CN1926572A - 使用角点像素作为种子以检测凸对象 - Google Patents
使用角点像素作为种子以检测凸对象 Download PDFInfo
- Publication number
- CN1926572A CN1926572A CN 200580006586 CN200580006586A CN1926572A CN 1926572 A CN1926572 A CN 1926572A CN 200580006586 CN200580006586 CN 200580006586 CN 200580006586 A CN200580006586 A CN 200580006586A CN 1926572 A CN1926572 A CN 1926572A
- Authority
- CN
- China
- Prior art keywords
- pixel
- seed
- area
- notable feature
- select
- 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
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
提供一种用于从图像中选择种子以确定区域的示例性方法。该方法包括确定图像中两个区之间的边界;选择该边界上的由显著特征所表征的像素,该显著特征将这些像素确定为用于确定区域的种子;以及如果所选择的像素中的一个像素不是先前所确定的第一区域的一部分,则根据所选择的像素中的该像素确定第二区域。
Description
相关申请的交叉引用
本申请要求美国临时申请No.60/549,047的优先权,该申请于2004年3月1日提交并且其在此被全部引入作为参考。
技术领域
本发明一般涉及计算机成像领域,并且更特别地涉及使用图像的显著特征来确定用于检测对象的种子。
背景技术
在二维(“2D”)和三维(“3D”)图像中检测对象形状在许多应用、例如计算机辅助检测和诊断中是必不可少的。例如,计算机辅助检测和诊断应用通常使用形状定位作为识别可能感兴趣的(例如潜在地指示疾病的)特定结构的初步步骤。术语“形状定位”指的是使坐标与体积或者空间中的给定位置相关联。
形状定位通常可以以两个步骤来进行:
(1)识别和提取共同地或者单独地表征形状的像素/体素的集合(也就是区域);以及
(2)使用各种形状描述子/量度(metrics)来评价和分析该集合以确定该集合是否充分表现所考虑的形状。
用于区域确定的方法包括但是不限于:区域增长、区域聚类和区域分割。例如贪婪的区域(greedy region)的传统区域增长技术可以具有非常简单的选择用于使区域增长的种子(也就是起始点)的标准。例如,一种示例性区域增长技术可以考虑图像中的每个像素/体素并验证从特定像素/体素提取的区域是否拥有所期望的特性(例如紧密度、椭圆结构或者其它),这些特性代表与所期望的形状相关的形状特征。如果该所提取的区域拥有所期望的特性,那么该所提取的区域就可被认为是所检测的形状的“实例”。
如在这里所使用的,术语“形状”指的是由边界所围绕的空间或者体积,该边界使该空间或者体积与邻近的材料或者结构分开。这种边界可以具有清晰的或者模糊的过渡(也就是边缘)。边界是一种特殊类型的过渡,该过渡在与过渡垂直的方向上有确定的宽度(extent)。过渡的质量根据材料和采集数据时所用的成像方法而变化。作为一个例子,如果利用使表面成像的激光距离扫描器来采集,那么边缘可能是二元的(例如从黑向白的直接过渡,或者反之亦然)。作为另一个例子,例如在材料(例如手提箱)或经受例行身体检查的人的计算机断层摄影(“CT”)或者X射线图像的情况下,边缘可能随着亮度过渡是清晰的。作为又一个例子,如在超声或者磁共振成像的情况下,边缘可能局部地不是界限分明的。然而,不论上面描述的边界质量怎样,确定所期望的结构与不期望的邻近结构分离的边界上的任何点都可以被用作使区域增长的种子。
现在参考图1,结肠100的一部分的示例性计算机断层摄影(“CT”)图像示出边界105(也就是白色条带区),该边界是两个区域之间的过渡:内腔110(也就是阴影区)和分离的组织115(也就是图案区)。由虚线120封闭的区示出可能希望检测的突起(也就是凸区域)的一个例子。该凸区域也可以被称为感兴趣区域。在结肠100的CT图像的上下文中,由虚线120封闭的区可能是例如结肠息肉或者附着到胸膜上的肺结节。
现在参考图2,示出了图1中结肠100的该部分的CT图像的另一视图。图2更清楚地示出凸区域205和分割该凸区域205的虚拟表面210。如果不存在突起(也就是凸区域205),那么该虚拟表面210是边界215的光滑延续。应该注意的是,在图2中虚拟表面210仅仅作为视觉辅助被示出。
在传统的贪婪的算法中,边界105上的所有表面点都可以被认为是潜在的种子。特别是在大(例如几百万像素/体素的数量级)图像时,这种处理可能过度耗费时间并且效率低。
发明内容
在本发明的一个方面中,提供一种用于从图像中选择种子以确定区域的方法。该方法包括确定图像中两个区之间的边界;选择边界上的由显著特征所表征的像素,该显著特征将这些像素确定为用于确定区域的种子;以及如果所选择的像素中的一个像素不是先前所确定的第一区域的一部分,则根据所选择的像素中的该像素确定第二区域。
在本发明的另一个方面中,提供一种机器可读介质,该机器可读介质具有存储在其上的指令,这些指令由处理器执行以执行用于从图像中选择种子以确定区域的方法。该方法包括确定图像中两个区之间的边界;选择边界上的由显著特征所表征的像素,该显著特征将这些像素确定为用于确定区域的种子;以及如果所选择的像素中的一个像素不是先前所确定的第一区域的一部分,则根据所选择的像素中的该像素确定第二区域。
在本发明的又一个方面中,提供一种用于从图像中选择种子以使区域增长的方法。该方法包括确定图像中两个区域之间的边界面;过滤边界面的是较低维度角点的像素;将经过过滤的像素放置到种子列表中;从该种子列表中选择第一个种子以使第一区域增长;以及从该种子列表中选择第二个种子,其中只有当该第二个种子不是该第一区域的一部分时才将该第二个种子用于使第二区域增长。
附图说明
可以参考下列结合附图的描述来理解本发明,其中相同的附图标记表示相同的元件,并且其中:
图1描绘结肠的一部分的示例性CT图像;
图2描绘图1中的结肠的该部分的示例性CT图像;
图3描绘根据本发明的一个示例性实施方案的2D邻域,该领域被示出具有位于中心的C和与C的距离为1的邻元素a1-a8;
图4描绘根据本发明的一个示例性实施方案的、具有所标记的角点“c”和“x”的图2的凸区域205;
图5描绘根据本发明的一个示例性实施方案的、具有角点体素的图像,其中zy平面中的2D角点明显地不再是正确的3D角点,而在3D中时其它角点仍然是正确的角点;以及
图6描绘根据本发明的一个示例性实施方案的、用于在图像中选择用于区域增长的合适的种子位置的方法。
具体实施方式
下面描述本发明的说明性实施方案。为了清楚起见,在本说明书中没有描述实际实施方案的全部特征。当然应该理解的是,在任何这种实际实施方案的改进中,为了实现开发者的特定目标、例如遵守将因实施方案而异的***相关的和商业相关的约束,必须作出很多实施方案特定的决定。此外,应该理解的是,这种改进工作可能是复杂的并且是耗费时间的,但是对于受益于本公开内容的那些本领域普通技术人员来说仍然是常规任务。
尽管本发明允许有各种修改和替代形式,但是其具体实施方案已例如在附图中被示出并在此被详细描述。然而,应该理解的是,在此对具体实施方案的描述并不意图将本发明限制于所公开的特定形式,而且正相反,意图覆盖所有属于由所附的权利要求所限定的本发明的精神和范围的修改、等效和替代方案。
应该理解的是,在此所描述的***和方法可以以硬件、软件、固件、专用处理器或者其组合的各种形式来实现。特别是,至少本发明的一部分优选地作为包括程序指令的应用程序来实现,这些程序指令被确实地包含在一个或者多个程序存储装置(例如硬盘、磁性软盘、RAM、ROM、CD ROM等等)中并可以由任何包括合适的结构的装置或者机器、例如具有处理器、存储器和输入/输出接口的通用数字计算机执行。应该进一步理解的是,由于附图中所描绘的一些组成***的部件和方法步骤优选地以软件实现,所以***模块(或者方法步骤的逻辑流程)之间的连接可以根据对本发明编程的方式而不同。当在此给出教导时,相关领域的普通技术人员将能够设想到本发明的这些以及相似的实施方案。
提出用于选择性地把像素/体素看作使区域增长的可能的种子的示例性方法和***。不同于从所有边界位置(也就是像素/体素)尝试区域增长方法,更有效的方法可以仅从所选择的位置开始区域增长。例如在医疗应用中,要处理的图像的尺寸可能相当大(例如几百万像素/体素的数量级)。因此,当把像素看作用于使区域增长的可能的种子时应该采取仔细的注意。通过仔细选择种子点,能够实现相当大的加速。
对于确定种子点来说以下四种观察(observation)是关键的:
(1)任何凸区域必须被表示该区域的内部和外部之间的过渡的边界包围。边界过渡(也就是边缘区)的特性可以依赖于应用和数据模态(例如计算机断层摄影、磁共振、超声等等)。
(2)在严格凸对象、例如圆盘或者球体的情况下,总是存在至少一个点,该点是角点。角点是表面点,该表面点的前景邻元素严格地位于平面/体积的一半中。
(3)角点是多个在凸对象的表面上能利用显著特征被定位的点中的一个。利用不同的显著特征使其它独特的位置能够有利于使要识别的区域增长。允许确定好的种子位置的显著特征的例子包括表面上的最大或者最小高斯(Gaussian)曲率、法线相交的投影的轨迹等等的显著特征。
(4)凹区域也可以解释成负凸性,在这种情况下所有上述考虑同样适用。
在这里所讨论的示例性实施方案中,显著特征将基于邻域的特性并且所选择的位置将由表面上的角点来表征。
为了更好地限定角点位置,引入连通性的符号。如果位置“C”的左和右邻元素都存在,则该位置就具有等于二(2)的连通性(被标记为N2连通)。如果位置“C”是N2连通并具有上和下邻元素,则该位置就具有等于四(4)的连通性(被标记为N4连通)。如本领域普通技术人员所预料到的那样,可以使用其它标记符号。例如,现在参考图3,“C”具有8个与“C”的距离为1的邻元素a1-a8。这是矩阵邻域的例子;然而,如本领域普通技术人员所预料到的那样,可以使用不同的拓扑结构的其它布局。
现在,给定“C”位于中心的邻域,当存在彼此邻接并且是N4连通的一半或者更少邻元素时,存在角点。例如,再次参考图3,存在8个邻元素,其中至多4个邻元素具有N4连通性(例如按顺时针顺序a1-a4)。邻元素的N4连通性是要求,因为具有a1、a2、a3和a5将使C不是角点而是桥。术语N4、N6、N8和N26指的是与表面点相邻接的邻元素的数量。例如,N4涉及中心像素和在该中心像素左侧、右侧、上部和底部的各个像素。作为另一个例子,N26涉及在3×3×3邻域中与中心体素相邻接的每个体素。
尽管没有被这样限制,但是为了简单起见,术语“像素”将在下面被用于描述示例性实施方案。然而,应该理解,在替代的实施方案中,这些实施方案可以包含体素而不是像素。
由于目标是有效地从图像中提取包含边界像素/体素的凸区域,因此将需要一种能够选择性地从边界像素/体素增长的技术。
例如在从结肠壁突出到内腔(也就是空气)中的结肠息肉的情况下,当使用区域增长技术来检测息肉的形状时,结肠表面上的任一点都可以被看作有效的种子点。特别是,如在图1和图2中已观察到的那样,在检测时感兴趣的区域(也就是凸对象)具有边界区和突起。对于突出的像素/体素来说,这些像素/体素必须弯曲并向外扩张,从而引入角点。这些角点通常是(a)边界的一部分和(b)凸区域的一部分。
现在参考图4,示出具有被标记的角点“c”和“x”的凸区域205。由于图4是2D图像,被标记的角点“c”和“x”是开始区域增长的同样好的候选。所有突出的边界角点是使2D区域增长的同样好的候选。然而,当考虑邻接的3D体素时,图3中由“x”所标记的这些候选中的许多不再是图3中由“c”所标记的好的候选角点,而只是边界上的体素。
现在参考图5,示出具有角点体素的示例性图像500,其中zy平面(例如包括x2和c1的平面)中的2D角点显然不再是正确的3D角点,而其它的角点在3D中时仍然是正确的角点。这是重要的考虑,因为当对象的维度增加时(也就是从像素(2D)到体素(3D))它能够减少候选的数量。由“x”所标记的角点体素在考虑2D平面时是角点,但是只有那些由“c”所标记的角点体素在更高维度时还是角点。
因此,可以看出,在图5中,尽管x2在zy平面中是角点,但是x2在zx平面中不是角点。因此3D(或者更高维度)角点可以被认为是像素,以便C在所有经过该位置的平面(或者超平面)中是角点。利用该特性,可以看出在图5中只有那些被标记为C的角点才真正是3D角点。该特性是重要的,因为它进一步减少候选的数量。通过该位置的平面(或者超平面)并不仅限于正交xy、zy和zx平面,而是延伸为其它可能的平面。当例如考虑3×3×3邻域时,13个离散的不同平面穿过该点。在本发明的另一个实施方案中,邻域可以更大或者有不同的形状,从而进一步允许平面的离散特性。在另一个实施方案中,这些超平面可以不是离散的以正好经过体素的中心。在本发明的再一个实施方案中,相交可以由3D(或更高维度)角点来表征,该角点不是通过平面或者超平面而是通过线或者线段来确定的。
现在参考图6,示出一种用于在图像中选择合适的用于区域增长的种子位置的示例性方法。在两个区域之间确定(在605中)边界面。该方法的一个示例性实施方案可以执行Canny边缘检测,该检测可以根据两个区域之间的特征和过渡特性而变化。边界表面的为较低维度角点的像素被过滤(在610中)。这些经过过滤的像素被放置(在615中)到种子列表中。从该种子列表中选择(在620中)第一个种子以使第一个凸区域增长。从该种子列表中选择(在625中)第二个种子。只有当该第二个种子不是第一个凸区域的一部分时才从该第二个种子使凸区域增长。
再次参考图4,示出包括种子c2和c3的突出的凸区域的实例。在这种情况下,如果在处理c1之后选择c2作为第一个种子,所提取的凸区域将很可能也包括c3。因此,在完成了以c2开始的区域增长之后,c3将被看作新的种子,观察到它已经是凸区域的一部分,并且区域增长过程将跳过至c4,等等。
从种子位置增长的凸或者凹区域的实例可以是实际的凸区域的表面。例如,再次参考图2,从种子点增长的区域可以是条带区,直到线与该条带相交的像素。因此,该凸区域可以包括从该种子点增长的整个内部区域以及表面自身或者可以仅由表面表征。
上面所公开的特定实施方案仅仅是说明性的,因为本发明可以被修改并且以不同的但是等效的方式来实践,这些方式对于得益于在此的教导的本领域普通技术人员来说是显而易见的。此外,除了如在下面的权利要求中所描述的那样,在此所示出的结构和设计的细节不打算作为任何限制。因此,显然可以对上面所公开的特定实施方案进行改变或者修改,并且所有这样的变化都被认为在本发明的范围和精神内。因此,在此所寻求的保护如下面的权利要求中所述。
Claims (20)
1.一种用于从图像中选择种子以确定区域的方法,该方法包括:
确定图像中两个区之间的边界;
选择该边界上的由显著特征所表征的像素,该显著特征将这些像素确定为用于确定区域的种子;以及
如果所选择的像素中的一个像素不是先前所确定的第一区域的一部分,则根据所选择的像素中的该像素确定第二区域。
2.如权利要求1所述的方法,其中区域的确定包括增长、聚类和分割中的一种。
3.如权利要求1所述的方法,其中确定图像中两个区之间的边界包括检测所述两个区之间的边缘。
4.如权利要求1所述的方法,其中所述两个区之间的边界是表面。
5.如权利要求1所述的方法,其中所述第二区域包括所述边界。
6.如权利要求5所述的方法,其中所述边界包括所述第一区域和所述第二区域之间的模糊的过渡。
7.如权利要求1所述的方法,其中选择边界面上的由显著特征所表征的像素包括利用该显著特征选择该边界面上的角点。
8.如权利要求7所述的方法,其中利用该显著特征选择该边界面上的角点包括选择在经过所选择的像素的任何平面中都是角点的角点。
9.如权利要求1所述的方法,其中所述显著特征包括(a)一阶导数、(b)二阶导数以及(c)导数表示中的一种。
10.如权利要求1所述的方法,其中从所选择的像素中的一个像素使区域增长包括从所选择的像素中的该像素使凸区域增长。
11.如权利要求1所述的方法,其中从所选择的像素中的一个像素使区域增长包括使凹区域和洞之一增长。
12.如权利要求1所述的方法,其中选择边界上的由显著特征所表征的像素包括选择至少一个用于使具有被近似为圆形和椭圆形之一的横截面的区域增长的像素。
13.如权利要求1所述的方法,其中选择边界面上的由显著特征所表征的像素包括选择至少一个用于使具有被近似为圆柱形和抛物面之一的横截面的区域增长的像素。
14.如权利要求1所述的方法,其中选择边界面上的由显著特征所表征的像素包括选择至少一个用于使大部分平坦的区域增长的像素。
15.如权利要求1所述的方法,其中第一区域和第二区域之间的边界是宽的并且是模糊的。
16.如权利要求15所述的方法,进一步包括根据宽的并且模糊的边缘的子区域确定所述显著特征。
17.如权利要求16所述的方法,其中选择边界面上的由显著特征所表征的像素包括在所述宽的并且模糊的边缘的子区域中识别角点。
18.一种机器可读介质,该机器可读介质具有被存储在其上的指令,这些指令由处理器执行以执行用于从图像中选择种子以确定区域的方法,该方法包括:
确定图像中两个区之间的边界;
选择该边界上的由显著特征所表征的像素,该显著特征将这些像素确定为用于确定区域的种子;以及
如果所选择的像素中的一个像素不是先前所确定的第一区域的一部分,则根据所选择的像素中的该像素确定第二区域。
19.一种用于从图像中选择种子以使区域增长的方法,该方法包括:
确定图像中两个区域之间的边界面;
过滤边界面的是较低维度角点的像素;
将经过过滤的像素放置到种子列表中;
从该种子列表中选择第一个种子以使第一区域增长;以及
从该种子列表中选择第二个种子,其中只有当该第二个种子不是该第一区域的一部分时才将该第二个种子用于使第二区域增长。
20.如权利要求1所述的方法,其中所述第一区域和所述第二区域包括凸区域和凹区域之一。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US54904704P | 2004-03-01 | 2004-03-01 | |
US60/549,047 | 2004-03-01 | ||
US11/062,415 | 2005-02-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1926572A true CN1926572A (zh) | 2007-03-07 |
CN100592335C CN100592335C (zh) | 2010-02-24 |
Family
ID=37818219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200580006586A Active CN100592335C (zh) | 2004-03-01 | 2005-02-23 | 使用角点像素作为种子以检测凸对象 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100592335C (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787912A (zh) * | 2014-12-18 | 2016-07-20 | 南京大目信息科技有限公司 | 一种基于分类的阶跃型边缘亚像素定位方法 |
CN110672645A (zh) * | 2019-09-05 | 2020-01-10 | 长江存储科技有限责任公司 | 半导体结构的边界特征提取方法及其装置 |
-
2005
- 2005-02-23 CN CN200580006586A patent/CN100592335C/zh active Active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787912A (zh) * | 2014-12-18 | 2016-07-20 | 南京大目信息科技有限公司 | 一种基于分类的阶跃型边缘亚像素定位方法 |
CN105787912B (zh) * | 2014-12-18 | 2021-07-30 | 南京大目信息科技有限公司 | 一种基于分类的阶跃型边缘亚像素定位方法 |
CN110672645A (zh) * | 2019-09-05 | 2020-01-10 | 长江存储科技有限责任公司 | 半导体结构的边界特征提取方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN100592335C (zh) | 2010-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8787642B2 (en) | Method, device and computer-readable recording medium containing program for extracting object region of interest | |
Van Rikxoort et al. | Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection | |
US8165369B2 (en) | System and method for robust segmentation of pulmonary nodules of various densities | |
CN111435438A (zh) | 适于增强现实、虚拟现实和机器人的图形基准标记识别 | |
Alilou et al. | A comprehensive framework for automatic detection of pulmonary nodules in lung CT images | |
US20030053674A1 (en) | Method and system for the automated delineation of lung regions and costophrenic angles in chest radiographs | |
EP1787261B1 (en) | Candidate generation for lung nodule detection | |
JP2008520322A (ja) | 新規な3d特徴を備えるコンピュータ支援検出(cad)における誤検出の低減 | |
GB2461199A (en) | Lesion extent determination in a CT scan image | |
JP2008520324A (ja) | コンピュータ支援による肺結節誤検出低減における不均衡なケース数を克服するための層化方法 | |
JP4532540B2 (ja) | 曲率勾配に基づく画像内の構造のセグメンテーション方法 | |
JPWO2013073168A1 (ja) | 画像処理装置、撮像装置および画像処理方法 | |
AU2005220588B2 (en) | Using corner pixels as seeds for detection of convex objects | |
JP6415878B2 (ja) | 画像処理装置、画像処理方法及び医用画像診断装置 | |
US20050271276A1 (en) | System and method for toboggan-based object segmentation using distance transform | |
US6963664B2 (en) | Segmentation of digital images | |
CN1926572A (zh) | 使用角点像素作为种子以检测凸对象 | |
WO2013032441A1 (en) | Inserting an object into an image | |
CN1471054A (zh) | 基于活动轮廓模型的多个对象的自动分割方法 | |
EP3549098B1 (en) | Apparatus for identifying objects from an object class | |
US7634120B2 (en) | Incorporating spatial knowledge for classification | |
CN1993710A (zh) | 改进使用切割平面检测球状和椭圆状对象的分水岭分割 | |
CN114782701B (zh) | 时序地标图像特征匹配方法、装置、电子设备及介质 | |
CN1950848A (zh) | 基于曲率斜率的结构分割 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200107 Address after: Erlangen Patentee after: Siemens Medical Co., Ltd. Address before: Pennsylvania, USA Patentee before: American Siemens Medical Solutions Inc. |
|
TR01 | Transfer of patent right |