DE102005043395A1

DE102005043395A1 - Intelligentes Teilen von Volumendaten

Info

Publication number: DE102005043395A1
Application number: DE102005043395A
Authority: DE
Inventors: Hong Shen; Ernst Bartsch
Original assignee: Siemens Corporate Research Inc
Current assignee: Siemens Medical Solutions USA Inc
Priority date: 2004-10-12
Filing date: 2005-09-12
Publication date: 2006-04-20
Also published as: US20060078184A1

Abstract

Ein System (100) und Verfahren (200) für das intelligente Teilen von Volumendaten werden bereitgestellt, einschließlich eines Adapters (112, 128, 130) zum Entgegennehmen von Gruppenbefehls-Abtastdaten oder Ganzkörper-Abtastdaten (212), eines Merkmalsdetektors (170), der sich in Signalverbindung mit dem Adapter befindet, zum Detektieren globaler Merkmale in dem empfangenen Abtastdaten (214) und zum Definieren von Trennlinien bezüglich der detektierten Merkmale entlang einer Achse der Abtastdaten (216) und eines Datenteilers (180), der sich in Signalverbindung mit dem Adapter befindet, zum Teilen der Abtastdaten in Datensätze gemäß der definierten Trennlinien (220).

Description

Querverweis auf verwandte Anmeldung
Diese Anmeldung beansprucht die Priorität der vorläufigen US-Anmeldung 60/618,007 (Anwaltszeichen 2004P17402US) vom 12. Oktober 2004 mit dem Titel "Intelligentes Teilen von Volumendaten", die hier über Bezugnahme in ihrer Gesamtheit beinhaltet ist.

Hintergrund

Mit der verstärkten Entwicklung von Hardware-Technologien für medizinische Bildgebungsgeräte können nun große Abschnitte des menschlichen Körpers und sogar der ganze Körper in einer einzigen Untersuchung abgetastet werden. Dies erhöht wiederum die Notwendigkeit für eine automatische Extraktion von Bildbereichen aus großen Datenvolumen.

Ein beispielhaftes Szenario ist ein Gruppenbefehl, der durch einen Physiker gegeben wird. Ein Patient kann beispielsweise Untersuchungen der Brust, des Unterleibs und des Beckens benötigen. Der Radiologe nimmt die Aufträge von verschiedenen Spezialisten entgegen und gruppiert diese drei Untersuchungen zusammen, um einen Gruppenbefehl zu bilden, so dass er den oberen Teil des Körpers des Patienten abtastet. Dieser Gruppenbefehl anstelle getrennter Befehle verbessert die Effizienz und die Einsatzmöglichkeiten der Geräte.

Anschließend müssen diese Daten in drei Datenbereiche, nämlich Brust, Unterleib und Becken, geteilt werden, wobei begrenzte Überlappungen zwischen den aneinandergrenzenden Bereichen erlaubt sind. Auf diese Weise erhält jeder der Spezialisten lediglich den in Frage kommenden Datenbereich von Interesse, wodurch die unnütze Bandbreite sowohl für die Übermittlung als auch die Speicherung unnötiger Daten vermieden wird. Typischerweise wird dies manuell durchgeführt, was eine mühsame und zeitraubende Arbeit ist.

In einem anderen Szenario kann eine allgemeine Untersuchung zum Überprüfen verschiedener Krankheiten den ganzen menschlichen Körper erfassen. Dies dürfte mit der steigenden Notwendigkeit der Gesundheitserhaltung und Krankheitsprävention immer populärer werden. In diesem Szenario wird die effektive Datenteilung für einen Ganzkörper-Scan noch wichtiger, da die Daten so groß sind, dass sie nicht an jeden Spezialisten unabhängig von seinem Interesse gesendet werden können.

Somit wird ein System für das intelligente Teilen von Volumendaten benötigt, um automatisch einen beliebigen Datenbereich, der die gewünschten Organe oder Körperbereiche enthält, aus den Gruppenbefehlsdaten oder den Ganzkörper-Volumendaten automatisch zu extrahieren, wobei der Benutzer fordern kann, dass der zu extrahierende Bildabschnitt entweder solche Körperbereiche wie Kopf, Nacken, Unterleib, Bein und dergleichen beinhaltet, oder solche inneren Organe wie Gehirn, Herz, Lunge, Leber, Nieren und dergleichen.

Zusammenfassung

Diese und weitere Nachteile des Standes der Technik werden durch eine Vorrichtung und ein Verfahren zum intelligenten Teilen von Volumendaten aufgegriffen.

Ein beispielhaftes System für das intelligente Teilen von Volumendaten weist einen Adapter zum Entgegennehmen von Gruppenbefehls-Abtastdaten oder Ganzkörper-Abtastdaten auf, einen Merkmalsdetektor, der sich in Signalverbindung mit dem Adapter befindet, zum Feststellen globaler Merkmale in den empfangenen Abtastdaten und zum Definieren von Trennlinien bezüglich der detektierten Merkmale entlang einer Achse der Abtastdaten, und einen Datenteiler, der sich in Signalverbin dung mit dem Adapter befindet, zum Teilen der Abtastdaten in Datensätze gemäß den definierten Trennlinien.

Ein entsprechendes Verfahren für das intelligente Teilen von Volumendaten weist die Schritte auf, wenigstens einen Satz von Gruppenbefehls-Abtastdaten oder Ganzkörper-Abtastdaten entgegenzunehmen, globale Merkmale in den empfangenen Abtastdaten festzustellen, Trennlinien bezüglich der detektierten Merkmale entlang einer Achse der Abtastdaten zu definieren und die Abtastdaten in eine Mehrzahl von Datensätzen gemäß den definierten Trennlinien zu unterteilen.

Diese und weitere Aspekte, Merkmale und Vorteile der vorliegenden Offenbarung werden aus der nachfolgenden Beschreibung beispielhafter Ausführungsformen deutlich, die in Verbindung mit den begleitenden Zeichnungen zu lesen ist.

Kurze Beschreibung der Zeichnungen
Die vorliegende Erfindung lehrt ein System und ein Verfahren zum intelligenten Teilen von Volumendaten gemäß den nachfolgenden beispielhaften Figuren.
1 zeigt ein schematisches Diagramm eines Systems für das intelligente Teilen von Volumendaten gemäß einer veranschaulichenden Ausführungsform der vorliegenden Offenbarung;
2 zeigt ein Flussdiagramm eines Verfahrens für das intelligente Teilen von Volumendaten gemäß einer veranschaulichenden Ausführungsform der vorliegenden Offenbarung;
3 zeigt graphische Diagramme von axialen Profilen für das intelligente Teilen von Volumendaten gemäß einer veranschaulichenden Ausführungsform der vorliegenden Offenbarung; und
4 zeigt graphische Diagramme von axialen und koronalen Ansichten für das intelligente Teilen von Volumendaten gemäß einer veranschaulichenden Ausführungsform der vorliegenden Offenbarung.
Detaillierte Beschreibung bevorzugter Ausführungsformen
Eine beispielhafte Ausführungsform der vorliegenden Offenbarung extrahiert automatisch Daten für Körperbereiche von Interesse aus Volumendatensätzen, die von größeren medizinischen Einrichtungen erhalten werden. Dies ermöglicht Einsparungen beim Speichern und der Übermittlungsbandbreite und verbessert die Effizienz der gemeinsamen Datenbenutzung.
Wie in 1 dargestellt ist ein System für das intelligente Teilen von Volumendaten gemäß einer veranschaulichenden Ausführungsform der vorliegenden Offenbarung allgemein mit Bezugsziffer 100 bezeichnet. Das System 100 weist wenigstens einen Prozessor oder eine zentrale Prozessoreinheit (CPU) 102 auf, die sich in Signalverbindung mit einem Systembus 104 befindet. Ein Lesespeicher (ROM) 106, ein Schreib-Lese-Speicher (RAM) 108, ein Displayadapter 110, ein Eingangs-/Ausgangs-Adapter 112, ein Nutzerschnittstellenadapter 114, ein Kommunikationsadapter 128 und ein Bildgebungsadapter 130 befinden sich ebenfalls in Signalverbindung mit dem Systembus 104. Eine Anzeigeeinheit 116 befindet sich über den Displayadapter 110 in Signalverbindung mit dem Systembus 104. Eine Diskspeichereinheit 110, wie beispielsweise eine magnetische oder optische Diskspeichereinheit, befindet sich über den Eingang-/Ausgangsadapter 112 in Signalverbindung mit dem Systembus 104. Eine Maus 120, eine Tastatur 122 und eine Augenverfolgungsvorrichtung 124 befinden sich über den Nutzerschnittstellenadapter 114 in Signalverbindung mit dem Systembus 104. Eine Bildgebungsvorrichtung 132 befindet sich über den Bildgebungsadapter 130 in Signalverbindung mit dem Systembus 104.
Eine Merkmalsdetektionseinheit 170 und eine Datenteilereinheit 180 sind ebenfalls in das System 100 integriert und befinden sich in Signalverbindung mit der CPU 102 und dem Systembus 104. Obwohl die Merkmalsdetektionseinheit 170 und die Datenteilereinheit 180 als an den wenigstens einen Prozessor oder die CPU 102 gekoppelt dargestellt sind, sind diese Komponenten vorzugsweise in einem Computerprogrammcode verkörpert, der in wenigstens einem der Speicher 106, 108 und 118 gespeichert ist, wobei der Computerprogrammcode von der CPU 102 ausgeführt wird.
Wenn man sich 2 zuwendet, ist ein Verfahren für das intelligente Teilen von Volumendaten gemäß einer veranschaulichenden Ausführungsform der vorliegenden Offenbarung allgemein mit Bezugsziffer 200 bezeichnet. Das Verfahren 200 weist einen Startblock 210 auf, der die Steuerung auf einen Eingangsblock 212 übergibt. Der Eingangsblock 212 empfängt Gruppenbefehls- oder Ganzkörper-Abtastdaten und übergibt die Steuerung an einen Funktionsblock 214. Der Funktionsblock 214 detektiert globale Merkmale in den Abtastdaten und übergibt die Steuerung an einen Funktionsblock 216. Der Funktionsblock 216 wiederum definiert Trennlinien bezüglich der detektierten Merkmale entlang einer Achse der Abtastdaten. Der Funktionsblock 216 übergibt die Steuerung an einen Funktionsblock 218, der zwischen definierten Trennlinien interpoliert, um andere Grenzen von Interesse zu lokalisieren, und übergibt die Steuerung an einen Funktionsblock 220. Der Funktionsblock 220 teilt die Abtastdaten gemäß den definierten und/oder interpolierten Linien in teilweise überlappende Datensätze und übergibt die Steuerung an einen Endblock 222.
Bezug nehmend auf 3 sind Profile, die aus den Ganzkörper-Scans von Patienten extrahiert wurden, allgemein mit Bezugsziffer 300 bezeichnet, einschließlich eines ersten Profils 310 einer ersten Person und eines zweiten Profils 320 einer zweiten Person. In den Profilen 310 und 320 steht die horizontale Achse für die axiale Schnittanzahl und die verti kale Achse für die Summe der Intensitäten aller Voxel oberhalb einer Grenze bei einem vorgegebenen axialen Schnitt.
Obwohl sich die Profile im globalen Bereich in Intensitäten sowie Formen stark unterscheiden, gibt es einen Abschnitt, der durch die rechtwinkligen Kästen 312 und 322 gekennzeichnet ist, der in beiden Profilen ähnliche Muster zeigt. Die Peaks und Wendepunkte innerhalb des Abschnitts, der durch die Kästen 312 und 322 begrenzt ist, stellen stabile anatomische Markierungspunkte des menschlichen Körpers dar, die verlässlich extrahiert und als Trennlinien verwendet werden können.
Wie in 4 dargestellt werden senkrechte Ansichten der Ganzkörper-Abtastdaten allgemein mit Bezugsziffer 400 bezeichnet. Hier umfassen die Ansichten 400 eine axiale Ansicht 410 und eine koronale Ansicht 420 der Daten für eine Person. Die axiale Ansicht 410 zeigt im linken Fenster eines von etwa 2000 axialen Schnittbildern aus den Ganzkörper-Abtastvolumendaten. Die koronale Ansicht 420 zeigt eine Trennliniendetektion für das Unterteilen von Daten im rechten Fenster. Eine erste Linie 422 in der koronalen Ansicht 420 kennzeichnet die Position des Schnitts, der in der axialen Ansicht 410 dargestellt ist, und die zwei Liniensegmente 412 zeigen die Position der koronalen Ansicht 420 in der axialen Ansicht 410. Die Linien 424, 426, 428, 430, 432, 434 und 436, die in der koronalen Ansicht 420 dargestellt sind, sind die detektierten Merkmalsmarkierungspunkte als Referenzen für das Teilen.
Beim Betrieb einer beispielhaften Ausführungsform des Systems 100 gemäß 1 für das intelligente Teilen von Volumendaten werden die zu unterteilenden Daten in einer Reihe von Dateien gespeichert, wobei jede der Dateien ein axiales Schnittbild enthält. So werden beispielsweise die DICOM-Daten gespeichert. Hier wird das Teilen der Volumendaten in axialer Richtung angewendet. Wieder Bezug nehmend auf 1 weist das System 100 eine Merkmalsdetektionseinheit 170 auf, die automatisch Trennlinien in axialer Richtung der Daten detektiert.
Nach der Detektion kopiert die Datenteilereinheit 180 die Dateien, die den gewünschten Abschnitt der Schnittbilder enthalten, gemäß den detektierten Trennlinien an die gewünschte Stelle. Mehrere Algorithmen sind vorgesehen, um die Trennlinien zu extrahieren, wobei die Algorithmen abwechselnd oder in einer beliebigen Kombination verwendet werden können.
Ein erster Algorithmus zum Extrahieren der Trennlinien ist der Algorithmus der Merkmalsmarkierungspunkt-Extraktion in axialer Richtung. Merkmalspunkte, Konturen und Bereiche werden aus den Volumendaten extrahiert und als Markierungspunkte verwendet. Diese Markierungspunkte sollten gegen Rauschen und Schwankungen stabil sein. Sie sollten deutlich herausragen und verlässlich sein. Es sollten auch mehrere Markierungspunkte vorhanden sein, die die Schlüsselpunkte in den gesamten Volumendaten abdecken.
Ein zweiter Algorithmus zum Extrahieren der Trennlinien ist der Algorithmus der Konstruktion statistischer Modelle. Hier können angenäherte Modelle für Teile des menschlichen Körpers und für Organe konstruiert werden. Sie werden für die Identifizierung eines speziellen Körperteils oder eines inneren Organs verwendet. Anschließend kann eine modellbasierte Segmentierung angewendet werden, um deren Positionen in den Volumendaten verlässlich festzustellen.
Ein dritter Algorithmus zum Extrahieren der Trennlinien ist der Algorithmus der Trennpunkt-Interpolation. Aus den detektierten Markierungspunkten werden tatsächliche Trennlinien mit ausreichender Genauigkeit interpoliert. Sie werden anschließend verwendet, um einen Datenabschnitt aus den gesamten Volumendaten zu extrahieren.
Ein vierter Algorithmus zum Extrahieren der Trennlinien ist der Algorithmus der Profilanalyse unter Verwendung statistischer Verfahren. Ein Profil ist eine 1D-Anordnung von Statistiken. Die Größe der Anordnung entspricht der Anzahl von Schnitten in axialer Richtung. Die Statistiken, die verwendet werden können, umfassen die Querschnittsfläche, die Summe der Intensitäten innerhalb des Schnitts und dergleichen. Durch Analyse eines solchen Profils ist das System in der Lage, signifikante Trennlinien zu identifizieren. Als ein Beispiel eines solchen Profils kann die Summe der Intensitäten aller Pixel mit hoher Intensität innerhalb eines jeden Schnitts extrahiert werden, wie beispielsweise in den Profilen 300 in 3 dargestellt ist. In dieser beispielhaften Ausführungsform sind die Punkte hoher Intensität als diejenigen Punkte definiert, die höher als 1200 sind, welche in erster Linie Knochenpixel sind. Die Profile 310 und 320 aus 3 sind zwei solche Profile, die aus zwei Ganzkörper-Datensätzen berechnet wurden. Diese zwei Datensätze stammen von zwei sehr unterschiedlichen Menschen, und die Profile sind ebenfalls unterschiedlich. Es gibt jedoch Punkte mit ähnlichen Mustern auf dem Profil und diese Punkte sind stabil und allgemein genug, um sie als Markierungspunkte zu extrahieren.
Beispielhafte Ergebnisse des Systems sind in 4 dargestellt. Für CT-Ganzkörper-Volumendaten mit 2000 Schnitten hat das System 7 Trennlinien detektiert, die die am meisten verlässlichen und einzigartigen Markierungspunkte repräsentieren. Beispielsweise sind das obere Ende 424 und das untere Ende 428 der Lunge zwei derartige Trennlinien. Außerdem wurden auch der Mittelpunkt des Hüftgelenks 432 und des Kniegelenks 436 als zwei einzigartige und stabile Trennlinien detektiert.
Sobald die Trennlinien detektiert sind, kann das System eine Interpolation anwenden, um andere Linien von Interesse zu erhalten. Beispielsweise kann das System bei Vorliegen des oberen und unteren Endes der Lunge die Position und Umfangslinien der Brustanatomien, wie Herz, Atemwege und dergleichen, einschätzen.
Aufgrund der Größe des großen Datensatzes können einige Systeme mit begrenztem Speicher nicht geeignet sein, die Volumendaten vollständig im Systemspeicher aufzunehmen. Deshalb werden spezielle Speichermanagementvorgänge vorgesehen, um zu einem beliebigen Zeitpunkt lediglich auf Teile der Daten zuzugreifen. Um effektiv und effizient Dateninformationen zu extrahieren, können die Ausführungsformen spezielle Speichermanagementverfahren aufweisen, die für die Anforderungen des Algorithmus perfekt geeignet sind. Beispielsweise liest ein beispielhaftes Speichermanagementverfahren lediglich einen Teil des Datensatzes zu einem Zeitpunkt aus. Der Algorithmus extrahiert die Eigenschaften wie die Intensitätsprofile aus diesem Teil der Daten und entfernt sie anschließend aus dem Speicher, so dass ein anderer Teil der Daten in den Speicher eingelesen und verarbeitet werden kann. Ein solches System kann bei allen beliebigen 3D-Volumendaten, wie CT-, MR-, Ultraschalldaten und dergleichen, angewendet werden.
Bei alternativen Ausführungsformen der Vorrichtung 100 kann ein Teil des oder der gesamte Computerprogrammcode in Registern gespeichert sein, die auf dem Prozessorchip 102 angeordnet sind. Außerdem können verschiedene wechselnde Konfigurationen und Implementierungen der Merkmalsdetektionseinheit 170 und der Datenteilereinheit 180 durchgeführt werden, ebenso wie bei den anderen Elementen des Systems 100.
Es soll klar sein, dass die Lehre der vorliegenden Offenbarung in verschiedenen Formen von Hardware, Software, Firmware, Spezialzweckprozessoren oder Kombinationen davon implementiert sein kann. Am meisten bevorzugt ist die Lehre der vorliegenden Offenbarung als Kombination von Hardware und Software implementiert.
Außerdem ist die Software vorzugsweise als Anwendungsprogramm implementiert, die auf einer Programmspeichereinheit verkörpert ist. Das Anwendungsprogramm kann auf ein Gerät mit einer beliebigen geeigneten Architektur geladen und von diesem Ge rät ausgeführt werden. Vorzugsweise ist das Gerät auf einer Computerplattform mit Hardware, beispielsweise einer oder mehreren zentralen Prozessoreinheiten (CPU), Schreib-Lese-Speichern (RAM) und Eingangs-/Ausgangs-Schnittstellen, implementiert.
Die Computerplattform kann auch ein Betriebssystem und einen Mikrobefehlscode aufweisen. Die verschiedenen Verfahren und Funktionen, die hier beschrieben wurden, können entweder Teil des Mikrobefehlscodes oder Teil des Anwendungsprogramms oder einer beliebigen Kombination hiervon sein, jeweils ausgeführt durch eine CPU. Außerdem können verschiedene andere Peripheriegeräte mit der Computerplattform verbunden sein, wie beispielsweise eine zusätzliche Datenspeichereinheit und ein Drucker.
Es soll außerdem klar sein, dass, da einige der System bildenden Komponenten und Verfahren, die in den begleitenden Zeichnungen dargestellt sind, vorzugsweise in Software implementiert sind, die tatsächlichen Verbindungen zwischen den Systemkomponenten oder den Verfahrensfunktionsblöcken sich abhängig von der Weise unterscheiden können, in der die vorliegende Offenbarung programmiert ist. Mit der hier offenbarten Lehre kann ein Fachmann in der Lage sein, diese und ähnliche Implementierungen oder Konfigurationen der vorliegenden Offenbarung in Erwägung zu ziehen.
Obwohl die veranschaulichenden Ausführungsformen unter Bezugnahme auf die begleitenden Zeichnungen beschrieben wurden, soll es klar sein, dass die vorliegende Offenbarung nicht auf exakt diese Ausführungsformen beschränkt ist und dass verschiedene Änderungen und Modifikationen von einem Fachmann durchgeführt werden können, ohne vom Schutzumfang und vom erfinderischen Gedanken der vorliegenden Offenbarung abzuweichen. All diese Änderungen und Modifikationen sollen im Schutzumfang der vorliegenden Offenbarung beinhaltet sein, wie er durch die beigefügten Ansprüche definiert ist.

Claims

Verfahren für das intelligente Teilen von Volumendaten mit folgenden Schritten: Entgegennehmen wenigstens eines Gruppenbefehls-Abtastdatensatzes oder eines Ganzkörper-Abtastdatensatzes; Detektieren von globalen Merkmalen in den empfangenen Abtastdaten; Definieren von Trennlinien bezüglich der detektierten Merkmale entlang einer Achse der Abtastdaten; und Teilen der Abtastdaten in eine Mehrzahl von Datensätzen gemäß den definierten Trennlinien.
Verfahren nach Anspruch 1, außerdem mit folgenden Schritten: Interpolieren zwischen definierten Trennlinien, um andere Grenzlinien von Interesse zu lokalisieren; und Teilen der Abtastdaten in eine Mehrzahl von Datensätzen gemäß den interpolierten Linien.
Verfahren nach Anspruch 1, wobei die mehreren Datensätze sich teilweise überlappen.
Verfahren nach Anspruch 1, wobei das Detektieren globaler Merkmale folgende Schritte aufweist: Extrahieren von wenigstens Merkmalspunkten, Konturen oder Bereichen aus den Volumendaten; und Verwenden der Merkmalspunkte, Konturen oder Bereiche als Markierungspunkte.
Verfahren nach Anspruch 4, wobei die Markierungspunkte gegenüber Rauschen und Schwankungen robust sind, aus den Daten herausragen und verlässlich sind und die Schlüsselpunkte in dem vollständigen Datensatz abdecken.
Verfahren nach Anspruch 4, wobei das Detektieren globaler Merkmale außerdem folgende Schritte aufweist: Interpolieren von Trennpunkten zwischen den Markierungspunkten; und Extrahieren eines Datenabschnitts aus den gesamten Volumendaten gemäß den interpolierten Trennpunkten.
Verfahren nach Anspruch 1, wobei das Detektieren globaler Merkmale folgende Schritte aufweist: Konstruieren von statistischen Modellen von äußeren Bereichen oder inneren Organen des menschlichen Körpers; Identifizieren von wenigstens einem Bereich oder einem Organ als Reaktion auf das Modell; Durchführen einer modellbasierten Segmentierung, um die Positionen des wenigstens einen Bereichs oder Organs in den Volumendaten verlässlich zu detektieren; und Extrahieren von Trennlinien der statistischen Modellkonstruktion als Reaktion auf die Segmentierung.
Verfahren nach Anspruch 1, wobei das Detektieren globaler Merkmale folgende Schritte aufweist: Ausbilden eines Profils in einer eindimensionalen Anordnung von Statistiken, wobei die Größe der Anordnung sich auf die Anzahl von Schnitten in axialer Richtung bezieht, und die Statistiken auf wenigstens einen Querschnittsbereich oder die Summe von Intensitäten innerhalb eines Schnitts reagieren; und Analysieren des Profils, um signifikante Trennlinien zu identifizieren.
Verfahren nach Anspruch 8, wobei die Statistiken die Summen der Intensitäten aller Pixel hoher Intensität innerhalb eines jeden Schnitts aufweisen, und wobei die Pixel hoher Intensität als die Pixel definiert sind, die höher liegen als ein vorbestimmter Wert.
Verfahren nach Anspruch 9, wobei der vorbestimmte Wert Knochenpixel anzeigt.
System für das intelligente Teilen von Volumendaten mit: einer Adaptereinheit zum Entgegennehmen von wenigstens einem Gruppenbefehls-Abtastdatensatz oder einem Ganzkörper-Abtastdatensatz; einer Merkmalsdetektionseinheit, die sich in Signalverbindung mit der Adaptereinheit befindet, für das Detektieren globaler Merkmale in den empfangenen Abtastdaten und zum Definieren von Trennlinien bezüglich der detektierten Merkmale entlang einer Achse der Abtastdaten; und einer Datenteilereinheit, die sich in Signalverbindung mit der Adaptereinheit befindet, für das Teilen der Abtastdaten in eine Mehrzahl von Datensätzen gemäß den definierten Trennlinien.
System nach Anspruch 11, wobei die Merkmalsdetektionseinheit Interpolationsmittel zum Interpolieren zwischen definierten Trennlinien aufweist, um andere Grenzlinien von Interesse zu lokalisieren.
System nach Anspruch 11, wobei die Merkmalsdetektionseinheit aufweist: Extraktionsmittel zum Extrahieren von wenigstens Merkmalspunkten, Konturen oder Bereichen aus den Volumendaten; und Markierungsmittel zum Verwenden der Merkmalspunkte, Konturen oder Bereiche als Markierungspunkte.
System nach Anspruch 13, wobei die Merkmalsdetektionseinheit außerdem aufweist: Trennpunkt-Interpolationsmittel zum Interpolieren von Trennpunkten zwischen den Markierungspunkten; und Trennpunkt-Extraktionsmittel zum Extrahieren eines Datenabschnitts aus den gesamten Volumendaten gemäß den interpolierten Trennpunkten.
System nach Anspruch 11, wobei die Merkmalsdetektionseinheit aufweist: Modelliermittel zum Konstruieren von statistischen Modellen wenigstens eines äußeren Bereichs oder inneren Organs des menschlichen Körpers; Identifizierungsmittel zum Identifizieren wenigstens eines Bereichs oder Organs als Reaktion auf das Modell; Segmentierungsmittel zum Durchführen einer modellbasierten Segmentierung, um Positionen des wenigstens einen Bereichs oder Organs in den Volumendaten verlässlich zu detektieren; und Trennmittel zum Extrahieren von Trennlinien der statistischen Modellkonstruktion als Reaktion auf die Segmentierung.
System nach Anspruch 11, wobei die Merkmalsdetektionseinheit aufweist: Profilbildungsmittel zum Bilden eines Profils in einer eindimensionalen Anordnung von Statistiken, wobei die Größe der Anordnung sich auf die Anzahl von Schnitten in axialer Richtung bezieht, und wobei die Statistiken auf wenigstens einen Querschnittsbereich oder die Summe von Intensitäten innerhalb eines Schnitts reagieren; und Identifizierungsmittel zum Analysieren des Profils, um signifikante Trennlinien zu identifizieren.
System nach Anspruch 16, wobei die Profilbildungsmittel Begrenzungsmittel zum Auswählen der Summe der Intensitäten aller Pixel hoher Intensität innerhalb eines jeden Schnitts aufweisen, wobei die Pixel hoher Intensität als diejenigen Pixel definiert werden, die über einem vorbestimmten Wert liegen.
Programmspeichervorrichtung, die von einem Gerät gelesen werden kann und ein Programm von Befehlen verkörpert, das von dem Gerät ausführbar ist, um Programmschritte für das intelligente Teilen von Volumendaten durchzuführen, wobei die Programmschritte folgende Schritte aufweisen: Entgegennehmen wenigstens eines Gruppenbefehls-Abtastdatensatzes oder eines Ganzkörper-Abtastdatensatzes; Detektieren von globalen Merkmalen in den empfangenen Abtastdaten; Definieren von Trennlinien bezüglich der detektierten Merkmale entlang einer Achse der Abtastdaten; und Teilen der Abtastdaten in eine Mehrzahl von Datensätzen gemäß den definierten Trennlinien.
Vorrichtung nach Anspruch 18, wobei der Programmschritt des Detektierens globaler Merkmale folgende Schritte aufweist: Konstruieren statistischer Modelle wenigstens eines äußeren Bereichs oder inneren Organs des menschlichen Körpers; Identifizieren des wenigstens einen Bereichs oder Organs als Reaktion auf das Modell; Durchführen von modellbasierter Segmentierung, um Positionen des wenigstens einen Bereichs oder Organs in den Volumendaten verlässlich festzustellen; und Extrahieren von Trennlinien der statistischen Modellkonstruktion als Reaktion auf die Segmentierung.
Vorrichtung nach Anspruch 18, wobei der Programmschritt des Detektierens globaler Merkmale folgende Schritte aufweist: Bilden eine Profils einer eindimensionalen Anordnung von Statistiken, wobei die Größe der Anordnung sich auf die Anzahl von Schnitten in axialer Richtung bezieht, und wobei die Statistiken auf wenigstens einen Querschnittsbereich oder die Summe von Intensitäten innerhalb eines Schnitts reagieren; und Analysieren des Profils, um signifikante Trennlinien zu identifizieren.