分析、最大自相关因子(MAF)分析、内核PCA等。此外，除了线性特征值分解之外，还可以使用非线性分解。例如，可以使用如Heimann等人在“Statistical shape models for 3D medical image segmentation:A review”(医学图像分析，第13卷，2009年，第543-563页)(通过引用将其关于平均形状的生成的内容并入本文)的第3.2章介绍的任何合适的非线性特征值分解。
示例性用例包括但不限于以下内容。
在针对图像调整了网格模型之后，可以根据由对应的网格结构包围的体积来计算诸如心腔体积或脑结构体积之类的体积测量结果。类似地，可以根据网格结构来导出直径测量结果等。所描述的方法允许近似地计算像在第二成像模态中观察到的测量结果，或者提供关于不同成像模态之间的测量变化的信息。当使用了不同的成像模态时，该信息可能对例如评估疾病进展或处置结果的跟进研究有帮助。
例如，临床测量的临床指南和建议(例如，左心室射血分数的阈值)通常是针对特定成像模态定义的，但是这些临床指南和建议却用于独立于该特定成像模态的临床实践，这是因为使用若干成像模态进行诊断或临床处置计划费力又费钱。这可能导致测量结果不准确或错误，因为所测量的量(例如在大小或形状方面)可能在不同的成像模态之间会变化。所描述的方法允许近似地计算像在第二成像模态中观察到的测量结果。
为了进行介入引导，通常将一种成像模态的术前采集模型叠加到第二成像模态的介入图像上。所描述的方法允许补偿两种模态之间的形状差异并且以提高的准确度在介入图像上生成术中叠加物。
图5示出了用于生成统计数据的计算机实施的方法400。注意，方法400可以但不是必须对应于参考图1等附图描述的***100的操作。
方法400包括：在标题为“访问第一图像集和第二图像集”的操作中访问410一种类型的解剖结构的第一图像集和第二图像集，其中，第一图像集是通过第一成像模态采集的，并且第二图像集是通过第二成像模态采集的。方法400还包括：在标题为“分割第一图像集”的操作中分割420第一图像集的个体图像以获得该类型的解剖结构的第一分割结果集合。方法400还包括：在标题为“分割第二图像集”的操作中分割430第二图像集的个体图像以获得该类型的解剖结构的第二分割结果集合。方法400还包括：在标题为“生成统计数据”的操作中，基于第一分割结果集合和第二分割结果集合来生成440统计数据，该统计数据指示a)通过第一成像模态采集的图像与b)通过第二成像模态采集的图像之间的该类型的解剖结构的形状的差异。例如，生成440可以包括生成统计数据，该统计数据指示通过第一模态和第二模态成像的表面下的(例如，实际的或真实的)解剖结构的物理形状的差异。如上所述，形状的差异表示可能因例如第一图像模态比第二图像模态对解剖结构的不同部分的成像或多或少更清晰而引起的物理解剖结构(例如，正在成像的解剖结构)形状的差异。
图6示出了用于基于统计数据进行分割的计算机实施的方法500。注意，方法500可以但不是必须对应于参考图2等附图描述的***200的操作。
方法500包括：在标题为“访问患者的图像”的操作中访问510患者的解剖结构的图像，其中，该图像是通过第一成像模态采集的。方法500还包括：在标题为“访问统计数据”的操作中访问520统计数据，该统计数据指示a)通过第一成像模态采集的图像与b)通过第二成像模态采集的图像之间的该类型的解剖结构的形状的差异。操作520可以包括访问使用如上所述的方法400生成的统计数据。方法500还包括：在标题为“分割图像”的操作中分割530图像以获得患者的解剖结构的第一分割结果。方法500还包括：在标题为“生成第二分割结果”的操作中基于第一分割结果和统计数据来生成540解剖结构的第二分割结果，该第二分割结果表示对在通过第二成像模态采集的图像中患者的解剖结构的形状的估计结果。
应当理解，可以以任何适当的顺序(例如，相继、同时或其组合)执行图5和图6所示的操作，但是在适用的情况下，例如具有输入/输出关系时，必须以特定的顺序执行图5和图6所示的操作。
每种方法都可以被实施为在计算机上的计算机实施的方法，被实施为专用硬件或者被实施为这二者的组合。还如图7所示，用于计算机的指令(例如，可执行代码)可以例如以一系列机器可读物理标记610的形式和/或作为具有不同的电学，例如磁性或光学属性或值的一系列元件而被存储在计算机可读介质600上。可执行代码可以以瞬态或非瞬态的方式进行存储。计算机可读介质的示例包括存储器设备、光学存储设备、集成电路、服务器、在线软件等。图7示出了光盘600。
无论是否被指示为非限制性，示例、实施例或任选的特征均不应被理解为对要求保护的本发明的限制。
应当理解，本发明也适用于适于将本发明付诸实践的计算机程序，特别是载波上或载波中的计算机程序。程序可以为源代码、目标代码、代码中间源以及为部分编译形式的目标代码的形式，或者为适合于在根据本发明的方法的实施方式中使用的任何其他形式。也应当理解，这种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成一个或多个子例程。将功能分布在这些子例程之中的许多不同方式对本领域技术人员来说将是显而易见的。子例程可以被一起存储在一个可执行文件中，以形成自含程序。这种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)。替代地，子例程中的一个或多个或全部可以被存储在至少一个外部库文件中，并且例如在运行时间时被静态地或动态地与主程序链接。主程序包含对子例程中的至少一个的至少一次调用。子例程也可以包括彼此的功能调用。涉及计算机程序产品的实施例包括对应于在本文中阐述的方法中的至少一个的每个处理步骤的计算机可执行指令。这些指令可以被细分成子例程和/或被存储在可以被静态地或动态地链接的一个或多个文件中。涉及计算机程序产品的另一实施例包括对应于在本文中阐述的***和/或产品中的至少一个的每个单元的计算机可执行指令。这些指令可以被细分成子例程和/或被存储在可以被静态地或动态地链接的一个或多个文件中。
计算机程序的载体可以为能够承载程序的任何实体或设备。例如，载体可以包括存储介质，例如，ROM(例如，CD ROM或半导体ROM)，或者磁性记录介质(例如，硬盘)。此外，载体可以为可传输载体，例如，电信号或光信号，它们可以经由电缆或光缆或通过无线电或其他手段来传送。当程序被实施在这种信号中时，载体可以包括这种线缆或其他设备或器件。替代地，载体可以为程序被嵌入其中的集成电路，所述集成电路适于执行相关的方法，或者适于在对相关的方法的执行中使用。
应当注意，上面提及的实施例是图示而非限制本发明，并且本领域技术人员将能够设计许多替代实施例，而不偏离权利要求的范围。在权利要求中，置于括号内的任何附图标记均不应被解读为对权利要求的限制。动词“包括”及其词性变化的使用不排除权利要求中记载的那些元件或步骤以外的其他元件或步骤的存在。元件前的词语“一”或“一个”不排除多个这种元件的存在。本发明可以借助于包括若干不同元件的硬件，以及借助于被适当编程的计算机来实施。在列举了若干单元的装置型权利要求中，这些单元中的若干可以由同一项硬件来实施。某些措施被记载在互不相同的从属权利要求中的事实并不指示不能有利地使用这些措施的组合。

Claims (15)

1.一种被配置用于图像分割的***(200)，包括：
图像数据接口(220)，其被配置为访问患者的解剖结构的图像(050)，其中，所述图像是通过第一成像模态采集的；
存储器(260)，其包括表示指令集的指令数据；
处理器(240)，其被配置为与所述图像数据接口和所述存储器通信并运行所述指令集，其中，所述指令集在由所述处理器运行时令所述处理器执行以下操作：
分割所述图像以获得所述患者的所述解剖结构的第一分割结果；
访问统计数据(030)，所述统计数据指示a)通过所述第一成像模态采集的图像与b)通过第二成像模态采集的图像之间的这种类型的解剖结构的形状的结构差异；并且
基于所述第一分割结果和所述统计数据来生成所述解剖结构的第二分割结果，所述第二分割结果表示通过所述第二成像模态采集的图像中的所述患者的所述解剖结构的结构形状的估计结果。
2.根据权利要求1所述的***(200)，其中，所述指令集在由所述处理器(240)运行时令所述处理器根据所述解剖结构的所述第二分割结果来计算测量结果。
3.根据权利要求2所述的***(200)，其中，所述测量结果是体积测量结果、距离测量结果、面积测量结果、曲率测量结果、周长测量结果或直径测量结果。
4.根据权利要求1至3中的任一项所述的***(200)，其中，所述图像(050)是介入前图像，并且其中，所述指令集在由所述处理器运行时令所述处理器(240)将所述解剖结构的所述第二分割结果叠加在通过所述第二成像模态采集的介入图像上。
5.一种被配置用于生成用于在图像分割中使用的统计数据的***(100)，包括：
图像数据接口(120)，其被配置为访问一种类型的解剖结构的第一图像集(020)和第二图像集(025)，其中，所述第一图像集是通过第一成像模态采集的，并且所述第二图像集是通过第二成像模态采集的；
存储器(160)，其包括表示指令集的指令数据；
处理器(140)，其被配置为与所述图像数据接口和所述存储器通信并运行所述指令集，其中，所述指令集在由所述处理器运行时令所述处理器执行以下操作：
分割所述第一图像集的个体图像以获得所述类型的解剖结构的第一分割结果集合；
分割所述第二图像集的个体图像以获得所述类型的解剖结构的第二分割结果集合；并且
基于所述第一分割结果集合和所述第二分割结果集合来生成统计数据(030)，所述统计数据指示a)通过所述第一成像模态采集的图像与b)通过所述第二成像模态采集的图像之间的所述类型的解剖结构的形状的结构差异。
6.根据权利要求5所述的***(100)，其中，所述第一图像集(020)和所述第二图像集(025)包括图像对集合，其中，每个图像对均包括通过所述第一成像模态采集的图像和通过所述第二成像模态采集的图像，其中，图像对中的两幅图像均属于同一患者。
7.根据权利要求5或6所述的***(100)，其中，所述指令集在由所述处理器(140)运行时令所述处理器通过对所述第一分割结果集合和所述第二分割结果集合同时执行主成分分析来生成所述统计数据(030)。
8.根据权利要求7所述的***(100)，其中，所述指令集在由所述处理器(140)运行时令所述处理器通过以下操作来生成所述统计数据：
根据所述第一分割结果集合来计算所述类型的解剖结构的第一平均形状；
根据所述第二分割结果集合来计算所述类型的解剖结构的第二平均形状；
根据所述第一分割结果集合与所述第一平均形状之间的差异以及所述第二分割结果集合与所述第二平均形状之间的差异来构建用于所述主成分分析的矩阵A；
基于所述第一平均形状、所述第二平均形状以及矩阵AAt的特征向量来生成所述统计数据(030)。
9.根据权利要求7或8所述的***(100)，其中，所述指令集在由所述处理器(140)运行时令所述处理器在执行所述主成分分析之前使所述第一分割结果集合相互配准，使所述第二分割结果集合相互配准，并且使所述第一平均形状与所述第二平均形状相互配准。
10.根据权利要求5至9中的任一项所述的***(100)，其中，所述指令集在由所述处理器(140)运行时令所述处理器使用基于模型的分割结果来生成所述第一分割结果集合和/或所述第二分割结果集合。
11.一种工作站或成像装置，包括根据权利要求1至4中的任一项所述的***和/或根据权利要求5至10中的任一项所述的***。
12.一种计算机可读介质(600)，包括由根据权利要求5至10中的任一项所述的***生成的形式为瞬态或非瞬态数据(610)的所述统计数据。
13.一种用于图像分割的计算机实施的方法(500)，包括：
访问(510)患者的解剖结构的图像，其中，所述图像是通过第一成像模态采集的；
分割(530)所述图像以获得所述患者的所述解剖结构的第一分割结果；
访问(520)统计数据，所述统计数据指示a)通过所述第一成像模态采集的图像与b)通过第二成像模态采集的图像之间的这种类型的解剖结构的形状的结构差异；并且
基于所述第一分割结果和所述统计数据来生成所述解剖结构的第二分割结果，所述第二分割结果表示通过所述第二成像模态采集的图像中的所述患者的所述解剖结构的结构形状的估计结果。
14.一种用于生成用于在图像分割中使用的统计数据的计算机实施的方法(400)，包括：
访问(410)一种类型的解剖结构的第一图像集和第二图像集，其中，所述第一图像集是通过第一成像模态采集的，并且所述第二图像集是通过第二成像模态采集的；
分割(420)所述第一图像集的个体图像以获得所述类型的解剖结构的第一分割结果集合；
分割(430)所述第二图像集的个体图像以获得所述类型的解剖结构的第二分割结果集合；并且
基于所述第一分割结果集合和所述第二分割结果集合来生成(440)统计数据，所述统计数据指示a)通过所述第一成像模态采集的图像与b)通过所述第二成像模态采集的图像之间的所述类型的解剖结构的形状的结构差异。
15.一种计算机可读介质(600)，包括表示指令的瞬态或非瞬态数据(610)，所述指令被布置为令处理器***执行根据权利要求13和/或14所述的计算机实施的方法。
CN201880024057.1A 2017-03-09 2018-03-02 图像分割和分割预测 Active CN110546685B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP17160172.7 2017-03-09
EP17160172.7A EP3373247A1 (en) 2017-03-09 2017-03-09 Image segmentation and prediction of segmentation
PCT/EP2018/055140 WO2018162338A1 (en) 2017-03-09 2018-03-02 Image segmentation and prediction of segmentation

Publications (2)

Publication Number Publication Date
CN110546685A true CN110546685A (zh) 2019-12-06
CN110546685B CN110546685B (zh) 2024-04-16

Family

ID=58265910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880024057.1A Active CN110546685B (zh) 2017-03-09 2018-03-02 图像分割和分割预测

Country Status (4)

Country Link
US (2) US11393099B2 (zh)
EP (2) EP3373247A1 (zh)
CN (1) CN110546685B (zh)
WO (1) WO2018162338A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022021955A1 (zh) * 2020-07-30 2022-02-03 推想医疗科技股份有限公司 图像分割方法及装置、图像分割模型的训练方法及装置
US11972571B2 (en) 2020-07-30 2024-04-30 Infervision Medical Technology Co., Ltd. Method for image segmentation, method for training image segmentation model

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961490A (zh) * 2019-04-08 2019-07-02 深圳大学 剪影成像方法及装置
US10762629B1 (en) 2019-11-14 2020-09-01 SegAI LLC Segmenting medical images
US11423544B1 (en) 2019-11-14 2022-08-23 Seg AI LLC Segmenting medical images
US11861884B1 (en) * 2023-04-10 2024-01-02 Intuit, Inc. Systems and methods for training an information extraction transformer model architecture

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102844790A (zh) * 2010-03-02 2012-12-26 皇家飞利浦电子股份有限公司 用于神经精神疾病的标准数据集
US20150055842A1 (en) * 2013-08-26 2015-02-26 International Business Machines Corporation Image Segmentation Techniques
US20150213652A1 (en) * 2012-01-27 2015-07-30 Koninklijke Philips N.V. Automated detection of area at risk using quantitative t1 mapping
CN105512661A (zh) * 2015-11-25 2016-04-20 中国人民解放军信息工程大学 一种基于多模态特征融合的遥感影像分类方法
CN105849773A (zh) * 2013-12-17 2016-08-10 皇家飞利浦有限公司 解剖结构的基于模型的分割

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9292917B2 (en) * 2011-11-23 2016-03-22 Siemens Aktiengesellschaft Method and system for model-based fusion of computed tomography and non-contrasted C-arm computed tomography
US10169872B2 (en) * 2016-11-02 2019-01-01 International Business Machines Corporation Classification of severity of pathological condition using hybrid image representation
EP3547252A4 (en) * 2016-12-28 2019-12-04 Shanghai United Imaging Healthcare Co., Ltd. SYSTEM AND METHOD FOR PROCESSING MULTI-MODAL IMAGES

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102844790A (zh) * 2010-03-02 2012-12-26 皇家飞利浦电子股份有限公司 用于神经精神疾病的标准数据集
US20150213652A1 (en) * 2012-01-27 2015-07-30 Koninklijke Philips N.V. Automated detection of area at risk using quantitative t1 mapping
US20150055842A1 (en) * 2013-08-26 2015-02-26 International Business Machines Corporation Image Segmentation Techniques
CN105849773A (zh) * 2013-12-17 2016-08-10 皇家飞利浦有限公司 解剖结构的基于模型的分割
CN105512661A (zh) * 2015-11-25 2016-04-20 中国人民解放军信息工程大学 一种基于多模态特征融合的遥感影像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AMIR M. TAHMASEBI 等: "A Statistical Model-based Technique for Accounting for Prostate Gland Deformation in Endorectal Coil-based MR Imaging", pages 5412 - 5415 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022021955A1 (zh) * 2020-07-30 2022-02-03 推想医疗科技股份有限公司 图像分割方法及装置、图像分割模型的训练方法及装置
US11972571B2 (en) 2020-07-30 2024-04-30 Infervision Medical Technology Co., Ltd. Method for image segmentation, method for training image segmentation model

Also Published As

Publication number Publication date
US20220319010A1 (en) 2022-10-06
US11830197B2 (en) 2023-11-28
CN110546685B (zh) 2024-04-16
US20200005464A1 (en) 2020-01-02
WO2018162338A1 (en) 2018-09-13
EP3593321A1 (en) 2020-01-15
US11393099B2 (en) 2022-07-19
EP3373247A1 (en) 2018-09-12

Similar Documents

Publication Publication Date Title
CN110546685B (zh) 图像分割和分割预测
CN109074639B (zh) 医学成像***中的图像配准***和方法
US9594976B2 (en) Sparse appearance learning-based segmentation
EP3117771B1 (en) Direct computation of image-derived biomarkers
JP2024069343A (ja) 画像解析における解剖学的構造のセグメンテーションのためのシステム及び方法
CN110648358B (zh) 用于3d医学图像中的对象定位的形状参数的自适应非线性优化
US20180064409A1 (en) Simultaneously displaying medical images
Queirós et al. Fast left ventricle tracking using localized anatomical affine optical flow
Heinrich et al. MRI whole heart segmentation using discrete nonlinear registration and fast non-local fusion
EP1851721B1 (en) A method, a system and a computer program for segmenting a surface in a multidimensional dataset
JP2019518288A (ja) 医療画像における変化検出
Lamash et al. Strain analysis from 4-D cardiac CT image data
JP2020508709A (ja) 変形可能なオブジェクトへのデバイス挿入のための応力予測および応力評価
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
US11423554B2 (en) Registering a two-dimensional image with a three-dimensional image
Nuñez-Garcia et al. Automatic multiplanar CT reformatting from trans-axial into left ventricle short-axis view
Banerjee et al. Optimised misalignment correction from cine MR slices using statistical shape model
Jia et al. Stacom-slawt challenge: left atrial wall segmentation and thickness measurement using region growing and marker-controlled geodesic active contour
EP3570249A1 (en) Preprocessing medical image data for machine learning
US11645767B2 (en) Capturing a misalignment
Puyol-Anton et al. Towards a multimodal cardiac motion atlas
Zhang et al. Temporally diffeomorphic cardiac motion estimation from three‐dimensional echocardiography by minimization of intensity consistency error
JP7459243B2 (ja) １以上のニューラルネットワークとしての画像形成のモデル化による画像再構成
Chitiboi et al. Contour tracking and probabilistic segmentation of tissue phase mapping MRI
Sermesant et al. Biomechanical model construction from different modalities: Application to cardiac images

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