CN111528871B - 用于医学图像中全身骨移除和血管可视化的方法和*** - Google Patents
用于医学图像中全身骨移除和血管可视化的方法和*** Download PDFInfo
- Publication number
- CN111528871B CN111528871B CN202010098575.7A CN202010098575A CN111528871B CN 111528871 B CN111528871 B CN 111528871B CN 202010098575 A CN202010098575 A CN 202010098575A CN 111528871 B CN111528871 B CN 111528871B
- Authority
- CN
- China
- Prior art keywords
- bone
- medical image
- vessel
- visualization
- segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 240
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000012800 visualization Methods 0.000 title claims abstract description 57
- 230000002792 vascular Effects 0.000 claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims description 100
- 210000004204 blood vessel Anatomy 0.000 claims description 68
- 239000003550 marker Substances 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims 1
- 238000010968 computed tomography angiography Methods 0.000 description 50
- 238000002591 computed tomography Methods 0.000 description 34
- 210000003128 head Anatomy 0.000 description 12
- 210000001715 carotid artery Anatomy 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 10
- 238000007637 random forest analysis Methods 0.000 description 10
- 210000000709 aorta Anatomy 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000005295 random walk Methods 0.000 description 6
- 210000002385 vertebral artery Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 5
- 210000001185 bone marrow Anatomy 0.000 description 5
- 238000009877 rendering Methods 0.000 description 5
- 210000003625 skull Anatomy 0.000 description 5
- 210000004872 soft tissue Anatomy 0.000 description 5
- 210000001367 artery Anatomy 0.000 description 4
- 230000001054 cortical effect Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 208000031481 Pathologic Constriction Diseases 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 210000001154 skull base Anatomy 0.000 description 3
- 230000036262 stenosis Effects 0.000 description 3
- 208000037804 stenosis Diseases 0.000 description 3
- 230000009885 systemic effect Effects 0.000 description 3
- 208000004434 Calcinosis Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 201000011066 hemangioma Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000002376 aorta thoracic Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 210000001981 hip bone Anatomy 0.000 description 1
- 210000003090 iliac artery Anatomy 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 210000004061 pubic symphysis Anatomy 0.000 description 1
- 210000001991 scapula Anatomy 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 210000001562 sternum Anatomy 0.000 description 1
- 210000003270 subclavian artery Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
- 230000006439 vascular pathology Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5252—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data removing objects from field of view, e.g. removing patient table from a CT image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- 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
- 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
- G06V10/443—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 by matching or filtering
- G06V10/446—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 by matching or filtering using Haar-like filters, e.g. using integral image techniques
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- 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
-
- 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
- G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
Abstract
公开了用于医学图像数据中全身骨移除和血管可视化的方法和***。在3D医学图像中分割骨结构,产生3D医学图像的骨掩模。在3D医学图像中分割血管结构,产生3D医学图像的血管掩模。通过融合来自骨掩模和血管掩模的信息来精炼骨掩模和血管掩模。使用精炼的骨掩模从3D医学图像移除骨体素以产生3D医学图像中血管结构的可视化。
Description
本申请是申请日为2016年5月4日,申请号为201610377171 .5并且发明名称为“用于医学图像数据中全身骨移除和血管可视化的方法和***”申请的分案申请。
背景技术
本发明涉及医学图像数据中的骨移除和血管可视化,以及更加特别地,涉及从3D计算机断层扫描血管造影图像中移除骨体素从而可视化3D计算机断层扫描血管造影图像中的血管。
计算机断层扫描血管造影(CTA)是通常用于可视化患者身体中血管的医学成像技术。计算机断层扫描成像(CT)将从不同角度采集的一系列X射线图像组合并使用计算机处理以产生体内骨、血管和软组织的横断面图像、或切片。横断面图像、或切片能够组合以生成3D CT容积。在CTA中,在CT成像之前将造影剂注射进入患者的血流中从而生成对比增强的CT图像,其可视化了患者血管。
在CTA图像中,在分布的骨和对比增强的血管之间具有重叠的强度。也就是说,骨和对比增强血管在CTA图像中以相似强度显现。因此,骨会是使用CTA进行血管树、动脉瘤、及钙化的可视化和分析中的主要障碍,并且期望的是,从CTA图像中移除骨结构以实现血管的更好可视化。在过去,已经使用手动编辑术来从图像数据提取并移除骨结构。然而,手动编辑所需要的繁琐且长的操作时间抑制了其实际使用。此外,由于图像数据中图像分辨率和噪声,具有重叠强度分布的骨和血管通常显现为相连的,这在自动分割及从图像数据移除骨结构方面产生了极大挑战。
发明内容
本发明提供了用于医学图像数据中全身骨移除和血管可视化的方法和***。本发明的各实施方式执行用于患者的诸如计算机断层扫描血管造影(CTA)图像的医学图像数据中骨和血管二者的独立分割,并随后将独立执行的骨和血管分割融合。本发明的各实施方式提供了用于医学图像数据中骨分割和血管分割的自动方法。本发明的各实施方式还提供了用于编辑其中已经执行骨移除的医学图像数据的***和方法。
在本发明的一个实施方式中,在3D医学图像中分割骨结构,产生3D医学图像的骨掩模。在3D医学图像中分割血管结构,产生3D医学图像的血管掩模,其中分割3D医学图像中的骨结构和分割3D医学图像中的血管结构关于彼此独立地执行。骨掩模和血管掩模通过融合来自骨掩模和血管掩模的信息来精炼。使用精炼的骨掩模来从3D医学图像移除骨体素,从而产生3D医学图像中血管结构的可视化。
在本发明的另一个实施方式中,多标记图谱配准至3D医学图像。在3D医学图像中基于配准的多标记图谱使用解剖学和位置特异分割来分割骨和血管结构。从3D医学图像移除骨结构以产生3D医学图像中血管结构的可视化。
通过参照下面详细描述和附图,本发明的这些和其他优点对于本领域普通技术人员来说将是显而易见的。
附图说明
图1示意了根据本发明实施方式的用于医学图像数据中全身骨移除和血管可视化的方法;
图2示意了根据本发明实施方式的用于在计算机断层扫描血管造影(CTA)图像数据中分割骨的方法;
图3示意了根据本发明另一实施方式的用于在患者的医学图像数据中全身骨分割的方法;
图4示意了使用图3方法的CT容积中全身骨分割的例证性结果;
图5示意了根据本发明实施方式的用于患者图像的医学图像数据中血管分割的方法;
图6示意了根据本发明另一实施方式的医学图像数据中血管分割的方法;
图7示意了使用曲线网格的血管边界的分割;
图8示意了使用图6的方法的例证性血管分割结果;
图9示意了根据本发明实施方式的用于融合骨分割结果和血管分割结果的方法;
图10示意了根据本发明实施方式的用于头和颈CT容积中的自动骨移除的方法;
图11示意了颈动脉和椎动脉之间的解剖学差异;
图12示意了使用图10的方法用于头和颈CT容积的例证性骨移除结果;
图13示意了根据本发明实施方式的用于骨移除编辑的方法;
图14示意了使用双击实施方式的骨移除编辑的例证性结果;以及
图15是能够执行本发明的计算机的高级框图。
具体实施方式
本发明涉及用于在患者医学图像数据中全身骨移除和血管可视化的方法和***。本发明的各实施方式在本文中描述为给出骨移除和血管可视化方法的视觉理解。数字图像通常由一个或多个对象(或形状)的数字表示来组成。对象的数字表示在本文中通常根据识别和操纵对象来描述。该操纵是在内存中或计算机***的其他电路/硬件中实现的虚拟操纵。因此,应该理解的是,本发明各实施方式可在计算机***内使用存储在计算机***内的数据来执行。
图1示意了根据本发明实施方式的用于医学图像数据中全身骨移除和血管可视化的方法。图1的方法将表示患者解剖结构的医学图像数据转换以从医学图像数据移除骨结构并生成患者的新医学图像,其中骨结构已经移除且血管结构被增强。尽管图1的方法在本文中描述为应用至患者的计算机断层扫描血管造影(CTA)图像,本发明不限于此且图1的方法也能够与其他类型的医学图像数据一起使用。
在步骤102处,接收患者的医学图像数据。医学图像数据能够是使用计算机断层扫描成像(CT)、组合的正电子断层扫描成像(PET)-CT、或诸如磁共振成像(MRI)、超声等其他成像模态采集的患者的3D医学图像数据。在有利的实施方式中,医学图像数据是3D冠状动脉断层扫描血管造影(CTA)图像(即,对比增强的CT图像),但本发明不限于此。在有利的实施方式中,使用患者的全身扫描采集医学图像数据,然而图1的方法也能够类似地应用至患者的较小区域。在例证性实施方式中,医学图像数据可以是患者的全身3D CTA图像。患者的医学图像数据能够直接从诸如CT扫描器的图像采集设备接收,或患者的医学图像数据能够通过加载先前存储在计算机***的内存或存储器上的医学图像数据来接收,或通过网络传输从另一计算机***接收医学图像数据来接收。
在步骤104,在患者的医学图像数据中分割骨结构。步骤104中的骨分割独立于步骤106中的血管分割执行,并产生用于医学图像数据的骨掩模。CTA扫描中骨分割是挑战性的,这是由于血管和骨的不同显现以及血管与骨的接近度。例如,主动脉靠近椎骨,而锁骨下动脉靠近锁骨和肋骨。骨自身在显现上变化,在骨密质中亮而在骨髓中暗。骨密质自身会是薄的且会在强度上变化。例如,肋骨有时具有较低强度而股骨具有高强度。重要的是,血管不被分割为骨,这是因为一旦骨结构被移除可给出血管中狭窄或凝块的显现。
图2示意了根据本发明实施方式的在患者的3D CTA图像中分割骨结构的方法。图2的方法能够用于执行图1的步骤104中的骨结构分割。图2的方法执行基于机器学习的骨分割,其利用解剖学知识以仅聚焦在具有骨的身体部位上而丢弃没有骨的身体部位。图2的方法利用训练过的体素分类器,诸如训练过的随机森林体素分类器,其使用基于图像的和基于界标的特征的组合来评估医学图像数据中的体素。在CTA扫描中,基于图像显现的特征,诸如哈尔(Haar)特征或相对移动强度差异(RSID)特征,倾向于不能很好地区分血管和骨密质。然而,哈尔和RSID特征能够很好地区分组织和骨和骨髓。根据有利的实施方式,为了补偿这些基于图像显现的特征,图2的方法利用基于界标的特征,其基于CTA图像中检测到的界标来计算。这些界标特征有效地丢弃CTA图像中没有骨的区域,而聚焦在CTA图像中具有骨的区域上,同时基于图像的特征区分CTA图像具有骨的区域中的骨和组织。
参照图2,在步骤202,在CTA图像中检测多个解剖学界标。所述多个解剖学界标能够包括患者整个身体的解剖学界标以及针对患者多个器官的器官中心。例如,多个解剖学界标能够包括诸如但不限于左和右肺尖、左和右肱骨头、支气管分支、左和右肩胛骨尖端、内侧左和右锁骨尖端、胸骨尖端底、主动脉弓、第11肋骨的左和右端点、L5椎骨的底部前侧和后侧、尾骨、耻骨联合顶、髋骨的左和右拐角、以及心脏、肝脏、两肾脏、脾脏、膀胱和***的器官中心的界标。能够针对每个界标训练相应界标检测器。在有利的实施方式中,训练过的界标检测器能够是提供快速界标检测的结构化回归机。
在一个可能的实现方式中,能够使用训练过的界标检测器执行界标检测,界标检测器连接于判别式解剖学网络(DAN)中,如美国专利公开No. 2010/0080434中描述的,其全部内容通过引用并入本文。在该实现方式中,检测CTA图像的预定关键切片并用于限制多个界标中每个的搜索空间。然后使用针对每个界标训练的各自界标检测器来搜索针对每个界标的各自搜索空间。各个界标连接于DAN中,并且基于各个界标检测器的概率响应结合来自DAN的概率来确定针对每个界标的最终界标检测结果。
在另一可能的实现方式中,能够基于一系列结构化回归来执行界标检测,如美国专利No. 8,837,771中描述的,其全部内容通过引用并入本文。在该实现方式中,使用最近相邻算法针对多个界标中每个来计算从CTA图像中给定体素的相应位移向量,产生了针对多个界标中每个的预测位置。这针对CTA图像中多个体素执行以生成针对每个界标位置的多个预测,这限定了针对每个界标的局部搜索区域。针对每个界标的各自训练过的界标检测器用于评估每个界标的局部搜索区域,从而检测每个界标的最终检测结果。
在步骤204,基于CTA图像中所检测的界标针对CTA图像的每个体素计算基于界标的特征。在有利的实现方式中,CTA图像中针对特定体素的基于界标的特征包括该体素和每个界标之间的L1和L2距离以及该体素和每个界标之间偏移的轴向投影。3D CTA图像中具有坐标的特定体素V和具有坐标/>的界标L之间的偏移能够表示为针对该体素和该界标的坐标值之间的差异的3D向量/>。偏移的轴向投影是将偏移投影至特定轴向平面的2D向量。例如,体素和界标之间的偏移的轴向投影/>将该偏移投影至X-Y平面。根据可能的实现方式,偏移至X-Y平面、X-Z平面、以及Y-Z平面的轴向投影每个能够用作为基于界标的特征。能够基于每个所检测界标针对CTA图像中每个体素计算这些基于界标的特征。
在步骤206,针对CTA图像中每个体素计算基于图像的特征。例如,针对每个体素或在CTA图像中,能够根据以该体素为中心的图像块计算哈尔特征和/或RSID特征。
在步骤208,使用训练过的体素分类器将CTA图像中的每个体素根据基于界标的特征和基于图像的特征分类为骨或非骨。体素分类器是基于机器学习的分类器,其根据从注释的训练图像提取的基于图像的特征和基于界标的特征进行训练。训练过的体素分类器能够是随机森林分类器或具有提高决策树的概率提升树(PBT)分类器,但本发明并不限定于此。训练过的体素分类器针对每个体素基于针对该体素提取的基于界标特征和基于图像的特征来计算该体素是骨结构的概率,以及将CTA图像中每个体素标记为骨或非骨,产生了针对该CTA图像的分割骨掩模。在有利的实施方式中,能够在应用训练过的体素分类器之前在CTA图像中执行基于强度的阈值。这允许训练过的体素分类器仅考虑其强度高于某强度阈值的足够亮的体素。例如,所有>-224 Hounsfield单位(HU)的体素可以被考虑以非意外地排除骨髓。在该情形中,训练过的体素分类器仅评估其强度高于该强度阈值的体素,而所有剩余体素被自动认为是非骨。
训练过的体素分类器中用于基于界标的特征的计算的对界标的依赖需要使用一个或多个界标检测器来检测界标,如上文结合步骤204所描述的。然而,界标检测器针对一些情形会且将发生故障,这将导致一些缺失的界标,并因此缺失特征信息。根据有利的实施方式,随机森林分类器能够有效地处理这些缺失特征信息。由于随机森林分类器利用许多决策树,它是冗长的,并且一些决策树不会遇到缺失特征信息。此外,随机森林分类器中的决策树能够利用备份决策标准。根据有利的实施方式,能够执行训练过的随机森林分类器中的决策树以如下的定制方式确定备份***(分类)标准。在训练期间以常规方式,例如通过最优化使用Gint指数的信息增益来计算最佳决策标准(即,用于做出分类决策的特征)。然后使用受罚重叠度量来排序其他可能的决策标准,以及前M的标准被选择为备份决策标准。受罚重叠度量能够定义为:
以评估对应决策标准的训练示例集合,以及λ是惩罚决策标准关于缺失信息如何类似的调整参数。在例证性实施方式中,λ=2,但本发明并不限定于此。这导致不仅选择具有较少缺失示例的决策标准,而且选择在不同示例上缺失的决策标准。当训练过的随机森林体素分类器将具有不同于原始决策标准的备份决策标准时,训练过的体素分类器针对由故障的界标检测引起的缺失基于界标的特征更具鲁棒性。
一旦CTA图像中的体素被标记为骨或非骨,则可将正则化步骤应用至所产生的骨分割。在该正则化步骤中,CTA图像首先使用分水岭(Watershed)技术分割为超体素,并且然后检查每个超体素以观察该超体素中多少体素被标记为骨。如果高于预定比例的超体素被标记为骨,则整个超体素标记为骨。类似地,如果高于预定比例的超体素被标记为非骨,则整个超体素被标记为非骨。CTA图像中体素分类为骨或非骨能够用于生成CTA图像的骨掩模,这是所分割骨体素的二元掩模。
图3示意了根据本发明另一实施方式的用于患者的医学图像数据中全身骨分割的方法。图3的方法能够用于执行图1的步骤104。图3的方法能够用于除了诸如CTA容积的对比增强的医学图像数据之外的非对比增强的医学图像数据,诸如全身CT容积。参照图3,在步骤302,在医学图像数据中检测多个界标。例如,在医学图像数据中可检测多个骨和器官界标,包括但不限于椎骨、胸骨、肋骨、股骨头、髋骨角、肾脏、肝脏、和肺。训练过的界标检测器能够用于检测多个界标中的每个。在有利的实施方式中,结构化回归机可用作为界标检测器以实现快速界标检测。界标检测可类似于图2的步骤202中执行的界标检测来实施。
在步骤304,体腔模型基于所检测的界标拟合医学图像数据。能够从一组训练图像来学习体腔的形状空间并使用主成分分析(PCA)来表示。PCA表示允许体腔网格基于稀疏且不同数量的界标点来拟合至3D医学图像。一旦在患者的医学图像数据中检测到多个界标,则体腔的所学习PCA形状空间拟合至所检测界标的至少一个子集,产生体腔网格。体腔网格内的医学图像数据区域将通常不具有骨。然而,可能的是所拟合网格具有一些不精确性,其包括某种骨,从而体腔网格不能用作为不存在骨的硬性限制。体腔网格用于计算基于机器学习的骨分割的特征。
在步骤306,针对医学图像数据中每个体素计算基于图像的特征、基于界标的特征、以及基于网格的特征。基于图像的特征能够是哈尔特征和/或RSID特征,并能够针对以该体素为中心的图像块中的每个体素进行计算。医学图像数据中针对特定体素的基于界标的特征能够包括该体素和每个所检测界标之间的L1和L2距离,以及该体素和每个所检测界标之间偏移的轴向投影。基于体腔网格的网格点来计算基于网格的特征。能够使用体腔网格的每个网格点或体腔网格的预定子集的网格点来计算针对特定体素的基于网格的特征。医学图像数据中针对特定体素的基于网格的特征能够包括该体素和每个网格点之间的L1和L2距离,以及该体素和每个网格点之间偏移的轴向投影。
在步骤308,医学图像数据中的体素使用训练过的体素分类器根据基于图像的特征、基于界标的特征、及基于网格的特征被分类为骨或非骨。体素分类器是根据从注释的训练图像中提取的基于图像的特征、基于界标的特征、以及基于网格的特征来训练的基于机器学习的分类器。训练过的体素分类器能够是随机森林分类器或具有提高决策树的概率提升树(PBT)分类器,但本发明并不限定于此。训练过的体素分类器针对每个体素根据针对该体素提取的基于界标的特征、基于图像的特征、以及基于网格的特征来计算该体素是骨结构的概率,并将每个体素标记为骨或非骨,产生了分割骨掩模。在有利的实施方式中,训练过的体素分类器是随机森林分类器,以及使用受罚重叠度量来训练随机森林分类器以选择备份决策标准,如上结合图2的步骤208所描述的。
在有利的实施方式中,能够在应用训练过的体素分类器之前在医学图像数据中执行基于强度的阈值。这允许训练过的体素分类器仅考虑其强度高于某强度阈值的足够亮的体素。例如,所有>-224 Hounsfield单位(HU)的体素可以被考虑以非意外地排除骨髓。在该情形中,训练过的体素分类器仅评估其强度高于该强度阈值的体素,以及所有剩余体素被自动认为是非骨。
一旦CTA图像中的体素被标记为骨或非骨,则可将正则化步骤应用至所产生的骨分割。在该正则化步骤中,CTA图像首先使用分水岭(Watershed)技术分割为超体素,并且然后检查每个超体素以观察该超体素中多少体素被标记为骨。如果高于预定比例的超体素被标记为骨,则整个超体素标记为骨。类似地,如果高于预定比例的超体素被标记为非骨,则整个超体素被标记为非骨。
在步骤310,精炼骨分割结果以填充骨结构中的孔洞。该步骤填充对应被标记为非骨的骨髓体素的分割结构中的孔洞。首先,执行小的密封操作来封闭分割骨结构中到达组织的小开口,而不引入来自形态学操作的太多伪影。然后使用基于区域增长法来填充小孔洞。基于区域增长法能够如下地执行:(1)搜索作为骨体素(标记=1)邻近的未标记(即,非骨)体素(标记=0)。(2)对于每个这样的体素,区域增长至N个体素(标记=2)。这里N是所考虑孔洞的最大尺寸。(3)如果孔洞尺寸<N,则重新标记该增长区域为骨(标记=1)。在该算法中,0的标记指代未标记或非骨体素,1的标记指代骨体素,以及2的标记指代使用区域增长生成的增长区域中包括的体素。该算法避免了由表面所共有的体素的冗余增长,因为这些体素将已经被标记为1或2。
图4示意了使用图3方法的CT容积中全身骨分割的例证性结果。在图4中,分割的骨结构402以CT容积的三个视图示出。体腔网格404也在CT容积的三个视图中示出。
返回至图1,在步骤106,在医学图像数据中分割血管结构。步骤106中的血管分割独立于步骤104中的骨分割来执行,并产生针对医学图像数据的血管掩模。骨分割自身不保证血管中的连通性,并且一旦执行了骨移除,有时可能存在血管中的间隙或侵蚀。CTA图像中的血管分割是挑战性的,这是因为不同显现的血管以及它们与骨的接近度。血管还会体现病理学,诸如钙化、狭窄、血管瘤、凝块、及支架。
图5示意了根据本发明实施方式的用于患者图像的医学图像数据中血管分割的方法。图5的方法能够用于执行图1的步骤106。在有利的实施方式中,图5的方法能够用于分割患者的3D CTA图像中的血管,但本发明并不限定于此。参照图5,在步骤502,在医学图像数据中分割主动脉。在可能的实施方式中,首先在医学图像数据上执行强度阈值。这产生了包括骨密质和对比结构的二元掩模。主动脉和椎骨倾向于仅通过少量体素松散地连接。接下来,执行形态学腐蚀来从椎骨分离主动脉,将主动脉作为单独连接的成分。然后,每个剩余连接的成分(在形态学腐蚀后)被分类为主动脉或非主动脉。这能够使用训练过的分类器通过评估每个所连接成分中的体素来执行。主动脉连接的成分然后被扩张回它们的初始尺寸。
在步骤504,在医学图像数据中分割较小血管。例如,一旦已经分割了主动脉,能够使用血管追踪方法或基于切片的血管分割方法来分割其余血管。在可能实现方式中,较大的动脉,诸如冠状动脉和髂动脉,能够使用血管追踪方法进行分割,而垂直血管能够使用基于切片的方法进行分割。能够使用任意公知的血管追踪技术来执行血管追踪分割。
由于血管倾向于在身体内垂直地定向,能够使用基于切片的2D连通域方法来分割血管。针对每个水平切片(轴向切片),首先执行强度阈值来生成该切片中亮的结构的二元掩模。然后在针对该切片的二元掩模上执行2D连通域分析。在2D连通域分析中,充分循环的小连通域被标记为血管。通过计算“圆形度”度量来确定连通域是否是充分的圆形,“圆形度”度量计算连通域关于圆形的比重。圆形度度量能够表示为:
其中X是连通域的所有点的集合,而r是连通域的半径,定义为r = max(dist(p,c)),其中p是X中的点,而c是X的质心。在例证性实施方式中,如果圆形度>0.8,则连通域被认为是足够的圆形。这种基于切片的过程产生每个水平切片中血管的小的垂直段的分割。
图6示意了根据本发明另一实施方式的医学图像数据中血管分割的方法。图6的方法能够用于执行图1的步骤106。图6的方法也能够用于执行图5中的步骤504。在可能的实现方式中,图6的方法能够用于分割某些区域(诸如头和颈区域)中的血管,或者用于图5的方法并不有效的情形中。图6的方法是追踪法,其同时最优化了边界和表示血管的管状结构的中心线。返回图6,在步骤602,接收针对血管的种子点。种子点能够是使用图6的方法用于追踪血管的起点。在有利的实施方式中,用于各个血管的种子点能够自动地生成以执行图像中血管的全自动分割。例如,在可能的实现方式中,能够随机地选择CTA图像中具有大于某数值的强度的体素的小集合作为种子点。血管在CTA图像中被对比,因此它们是亮的。这会导致一些骨体素被错误地包括作为种子,但这些种子能够通过检查体素邻近以及核查形状来移除。在另一可能的实现方式中,能够通过执行轴向(水平)切片的强度阈值来自动地选择种子点,在轴向切片中执行亮的体素上的连通域分析,选择已连接的足够圆形的连通域作为种子点,如上结合图5的方法中所描述的。可替代地,使用诸如鼠标、触摸屏等的用户输入设备,能够通过用户输入接收针对血管的种子点。
在步骤604,基于种子点来初始化曲线网格。根据有利的实现方式,围绕血管中心线的区域的极坐标表示用于离散表示血管的管的切线空间。在环形方向、径向方向、以及轨迹方向上连接极坐标点,产生了能够离散近侧管状血管的内部和周围区域的网格。该网格在本文中称作为曲线网格。图7示意了使用曲线网格的血管边界的分割。如图7中所示,图像700示出了世界坐标空间内的曲线网格702,以及使用曲线网格702分割产生的血管边界表面704。图像710示出了切线空间内的曲线网格702。曲线网格702中的每层形状像圆形或盘形并对应血管的特定横断切片。网格飞速地一层一层构造,并且每层用于评估该点处轨迹方向上血管的中心点和外部边界。为了基于种子点初始化曲线网格,使用训练过的基于机器学习的中心线分类器来评估围绕种子点的区域,从而找到种子点附近的最佳中心线点。然后能够执行在不同几何形状和方向上的穷举搜索以找到网格方向、轨迹方向、以及网格上针对血管的边界点,这最大化了通过训练过的中心线分类器计算中心线点的中心线概率以及通过训练过的基于机器学习的边界分类器计算的边界点的边界概率。
在步骤606,曲线网格沿血管(在轨迹方向上)延伸以预测下一层网格。仅基于当前网格几何形状来预测下一网格层。例如,当前网格几何形状(包括方向、节点位置和间隔、以及轨迹方向)能够在轨迹方向上移动轨迹方向上的预定步长以预测网格中下一层。在该点处,图6的方法移动至所预测的下一层,从而使得该步骤处预测的下一层将被称作为当前层。
在步骤608,基于预测的网格几何形状检测当前网格层的血管边界点。特别地,训练过的边界分类器评估当前网格层中的每个节点以检测当前层中具有最高边界分类器响应的网格节点。这提供了血管上当前点处血管边界的初始评估,以及当前点处血管管状形状的初始评估。
在步骤610,基于血管中当前位置处检测的中心线点调节当前曲线网格层。特别地,通过在针对当前网格层的初始血管边界评估内检测具有最高中心线分类器响应的点,训练过的中心线分类器能够用于检测当前网格层的中心线点。然后调节当前网格层的网格几何形状(例如,方向、节点位置/间隔),以将网格的中心与所检测中心线点对齐,而同时保持针对血管边界检测的初始管状形状以及最大化当前网格层所检测边界节点处边界分类器的响应。
在步骤612,执行一定窗口内的网格层的正则化。正则化计算进入内部集和外部集的网格节点的平滑分割,其中内部集和外部集之间的边界表示血管表面。这能够通过使用基于图形的分割算法来执行,诸如图形分割或随机游走。能够针对一定窗口内当前网格层结合先前生成的网格层执行这种正则化。例如,在窗口尺寸是1时,仅最优化最后的横断面(层)。在窗口尺寸是2时,一起最优化最后两层,产生更平滑的方案。图形700和710示出了2和4的示例性窗口尺寸。还能够在每次引入新层时正则化所有已有层,但这可能导致高的计算成本。由于垂直于轨迹以及在轨迹的方向上的网格连通性,能够驱使正则化方案沿管状血管结构全局地且局部地平滑。在可能的实现方式中,能够针对特定网格层重复步骤608、610、和612直至获得收敛或足够精度。
在步骤614,确定是否满足停止标准。例如,停止标准可以是但不限定于分段血管的长度、沿边界的平均分类器响应、或接触已有分段结构。如果确定还未满足停止标准时,则该方法返回步骤606并沿血管延伸网格以预测下一层,并然后针对下一层执行步骤608、619和612(可能针对多次迭代)。如果确定满足了停止标准,该方法终止。图8示意了使用图6的方法的例证性血管分割结果。如图8中所示,图像800示出了头和颈区域中的基于噪声学习的血管分类器响应,以及图像810示出使用图6的方法生成的头和颈区域中的分割血管树812。在分割血管树812中,通过管状模型正则化丢弃骨区域中血管分类器的假阳性响应。图像820示出了使用图6的管状追踪方法生成的分割冠状血管822。
返回图1,在步骤108,融合骨分割和血管分割。与仅使用骨分割或血管分割来执行骨移除或血管增强相比,融合来自独立执行的骨和血管分割的信息增加了骨移除的精确性。该步骤基于融合信息精炼了从骨分割产生的骨掩模以及从血管分割产生的血管掩模。图9示意了根据本发明实施方式的用于融合骨分割结果和血管分割结果的方法。图9的方法能够用于执行图1的步骤108。在步骤902处,从由骨分割产生的骨掩模减去由血管分割产生的血管掩模。血管掩模是二元掩模,其仅包括在血管分割中标记为血管的那些体素。骨掩模是二元掩模,其仅包括在骨分割中标记为骨的那些体素。从骨掩模减去血管掩模具有从骨掩模中移除分类为血管和骨两者的任意体素的效果。由于血管分割可以比骨分割更加精确,该步骤从骨掩模移除了被错误分类为骨的任意血管结构,并因此阻止了在骨移除中移除错误分类的血管体素。
在步骤904,在医学图像数据上执行强度阈值。特别地,每个体素强度值能够与预定阈值比较以生成医学图像数据中亮结构的二元掩模。应该理解的是,可在骨分割和血管分割之前针对医学图像数据执行一次这种强度阈值,并且阈值化的二元掩模可用于骨分割和血管分割,以及用于骨和血管平滑。
在步骤906,从阈值化的医学图像数据减去骨掩模和血管掩模。从由强度阈值产生的二元掩模减去骨掩模和血管掩模二者,以使得仅保留已经标记为既不是骨又不是血管的亮结构。
在步骤908,在剩余连通域上执行连通域分析以分配标记至剩余连通域。一旦在步骤906中识别了标记为既不是骨又不是血管的剩余连通域,基于从强度阈值产生的二元掩模中的邻近已标记的连通域,在每个这样非标记连通域上执行连通域分析以将标记分配至该未标记连通域。在有利的实施方式中,能够使用下述规则来分配标记至每个未标记连通域:(1)在从强度阈值产生的二元掩模中的任意邻近连通域标记为血管时,则将该未标记连通域标记为血管;(2)在该未标记连通域没有邻近连通域标记为血管时,则将该未标记连通域标记为骨。标记不共享骨或血管邻元素的连通域为骨能够具有标记设备的效果,该标记设备在扫描中有时呈现为骨,并因此在骨移除中移除该设备。这是有益的,因为骨移除的目的是可视化血管树。
返回至图1,在步骤110,基于融合的骨分割和血管分割执行骨移除,并且输出医学图像数据中血管的可视化。通过从医学图像数据减去由步骤108产生的精炼骨掩模来执行骨移除。这将从医学图像数据移除所有分割的骨体素,以使得仅保留的亮的结构是血管。在可能的实现方式中,可在执行强度阈值后减去骨掩模。能够例如通过在计算机***的显示设备上显示血管的可视化(即,骨体素移除的图像)来输出所产生的血管可视化。在可能的实现方式中,由步骤108产生的精炼的血管掩模能够用于提供对可视化血管的血管增强。
如上所述,图1的方法能够用于全身骨移除和血管可视化。然而,在另一可能实施方式中,专门的骨移除方法可应用于特定解剖学区域(诸如头和颈区域)的图像。图10示意了根据本发明实施方式的用于头和颈CT容积的自动骨移除的方法。图10的方法转换表示患者解剖结构的医学图像数据以从医学图像数据移除骨结构并生成患者的新医学图像,其中骨结构已经移除且血管结构被增强。在步骤1002,接收患者的头和颈区域的3D CT图像。3DCT图像能够从诸如CT扫描器的图像采集设备直接地接收,或3D CT图像能够通过从计算机***的内存或存储器加载先前存储的3D CT图像来接收,或以基于网络的传输从另一计算机***接收3D CT图像来接收。尽管图10的方法在本文中针对3D CT图像被描述,本发明并不限定于此,并且还能够使用其他类型的成像模态。
在步骤1004,从3D CT图像移除头骨。头骨体素可使用针对医学图像数据的标准头骨移除技术来执行。例如,头骨图谱能够与3D CT图像配准并用于移除头骨体素。
在步骤1006,多标记图谱配准至3D CT图像。根据有利的实施方式,多标记图谱提供了除目标图像的解剖结构之外的额外信息,并且该额外信息能够用于执行3D CT图像中骨和血管结构的解剖学和位置特异分割。多标记图谱在通过为图谱注释不同标记来配准至目标图像之前离线地生成。例如,在可能的实现方式中,软组织和空气具有标记0,骨具有标记1,低于颅底的主颈动脉具有标记2,以及高于颅底的主颈动脉具有标记3,以及椎动脉在它被骨围绕时具有标记4,而在它远离骨时具有标记5。在可能的实现方式中,能够使用多个多标记图谱。多标记图谱能够提供关于解剖学变异的信息,诸如来自不同血管的不同骨的相对距离、不同血管腔的厚度、血管、组织及骨的密度分布、诸如狭窄和血管瘤的血管病理学、以及其他类型的信息。多标记图谱能够使用标准图谱配准技术来配准至3D CT图像。
在步骤1008,通过基于配准的多标记图谱执行解剖学和位置特异分割来生成骨和血管掩模。例如,基于图形的分割方法,诸如图像分割或随机游走,能够用于执行对应已配准多标记图谱的3D CT图像中每个标记区域的骨和血管结构的分割。根据有利的实施方式,针对分割算法的不同参数集与多标记图谱中的每个标记关联,以使得分割算法(例如,图像分割或随机游走)基于由已配准的多标记图谱分配至体素的标记来不同地(例如,使用不同参数)评估3D CT成像中的体素。
图11示意了颈动脉和椎动脉之间的解剖学差异。如图11中所示,在从脚趾至头部的方向上,颈动脉1102从主动脉起源并相对远离骨定位直至它到达颅底。根据有利的实施方式,在动脉远离骨(例如,标记2)时,分割参数能够设定为使得附近软组织体素优选地分类为血管而不是骨。根据渲染血管和移除骨的最终目的,该类型的分割参数是有利的,这是因为它降低了具有错误血管分支或具有血管间隙的风险。换言之,“错误地”分类血管附近的软组织为骨将不会影响颅底下颈动脉的最终结果(例如,标记2)。如图11中所示,椎动脉1104,与颈动脉1102相反,在多个位置上由骨紧密围绕。在动脉靠近骨时(例如,标记4),分割参数能够以附近软组织体素中性地分类为血管或骨的方式进行设置。根据渲染血管和移除骨的最终目的,该类型的分割参数是有利的,这是因为它降低了错误地将骨分类为血管的风险,并且反之亦然。这两个示例示意了能够使用不同的参数执行颈动脉和椎动脉的分割。这种解剖学和位置特异分割参数能够类似地应用至甚至更加精细的解剖学尺寸,诸如将颈动脉分类为主动脉和内/外动脉、靠近分叉的区域(其中管腔较厚)。在该情形中,颈动脉的每个区域以不同标记进行标记以具有多标记掩模,并使用不同分割参数分割每个区域。
在有利的实现方式中,分割算法(例如,图像分割或随机游走)能够使用下述输入信息来执行3D图像中每个体素的分割:(1)已配准多标记图谱内所有附近血管的距离图;(2)多标记图谱内所有附近骨的距离图;以及(3)血管和骨的强度限制(例如,造影血管可具有100-1000 HU区间内的强度)。例如,能够定义函数,其中σ是某参数,是体素,以及/>是/>处距离图的数值。在可能的实现方式中,距离图能够是与初始容积相同的尺寸,但在另一可能实现方式中,距离图能够是感兴趣区域的尺寸。函数F用于图像分割算法中并影响体素/>的最终分割。函数F基于距离图D,并且一个或多个参数表示为σ。根据有利的实施方式,参数σ变化基于已配准的多标记图谱中体素的标记和体素/>附近的标记。例如,在例证性限制中,在/>靠近标记A(例如颈动脉)时,则针对该体素的函数F能够定义/>。在体素/>靠近标记B(例如由骨围绕的椎动脉的一部分)时,则针对该体素的函数F能够定义为/>。
返回图10,在步骤1010,执行骨移除并输出血管的可视化。通过移除分类为骨的体素以及保存和/或增强分类为血管的体素来执行骨移除,产生了3D CT图像中血管的可视化。能够例如通过在计算机***的显示设备上显示血管的可视化来输出血管的可视化。图12示意了使用图10的方法用于头和颈CT容积的例证性骨移除结果。图12的图像1202示出了使用图10的方法的头和颈CT容积中血管结构的可视化,其针对不同的解剖结构和位置使用不同的分割参数。图12的图像1204示出了使用将所有血管分割相同处理的方法的头和颈CT容积中的血管结构的可视化。如图12中所示,使用图10的方法的可视化1202与其中许多骨结构附接至血管的最终渲染的可视化1204相比产生了更清楚的分割结果。
图1和10的上述方法能够用于执行全自动的骨移除和血管可视化。然而,可能的是,由这种自动的骨移除方法产生的血管可视化仍将使得骨封闭一些血管结构或会丢失被错误地标记为骨的血管部分。本发明的各实施方式提供了编辑***和方法,其允许使用者通过最小用户输入(例如,最小数量的点击)手动地编辑骨或血管。图13示意了根据本发明实施方式的用于骨移除编辑的方法。图13的方法提供了用于编辑由图10的骨移除方法产生的血管可视化的方法。图13的方法转换代表由骨移除方法产生的血管可视化的图像数据并生成精炼的血管可视化。在步骤1302,显示血管可视化。例如,使用图10的骨移除方法生成的血管可视化能够显示在计算机***的显示设备上。
在步骤1304,接收用户输入。特别地,接收涉及所显示的血管可视化的错误部分的用户输入。用户输入能够通过用户输入设备(诸如鼠标或触屏)来接收。用户输入在本文中被称作为“点击”,诸如鼠标点击,但应该理解的是,用户输入并不限定于鼠标点击,而是可以使用任何类型的用户输入设备。两个实施方式在本文中描述为用于实现图13的方法。第一实施方式用于“单击”编辑以及第二实施方式用于“双击”编辑。这些实施方式利用配准至医学图像数据和解剖学及位置特定分割的多标记图谱,如图10的方法中所描述的。在图谱配准后,每个体素根据变形场分配标记(例如,从0至5)。在单击实施方式中,用户提供点击点和与该点击点相关的标记(例如,骨或血管)。例如,用户可在封闭部分血管的骨结构上点击以将其标记为骨。在双击实施方式中,用户将在直线血管段的两端处放置两个点击。例如,用户能够在被错误地标记为骨的血管中丢失块的相对端点击。由于血管能够由多个短的血管段近似,此类需求是合理的。
在步骤1306,基于用户输入来更新配准的多标记图谱。对于单击实施方式,用户在与标记相关的点上点击并且多标记图谱存储该点的标记。在双击实施方式中,用户在直线血管段相对端处放置两个点击。给定了这两个点击点,执行线性***以估计两个点击点之间的直线,并且两个点击点之间沿这条线的所有点被标记为血管且定位存储在配准的多标记图谱中。
在步骤1308,使用更新的配准多标记图谱再次运行解剖学和位置特异分割。特别地,在医学图像数据上执行分割算法(例如,图像分割或随机游走),医学图像数据具有基于多标记图谱中标记变化的解剖学和位置特异参数,从而提取精炼的骨和血管掩模。根据有利的实现方式,分割算法(例如,图像分割或随机游走)使用下述信息来执行针对每个体素的分割:(1)已配准多标记图谱内所有附近血管的距离图;(2)多标记图谱内所有附近骨的距离图;(3)血管和骨的强度限制(例如,造影血管可具有100-1000 HU区间内的强度);(4)标记为血管的用户点击点的距离图;以及(5)标记为骨的用户点击点的距离图。应该理解的是,(4)和(5)中的用户点击点包括沿双击实施方式中两个用户点击点之间所评估的直线的所有点。该分割产生了用于执行骨移除的精炼的骨和血管掩模,产生了精炼的血管可视化。该精炼的血管可视化显示至用户。在例证性实现方式中,能够响应接收用户输入再次运行分割并实时地或接近实时地显示精炼的血管可视化。
图14示意了使用双击实施方式的骨移除编辑的例证性结果。图14的图像1400、1410、和1420示出了使用双击实施方式的骨移除编辑的第一示例。如图像1400中所示,在所显示的血管可视化的血管中具有间隙1402,并且在间隙1402的下部处输入第一用户点击点1404。如图像1410中所示,在间隙1402的上部处接收第二用户点击点1406,并使用图13的方法准确地填充间隙1402。图像1420显示了精炼的血管可视化的3D渲染,其中间隙1402被准确地填充。图14的图像1430、1440、和1450示出了使用双击实施方式的骨移除编辑的第二示例。如图像1430中所示,在所显示的血管可视化的血管中具有间隙1432,并且在间隙1432的下部处输入第一用户点击点1434。如图像1440中所示,在间隙1432的上部处接收第二用户点击点1436,并使用图13的方法准确地填充间隙1432。图像1450显示了精炼的血管可视化的3D渲染,其中间隙1432被准确地填充。
单击和双击实施方式用于图13的方法。在其他可能的实施方式中,双击实施方式能够延伸至三击或四击(或更多)实施方式,其中每次点击指示血管的转向点并且使用点击点***或外推血管中心线。
用于骨移除、骨分割、血管分割、以及骨移除编辑的上述方法可以在使用公知的计算机处理器、内存单元、存储设备、计算机软件、和其他部件的计算机上实施。这种计算机的高级框图在图15中示意。计算机1502包含处理器1504,其通过执行定义该操作的计算机程序指令来控制计算机1502的整个操作。计算机程序指令可以存储在存储设备1512(例如磁盘)中并在需要执行计算机程序指令时装载到内存1510内。因此,图1、2、3、5、6、9、10和13的方法步骤可以通过存储在内存1510和/或存储器1512内的计算机程序指令来限定并由执行计算机程序指令的处理器1504控制。图像采集设备1520,诸如CT扫描设备,能够连接至计算机1502以输入图像数据至计算机1502。可能的是,将图像采集设备1520和计算机1502作为一个设备来实施。还可能的是,图像采集设备1520和计算机1502通过网络无线地通信。在可能的实施方式中,计算机1502能够关于图像采集设备1502远程地定位,并且本文描述的方法步骤能够作为服务器或基于云的服务的一部分来进行。计算机1502还包括一个或多个网络接口1506,用于通过网络与其他设备通信。计算机1502还包括其他输入/输出设备1508,其使得用户能够与计算机1502(例如,显示器、键盘、鼠标、扬声器、按钮等)交互。这种输入/输出设备1508可以结合作为注释工具的一组计算机程序一起使用,用于注释从图像采集设备1502接收的容积。本领域技术人员将意识到实际计算机的实施还能够包括其他组件,并且图15是用于示意目的的这种计算机的一些组件的高级表示。
用于医学图像合成的上述方法可以使用以客户端-服务器关系操作的计算机来实现。通常,在这种***中,客户端计算机远离服务器计算机定位并通过网络交互。客户端-服务器关系可以由运行在各自客户端和服务器计算机上的计算机程序定义和控制。
用于医学图像合成的上述方法可以在基于网络的云计算***内实施。在这种基于网络的云计算***内,连接至网络的服务器或另一处理器通过网络与一个或多个客户端计算机通信。客户端计算机可例如通过驻留在并操作于客户端计算机上的网络浏览器应用程序与服务器通信。客户端计算机可通过网络将数据存储在服务器上并访问该数据。客户端计算机可通过网络发送数据请求或在线服务请求至服务器。服务器可执行所请求的服务并提供数据至(多个)客户端计算机。服务器还可发送适于引起客户端计算机执行特定功能的数据,例如以执行计算、在屏幕上显示特定数据等。例如,服务器可发送适于引起客户端计算机执行本文中描述的一个或多个方法步骤(包括图1、2、3、5、6、9、10和13的一个或多个步骤)的请求。本文中描述的某些方法步骤,包括图1、2、3、5、6、9、10和13的一个或多个步骤,可通过服务器或通过基于网络的云计算***中的另一处理器来执行。本文中描述的某些方法步骤,包括图1、2、3、5、6、9、10和13的一个或多个步骤,可通过基于网络的云计算***中的客户端计算机来执行。本文中描述的方法步骤,包括图1和2的一个或多个步骤,可以任意组合地通过基于网络的云计算***中的客户端计算机和/或通过服务器来执行。
前述详细描述应该理解为在每个方面是示意性和示例性的,而非限制性的,并且本文所公开的本发明的范围不由具体实施方式所确定,而是由根据专利法所允许的完整宽度所解释的权利要求确定。应该理解的是,本文所示出和所述的实施方式仅是本发明原理的示意,以及本领域技术人员能够在不偏离本发明范围和精神的条件下实现不同的修改。本领域技术人员能够在不偏离本发明范围和精神的条件下实施各种其他特征组合。
Claims (8)
1.一种用于患者的3D医学图像中骨移除和血管可视化的方法,其包括:
将多标记图谱配准至3D医学图像;
在3D医学图像中基于配准的多标记图谱使用解剖学和位置特异分割来分割骨和血管结构;以及
从3D医学图像移除骨结构以产生3D医学图像中血管结构的可视化;
其中,在3D医学图像中基于配准的多标记图谱使用解剖学和位置特异分割来分割骨和血管结构包括:在3D医学图像中使用针对3D医学图像中不同体素的不同分割参数基于由配准的多标记图谱分配至体素的标记来执行骨和血管结构的基于图形的分割;并且
其中,能够响应于接收用户输入再次运行分割,并且能够实时地显示3D医学图像中的精炼的血管结构的可视化。
2.权利要求1所述的方法,其中多标记图谱基于围绕至少一个血管不同部分的骨的多少包括针对至少一个血管不同部分的不同标记。
3.权利要求1所述的方法,还包括:
显示3D医学图像中的血管可视化;
接收指示3D医学图像中血管可视化的错误部分的用户输入;
基于用户输入调节配准的多标记图谱;
基于所调节的配准多标记图谱使用解剖学和位置特异分割重新分割3D图像中的骨结构和血管结构;以及
从3D医学图像移除重新分割的骨结构以生成3D医学图像中血管的精炼可视化。
4.权利要求3所述的方法,其中接收指示3D医学图像中血管可视化的错误部分的用户输入包括接收指示血管可视化的错误部分的单次用户点击,以及基于用户输入调节配准的多标记图谱包括存储在配准的多标记图谱中接收用户点击处的体素的更新标记。
5.权利要求3所述的方法,其中接收指示3D医学图像中血管可视化的错误部分的用户输入包括接收血管段第一端处的第一用户点击和血管段第二端处的第二用户点击,以及基于用户输入调节配准的多标记图谱包括:
评估第一用户点击和第二用户点击之间的直线;以及
将第一用户点击和第二用户点击之间的评估线上的所有点标记为配准多标记图谱中的血管点。
6.一种用于患者的3D医学图像中骨移除和血管可视化的设备,其包括:
用于将多标记图谱配准至3D医学图像的装置;
用于在3D医学图像中基于配准的多标记图谱使用解剖学和位置特异分割来分割骨和血管结构的装置;以及
用于从3D医学图像移除骨结构以产生3D医学图像中血管结构的可视化的装置;
其中,用于在3D医学图像中基于配准的多标记图谱使用解剖学和位置特异分割来分割骨和血管结构的装置包括:用于在3D医学图像中使用针对3D医学图像中不同体素的不同分割参数基于由配准的多标记图谱分配至体素的标记来执行骨和血管结构的基于图形的分割的装置;并且
其中,能够响应于接收用户输入再次运行分割,并且能够实时地显示3D医学图像中的精炼的血管结构的可视化。
7.权利要求6所述的设备,其中多标记图谱基于围绕至少一个血管不同部分的骨的多少包括针对至少一个血管不同部分的不同标记。
8.权利要求6所述的设备,还包括:
用于显示3D医学图像中的血管可视化的装置;
用于接收指示3D医学图像中血管可视化的错误部分的用户输入的装置;
用于基于用户输入调节配准的多标记图谱的装置;
用于基于所调节的配准多标记图谱使用解剖学和位置特异分割重新分割3D图像中的骨结构和血管结构的装置;以及
用于从3D医学图像移除重新分割的骨结构以生成3D医学图像中血管的精炼可视化的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098575.7A CN111528871B (zh) | 2015-05-04 | 2016-05-04 | 用于医学图像中全身骨移除和血管可视化的方法和*** |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/703132 | 2015-05-04 | ||
US14/703,132 US10037603B2 (en) | 2015-05-04 | 2015-05-04 | Method and system for whole body bone removal and vascular visualization in medical image data |
CN202010098575.7A CN111528871B (zh) | 2015-05-04 | 2016-05-04 | 用于医学图像中全身骨移除和血管可视化的方法和*** |
CN201610377171.5A CN106108925B (zh) | 2015-05-04 | 2016-05-04 | 用于医学图像中全身骨移除和血管可视化的方法和*** |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610377171.5A Division CN106108925B (zh) | 2015-05-04 | 2016-05-04 | 用于医学图像中全身骨移除和血管可视化的方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111528871A CN111528871A (zh) | 2020-08-14 |
CN111528871B true CN111528871B (zh) | 2023-06-09 |
Family
ID=57222717
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010098575.7A Active CN111528871B (zh) | 2015-05-04 | 2016-05-04 | 用于医学图像中全身骨移除和血管可视化的方法和*** |
CN201610377171.5A Active CN106108925B (zh) | 2015-05-04 | 2016-05-04 | 用于医学图像中全身骨移除和血管可视化的方法和*** |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610377171.5A Active CN106108925B (zh) | 2015-05-04 | 2016-05-04 | 用于医学图像中全身骨移除和血管可视化的方法和*** |
Country Status (2)
Country | Link |
---|---|
US (2) | US10037603B2 (zh) |
CN (2) | CN111528871B (zh) |
Families Citing this family (75)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10299773B2 (en) * | 2011-08-21 | 2019-05-28 | Transenterix Europe S.A.R.L. | Device and method for assisting laparoscopic surgery—rule based approach |
US10068340B2 (en) * | 2014-11-03 | 2018-09-04 | Algotec Systems Ltd. | Method for segmentation of the head-neck arteries, brain and skull in medical images |
US10037603B2 (en) * | 2015-05-04 | 2018-07-31 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
EP3142069B1 (en) * | 2015-09-10 | 2020-05-13 | Agfa HealthCare | Method, apparatus and system for analyzing medical images of blood vessels |
JP2018534703A (ja) * | 2015-09-10 | 2018-11-22 | エスワイエヌシー−アールエックス、リミテッド | 自動画像特徴除去 |
US10327726B2 (en) * | 2015-11-18 | 2019-06-25 | Lightlab Imaging, Inc. | X-ray image feature detection and registration systems and methods |
US10169871B2 (en) * | 2016-01-21 | 2019-01-01 | Elekta, Inc. | Systems and methods for segmentation of intra-patient medical images |
DE102016203857B4 (de) * | 2016-03-09 | 2021-05-12 | Siemens Healthcare Gmbh | Verfahren zur Erfassung und Verarbeitung von Bilddaten eines Untersuchungsobjekts |
US10869644B2 (en) * | 2016-07-30 | 2020-12-22 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for extracting lower limb vasculature |
US10354391B2 (en) * | 2016-10-27 | 2019-07-16 | Peter Jin-Pyong Yim | Method and system for multi-label image segmentation |
US10582907B2 (en) | 2016-10-31 | 2020-03-10 | Siemens Healthcare Gmbh | Deep learning based bone removal in computed tomography angiography |
US10249092B2 (en) * | 2016-11-23 | 2019-04-02 | Simbionix Ltd. | System and method for rendering complex data in a virtual reality or augmented reality environment |
CN106682636B (zh) * | 2016-12-31 | 2020-10-16 | 上海联影医疗科技有限公司 | 血管提取方法及其*** |
CN106780404B (zh) * | 2017-02-14 | 2019-10-29 | 青岛浦利医疗技术有限公司 | 图像增强方法、装置及血管显像设备 |
US10600185B2 (en) * | 2017-03-08 | 2020-03-24 | Siemens Healthcare Gmbh | Automatic liver segmentation using adversarial image-to-image network |
US10402976B2 (en) * | 2017-05-16 | 2019-09-03 | Siemens Healthcare Gmbh | Isolation of aneurysm and parent vessel in volumetric image data |
US10438350B2 (en) | 2017-06-27 | 2019-10-08 | General Electric Company | Material segmentation in image volumes |
US10467759B2 (en) * | 2017-07-27 | 2019-11-05 | Siemens Healthcare Gmbh | Intelligent contouring of anatomy with structured user click points |
US10949966B2 (en) * | 2017-08-18 | 2021-03-16 | Siemens Healthcare Gmbh | Detecting and classifying medical images based on continuously-learning whole body landmarks detections |
EP3467771A1 (en) * | 2017-10-05 | 2019-04-10 | Koninklijke Philips N.V. | Image feature annotation in diagnostic imaging |
GB201716890D0 (en) * | 2017-10-13 | 2017-11-29 | Optellum Ltd | System, method and apparatus for assisting a determination of medical images |
CN107638189B (zh) * | 2017-10-25 | 2021-06-01 | 东软医疗***股份有限公司 | Ct成像方法和装置 |
US10818011B2 (en) * | 2017-12-29 | 2020-10-27 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Carpal segmentation and recognition method and system, terminal and readable storage medium |
CN108257118B (zh) * | 2018-01-08 | 2020-07-24 | 浙江大学 | 一种基于法向腐蚀和随机游走的骨折粘连分割方法 |
WO2019152850A1 (en) * | 2018-02-02 | 2019-08-08 | Centerline Biomedical, Inc. | Segmentation of anatomic structures |
US10878576B2 (en) | 2018-02-14 | 2020-12-29 | Elekta, Inc. | Atlas-based segmentation using deep-learning |
US10910099B2 (en) * | 2018-02-20 | 2021-02-02 | Siemens Healthcare Gmbh | Segmentation, landmark detection and view classification using multi-task learning |
WO2019166074A1 (en) * | 2018-02-27 | 2019-09-06 | Brainlab Ag | Constrained object correction for a segmented image |
EP3543911A1 (en) * | 2018-03-22 | 2019-09-25 | Koninklijke Philips N.V. | Anomaly detection using magnetic resonance fingerprinting |
US10430949B1 (en) * | 2018-04-24 | 2019-10-01 | Shenzhen Keya Medical Technology Corporation | Automatic method and system for vessel refine segmentation in biomedical images using tree structure based deep learning model |
US10902587B2 (en) * | 2018-05-31 | 2021-01-26 | GE Precision Healthcare LLC | Methods and systems for labeling whole spine image using deep neural network |
CN110599494B (zh) * | 2018-06-12 | 2021-11-02 | 中国科学院深圳先进技术研究院 | 肋骨图像重建***及方法、终端及可读存储介质 |
CN110638477B (zh) * | 2018-06-26 | 2023-08-11 | 佳能医疗***株式会社 | 医用图像诊断装置以及对位方法 |
CN109035141B (zh) * | 2018-07-13 | 2023-03-24 | 上海皓桦科技股份有限公司 | 肋骨展开装置及方法 |
JP2020025730A (ja) * | 2018-08-10 | 2020-02-20 | キヤノン株式会社 | 画像処理装置、画像処理方法、およびプログラム |
US11210779B2 (en) * | 2018-09-07 | 2021-12-28 | Siemens Healthcare Gmbh | Detection and quantification for traumatic bleeding using dual energy computed tomography |
US10762632B2 (en) * | 2018-09-12 | 2020-09-01 | Siemens Healthcare Gmbh | Analysis of skeletal trauma using deep learning |
CN109410267B (zh) * | 2018-09-30 | 2020-02-07 | 数坤(北京)网络科技有限公司 | 一种冠脉分割评估方法及*** |
US10964017B2 (en) * | 2018-11-15 | 2021-03-30 | General Electric Company | Deep learning for arterial analysis and assessment |
CN109740602B (zh) * | 2019-01-10 | 2023-06-30 | 上海联影医疗科技股份有限公司 | 肺动脉期血管提取方法及*** |
CN109872328B (zh) * | 2019-01-25 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 一种脑部图像分割方法、装置和存储介质 |
EP3712855A1 (de) * | 2019-03-21 | 2020-09-23 | Siemens Healthcare GmbH | Visualisierung von medizinischen bilddaten |
EP3719745A1 (en) | 2019-04-01 | 2020-10-07 | Siemens Healthcare GmbH | Processing a medical image |
EP3977402A1 (en) * | 2019-05-28 | 2022-04-06 | PAIGE.AI, Inc. | Systems and methods for processing images to prepare slides for processed images for digital pathology |
TWI738001B (zh) * | 2019-06-03 | 2021-09-01 | 睿傳數據股份有限公司 | 醫學影像中身體部位識別方法及裝置 |
CN110503114B (zh) * | 2019-08-29 | 2023-04-07 | 中国科学院深圳先进技术研究院 | 图像特征提取方法、装置、肿瘤识别***及存储介质 |
CN110782470B (zh) * | 2019-11-04 | 2023-03-28 | 浙江工业大学 | 一种基于形状信息的腕骨区域分割方法 |
CN111179373B (zh) * | 2019-12-31 | 2023-02-17 | 广州华端科技有限公司 | 医学图像去骨模型构建方法与骨信息去除方法 |
CN111242958B (zh) * | 2020-01-15 | 2022-04-08 | 浙江工业大学 | 一种基于结构特征优化的颈动脉级联学习分割方法 |
CN111415335B (zh) * | 2020-03-11 | 2023-12-22 | 北京深睿博联科技有限责任公司 | 血管标注方法和装置 |
CN111489360A (zh) * | 2020-03-18 | 2020-08-04 | 上海商汤智能科技有限公司 | 一种图像分割方法及相关设备 |
CN111445457B (zh) * | 2020-03-26 | 2021-06-22 | 推想医疗科技股份有限公司 | 网络模型的训练方法及装置、识别方法及装置、电子设备 |
CN111681211B (zh) * | 2020-05-18 | 2024-03-08 | 东软医疗***股份有限公司 | 一种血管图像处理方法及装置 |
KR102399510B1 (ko) * | 2020-06-02 | 2022-05-19 | 주식회사 메디픽셀 | 사용자 입력에 기초하여 혈관 영상을 처리하는 방법 및 장치 |
KR102395873B1 (ko) * | 2020-06-02 | 2022-05-10 | 주식회사 메디픽셀 | 자동으로 혈관 영상을 처리하는 방법 및 장치 |
CN111832408A (zh) * | 2020-06-08 | 2020-10-27 | 杭州电子科技大学 | 一种拍摄所得的二值带网格曲线图的曲线提取方法 |
CN111815598B (zh) * | 2020-06-30 | 2024-04-26 | 上海联影医疗科技股份有限公司 | 一种血管参数的计算方法、装置、设备及存储介质 |
KR102521660B1 (ko) * | 2020-11-30 | 2023-04-14 | 주식회사 메디픽셀 | 복수의 예측 결과를 활용한 혈관 영상 추출 방법 및 장치 |
FR3117329A1 (fr) * | 2020-12-15 | 2022-06-17 | Nurea | Procédé d’aide au diagnostic d’une maladie cardiovasculaire d’un vaisseau sanguin |
CN116802682A (zh) * | 2021-01-19 | 2023-09-22 | 皇家飞利浦有限公司 | 血管形状 |
US20220249014A1 (en) * | 2021-02-05 | 2022-08-11 | Siemens Healthcare Gmbh | Intuitive display for rotator cuff tear diagnostics |
CN113157816B (zh) * | 2021-03-09 | 2023-05-16 | 大连海事大学 | 一种基于网格密度的消费者分类标签融合过滤方法 |
CN112991314A (zh) * | 2021-03-30 | 2021-06-18 | 昆明同心医联科技有限公司 | 血管分割方法、装置及存储介质 |
CN113096141B (zh) * | 2021-04-19 | 2022-01-11 | 推想医疗科技股份有限公司 | 冠状动脉分割方法以及冠状动脉分割装置 |
US11776173B2 (en) | 2021-05-04 | 2023-10-03 | GE Precision Healthcare LLC | Generating reformatted views of a three-dimensional anatomy scan using deep-learning estimated scan prescription masks |
CN113256707B (zh) * | 2021-06-25 | 2021-09-28 | 西南交通大学 | 一种基于轨顶面种子点自动追踪的轨道中心线提取方法 |
CN113643176B (zh) * | 2021-07-28 | 2024-05-28 | 东软医疗***股份有限公司 | 一种肋骨显示方法和装置 |
CN113706559A (zh) * | 2021-09-13 | 2021-11-26 | 复旦大学附属中山医院 | 基于医学图像的血管分段提取方法和装置 |
US20230153971A1 (en) * | 2021-11-16 | 2023-05-18 | International Business Machines Corporation | Detecting unacceptable detection and segmentation algorithm output |
CN114119620B (zh) * | 2021-11-25 | 2024-05-28 | 北京理工大学 | 适用于复杂多腔三维模型的骨架线提取方法 |
CN115035020A (zh) * | 2021-12-20 | 2022-09-09 | 深圳科亚医疗科技有限公司 | 对医学图像进行对象分析的方法、装置和存储介质 |
CN115035145B (zh) * | 2022-05-05 | 2023-07-04 | 深圳市铱硙医疗科技有限公司 | 血管及骨骼的分割方法、装置、计算机设备及存储介质 |
CN114723739B (zh) * | 2022-05-09 | 2023-07-21 | 深圳市铱硙医疗科技有限公司 | 一种基于cta影像的血管分段模型训练数据标注方法及装置 |
CN114708259B (zh) * | 2022-05-24 | 2022-08-16 | 深圳市铱硙医疗科技有限公司 | 基于cta的头颈血管狭窄检测方法、装置、设备及介质 |
CN117079080B (zh) * | 2023-10-11 | 2024-01-30 | 青岛美迪康数字工程有限公司 | 冠脉cta智能分割模型的训练优化方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1620990A (zh) * | 2003-11-25 | 2005-06-01 | 通用电气公司 | 在ct血管造影术中分割结构的方法及设备 |
CN1983332A (zh) * | 2005-04-18 | 2007-06-20 | 西门子共同研究公司 | 用于计算机辅助诊断的改进的结节分割 |
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 |
CN104077747A (zh) * | 2013-03-26 | 2014-10-01 | 株式会社东芝 | 医用图像处理装置以及医用图像处理方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6754376B1 (en) * | 2000-11-22 | 2004-06-22 | General Electric Company | Method for automatic segmentation of medical images |
CN100583143C (zh) * | 2004-01-26 | 2010-01-20 | 美国西门子医疗解决公司 | 从医学图像中自动提取骨的***和方法 |
US7469073B2 (en) * | 2004-05-24 | 2008-12-23 | Siemens Medical Solutions Usa, Inc. | Image-based method for detection and removal of small fragments in segmented three-dimensional volumes |
US7532748B2 (en) * | 2004-11-24 | 2009-05-12 | General Electric Company | Methods and apparatus for selecting and/or labeling vessel branches |
US7839403B2 (en) * | 2005-12-19 | 2010-11-23 | Siemens Aktiengesellschaft | Simultaneous generation of different data sets from a single acquisition run and dual rendering of images |
US8244015B2 (en) | 2006-11-22 | 2012-08-14 | General Electric Company | Methods and apparatus for detecting aneurysm in vasculatures |
US20090012382A1 (en) * | 2007-07-02 | 2009-01-08 | General Electric Company | Method and system for detection of obstructions in vasculature |
US8150126B2 (en) * | 2007-09-26 | 2012-04-03 | Siemens Aktiengesellschaft | Method and system for scale-based vessel enhancement in X-ray angiography |
US8068655B2 (en) | 2007-10-02 | 2011-11-29 | Siemens Aktiengesellschaft | Method and system for vessel enhancement and artifact reduction in TOF MR angiography of brain |
US20090100105A1 (en) * | 2007-10-12 | 2009-04-16 | 3Dr Laboratories, Llc | Methods and Systems for Facilitating Image Post-Processing |
US8103070B2 (en) * | 2007-11-22 | 2012-01-24 | Toshiba Medical Visualization Systems Europe, Limited | Volume rendering apparatus and method |
WO2009067680A1 (en) * | 2007-11-23 | 2009-05-28 | Mercury Computer Systems, Inc. | Automatic image segmentation methods and apparartus |
CA2734172A1 (en) * | 2008-08-29 | 2010-03-04 | Genentech, Inc. | Diagnostics and treatments for vegf-independent tumors |
US9785858B2 (en) | 2008-09-26 | 2017-10-10 | Siemens Healthcare Gmbh | Method and system for hierarchical parsing and semantic navigation of full body computed tomography data |
US10083515B2 (en) * | 2008-11-25 | 2018-09-25 | Algotec Systems Ltd. | Method and system for segmenting medical imaging data according to a skeletal atlas |
US10217238B2 (en) * | 2009-05-20 | 2019-02-26 | Algotec Systems Ltd. | Soft tissue segmentation using a bone atlas |
US9020235B2 (en) * | 2010-05-21 | 2015-04-28 | Siemens Medical Solutions Usa, Inc. | Systems and methods for viewing and analyzing anatomical structures |
TWI429419B (zh) * | 2010-11-15 | 2014-03-11 | Univ Nat Central | 產生骨罩之方法 |
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 |
EP2713337B1 (en) * | 2012-10-01 | 2015-09-09 | Agfa Healthcare | Method of analyzing an image |
US9218524B2 (en) * | 2012-12-06 | 2015-12-22 | Siemens Product Lifecycle Management Software Inc. | Automatic spatial context based multi-object segmentation in 3D images |
EP2811458A1 (en) * | 2013-06-05 | 2014-12-10 | Agfa Healthcare | Automated aorta detection in a CTA volume |
CN105555196B (zh) * | 2013-09-20 | 2019-11-05 | 皇家飞利浦有限公司 | 针对血管内介入的自动无足迹设备路线图 |
US9311570B2 (en) * | 2013-12-06 | 2016-04-12 | Kabushiki Kaisha Toshiba | Method of, and apparatus for, segmentation of structures in medical images |
US10037603B2 (en) * | 2015-05-04 | 2018-07-31 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
DE102016203857B4 (de) * | 2016-03-09 | 2021-05-12 | Siemens Healthcare Gmbh | Verfahren zur Erfassung und Verarbeitung von Bilddaten eines Untersuchungsobjekts |
-
2015
- 2015-05-04 US US14/703,132 patent/US10037603B2/en active Active
-
2016
- 2016-05-04 CN CN202010098575.7A patent/CN111528871B/zh active Active
- 2016-05-04 CN CN201610377171.5A patent/CN106108925B/zh active Active
-
2018
- 2018-06-28 US US16/021,881 patent/US10079071B1/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1620990A (zh) * | 2003-11-25 | 2005-06-01 | 通用电气公司 | 在ct血管造影术中分割结构的方法及设备 |
CN1983332A (zh) * | 2005-04-18 | 2007-06-20 | 西门子共同研究公司 | 用于计算机辅助诊断的改进的结节分割 |
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 |
CN104077747A (zh) * | 2013-03-26 | 2014-10-01 | 株式会社东芝 | 医用图像处理装置以及医用图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111528871A (zh) | 2020-08-14 |
CN106108925A (zh) | 2016-11-16 |
US10037603B2 (en) | 2018-07-31 |
US20160328855A1 (en) | 2016-11-10 |
CN106108925B (zh) | 2020-03-17 |
US10079071B1 (en) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111528871B (zh) | 用于医学图像中全身骨移除和血管可视化的方法和*** | |
Li et al. | Optimal surface segmentation in volumetric images-a graph-theoretic approach | |
Carvalho et al. | 3D segmentation algorithms for computerized tomographic imaging: a systematic literature review | |
US9471989B2 (en) | Vascular anatomy modeling derived from 3-dimensional medical image processing | |
Gonçalves et al. | Hessian based approaches for 3D lung nodule segmentation | |
Badura et al. | Soft computing approach to 3D lung nodule segmentation in CT | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
Bauer et al. | Segmentation of interwoven 3d tubular tree structures utilizing shape priors and graph cuts | |
EP1851722B1 (en) | Image processing device and method | |
JP5797124B2 (ja) | 手術支援装置、手術支援方法および手術支援プログラム | |
Selle et al. | Analysis of vasculature for liver surgical planning | |
Erdt et al. | Regmentation: A new view of image segmentation and registration | |
NL2001257C (nl) | Systeem en werkwijze voor het onttrekken en labelen van vasculaire beelden. | |
Olabarriaga et al. | Segmentation of thrombus in abdominal aortic aneurysms from CTA with nonparametric statistical grey level appearance modeling | |
JP4914517B2 (ja) | 構造物検出装置および方法ならびにプログラム | |
Gao et al. | Automatic segmentation of coronary tree in CT angiography images | |
US11132801B2 (en) | Segmentation of three-dimensional images containing anatomic structures | |
Li et al. | Medical image segmentation in oral-maxillofacial surgery | |
US8050470B2 (en) | Branch extension method for airway segmentation | |
Florin et al. | Globally optimal active contours, sequential Monte Carlo and on-line learning for vessel segmentation | |
Alirr et al. | Survey on liver tumour resection planning system: steps, techniques, and parameters | |
Lidayová et al. | Fast vascular skeleton extraction algorithm | |
US20220092786A1 (en) | Method and arrangement for automatically localizing organ segments in a three-dimensional image | |
Huang et al. | Graph-cut-based segmentation of proximal femur from computed tomography images with shape prior | |
Chen et al. | Virtual blood vessels in complex background using stereo x-ray 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 |