CN1656499A - 使用车轮投影分析的肺结节检测 - Google Patents
使用车轮投影分析的肺结节检测 Download PDFInfo
- Publication number
- CN1656499A CN1656499A CNA038115115A CN03811511A CN1656499A CN 1656499 A CN1656499 A CN 1656499A CN A038115115 A CNA038115115 A CN A038115115A CN 03811511 A CN03811511 A CN 03811511A CN 1656499 A CN1656499 A CN 1656499A
- Authority
- CN
- China
- Prior art keywords
- cartwheel projection
- image slice
- projection image
- circularities
- cartwheel
- 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
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
公开了一种通过使用车轮投影分析在高分辨率多层切片CT图像中自动检测肺结节的方法。投影分析使用了从围绕感兴趣的容积中一个确定的轴(201)转动的一系列2维切割平面(201)获得的加权面积曲线。如果加权面积曲线的形状分析满足一组检验标准(313,314),则检测到结节。
Description
技术领域
本发明涉及计算机辅助诊断(CAD),具体来说涉及使用车轮投影分析检测肺结节的计算机辅助诊断方法。
背景技术
据报导,在美国,肺癌对于男人和女人都是第二最普通的诊断癌症,还是癌症患者死亡的主要因素。虽然肺癌的总治愈率仍然十分低,但若对肺癌进行早期检测和治疗,5年存活率是大有希望的。显然,肺癌的早期检测是强烈期望的。
不幸的是,例行的胸部X射线在检测早期肺癌时通常是不成功的。然而,计算机层析X射线摄影术(CT)的最近发展已使检测肺结节成为实际可行的,使用例行的胸部X射线是不可能检测到肺结节的。在CT扫描中,经过一个转动设备将X射线从各个角度引向感兴趣的目标,以获得肺组织的横截面图像(图像切片)。
多层切片高分辨率的计算机层析射线摄影术(MSHRCT)扫描提供一种可使直径为2到30mm左右的肺结节成像的方法。然而,大量的数据向放射学家提出棘手的挑战。一次典型的切片厚度为1-1.5mm的多层切片高分辨率扫描可能有300或更多层图像切片。如果推广用于筛选肺癌患者的MSHRCT,则对于这种检查的要求是十分巨大的。这是耗费时间的事情,而且放射学家研究每个单个的切片图像也是不切实际的。
最近,自动结节检测已经吸引了巨大的努力。但是,自动结节检测方法通常不能检测附着到血管上的结节,它的另一个缺点是具有很高的假阳性率。通常,在切片图像中出现的结节是接近圆形的不透明体,类似于血管的横截面。常规的自动结节检测方法在处理结节的细小区别和正常结构的伪装效应方面遇到了巨大的困难。
因此,期望的并且非常有利的作法是,将计算机辅助诊断技术用于检测肺结节,以避免与常规的方法有关的问题。
发明内容
公开了一种用于自动检测肺结节的技术,从而可以使放射学家从阅读成千上万的图像切片的沉重负担中解放出来,同时还能使肺结节检测更准确,所花的时间更少。
按照本发明的各个实施例,实现图像切片的车轮投影,以获得以感兴趣的结构为中心的不同角度的一系列图像切片。当按照车轮方式转动2维图像时,通常能更容易地发现一个目标的3维形状,并且可以发现这个目标是否有任何连接的血管。
可以对车轮投影图像切片进行计算机分析,以确定它们是否表现出肺结节的特性。这种分析可以包括对自动选择的某些车轮投影图像切片进行的形状分析。对于每个这样的车轮投影图像切片,可以通过本征矢量分析计算出感兴趣的目标的主轴,然后产生感兴趣的目标沿主轴的大小/面积的曲线。分析这些曲线的形状,以确定感兴趣的目标是否是一个结节。
按照本发明的第一个方面,提供在一组容积图像数据中使用感兴趣目标的车轮投影分析来检测肺结节的方法。该方法包括如下步骤:在所说的这组容积图像数据中以感兴趣的目标为中心应用车轮投影,从而产生一组车轮投影图像切片。分析所说车轮投影图像切片中的一个子组以确定是否表示出肺结节的特性。如果是这样,则感兴趣的目标被识别为肺结节。
按照本发明的第二个方面,所说的方法还包括如下步骤:为每个车轮投影图像切片提取感兴趣的目标。然后确定每个提取的感兴趣的目标的圆度值。确定车轮投影图像切片的子组,使其包括具有M个最低圆度值的车轮投影图像切片。
按照本发明的第三个方面,分析车轮投影图像切片的一个子组的步骤还包括如下步骤:为具有M个最低圆度值的图像切片的子组中的车轮投影图像切片,产生加权的面积曲线。对加权面积曲线的形状进行分析,以确定它们是否表示肺结节的特性。
按照本发明的第四个方面,使用具有N个最高圆度值的车轮投影图像切片产生一个肺结节掩模。沿由所说的肺结节掩模估算的位置考察加权面积曲线的形状。如果沿由所说的肺结节掩模估算的位置的加权面积曲线的形状是高斯分布,则认为感兴趣的目标是肺结节。
按照本发明的第五个方面,产生加权面积曲线包括:首先确定感兴趣的目标在每个具有M个最低圆度值的车轮投影图像切片上的主轴。一旦确定了这个主轴,就测量感兴趣的目标沿这个主轴的大小/面积并可以产生加权面积曲线。
按照本发明的第六方面,如果具有M个最低圆度值的车轮投影图像切片具有高于预先确定的阈值的圆度值,则认为感兴趣的目标是肺结节。
按照本发明的第七方面,如果具有N个最高圆度值的车轮投影图像切片具有低于预先确定的阈值的圆度值,则认为感兴趣的目标不是肺结节。
按照本发明的第八方面,容积图像数据是从多层切片高分辨率CT(MSHRCT)扫描获得的。
按照本发明的第九方面,预先设定用于车轮投影的转动角度。
从下面结合附图阅读的对于本发明的优选实施例的详细描述中,本发明的这些和其它方面、特征和优点都将变得显而易见。
附图说明
图1是按照本发明的一个实施例的可以应用本发明的计算机处理***的方块图;
图2是表示以感兴趣的目标为中心的图像切片的车轮投影的示意图;
图3是用于使用车轮投影分析自动检测肺结节的计算机辅助诊断(CAD)方法的方块图;
图4(a)是附着到血管上的一个结节的轴向视图;
图4(b)是附着到血管上的一个结节的3维表面透视图;
图4(c)-4(e)描述应用于附着到血管上的结节的检测的车轮投影分析;
图5(a)表示的是一个小的微弱血管,它看起来好像是在轴向图像上的一个结节;
图5(b)-5(d)描述用于区分小的微弱血管与结节并借此排除假阳性诊断的车轮投影分析。
具体实施方式
本发明涉及使用车轮投影分析检测肺结节的计算机辅助诊断(CAD)方法。所说的分析可在车轮投影图像切片上进行,以确定它们是否表示出肺结节的特性。
为了便于清楚地理解本发明,这里提供了说明性的例子,它们描述了本发明的某些方面(如图2所示的车轮投影)。然而,应该认识到,这些说明不意味着限制本发明的范围,而是为了说明与本发明有关的某些原理。
还应该理解,本发明的实施形式有许多种:硬件、软件、固件、专用处理器、或它们的组合。本发明最好用软件实施成可明确包含在程序存储设备上的程序。可将这个程序上载到包括任何适宜的体系结构的设备上并由所说的这个设备执行。所说的设备最好在具有硬件的计算机平台上实施,所说的硬件例如是一个或多个中央处理单元(CPU)、随机存取存储器(RAM)、和输入/输出(I/O)接口(一个或多个)。这个计算机平台还要包括操作***和微指令代码。这里描述的各个过程和功能或者可以是微指令代码的一部分,或者是要经过操作***执行的程序(或其组合)的一部分。此外,各种其它的***设备如附加的数据存储设备和打印设备也可连接到计算机平台上。
应该理解,因为在附图中描述的某些***组成部件和方法步骤最好是由软件实现的,因此在***部件(或方法步骤)之间的实际连接可以根据本发明的编程方式而有所不同。
图1是按照本发明的一个实施例的一个计算机处理***100的方框图,本发明可应用于这种计算机处理***100。***100包括至少一个处理器(以下称处理器)102,处理器102经过***总线104按可操作方式耦合到其它的部件上。只读存储器(ROM)106、随机存取存储器(RAM)108、显示适配器110、I/O适配器112、音频适配器113、和用户接口适配器114都按可操作方式耦合到***总线104。
显示设备116按可操作方式通过显示适配器110耦合到***总线104。磁盘存储设备(如磁盘或光盘存储设备)118按可操作方式通过I/O适配器112耦合到***总线104。扬声器119按可操作方式通过音频适配器113耦合到***总线104。
鼠标120和键盘124按可操作方式通过用户接口适配器114耦合到***总线104。鼠标120和键盘124用于向***100输入信息和自***100输出信息。
本领域的普通技术人员应该认识到,如图1所示的典型的计算机处理***100不是打算用来限制本发明的。本领域的普通技术人员还应该认识到,还可以使用其它的可替换的计算环境而不会偏离本发明的构思和范围。
图2表示的是一个感兴趣的目标的车轮投影。实现车轮投影的每个轴向图像切片是从使用CT设备(以下,术语CT将包括高分辨率CT以及其它类似的图像扫描设备)的肺200的图像扫描中获得的,并且所说的图像切片是以感兴趣的目标(例如一个疑似结构)为中心的。如图2所示,围绕一个感兴趣的点120将自旋平面201转动180度,就获得一系列车轮投影图像切片,如车轮投影图像切片203和204。可以按照预定的间隔(如每5度)设定转动角度,在这种情况下,对于每个感兴趣的输入目标可以产生36个单个的车轮投影图像切片。类似地,如果将间隔设定为1度,对于每个感兴趣的输入目标可以产生180个单个的车轮投影图像切片。
图3是使用车轮投影分析自动检测肺结节的计算机辅助诊断方法的方块图。
在一开始,对于感兴趣的结构产生多个种子点以便在肺容积内进行考查(步骤301)。在一般情况下,种子点表示在肺图像内可保证较精细考察的点/体积像素(voxel)。例如,种子点可以指向需要详细考察的疑似结构。
由于肺结节的解剖学性质,我们只需要考虑其强度值大于特定阈值的那些点/体积像素。而且,推荐的作法是,种子候补对象自动产生算法与本发明一起使用以产生种子点。按另一种方式,可以手动地规定种子点,例如通过使用鼠标设备互动地选择种子点。
一旦产生种子点,就在每一个种子点上应用车轮投影(如图2所示),并且储存最终得到的两维车轮投影图像切片以备进一步分析(步骤302)。
下一个步骤是从每一个车轮投影图像切片提取感兴趣的目标(步骤303)。为此目的,可以使用相对较低的阈值将图像从灰度格式转换成二进制格式,以使即使微弱的血管也可保持它们的连通性。这样一个强度阈值的例子是-624Hu。可以将没有连接到感兴趣的目标的所有的周围结构设置成背景。
然后,考察在每个(二进制)车轮投影图像切片上感兴趣的目标的几何特性(步骤304)。更加具体地说,使用下面的公式计算每个车轮投影图像切片上感兴趣的目标的圆度:
圆度=感兴趣的目标的面积/感兴趣的目标的周长
应该理解的是,圆度值越大,则目标的形状越圆。
接下来,获得具有N个最高圆度值的二进制的车轮投影图像切片(步骤305)。为此目的,例如,按照圆度值顺序将二进制的车轮投影图像切片排序,选择其中圆度值最高的N个图像切片。
确定N个最高的圆度值是否小于预先确定的阈值TH(步骤306)。如果N个最高的圆度值小于阈值TH,则认为正在考虑的种子不是肺结节,因为它还不足够圆(步骤315)。否则,对N个对应的二进制的车轮投影图像切片进行“或操作”,从而产生一个结节掩模(步骤307)。使用所说的结节掩模,就可以评估潜在的结节的大小和潜在的结节的位置(步骤308)。
然后,确定具有M个最低圆度值的车轮投影图像切片(步骤309)。为此,要考察经排序的图像切片,并且选择具有M个最低圆度值的图像切片。
确定具有M个最低圆度值的车轮投影图像切片是否大于预定的阈值TL(步骤310)。如果它们大于阈值TL,则立即确定感兴趣的结构是一个结节(步骤316),因为它的形状是圆的。否则,计算每个车轮投影图像切片的加权面积曲线。确定加权面积曲线的第一个步骤是:通过对下述的矩阵进行本征矢量分析来计算主轴A:
这里,x=[x,y]T代表感兴趣的目标的一个像素,μ=[
x,
y]代表目标的形心(步骤311)。
接下来,通过沿垂直于主轴的方向测量目标的宽度或面积得到每个面积曲线来计算加权面积曲线(步骤312)。在这一步骤,还可以归一化像素的强度并进行记录。任选地,可以对面积曲线应用中值滤波,以减小由于分段引起的人为假像并且平滑所说的面积曲线。然后,通过归一化强度给面积曲线加权,从而可以获得更加合理的解剖学解释。
在这时,我们处在分析加权面积曲线的阶段。因为这些加权面积曲线代表解剖结构的形状特性,所以这些加权面积曲线展示出在结节曲线和血管曲线之间的形状特征的明显差异。通常,结节的加权面积曲线趋向于高斯分布形状,即使结节是单独存在的或附着到血管上亦是如此,而血管的加权面积曲线不具有这种性质。在由结节掩模估算的位置附近,对加权面积曲线的形状进行分析(步骤313)。
按照一组标准确定在通过结节掩模粗略估算的位置附近的加权面积曲线是否是充分的高斯分布形状(步骤314)。标准的一个例子可以是曲线拟合技术。如果确定当前考察中的种子满足该标准,则认为这个种子就是结节(步骤316),并且保存这个考察中的目标。否则,认为这个种子不是结节(步骤315)。
然后,可以处理下一个种子(步骤317)。所说的过程重复进行,一直到没有更多的种子需要考察时为止。
为了更好地理解本发明,现在给出几个例子。在第一个例子中,进行车轮投影分析以检测附着到血管上的结节。第二个例子表示可以如何使用车轮投影分析来区分小的微弱血管和结节。
A.使用车轮投影分析检测附着到血管上的结节
图4a和4 b表示附着到血管上的一个结节的例子。图4a表示结节的轴向视图,图4b表示3维表面透视图。
在图4c中,表示5个具有最高圆度值的原始的车轮投影图像切片(上一行)和二进制的车轮投影图像切片(下一行)。在这个例子中,N等于5。图4d表示5个具有M个最低圆度值的原始的和二进制的车轮投影图像切片。在此例中,M也等于5。图中表示出主轴。
图4e表示5个具有最低圆度值的车轮投影图像切片的加权面积曲线。最后的子图像表示的是结节掩模。前面说过,结节掩模是由N个二进制车轮投影图像切片的“或操作”产生的。这样,这个结节掩模是由如图4c所示的5个二进制车轮投影图像切片的“或操作”产生的。要注意的是,如图4e所示的这些加权面积曲线在由结节掩模粗略估算出来的位置的周围看起来都是高斯分布。由于它们具有这种形状,所以它们表明:感兴趣的目标是一个结节,因为结节就具有这种性质。
B.使用车轮投影分析区分小的微弱血管与结节
图5a表示看起来似乎是结节的一个小的微弱血管的例子。
在图5b中,表示5个具有最高圆度值的原始的车轮投影图像切片。图5c表示具有最低圆度值的5个原始的车轮投影图像切片(上一行)和5个二进制车轮投影图像切片(下一行)。图中表示出主轴。与前一个例子一样,M和N都设定为5。
图5d表示5个具有最低圆度值的车轮投影图像切片的加权面积曲线。最后的子图像表明是结节掩模,结节掩模表示出目标的粗略估算出来的大小和位置。要说明的是,这些加权面积曲线在由结节掩模粗略估算出来的位置周围看起来是比较线性的形状,而不是高斯分布形状。这表明这个种子不是结节。在这种情况下,由于感兴趣的目标实际上是小的微弱血管,所以加权面积曲线具有线性的形状。
以上的例子说明自动检测肺结节的车轮投影分析的一些主要优点。然而,应该认识到,这些例子不意味着限制本发明的范围。进而,应该认识到,在某些情况下,本发明在不使用加权面积曲线的情况下就能自动确定感兴趣的目标的特性。例如,如以上所述,如果目标的圆度值超过了一个预先确定的阈值,则本发明就可确定这个目标是一个结节,并且如果它的圆度值小于另一个预先确定的阈值,本发明还可以确定这个目标不是一个结节。
虽然这里参照附图描述了本发明的说明性的实施例,但应该理解,本发明不限于这些明确的实施例,本领域的普通技术人员在不偏离本发明的构思或范围的条件下还可以作出各种其它的变化和改进。
Claims (20)
1.一种在一组容积图像数据中使用感兴趣目标的车轮投影分析来检测肺结节的方法,包括如下步骤:
在所说的这组容积图像数据中以感兴趣的目标为中心应用车轮投影,从而产生一组车轮投影图像切片;
分析所说车轮投影图像切片中的一个子组以确定是否表示出肺结节的特性;以及
如果确定是表示出肺结节的特性,则感兴趣的目标被识别为肺结节。
2.权利要求1的方法,进一步还包括如下步骤:
为每个车轮投影图像切片提取感兴趣的目标;
确定每个提取的感兴趣的目标的圆度值;以及
确定车轮投影图像切片的子组,使其包括具有M个最低圆度值的车轮投影图像切片。
3.权利要求2的方法,其中:分析所说车轮投影图像切片的一个子组的步骤还包括如下步骤:
为所说子组中的车轮投影图像切片产生加权面积曲线;
确定加权面积曲线的形状是否表示肺结节的特性。
4.权利要求3的方法,其中:确定加权面积曲线的形状是否表示肺结节的特性的步骤还包括如下步骤:
使用具有N个最高圆度值的车轮投影图像切片产生一个肺结节掩模;
沿由所说的肺结节掩模估算的位置考察在具有M个最低圆度值的车轮投影图像切片上获得的加权面积曲线的形状;以及
如果沿由所说的肺结节掩模估算的位置的加权面积曲线的形状是高斯分布,则认为感兴趣的目标是肺结节。
5.权利要求3的方法,其中:所说的产生加权面积曲线的步骤包括如下步骤:
确定感兴趣的目标在每个具有M个最低圆度值的车轮投影图像切片上的主轴;
测量感兴趣的目标沿主轴的大小/面积;以及
产生加权面积曲线。
6.权利要求1的方法,其中:所说的分析车轮投影图像切片的一个子组的步骤还包括:
如果具有M个最低圆度值的车轮投影图像切片具有高于预先确定的阈值的圆度值,则认为感兴趣的目标是肺结节。
7.权利要求1的方法,其中:所说的分析车轮投影图像切片的一个子组的步骤还包括:
如果具有N个最高圆度值的车轮投影图像切片具有低于预先确定的阈值的圆度值,则认为感兴趣的目标不是肺结节。
8.权利要求1的方法,其中:所说的容积图像数据是由多层切片高分辨率CT扫描获得的。
9.权利要求1的方法,其中:预先设置车轮投影的转动角度。
10.一种可由机器读取的程序存储设备,可确实包含可在机器上执行的指令程序,以实现在一组容积图像数据中使用感兴趣目标的车轮投影分析来检测肺结节的方法步骤,所说的方法步骤包括:
在所说的这组容积图像数据中以感兴趣的目标为中心应用车轮投影,从而产生一组车轮投影图像切片;
分析所说车轮投影图像切片中的一个子组以确定是否表示出肺结节的特性;以及
如果确定是表示出肺结节的特性,则感兴趣的目标被识别为肺结节。
11.权利要求10的程序存储设备,进一步还包括如下步骤:
为每个车轮投影图像切片提取感兴趣的目标;
确定每个提取的感兴趣的目标的圆度值;以及
确定车轮投影图像切片的子组,使其包括具有M个最低圆度值的车轮投影图像切片。
12.权利要求11的程序存储设备,其中:分析所说车轮投影图像切片的一个子组的步骤还包括如下步骤:
为具有M个最低圆度值的图像切片的子组中的车轮投影图像切片,产生加权面积曲线;
确定加权面积曲线的形状是否表示肺结节的特性。
13.权利要求12的程序存储设备,其中:确定加权面积曲线的形状是否表示肺结节的特性的步骤还包括如下步骤:
使用具有N个最高圆度值的车轮投影图像切片产生一个肺结节掩模;
沿由所说的肺结节掩模估算的位置考察在具有M个最低圆度值的车轮投影图像切片上获得的加权面积曲线的形状;
如果沿由所说的肺结节掩模估算的位置的加权面积曲线的形状是高斯分布,则认为感兴趣的目标是肺结节。
14.权利要求12的程序存储设备,其中:所说的产生加权面积曲线的步骤包括如下步骤:
确定感兴趣的目标在每个具有M个最低圆度值的车轮投影图像切片上的主轴;
测量感兴趣的目标沿主轴的大小/面积;以及
产生加权面积曲线。
15.权利要求10的程序存储设备,其中:所说的分析车轮投影图像切片的一个子组的步骤还包括:
如果具有M个最低圆度值的车轮投影图像切片具有高于预先确定的阈值的圆度值,则认为感兴趣的目标是肺结节。
16.权利要求10的程序存储设备,其中:所说的分析车轮投影图像切片的一个子组的步骤还包括:
如果具有N个最高圆度值的车轮投影图像切片具有低于预先确定的阈值的圆度值,则认为感兴趣的目标不是肺结节。
17.权利要求10的程序存储设备,其中:所说的容积图像数据是由多层切片高分辨率CT扫描获得的。
18.权利要求10的程序存储设备,其中:预先设置车轮投影的转动角度。
19.一种在容积图像数据中使用感兴趣目标的车轮投影分析来检测肺结节的方法,包括:在所说的容积图像数据中以感兴趣的目标为中心产生一组车轮投影图像切片,包括如下步骤:
分析所说车轮投影图像切片中的一个子组以确定是否表示出肺结节的特性;以及
如果确定是表示出肺结节的特性,则感兴趣的目标被识别为肺结节。
20.一种辅助肺癌诊断的肺结节检测设备,包括:
输入单元,用于获得与感兴趣的目标有关的一组车轮投影图像切片;
分析器,用于对这组车轮投影图像切片进行车轮投影分析;以及
输出单元,用于识别感兴趣的目标是否是肺结节。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/151,661 | 2002-05-20 | ||
US10/151,661 US6609021B1 (en) | 2002-05-20 | 2002-05-20 | Pulmonary nodule detection using cartwheel projection analysis |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1656499A true CN1656499A (zh) | 2005-08-17 |
Family
ID=27733681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA038115115A Pending CN1656499A (zh) | 2002-05-20 | 2003-03-13 | 使用车轮投影分析的肺结节检测 |
Country Status (5)
Country | Link |
---|---|
US (1) | US6609021B1 (zh) |
JP (1) | JP2005526583A (zh) |
CN (1) | CN1656499A (zh) |
DE (1) | DE10392482T5 (zh) |
WO (1) | WO2003100700A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345740A (zh) * | 2013-06-13 | 2013-10-09 | 沈阳航空航天大学 | 基于多投影图像配准的肺结节检测方法 |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7327866B2 (en) * | 2001-04-09 | 2008-02-05 | Bae Kyongtae T | Method and apparatus for compressing computed tomography raw projection data |
WO2004049777A2 (en) * | 2002-12-04 | 2004-06-17 | Washington University | Method and apparatus for automated detection of target structures from medical images using a 3d morphological matching algorithm |
US7978887B2 (en) * | 2003-06-17 | 2011-07-12 | Brown University | Methods and apparatus for identifying subject matter in view data |
CN102708270A (zh) | 2003-08-13 | 2012-10-03 | 美国西门子医疗解决公司 | 计算机辅助决策支持***和方法 |
US7352882B2 (en) * | 2003-08-14 | 2008-04-01 | Siemens Medical Solutions Usa, Inc. | System and method for determining compactness in images |
US7447342B2 (en) * | 2003-09-22 | 2008-11-04 | Siemens Medical Solutions Usa, Inc. | Method and system for using cutting planes for colon polyp detection |
JP4463817B2 (ja) * | 2003-09-22 | 2010-05-19 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 脈管構造の局部画像を自動的に配向する方法及びシステム |
JP4242796B2 (ja) * | 2004-03-12 | 2009-03-25 | パナソニック株式会社 | 画像認識方法及び画像認識装置 |
JP4549093B2 (ja) * | 2004-04-12 | 2010-09-22 | キヤノン株式会社 | 画像処理装置及びその方法、プログラム |
GB2414357A (en) * | 2004-05-18 | 2005-11-23 | Medicsight Plc | Nodule boundary detection |
US7333646B2 (en) * | 2004-06-01 | 2008-02-19 | Siemens Medical Solutions Usa, Inc. | Watershed segmentation to improve detection of spherical and ellipsoidal objects using cutting planes |
US7684602B2 (en) * | 2004-11-18 | 2010-03-23 | Siemens Medical Solutions Usa, Inc. | Method and system for local visualization for tubular structures |
US7738683B2 (en) * | 2005-07-22 | 2010-06-15 | Carestream Health, Inc. | Abnormality detection in medical images |
US7734080B2 (en) * | 2005-12-08 | 2010-06-08 | Electronics And Telecommunications Research Institute | Method and device for measuring pulmonary nodule volume using dual-energy substraction image |
US7986827B2 (en) * | 2006-02-07 | 2011-07-26 | Siemens Medical Solutions Usa, Inc. | System and method for multiple instance learning for computer aided detection |
WO2007126932A1 (en) * | 2006-03-28 | 2007-11-08 | Xoran Technologies, Inc. | Ct scanner with automatic determination of volume of interest |
US20070248206A1 (en) * | 2006-04-19 | 2007-10-25 | Predrag Sukovic | Ct scanner with untracked markers |
US20090016589A1 (en) * | 2007-07-10 | 2009-01-15 | Siemens Medical Solutions Usa, Inc. | Computer-Assisted Detection of Colonic Polyps Using Convex Hull |
WO2009009099A2 (en) * | 2007-07-10 | 2009-01-15 | Siemens Medical Solutions Usa, Inc. | Computer-assisted detection of colonic polyps using convex hull |
US8588492B2 (en) * | 2007-11-20 | 2013-11-19 | Koninklijke Philips N.V. | Visualization of vascularization |
EP2068281A1 (en) * | 2007-11-28 | 2009-06-10 | Dublin City University | A method for detecting flat polyps in the colon |
US8675933B2 (en) | 2010-04-30 | 2014-03-18 | Vucomp, Inc. | Breast segmentation in radiographic images |
WO2011137409A1 (en) | 2010-04-30 | 2011-11-03 | Vucomp, Inc. | Malignant mass detection and classification in radiographic images |
US9256799B2 (en) | 2010-07-07 | 2016-02-09 | Vucomp, Inc. | Marking system for computer-aided detection of breast abnormalities |
WO2015092622A2 (en) * | 2013-12-20 | 2015-06-25 | Koninklijke Philips N.V. | Density guided attenuation map generation in pet/mr systems |
JP6642048B2 (ja) * | 2016-01-28 | 2020-02-05 | 富士通株式会社 | 医療画像表示システム、医療画像表示プログラム及び医療画像表示方法 |
US12008689B2 (en) | 2021-12-03 | 2024-06-11 | Canon Medical Systems Corporation | Devices, systems, and methods for deep-learning kernel-based scatter estimation and correction |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3378401B2 (ja) * | 1994-08-30 | 2003-02-17 | 株式会社日立メディコ | X線装置 |
US6141437A (en) * | 1995-11-22 | 2000-10-31 | Arch Development Corporation | CAD method, computer and storage medium for automated detection of lung nodules in digital chest images |
US5987094A (en) * | 1996-10-30 | 1999-11-16 | University Of South Florida | Computer-assisted method and apparatus for the detection of lung nodules |
-
2002
- 2002-05-20 US US10/151,661 patent/US6609021B1/en not_active Expired - Fee Related
-
2003
- 2003-03-13 WO PCT/US2003/007571 patent/WO2003100700A2/en active Application Filing
- 2003-03-13 DE DE10392482T patent/DE10392482T5/de not_active Withdrawn
- 2003-03-13 JP JP2004508075A patent/JP2005526583A/ja not_active Withdrawn
- 2003-03-13 CN CNA038115115A patent/CN1656499A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345740A (zh) * | 2013-06-13 | 2013-10-09 | 沈阳航空航天大学 | 基于多投影图像配准的肺结节检测方法 |
CN103345740B (zh) * | 2013-06-13 | 2016-04-13 | 沈阳航空航天大学 | 基于多投影图像配准的肺结节检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2003100700A2 (en) | 2003-12-04 |
WO2003100700A3 (en) | 2004-08-19 |
US6609021B1 (en) | 2003-08-19 |
DE10392482T5 (de) | 2005-07-07 |
JP2005526583A (ja) | 2005-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1656499A (zh) | 使用车轮投影分析的肺结节检测 | |
US8229200B2 (en) | Methods and systems for monitoring tumor burden | |
US6760468B1 (en) | Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network | |
US7072435B2 (en) | Methods and apparatus for anomaly detection | |
US7116810B2 (en) | Method and system for airway measurement | |
US20060210131A1 (en) | Tomographic computer aided diagnosis (CAD) with multiple reconstructions | |
EP1398722A2 (en) | Computer aided processing of medical images | |
US20020141627A1 (en) | Density nodule detection in 3-D digital images | |
EP1662415A1 (en) | Digital medical image analysis | |
US8059900B2 (en) | Method and apparatus to facilitate visualization and detection of anatomical shapes using post-processing of 3D shape filtering | |
CN1518719A (zh) | 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和*** | |
CN1670769A (zh) | 计算机辅助定位目标的方法和*** | |
EP2116974B1 (en) | Statistics collection for lesion segmentation | |
CN101036165A (zh) | 用于树模型显像以检测肺栓塞的***和方法 | |
JP2004174232A (ja) | 画像セットのコンピュータ支援診断 | |
CN1930584A (zh) | 对医学图像进行滤波的***和方法 | |
JP2019082881A (ja) | 画像検索装置、方法およびプログラム | |
JP2008515466A (ja) | 対象物のクラスの画像表現を識別する方法及びシステム | |
CN101034473A (zh) | 计算机辅助识别断层造影中高对比度对象的方法和*** | |
CN1853197A (zh) | 管结构的局部可视化技术的自动定向的方法及*** | |
CN111260636A (zh) | 模型训练方法及设备、图像处理方法及设备以及介质 | |
CN117727441A (zh) | 基于临床-融合影像计算机模型预测肺癌免疫疗效方法 | |
Rezaie et al. | Detection of lung nodules on medical images by the use of fractal segmentation | |
CN111724356B (zh) | 一种用于ct影像肺炎识别的图像处理方法和*** | |
JP4579919B2 (ja) | 結腸のディジタル画像におけるポリープの識別方法およびコンピュータ読み取り可能なプログラム記憶装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |