DE10321722A1 - Computergestützte Diagnose von Mehrfachenergiebildern - Google Patents
Computergestützte Diagnose von MehrfachenergiebildernInfo
- Publication number
- DE10321722A1 DE10321722A1 DE10321722A DE10321722A DE10321722A1 DE 10321722 A1 DE10321722 A1 DE 10321722A1 DE 10321722 A DE10321722 A DE 10321722A DE 10321722 A DE10321722 A DE 10321722A DE 10321722 A1 DE10321722 A1 DE 10321722A1
- Authority
- DE
- Germany
- Prior art keywords
- image
- area
- interest
- bone
- energy
- 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.)
- Ceased
Links
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
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Quality & Reliability (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)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
Ein Verfahren (200, 201, 300, 400), System (100) und Speicherträger zur computergestützten Verarbeitung von Doppel- oder Mehrfachenergiebildern (215, 415) umfassen ein Verwenden einer Datenquelle (210, 410), wobei die Datenquelle (210, 410) einen Doppel- oder Mehrfachenergiebildsatz (215, 415) umfaßt, ein Definieren eines Bereichs von Interesse (220, 310, 420) in einem Bild oder mehreren Bildern aus dem Doppel- oder Mehrfachenergiebildsatz (215, 415), ein Extrahieren (270) eines Satzes von Merkmalsmaßen aus dem Bereich von Interesse (220, 310, 420) und ein Verwenden eines Merkmalsextraktionsalgorithmus (230, 330, 430) bei den Merkmalsmaßen zur Identifizierung eines optimalen Satzes von Merkmalen. Das Verfahren (200, 201, 300, 400) kann zur Identifizierung von Knochenfrakturen, einer Krankheit, einer Obstruktion oder eines anderen medizinischen Zustands verwendet werden.
Description
- Die Erfindung bezieht sich allgemein auf eine computergestützte Erkennung und Diagnose (CAD) von radiographischen Bildern. Insbesondere betrifft die Erfindung ein Verfahren und System zur computergestützten Erkennung und Diagnose von Dual-Energy-Bildern bzw. Doppelenergiebildern ("DE-Bildern") oder Multiple-Energy- Bildern bzw. Mehrfachenergiebildern.
- Das klassische Radiogramm oder "Röntgen"-Bild wird erhalten, indem das abzubildende Objekt in eine Lage zwischen einem Röntgenstrahler und einem aus fotografischem Film hergestellten Röntgendetektor gebracht wird. Ausgestrahlte Röntgenstrahlen gehen zur Bestrahlung des Films durch das Objekt hindurch, und der Grad der Bestrahlung an den verschiedenen Punkten auf dem Film wird in hohem Maße durch die Dichte des Objekts entlang dem Pfad der Röntgenstrahlen bestimmt.
- Es ist nun üblich, digitale Festkörperröntgendetektoren (z. B. eine nachstehend als Array bezeichnete regelmäßige Anordnung von Schaltelementen und fotoempfindlichen Elementen wie beispielsweise Fotodioden) statt Filmdetektoren zu verwenden. Die durch die Röntgenstrahlen an den verschiedenen Punkten des Detektors erzeugten Ladungen werden gelesen und verarbeitet, um ein digitales Bild des Objekts in elektronischer Form statt eines analogen Bilds auf fotografischem Film zu erzeugen. Die digitale Abbildung ist vorteilhaft, da das Bild später elektronisch zu anderen Orten übertragen werden kann, zur Bestimmung von Eigenschaften des abgebildeten Objekts Diagnosealgorithmen unterzogen werden kann usw.
- Die Doppelenergieabbildung (DE-Abbildung) bei dem digitalen Röntgen kombiniert Informationen von zwei sequentiellen Bestrahlungen bei verschiedenen Energiepegeln, eine mit einem hohen Energiespektrum und die andere mit einem niedrigen Energiespektrum. Mit einem digitalen Röntgendetektor werden diese zwei Bilder sequentiell erfaßt, um zwei zusätzliche Bilder zu erhalten, ein Weichteilbild und ein Knochenbild. Es kann ein Mehrfachenergieabbildungssystem aufgebaut werden, das zur weiteren Zerlegung der Knochen und Gewebe in einer Anatomie verwendet werden kann. Eine Reihe von Bildern bei verschiedenen Energien / Spitzenwerten der Röhrenspannung bzw. kVp (Energie 1, . . . Energie n) kann in einer schnellen Folge erfaßt und in Knochen und verschiedene Gewebetypen (Gewebe 1, . . . Gewebe m) zerlegt werden.
- Die Diagnose von radiographischen Bildern ist traditionell eine visuelle Aufgabe gewesen. Verursacht durch die subjektive Natur der Aufgabe unterliegt die Diagnose einer Variabilität eines Lesers intern oder zwischen Lesern. Darüber hinaus kann eine visuelle Beurteilung verursacht durch die für die Pathologien von Interesse relevanten darunterliegenden und darüberliegenden Strukturen schwierig sein. Feine Rippenfrakturen, Verkalkungen und metastatische Knochenläsionen (Metastasen) in der Brust können auf einer Standardröntgenaufnahme der Brust schwer zu erkennen sein. Als ein zusätzliches Beispiel werden heutzutage mit Brustradiogrammen nur 5-25% von Lungenknötchen erkannt, aber 35-50% sind retrospektiv sichtbar.
- Die vorstehend erörterten und andere Nachteile und Defizite werden durch ein Verfahren, ein System und einen Speicherträger zur computergestützten Verarbeitung von Doppel- und Mehrfachenergiebildern überwunden oder gemindert. Das in dem System verwendbare und über den Speicherträger durch einen Computer realisierte Verfahren umfaßt ein Verwenden einer Datenquelle, wobei die Datenquelle einen Doppel- oder Mehrfachenergiebildsatz umfaßt, ein Definieren eines Bereichs von Interesse in einem Bild aus dem Doppel- oder Mehrfachenergiebildsatz, ein Extrahieren eines Satzes von Merkmalsmaßen aus dem Bereich von Interesse und ein Verwenden eines Merkmalsextraktionsalgorithmus bei den Merkmalsmaßen zur Identifizierung eines optimalen Satzes von Merkmalen aus dem Bereich von Interesse. Das Verfahren kann zur Identifizierung einer Knochenfraktur, eines Knötchens, einer Krankheit, einer Obstruktion oder eines anderen medizinischen Zustands verwendet werden.
- Die vorstehend erörterten und andere Merkmale und Vorteile der vorliegenden Erfindung sind für den Fachmann aus der folgenden ausführlichen Beschreibung und den Zeichnungen zu erkennen und verstehen.
- Mit Bezug auf die beispielhaften Zeichnungen, in denen gleiche Elemente in den verschiedenen Figuren gleich numeriert sind, zeigen:
- Fig. 1 ein Blockschaltbild eines beispielhaften Röntgenabbildungssystems;
- Fig. 2 ein Ablaufdiagramm eines beispielhaften Bilderfassungs- und -verarbeitungsprozesses auf hoher Ebene;
- Fig. 3 ein Ablaufdiagramm einer beispielhaften Bilderfassungsverarbeitung;
- Fig. 4 ein Ablaufdiagramm einer beispielhaften Bildvorverarbeitung;
- Fig. 5 ein Ablaufdiagramm einer beispielhaften Bildnachverarbeitung;
- Fig. 6 ein Ablaufdiagramm eines computergestützten Prozesses der Erkennung und Diagnose von Doppelenergiebildern;
- Fig. 7 ein Ablaufdiagramm eines anderen computergestützten Prozesses der Erkennung und Diagnose von Doppelenergiebildern;
- Fig. 8 ein Ablaufdiagramm eines beispielhaften Merkmalsauswahlalgorithmus zur Verwendung in dem computergestützten Prozeß gemäß Fig. 6 und 7;
- Fig. 9 ein Ablaufdiagramm eines beispielhaften Klassifizierungsalgorithmus zur Verwendung in dem computergestützten Prozeß gemäß Fig. 6 und 7;
- Fig. 10 ein Ablaufdiagramm eines computergestützten Prozesses der Erkennung von Verkalkungen, Frakturen und Metastasen in einem Knochenbild;
- Fig. 11 ein Ablaufdiagramm eines computergestützten Algorithmus zur Verwendung in dem Prozeß gemäß Fig. 10; und
- Fig. 12 ein Ablaufdiagramm eines computergestützten Prozesses der Erkennung und Diagnose von Mehrfachenergiebildern.
- Fig. 1 veranschaulicht ein beispielhaftes Röntgenabbildungssystem 100. Das Abbildungssystem 100 umfaßt eine Röntgenquelle 102 und einen Kollimator 104, die eine untersuchte Struktur 106 Röntgenphotonen aussetzen.
- Als Beispiele kann die Röntgenquelle 102 eine Röntgenröhre sein, und die untersuchte Struktur 106 kann ein menschlicher Patient, ein Testphantom oder ein anderes getestetes unbelebtes Objekt sein. Die Röntgenquelle 102 ist dazu in der Lage, Photonen bei einem ersten Energiepegel und bei zumindest einem von dem ersten Energiepegel verschiedenen zweiten Energiepegel zu erzeugen. Mehrere, mehr als zwei, Energiepegel befinden sich ebenfalls in dem Bereich dieses Verfahrens und Systems.
- Das Röntgenabbildungssystem 100 umfaßt auch einen mit einer Verarbeitungsschaltung 110 gekoppelten Bildsensor 108. Die Verarbeitungsschaltung 110 (z. B. ein Mikrocontroller, Mikroprozessor, kundenspezifischer ASIC oder dergleichen) ist mit einem Speicher 112 und einer Anzeige 114 gekoppelt. Die Anzeige 114 kann eine Anzeigevorrichtung wie beispielsweise einen Bildschirm mit Berührungseingabe mit einer Schnittstelle mit Berührungseingabe umfassen. Wie es in dem Fachgebiet bekannt ist, kann das System 100 einen Computer oder ein computerartiges Objekt umfassen, der oder das die Anzeige 114 umfaßt. Der Computer oder das computerartige Objekt kann eine Festplatte oder andere feste Trägerlaufwerke mit hoher Dichte, die unter Verwendung eines passenden Vorrichtungsbusses wie beispielsweise eines SCSI-Busses, eines Enhanced-IDE- Busses, eines PCI-Busses usw. angeschlossen sind, ein Diskettenlaufwerk, ein Band- oder CD-ROM-Laufwerk mit Band- oder CD-Trägern oder andere Vorrichtungen mit wechselbaren Trägern wie beispielsweise magneto-optischen Trägern usw. und eine Grundplatine umfassen. Die Grundplatine umfaßt z. B. einen Prozessor, ein RAM und ein ROM, E/A-Anschlüsse, die zur Kopplung mit dem Bildsensor 108 verwendet werden, und optionale spezialisierte Hardware zur Ausführung spezialisierter Hardware-/Softwarefunktionen wie beispielsweise Tonverarbeitung, Bildverarbeitung, Signalverarbeitung, Verarbeitung neuronaler Netze usw., ein Mikrofon und einen Lautsprecher oder Lautsprecher. Mit dem Computer oder computerartigen Objekt können eine Tastatur zur Dateneingabe, eine Zeigevorrichtung wie beispielsweise eine Maus und ein Mausfeld oder Digitalisierfeld verbunden sein. Auf einem der vorstehend beschriebenen Speicherträger (von einem Computer lesbaren Trägern) gespeichert umfassen das System und Verfahren eine Programmierung zur Steuerung der Hardware des Computers und zur Befähigung des Computers zur Interaktion mit einem menschlichen Benutzer. Eine derartige Programmierung kann Software zur Realisierung von Vorrichtungstreibern, Betriebssystemen und Benutzeranwendungen umfassen, ist jedoch nicht darauf beschränkt. Derartige von einem Computer lesbare Träger umfassen ferner eine Programmierung oder Softwareanweisungen zur Lenkung des Universalcomputers zur Durchführung gemäß dem System und Verfahren. Der Speicher 112 (einschließlich z. B. eines oder mehrerer von einer Festplatte, einer Diskette, einer CD-ROM, einem EPROM und dergleichen) speichert ein Bild eines hohen Energiepegels 116 (z. B. ein nach einer Bestrahlung von 110-140 kVp 5 mAs von dem Bildsensor 108 ausgelesenes Bild) und ein Bild eines niedrigen Energiepegels 118 (z. B. ein nach einer Bestrahlung von 70 kVp 25 mAs ausgelesenes Bild). Die Verarbeitungsschaltung 110 stellt ein Bild 120 zur Anzeige auf der Vorrichtung 114 bereit. Wie es dabei in weiteren Einzelheiten beschrieben ist, kann das Bild 120 verschiedene Strukturen (z. B. Weichteil, Knochen) darstellen. Der Bildsensor 108 kann z. B. ein Flachfeldfestkörperbildsensor sein, obwohl in digitaler Form in dem Speicher 112 gespeicherte herkömmliche Filmbilder ebenfalls verarbeitet werden können, wie es nachstehend auch offenbart ist.
- Nachstehend auf Fig. 2 Bezug nehmend geht der Ablauf zu einem Schritt 20, in dem die erfaßten Bilder vorverarbeitet werden, über, sobald der Erfassungsschritt 10 abgeschlossen ist. Fig. 4 zeigt ein Ablaufdiagramm einer beispielhaften Vorverarbeitungsroutine. Die Vorverarbeitung umfaßt einen Streuungskorrekturschritt 22, der in Software und/oder Hardware realisiert sein kann. Die Streuungskorrekturroutine kann auf jedes Bild einzeln angewendet werden oder gemeinsame Informationen sowohl von dem Bild bei hohem kVp als auch dem Bild bei niedrigem kVp nutzen. Vorhandene Streuungskorrekturtechniken wie beispielsweise Hardwarelösungen einschließlich spezialisierter Antistreuungsgitter und/oder Softwarelösungen unter Verwendung faltungsbasierter oder entfaltungsbasierter Verfahren können verwendet werden. Zusätzlich können Softwaretechniken Informationen von einem Bild zum Abstimmen von Parametern für das andere Bild nutzen. Die Streuungskorrektur befaßt sich mit durch Röntgenstreuung verursachten Zerlegungsartefakten.
- Sobald die Streuungskorrektur ausgeführt ist, wird in einem Schritt 24 eine Rauschverringerung ausgeführt, wobei ein vorhandener Rauschverringerungsalgorithmus oder mehrere vorhandene Rauschverringerungsalgorithmen entweder einzeln oder gleichzeitig auf das Bild bei hohem kVp und das Bild bei niedrigem kVp angewendet werden. Die Rauschkorrektur befaßt sich mit einem erhöhten Rauschen, das sich aus der DE-Zerlegung ergeben kann. In einem Schritt 26 wird eine Registrierung ausgeführt, um Bewegungsartefakte durch eine Korrektur der Bewegung und Ausrichtung von Anatomien zwischen dem Bild bei hohem kVp und dem Bild bei niedrigem kVp zu verringern. Die Registrierungsalgorithmen können bekannte Starrkörper- oder Verziehungsregistrierungsroutinen sein, die auf das Bild bei hohem kVp und das Bild bei niedrigem kVp angewendet werden. Alternativ können die Techniken iterativ sein und die zusätzlichen Informationen in in einem Schritt 30 entwickelten zerlegten Weichteil- und Knochenbildern nutzen. Die Registrierungsverarbeitung befaßt sich mit Reststrukturen in dem Weichteilbild und/oder dem Knochenbild und Lungen-/Herzbewegungsartefakten.
- Nachstehend auf Fig. 2 Bezug nehmend geht der Ablauf zu dem Schritt 30, in dem die erfaßten Bilder zur Erzeugung eines unverarbeiteten Weichteilbilds und eines unverarbeiteten Knochenbilds zerlegt werden, über, sobald der Vorverarbeitungsschritt 20 abgeschlossen ist. Es wird auch ein Standardbild (auf das auch als ein Standard-Posterior- Anterior-Bild (Standard-PA-Bild) Bezug genommen wird) auf der Grundlage des Bilds bei hohem kVp definiert. Die Zerlegung kann unter Verwendung bekannter DE- Radiographietechniken ausgeführt werden. Derartige Techniken können eine logarithmische Subtraktion oder eine Grundmaterialzerlegung zur Erzeugung eines unverarbeiteten Weichteilbilds und unverarbeiteten Knochenbilds aus der Hochenergieerfassung und Niederenergieerfassung umfassen. Informationen von dem unverarbeiteten Weichteilbild und unverarbeiteten Knochenbild können in dem Registrierungs-/Bewegungskorrekturschritt 26 verwendet werden. Beispielsweise können Kanteninformationen und/oder Artefaktlageinformationen zur Verwendung bei der Registrierung/Bewegungskorrektur aus den zerlegten Bildern abgeleitet werden.
- Nachstehend auf Fig. 2 Bezug nehmend geht der Ablauf zu einem Schritt 40, in dem die erfaßten Bilder nachverarbeitet werden, über, sobald der Zerlegungsschritt 30 abgeschlossen ist. Fig. 5 zeigt ein Ablaufdiagramm einer beispielhaften Nachverarbeitungsroutine. Wie es in Fig. 5 gezeigt ist, werden das unverarbeitete Weichteilbild 41 und das unverarbeitete Knochenbild 42 einer ähnlichen Verarbeitung unterzogen. Es wird eine Kontrastanpassung 43 ausgeführt, um den Kontrast von Strukturen in dem unverarbeiteten Weichteilbild 41 und dem unverarbeiteten Knochenbild 42 an die entsprechenden Strukturen in einem Standardbild anzupassen. Beispielsweise wird der Kontrast von Weichteilstrukturen in dem unverarbeiteten Weichteilbild 41 (z. B. einem Brustbild) an den Kontrast in dem Standard-PA-Bild angepaßt. Die Kontrastanpassung wird ausgeführt, um die Interpretation der Röntgenbilder zu erleichtern.
- Bei 44 wird ein Rauschverringerungsalgorithmus oder werden mehrere Rauschverringerungsalgorithmen auf das Weichteilbild 41 und das Knochenbild 42 angewendet. Es können vorhandene Rauschverringerungsalgorithmen verwendet werden. Die Rauschverringerung befaßt sich mit durch die DE-Zerlegung verursachtem Rauschen. Bei 45 kann eine Darstellungsbildverarbeitung bei dem Weichteilbild 41 und dem Knochenbild 42 ausgeführt werden. Die Darstellungsverarbeitung umfaßt Prozesse wie beispielsweise eine Kantenverstärkung, Anzeigefensterebenen- und -fensterausdehnungseinstellungen zur optimalen Anzeige. Das Ergebnis der Nachverarbeitung 40 ist als verarbeitetes Weichteilbild 46 und verarbeitetes Knochenbild 47 dargestellt.
- Nachstehend auf Fig. 2 Bezug nehmend geht der Ablauf zu einem Schritt 50, in dem die erfaßten Bilder zur Anzeige verarbeitet werden, über, sobald der Nachverarbeitungsschritt 40 abgeschlossen ist.
- Computergestützte Algorithmen weisen das Potential zur Verbesserung der Genauigkeit und Reproduzierbarkeit der Krankheitserkennung auf, wenn sie in Verbindung mit einer visuellen Beurteilung durch Radiologen verwendet werden. Computergestützte Algorithmen können zur Erkennung (Vorhandensein oder Fehlen) oder Diagnose (normal oder anormal) verwendet werden. Die Erkennung oder Diagnose wird auf der Grundlage von durch ein Training bei einer repräsentativen Probendatenbank erworbenem Wissen ausgeführt. Die Probendaten in der Datenbank und die Merkmale der Daten, mit denen die Algorithmen trainiert werden, sind zwei wichtige Aspekte des Trainingsprozesses, die die Leistungsfähigkeit von CAD-Algorithmen beeinflussen. Die Genauigkeit der CAD-Algorithmen verbessert sich mit Verbesserungen bei den Informationen, mit denen sie trainiert werden. Mit bekannten Radiogrammen verwirren darüberliegende und darunterliegende Strukturen die relevanten Informationen, was eine Diagnose oder Erkennung selbst für computergestützte Algorithmen schwierig macht. Das in diesem Fall beschriebene Verfahren und System befassen sich unter Verwendung von Doppelenergiebildern, insbesondere in Verbindung mit bekannten radiographischen Bildern für die CAD, mit diesem Problem. Insbesondere kombiniert dieses Verfahren Informationen von vier Bildern, um computergestützte Erkennungsalgorithmen zu unterstützen.
- Wie es in Fig. 6 gezeigt ist, weist das Doppelenergie-CAD- System 200 mehrere Teile einschließlich einer Datenquelle 210, eines Bereichs von Interesse 220, einer Auswahl optimaler Merkmale 230 und einer Klassifizierung 240, eines Trainings 250 und einer Anzeige von Ergebnissen 260 auf.
- In diesem Fall sollte es beachtet werden, daß die Doppelenergie-CAD 200 einmal durch eine Integration von Merkmalen von allen Bildern 215 ausgeführt wird oder parallel ausgeführt werden kann. Wie es in Fig. 7 gezeigt ist, würde die parallele Operation für eine Doppelenergie- CAD 201 eine Ausführung von CAD-Operationen wie in Fig. 6 beschrieben einzeln bei jedem Bild 216, 217, 218, 219 und eine Kombination der Ergebnisse von allen CAD-Operationen in einem Synthese-/Klassifizierungsstadium 214 umfassen. D. h., die ROI-Auswahl 220 kann bei jedem Bild 216, 217, 218 und 219 ausgeführt werden, um einen Niederenergiebild-ROI 221, einen Hochenergiebild-ROI 222, einen Weichteilbild-ROI 223 und einen Knochenbild-ROI 224 bereitzustellen.
- Desgleichen kann das Stadium der Extraktion optimaler Merkmale 230 bei jedem Bild-ROI 221, 222, 223 und 224 ausgeführt werden, was zu Niederenergiebildmerkmalen 231, Hochenergiebildmerkmalen 232, Weichteilbildmerkmalen 233 und Knochenbildmerkmalen 234 führt. In dem Synthese-/Klassifizierungsstadium 241 können die Ergebnisse von allen den CAD-Operationen kombiniert werden. Somit zeigen Fig. 6 und 7 zwei verschiedene Verfahren zur Ausführung einer Doppelenergie-CAD, wobei sich jedoch andere Verfahren ebenfalls in dem Bereich der Erfindung befinden, wie beispielsweise daß das ROI-Auswahlstadium 220 wie in Fig. 7 gezeigt parallel arbeitet aber das Merkmalsextraktionsstadium 230 wie beispielsweise in Fig. 6 gezeigt bei einem kombinierten ROI arbeitet. Darüber hinaus können CAD-Operationen zur Erkennung mehrerer Krankheiten, Frakturen oder eines anderen medizinischen Zustands in Folge oder parallel ausgeführt werden.
- Nachstehend entweder auf Fig. 6 oder 7 Bezug nehmend können Daten für die Datenquelle 210 aus einer Kombination von einer Quelle oder mehreren Quellen erhalten werden. Bilderfassungssysteminformationen 212 wie beispielsweise kVp (Spitzenwert der Röhrenspannung, der die maximale Energie der erzeugten Röntgenstrahlen bestimmt, wobei die erzeugte Strahlungsmenge als das Quadrat der Röhrenspannung steigt), mA (der Röntgenröhrenstrom wird in Milliampere gemessen, wobei 1 mA = 0,001 A), Dosis (in Röntgen als einer Einheit der Strahlungsbelastung, rad als einer Einheit der absorbierten Dosis und rem als einer Einheit des Äquivalents der absorbierten Dosis gemessen), SID (Abstand von Quelle zu Bild) usw. können zu der Datenquelle 210 beitragen. Patientendemographie/-symptome/-historie 214 wie beispielsweise Historie des Rauchens, Geschlecht, Alter und klinische Symptome können ebenfalls eine Quelle für Daten 210 sein. Doppelenergiebildsätze 215 (Hochenergiebild 216, Niederenergiebild 217, Knochenbild 218, Weichteilbild 219) sind eine zusätzliche Quelle von Daten für die Datenquelle 210.
- Bei den bildbasierten Daten 215 kann ein Bereich von Interesse 220 definiert werden, aus dem Merkmale zu berechnen sind. Der Bereich von Interesse 220 kann auf mehrere Weisen definiert werden. Beispielsweise kann das ganze Bild 215 als der Bereich von Interesse 220 verwendet werden. Alternativ kann ein Teil des Bilds wie beispielsweise ein Kandidatenknötchenbereich in dem apikalen Lungenfeld als der Bereich von Interesse 220 ausgewählt werden. Die Segmentierung des Bereichs von Interesse 220 kann entweder manuell oder automatisch ausgeführt werden. Die manuelle Segmentierung kann ein Anzeigen des Bilds und ein Skizzieren des Bereichs durch einen z. B. eine Maus verwendenden Benutzer umfassen. Ein automatisierter Segmentierungsalgorithmus kann Vorwissen wie beispielsweise die Form und Größe zur automatischen Skizzierung des Bereichs von Interesse 220 verwenden. Ein halbautomatisiertes Verfahren, das die Kombination der vorstehenden zwei Verfahren ist, kann ebenfalls verwendet werden.
- Der Merkmalsauswahlalgorithmus 230 wird daraufhin verwendet, um die Kandidatenmerkmale durchzusehen und nur die verwendbaren auszuwählen sowie diejenigen zu entfernen, die keine Informationen oder redundante Informationen bereitstellen. Unter Bezugnahme auf Fig. 8 umfaßt der Merkmalsextraktionsprozeß oder die Extraktion optimaler Merkmale 230 eine Ausführung von Berechnungen bei den Datenquellen 210. Beispielsweise kann bei den bildbasierten Daten 215 die Statistik des Bereichs von Interesse wie beispielsweise Form, Größe, Dichte, Krümmung berechnet werden. Bei erfassungsbasierten Daten 212 und patientenbasierten Daten 214 können die Daten 212, 214 selbst als die Merkmale dienen. Wie es in Fig. 8 weiter gezeigt ist, werden die mehreren Merkmalsmaße 270 aus dem Hochenergiebild, Niederenergiebild, Weichteilbild und Knochenbild oder einer Kombination der Bilder extrahiert, z. B. gemessene Merkmale wie beispielsweise Form, Größe, Textur, Intensität, Gradient, Kantenstärke, Lage, Nähe, Histogramm, Symmetrie, Exzentrizität, Orientierung, Grenzen, Momente, Fraktale, Entropie usw., Patientenhistorie wie beispielsweise Alter, Geschlecht, Historie des Rauchens, und Erfassungsdaten wie beispielsweise kVp und Dosis. Der Ausdruck "Merkmalsmaße" bezieht sich somit auf Merkmale, die berechnet werden, Merkmale, die gemessen werden, und Merkmale, die einfach vorhanden sind. Es ist eine große Anzahl von Merkmalsmaßen enthalten, wobei es das Verfahren jedoch sicherstellt, daß nur die Merkmale beibehalten werden, die relevante Informationen bereitstellen. Ein Schritt 272 in dem Merkmalsauswahlalgorithmus 230 bezieht sich auf die Merkmalsbewertung 272 hinsichtlich ihrer Fähigkeit zur Trennung der verschiedenen Klassifizierungsgruppen unter Verwendung von z. B. Abstandskriterien. Abstandskriterien bewerten es, wie gut das Verfahren die verschiedenen Klassen, die verwendet werden, unter Verwendung eines . speziellen Merkmals trennen kann. Es können mehrere verschiedene Abstandskriterien wie beispielsweise Divergenz, Bhattacharya-Abstand, Mahalanobis-Abstand verwendet werden. Diese Techniken sind in "Introduction to Statistical Pattern Recognition" von K. Fukanaga, Academic Press, zweite Auflage, 1990 beschrieben, dessen Inhalt hiermit in diese Anmeldung aufgenommen wird. Ein Schritt 274 ordnet alle die Merkmale auf der Grundlage der Abstandskriterien ein. D. h., die Merkmale werden auf der Grundlage ihrer Fähigkeit zur Unterscheidung zwischen verschiedenen Klassen, ihrer Unterscheidungsfähigkeit, eingeordnet. Der Merkmalsauswahlalgorithmus 230 wird auch zur Verringerung der Dimensionalität von einem praktischen Standpunkt aus verwendet, wobei die Berechnungszeit zu lang sein kann, falls die Anzahl von zu berechnenden Merkmalen groß ist. Der Dimensionalitätsverringerungsschritt 276 bezieht sich darauf, wie die Anzahl von Merkmalen durch eine Beseitigung korrelierter Merkmale verringert wird. Zusätzliche Merkmale, die lediglich die gleichen Informationen wie andere Merkmale bereitstellen, werden beseitigt. Dies stellt einen reduzierten Satz von Merkmalen bereit, die durch den Vorwärtsauswahlschritt 278 verwendet werden, der die am höchsten eingeordneten Merkmale auswählt und daraufhin auf der Grundlage einer absteigenden Rangordnung zusätzliche Merkmale hinzufügt, bis die Leistungsfähigkeit sich nicht mehr verbessert. D. h., es werden keine Merkmale mehr hinzugefügt, wenn der Punkt erreicht ist, an dem die Hinzufügung zusätzlicher Merkmale keine verwendbaren Informationen mehr bereitstellt. An diesem Punkt stellt die Ausgabe 280 einen optimalen Satz von Merkmalen bereit.
- Sobald die Merkmale wie beispielsweise Form, Größe, Dichte, Gradient, Kanten, Textur usw. wie vorstehend beschrieben in dem Merkmalsauswahlalgorithmus 230 berechnet sind und ein optimaler Satz von Merkmalen 280 erzeugt ist, kann ein vortrainierter Klassifizierungsalgorithmus 240 zur Klassifizierung der Bereiche von Interesse 220 in gutartige oder bösartige Knötchen, Verkalkungen, Frakturen oder Metastasen, oder welche Klassifizierungen auch immer für den beteiligten speziellen medizinischen Zustand angewendet werden, verwendet werden. Unter Bezugnahme auf Fig. 9 wird der Satz von Merkmalen 280 als die Eingabe in den Klassifizierungsalgorithmus 240 verwendet. In einem Schritt 282 wird die Normalisierung der Merkmalsmaße aus dem Satz 280 mit Bezug auf aus einer Datenbank von bekannten normalen und anormalen Fällen von Interesse abgeleitete Merkmalsmaße ausgeführt. Diese wird aus dem Vorwissen aus Training 250 entnommen. Das Vorwissen aus Training kann z. B. Beispiele für Merkmale von bestätigten bösartigen Knötchen und Beispiele für Merkmale von bestätigten gutartigen Knötchen umfassen. Die Trainingsphase 250 kann z. B. die Berechnung von mehreren Kandidatenmerkmalen bei bekannten Proben von gutartigen und bösartigen Knötchen umfassen. Ein Schritt 284 bezieht sich auf eine Gruppierung der normalisierten Merkmalsmaße. Mehrere verschiedene Verfahren wie beispielsweise Bayessche Klassifikatoren (ein Algorithmus zum überwachten Lernen, der eine einzelne wahrscheinlichkeitstheoretische Zusammenfassung für jede Klasse speichert und der eine bedingte Unabhängigkeit der der Klasse zugewiesenen Attribute annimmt), neuronale Netze (die durch eine Erzeugung von Verbindungen zwischen Verarbeitungselementen arbeiten, wodurch die Organisation und Gewichte der Verbindungen die Ausgabe bestimmen; neuronale Netze sind zur Prädiktion von Ereignissen wirksam, wenn die Netze eine große Datenbank von heranzuziehenden vorherigen Beispielen aufweisen und daher bei Bilderkennungssystemen und medizinischer Abbildung verwendbar sind), regelbasierte Verfahren (die bedingte Aussagen verwenden, die es dem System sagen, wie in einer speziellen Situation zu reagieren ist), Fuzzy-Logik (die mehr als einfache Werte wahr und unwahr erkennt), Clustering-Techniken und ein Ähnlichkeitsmaßansatz können verwendet werden. Derartige Techniken sind in "Fundamentals of Digital Image Processing" von Anil K. Jain, Prentice Hall 1988 beschrieben, dessen Inhalt hiermit in diese Anmeldung aufgenommen wird. Sobald die normalisierten Merkmalsmaße gruppiert worden sind, bezeichnet der Klassifizierungsalgorithmus 240 daraufhin in einem Schritt 286 die Merkmalscluster und gibt in einem Schritt 288 eine Anzeige der Ausgabe aus.
- Doppelenergietechniken ermöglichen die Erfassung von mehreren Bildern zur Überprüfung durch menschliche oder maschinelle Beobachter. CAD-Techniken können bei einem Bild oder allen den Bildern 216, 217, 218 und 219 arbeiten und die Ergebnisse auf jedem Bild 216, 217, 218 und 219 anzeigen 260 oder die Ergebnisse zur Anzeige 260 auf einem einzelnen Bild 215 synthetisieren. Dies würde den Nutzen der Verbesserung der CAD-Leistungsfähigkeit durch eine Vereinfachung des Segmentierungsprozesses ohne eine Erhöhung der Menge von zu überprüfenden Bildern bereitstellen. Die Anzeige von Ergebnissen 260 bildet einen Teil der in Fig. 2 gezeigten Darstellungsphase 50.
- Im Anschluß an die Identifizierung 230 und Klassifizierung 240 eines verdächtigen Kandidatenbereichs müssen seine Lage und Charakteristika für den Radiologen oder Überprüfer des Bilds angezeigt werden. Bei Nicht-Doppelenergie-CAD- Anwendungen wird dies durch die Überlagerung einer Markierung, z. B. eines Pfeils oder Kreises, nahe an der verdächtigen Läsion oder um sie herum getan. Die Doppelenergie-CAD bietet die Fähigkeit zur Anzeige von Markierungen für durch einen Computer erkannte (und möglicherweise diagnostizierte) Knötchen auf einem der vier Bilder (Hochenergiebild 216, Niederenergiebild 217, Knochenbild 218, Weichteilbild 219). Auf diese Weise kann der Überprüfer nur ein einzelnes Bild 215 betrachten, dem die Ergebnisse von einer Reihe von CAD-Operationen 200 überlagert sind. Das CAD-System 201 synthetisiert die Ergebnisse in dem Schritt 241, wenn die Bilder wie in Fig. 7 gezeigt getrennt verarbeitet werden. Jede CAD-Operation (durch eine eindeutige Segmentierung (ROI) 220, Merkmalsextraktion 230 und Klassifizierungsprozedur 240 oder 241 definiert) kann durch einen eindeutigen Markierungsstil dargestellt werden.
- Ein Beispiel für eine derartige Doppelenergie-CAD-Anzeige wird für eine Lungenkrebsbrustabbildung beschrieben. Es wird angenommen, daß ein Patient einer Doppelenergieuntersuchung (wie unter Bezugnahme auf Fig. 1-5 beschrieben) unterzogen wird, die daraufhin mit einem Doppelenergie-CAD-System 200 oder 201 verarbeitet wird. Eine CAD-Operation identifiziert zwei für eine Bösartigkeit charakteristische verdächtige Läsionen bei dem Weichteilbild 219. Bei dem Knochenbild 218 identifiziert eine CAD-Operation ein (einen gutartigen Prozeß angebendes) verkalktes Knötchen und eine Knochenläsion. In dem Synthesestadium, das einen Teil des Klassifizierungsprozesses bilden kann, wenn entweder eines der ROI- und Merkmalsextraktionsstadien oder beide bei jedem Bild Anwendung finden, nimmt die Klassifizierung 240 diese Ergebnisse und bestimmt es, daß eines der Weichteilknötchen das gleiche wie das auf dem Knochenbild 218 sichtbare verkalkte Knötchen ist. Für den Überprüfer würde daraufhin das Hochenergiebild 216 dargestellt werden, ein erstes Bild - mit einer Technik zur Nachahmung dessen aufgenommen, was derzeit die Standardpraxis für die Einzelenergiebrustradiographie ist. Für den Überprüfer würde auch ein zweites Bild dargestellt werden, das gleiche Bild wie das erste Bild, aber mit den Bilddaten überlagerten Markierungen, die die Ergebnisse der CAD- Operationen 220, 230, 240 angeben. Dieses zweite Bild kann gleichzeitig auf einer zweiten Ausdruck- oder Bildschirmausgabebildanzeige angezeigt oder mit den anderen Bildern über Software auf einer Bildschirmausgabeanzeige umgeschaltet werden. Dem zweiten Bild können z. B. Kreise um das als Charakteristika einer Bösartigkeit aufweisend klassifizierte verdächtige Lungenknötchen herum, ein Quadrat um die als gutartig klassifizierten verkalkten Lungenknötchen herum und ein auf die erkannten Knochenläsionen zeigender Pfeil überlagert sein. Auf diese Art und Weise erhält der Überprüfer den Nutzen der bei jedem Bild gleichzeitig dargestellten Informationen von CAD-Operationen 200 zur optimalen Überprüfung.
- Diese Verfahren 200, 201 verbessern die Leistungsfähigkeit von computergestützten Erkennungs- oder Diagnosealgorithmen durch eine Bereitstellung von Eingabedaten, bei denen darüberliegende Strukturen entfernt sind. Ferner hat dieser Algorithmus 200 das Potential zur Extraktion von mehr diagnostischen Merkmalen pro Anatomie als mit der Standardradiographie, da die abgebildete Anatomie auf der Grundlage des Gewebetyps (Weichteil oder Knochen) getrennt wird.
- Vorherige CR-Doppelenergiebilder (Doppelenergiebilder von computergestützter Radiographie) sind im Vergleich zu dem Standardradiologiebild von eher schlechter Qualität und verrauscht, und somit sind vorher keine computergestützten Algorithmen bei derartigen Bildern verwendet worden. Dieses System und Verfahren 200, 201 verwenden Informationen von dem Hochenergiebild 216, dem Niederenergiebild 217, dem Weichteilbild 219 und Knochenbildern 218 zusätzlich zu Erfassungsparametern 212 und Patienteninformationen 214. Ferner können die Ergebnisse für den Überprüfer angezeigt werden, ohne die Anzahl von Bildern über die von bekannten CAD-Techniken zu erhöhen.
- Das vorstehend beschriebene Verfahren 200, 201 kann zusätzlich zur Identifizierung von Verkalkungen, Rippenfrakturen und metastatischen Knochenläsionen genutzt werden. Durch die Bereitstellung eines Knochenbilds 218 ohne darüber-/darunterliegende Weichteile schafft die DE- Abbildung eine wirksame Gelegenheit zur automatischen Erkennung und Klassifizierung von feinen Knochenfrakturen, Verkalkungen und Metastasen, die ansonsten durch den Standardbildleser verfehlt werden können.
- Nachstehend Fig. 10 und 11 zugewendet ist ein grafisch dargestelltes Beispiel für die Verfahren 200, 201 gezeigt. Das Verfahren 301 verwendet einen computergestützten Doppelenergieerkennungs-/-diagnosealgorithmus (CAD- Algorithmus) 300 zur Segmentierung des Knochens von dem Hintergrund und Erkennung/Identifizierung von Kandidatenknochenbereichen mit möglichen Verkalkungen, Frakturen oder Metastasen. Diese Kandidatenbereiche werden daraufhin auf der Grundlage von aus dem entsprechenden vollständigen Bildsatz 215 (Hochenergie 216, Niederenergie 217, Knochen 218 und Weichteil 219) extrahierten Merkmalen klassifiziert. Das Klassifizierungsstadium schließt nicht nur das aus, was es für falsch positiv hält, sondern kann auch zusätzliche Informationen über die Fraktur oder Läsion (Frakturtyp, Läsionsgröße usw.) bereitstellen. Die Ergebnisse werden daraufhin zur Beurteilung durch den Leser auf den Bildern hervorgehoben.
- Wie es in Fig. 11 gezeigt ist, erfordert der erste Schritt in einem CAD-Algorithmus 300 zur Erkennung von Verkalkungen, Rippenfrakturen und Metastasen in DE-Bildern 215 die Auswahl des gewünschten zu durchsuchenden Bereichs oder Auswahl des Bereichs von Interesse (ROI) 310. Bei einer Doppelenergiebrustuntersuchung würde dieser typischerweise aus dem ganzen Bild bestehen, könnte aber sicherlich aus einem kleineren Bereich von Interesse bestehen, falls ein spezifischer Bereich verdächtigt werden würde. Die Auswahl des Bereichs von Interesse (ROI) 310 kann manuell oder durch automatisierte Algorithmen auf der Grundlage von Benutzerspezifikationen wie vorstehend unter Bezugnahme auf den ROI 220 beschrieben ausgeführt werden.
- Als nächstes tritt eine Segmentierung von Knochen 320 auf. Der Zweck der Segmentierung 320 besteht darin, den Knochen von dem Hintergrund (Nicht-Knochen) zu trennen. Ein Ausführungsbeispiel wäre ein Bereichswachstumsalgorithmus. Es können manuelle oder automatisierte Verfahren zur Initialisierung des Bereichswachstums verwendet werden. Bei manuellen Verfahren wird eine Einrichtung für den Benutzer zur Auswahl des Keimpunkts (der Keimpunkte) bereitgestellt. Bei automatisierten Verfahren können Attribute des Knochens wie beispielsweise Intensitätsspanne, Gradientenspanne, Form, Größe usw. zur Initialisierung von Keimpunkten verwendet werden. Ein anderes potentielles Segmentierungsverfahren würde einen Mehrfachpegelintensitätsschwellenwertvergleich umfassen.
- Daraufhin können in einem Schritt 330 Kandidatenbereiche identifiziert werden. Ein Verfahren zur Identifizierung von Kandidatenbereichen basiert auf einem Kantenerkennungsalgorithmus. Zur Beseitigung von Rauschen und falschen Kanten kann eine Bildverarbeitung unter Verwendung von morphologischer Erosion folgen. Darüber hinaus kann zum Ausschließen längerer Linien, die höchstwahrscheinlich Rippenkanten sind, ein Konnektivitätsalgorithmus angewendet werden. Daher besteht das verbleibende Bild nur aus den Kanten, die mögliche Kandidaten für die Verkalkungen, Frakturen und Metastasen sind.
- Kandidatenbereiche können daraufhin in einem Schritt 340 klassifiziert werden. Die Klassifizierung der verbleibenden Kandidatenbereiche kann aus einem regelbasierten Ansatz bestehen. Die Regeln können für die Identifizierung von Verkalkungen, Metastasen und Frakturen verschieden sein. Es sind vorzugsweise verschiedene Regeln für die verschiedenen Typen von Frakturen und verschiedene Regeln für die verschiedenen Eigenschaften von Metastasen vorhanden. Beispielsweise kann es für Frakturen erwünscht sein, die Kanten innerhalb der Rippen von den Kanten außerhalb der Rippen zu trennen, da Kanten innerhalb der Rippen Kandidaten für Frakturen sind. Regeln können auch auf Größenmessungen der Linienkanten basieren.
- Verbleibende Kandidatenbereiche sollten daraufhin zur Prüfung in einem Darstellungsschritt oder einer Angabe von Ergebnissen 350 für den Benutzer oder Leser angegeben werden. Dies kann durch eine Hervorhebung von Gebieten bei dem ursprünglichen Knochenbild entweder mit Pfeilen, Kreisen oder einem anderen Indikator oder einer anderen Markierung ausgeführt werden. Zusätzliche Informationen wie beispielsweise der Frakturtyp oder die Läsionsgröße können ebenfalls den Bildern überlagert werden.
- Wieder auf Fig. 10 Bezug nehmend kann daraufhin die Angabe von Ergebnissen 350 in einem Schritt 360 durch einen Radiologen oder Kliniker gelesen werden, und dieses Verfahren 301 kann zur Verbesserung der Erkennung von Verkalkungen, feinen Rippenfrakturen und metastatischen Knochenläsionen bei der Brustradiographie verwendet werden, wie es durch einen Schritt 370 veranschaulicht ist. Die Erkennung derartiger Leiden kann zu einem erhöhten Nutzen für den Patienten durch eine frühe Erkennung führen, was zu einer verbesserten Patientenbetreuung durch den Kliniker führt. Die Fähigkeit zur Bereitstellung eines Knochenbilds ohne darüber-/darunterliegende Weichteile kann auch zur außerordentlichen Verbesserung der Erkennung und Diagnose von knochenbezogener Pathologie verwendet werden. Die Verwendung des Knochenbilds zur Erkennung von Verkalkungen, Frakturen und Metastasen ist ein diagnostisches Konzept für die DE-Abbildung, das vorher nicht verfügbar gewesen ist.
- Während spezifische Beispiele einschließlich einer Lungenkrebsbrustabbildung und Erkennung von Verkalkungen, Rippenfrakturen und Metastasen beschrieben sind, ist es selbstverständlich, daß die vorstehend beschriebenen Verfahren und Systeme zur Erkennung und/oder Diagnose eines medizinischen Zustands, einer Obstruktion oder einer Krankheit verwendet werden können, der oder die einen Teil des Körpers betrifft.
- Während die DE-Abbildung im einzelnen behandelt worden ist, befindet es sich ferner auch in dem Bereich der Erfindung, die vorstehend beschriebenen Verfahren bei Mehrfachenergiebildern zu verwenden. Beispielsweise ist in Fig. 12 ein Mehrfachenergieabbildungssystem 400 gezeigt, das den DE-Abbildungssystemen 200, 201 und 300 wie vorstehend beschrieben dahingehend ähnelt, daß es eine Datenquelle 410 einschließlich Bilddaten 415, Bilderfassungsdaten 412 und Patientendemographiedaten 414, eine Definition oder Auswahl eines Bereichs von Interesse 420, eine Extraktion optimaler Merkmale 430, eine Synthese/Klassifizierung 440 und eine Überlagerung auf einer Bildanzeige 460 umfaßt. Außerdem wird wie bei den vorher beschriebenen DE-Abbildungssystemen Vorwissen aus Training 450 auf das Stadium der Extraktion optimaler Merkmale 430 und das Stadium der Synthese/Klassifizierung 440 angewendet. Somit besteht der einzige Unterschied zwischen dem Verfahren 400 und den vorher beschriebenen DE-Verfahren in dem Inhalt der Bilddaten 415. D. h., während die DE-Verfahren ein Hochenergiebild, ein Niederenergiebild, ein Weichteilbild und ein Knochenbild nutzen, verwendet das Mehrfachenergieabbildungssystem 400 eine Reihe von bei verschiedenen Energien/kVp aufgenommenen Bildern 413 (Energie-1-Bild, Energie-2-Bild, . . . Energien- Bild). Diese Bilder 413 können in einer schnellen Folge erfaßt und in ein Knochenbild 418 und Bilder verschiedener Gewebetypen 410 (Gewebe-1-Bild, Gewebe-2-Bild, . . . Gewebem-Bild) zerlegt werden. Informationen von einem odermehreren dieser Bilder können zur Erkennung und Diagnose verschiedener Krankheiten oder medizinischer Zustände verwendet werden. Als ein Beispiel können bei dem Gewebe-3-Bild und dem Energie-1-Bild Bereiche von Interesse identifiziert und Merkmale berechnet werden, falls eine bestimmte Krankheit erkannt werden muß. Für einen anderen Krankheitstyp können alle die Bilder verwendet werden. Wie bei den DE-Energieabbildungssystemen können die Auswahl eines Bereichs von Interesse, die Berechnung optimaler Merkmale und die Klassifizierung bei den Bilddaten 415 in Folge oder parallel ausgeführt werden. Für die Zwecke dieser Beschreibung sollte es beachtet werden, daß ein "Mehrfach"-Energiebild die Doppelenergieabbildung umfaßt, da zwei Bilder mehrere Bilder sind.
- Es sollte beachtet werden, daß die Verfahren 200, 201, 300 und 400 in dem Abbildungssystem 100 verwendet werden können und insbesondere in dem Speicher 112 gespeichert und durch die Verarbeitungsschaltung 110 verarbeitet werden können. Es befindet sich zudem in dem Bereich der Erfindung, daß die offenbarten Verfahren in der Form von durch einen Computer realisierten Prozessen und Vorrichtungen zur Umsetzung der Prozesse in die Praxis verkörpert sein können. Die Erfindung kann auch in der Form von Computerprogrammcode mit in greifbaren Trägern wie beispielsweise Disketten, CD-ROM, Festplattenlaufwerken oder einem anderen von einem Computer lesbaren Speicherträger verkörperten Anweisungen verkörpert sein, wobei dann, wenn der Computerprogrammcode in einen Computer geladen und durch den Computer ausgeführt wird, der Computer eine Vorrichtung zur Umsetzung der Erfindung in die Praxis wird. Die Erfindung kann auch in der Form von Computerprogrammcode, sei es z. B. bei einem Speichern in einem Speicherträger, bei einem Laden in und/oder Ausführen durch einen Computer, oder als ein, sei eine modulierte Trägerwelle vorhanden oder nicht, über einen Übertragungsträger wie beispielsweise über eine elektrische Verdrahtung oder Verkabelung, über Lichtwellenleiter oder über elektromagnetische Strahlung übertragenes Datensignal verkörpert sein, wobei dann, wenn der Computerprogrammcode in einen Computer geladen und durch den Computer ausgeführt wird, der Computer eine Vorrichtung zur Umsetzung der Erfindung in die Praxis wird. Bei einer Realisierung auf einem Universalcomputer konfigurieren die Computerprogrammcodesegmente den Mikroprozessor zur Erzeugung spezifischer Logikschaltungen.
- Während die Erfindung unter Bezugnahme auf ein bevorzugtes Ausführungsbeispiel beschrieben ist, ist es für den Fachmann selbstverständlich, daß verschiedene Änderungen ausgebildet und Äquivalente für Elemente davon eingesetzt werden können, ohne von dem Bereich der Erfindung abzuweichen. Darüber hinaus können viele Modifikationen ausgebildet werden, um eine spezielle Situation oder ein spezielles Material an die Lehren der Erfindung anzupassen, ohne von ihrem wesentlichen Bereich abzuweichen. Daher soll die Erfindung nicht auf das als den zur Ausführung der Erfindung erwogenen besten Modus offenbarte spezielle Ausführungsbeispiel beschränkt sein, sondern die Erfindung soll alle in den Schutzbereich der beiliegenden Patentansprüche fallenden Ausführungsbeispiele umfassen. Überdies bezeichnet die Verwendung der Ausdrücke erster, zweiter usw. keine Reihenfolge oder Wichtigkeit, sondern die Ausdrücke erster, zweiter usw. werden vielmehr zur Unterscheidung eines Elements von einem anderen verwendet.
- Ein Verfahren (200, 201, 300, 400), System (100) und Speicherträger zur computergestützten Verarbeitung von Doppel- oder Mehrfachenergiebildern (215, 415) umfassen ein Verwenden einer Datenquelle (210, 410), wobei die Datenquelle (210, 410) einen Doppel- oder Mehrfachenergiebildsatz (215, 415) umfaßt, ein Definieren eines Bereichs von Interesse (220, 310, 420) in einem Bild oder mehreren Bildern aus dem Doppel- oder Mehrfachenergiebildsatz (215, 415), ein Extrahieren (270) eines Satzes von Merkmalsmaßen aus dem Bereich von Interesse (220, 310, 420) und ein Verwenden eines Merkmalsextraktionsalgorithmus (230, 330, 430) bei den Merkmalsmaßen zur Identifizierung eines optimalen Satzes von Merkmalen. Das Verfahren (200, 201, 300, 400) kann zur Identifizierung von Knochenfrakturen, einer Krankheit, einer Obstruktion oder eines anderen medizinischen Zustands verwendet werden.
Claims (39)
1. Verfahren (200, 201, 300, 400) zur computergestützten
Verarbeitung von Doppel- oder Mehrfachenergiebildern, mit
den Schritten:
Verwenden einer Datenquelle (210, 410), wobei die Datenquelle (210, 410) einen Doppel- oder Mehrfachenergiebildsatz (215, 415) umfaßt;
Definieren eines Bereichs von Interesse (220, 310, 420) in einem Bild aus dem Doppel- oder Mehrfachenergiebildsatz (215, 415);
Extrahieren (270) eines Satzes von Merkmalsmaßen aus dem Bereich von Interesse (220, 310, 420); und
Berichten der Merkmalsmaße bei dem Bereich von Interesse (220, 310, 420).
Verwenden einer Datenquelle (210, 410), wobei die Datenquelle (210, 410) einen Doppel- oder Mehrfachenergiebildsatz (215, 415) umfaßt;
Definieren eines Bereichs von Interesse (220, 310, 420) in einem Bild aus dem Doppel- oder Mehrfachenergiebildsatz (215, 415);
Extrahieren (270) eines Satzes von Merkmalsmaßen aus dem Bereich von Interesse (220, 310, 420); und
Berichten der Merkmalsmaße bei dem Bereich von Interesse (220, 310, 420).
2. Verfahren (200, 201, 300, 400) nach Anspruch 1, ferner
mit einem Verwenden eines Merkmalsauswahlalgorithmus (230,
330, 430) bei dem Bereich von Interesse (220, 310, 420) und
einem Klassifizieren (240, 340, 440) des Bereichs von
Interesse (220, 310, 420).
3. Verfahren (200, 201, 300, 400) nach Anspruch 2, ferner
mit einem Integrieren von Vorwissen aus Training (250, 450)
zum Klassifizieren (240, 340, 440) des Bereichs von
Interesse (220, 310, 420).
4. Verfahren (200, 201, 300, 400) nach Anspruch 3, wobei
das Integrieren von Vorwissen aus Training (250, 450) ein
Berechnen von Merkmalen bei bekannten Proben von
verschiedenen normalen und pathologischen medizinischen
Zuständen umfaßt.
5. Verfahren (200, 201, 300, 400) nach Anspruch 4, wobei
der Merkmalsauswahlalgorithmus (230, 330, 430) die Merkmale
von bekannten Proben durchsieht, verwendbare Merkmale von
bekannten Proben auswählt und Merkmale von bekannten
Proben, die keine verwendbaren Informationen bereitstellen,
verwirft.
6. Verfahren (200, 201, 300, 400) nach Anspruch 2, wobei
das Klassifizieren (240, 340, 440) des Bereichs von
Interesse (220, 310, 420) unter Verwendung des optimalen
Satzes von Merkmalen ein Klassifizieren eines medizinischen
Zustands oder mehrerer medizinischer Zustände umfaßt.
7. Verfahren (200, 201, 300, 400) nach Anspruch 1, wobei
die Verarbeitung von Doppel- oder Mehrfachenergiebildern
ein Erkennen und Diagnostizieren eines medizinischen
Zustands oder mehrerer medizinischer Zustände umfaßt.
8. Verfahren (200, 201, 300, 400) nach Anspruch 1, wobei
das Definieren eines Bereichs von Interesse (220, 310, 420)
ein manuelles Auswählen eines Bereichs von Interesse (220,
310, 420) umfaßt.
9. Verfahren (200, 201, 300, 400) nach Anspruch 1, wobei
das Definieren eines Bereichs von Interesse (220, 310, 420)
ein Nutzen eines automatisierten Algorithmus mit oder ohne
ein Eingeben von Benutzerspezifikationen umfaßt.
10. Verfahren (200, 201, 300, 400) nach Anspruch 1, wobei
die Datenquelle (210, 410) ferner
Bilderfassungssysteminformationen (212, 412) und/oder
Demographieinformationen und/oder Symptome und/oder eine
Historie des Patienten (214, 414) umfaßt, wobei die
Bilderfassungssysteminformationen (212, 412),
Demographieinformationen, Symptome und Historie des
Patienten (214, 414) in dem Merkmalsextraktionsalgorithmus
(230, 330, 430) als Merkmalsmaße dienen.
11. Verfahren (200, 201, 300, 400) nach Anspruch 4, wobei
der Merkmalsauswahlalgorithmus (230, 330, 430) ein
Bestimmen der Fähigkeit eines Merkmalsmaßes zum Trennen von
Bereichen in verschiedene Klassifizierungsgruppen umfaßt.
12. Verfahren (200, 201, 300, 400) nach Anspruch 11, wobei
der Merkmalsauswahlalgorithmus (230, 330, 430) ferner ein
Einordnen jedes Merkmalsmaßes in dem Satz von Merkmalsmaßen
auf der Grundlage der Fähigkeit jedes Merkmalsmaßes zum
Trennen von Bereichen in eine Klassifizierungsgruppe
umfaßt.
13. Verfahren (200, 201, 300, 400) nach Anspruch 12, wobei
der Merkmalsauswahlalgorithmus (230, 330, 430) ferner ein
Verringern der Menge von Merkmalsmaßen durch ein Beseitigen
korrelierter Merkmale umfaßt.
14. Verfahren (200, 201, 300, 400) nach Anspruch 12, wobei
der Merkmalsauswahlalgorithmus (230, 330, 430) ferner ein
Auswählen des am höchsten eingeordneten Merkmalsmaßes und
ein Hinzufügen zusätzlicher Merkmalsmaße in absteigender
Reihenfolge umfaßt.
15. Verfahren (200, 201, 300) nach Anspruch 1, wobei der
Doppel- oder Mehrfachenergiebildsatz (215) ein
Doppelenergiebildsatz (215) mit einem Hochenergiebild
(216), einem Niederenergiebild (217), einem Knochenbild
(218) und einem Weichteilbild (219) ist, wobei das
Verfahren (200, 201, 300) ein Definieren von Bereichen von
Interesse (220, 310) und ein Integrieren von Merkmalen aus
allen Bereichen von Interesse (220, 310) bei allen Bildern
(216, 217, 218, 219) umfaßt.
16. Verfahren (200, 201, 300) nach Anspruch 1, wobei der
Doppel- oder Mehrfachenergiebildsatz (215) ein
Doppelenergiebildsatz (215) mit einem Hochenergiebild
(216), einem Niederenergiebild (217), einem Knochenbild
(218) und einem Weichteilbild (219) ist, wobei das
Verfahren (200, 201, 300) ein Definieren zumindest eines
Bereichs von Interesse (220, 310), ein Verwenden eines
Merkmalsextraktionsalgorithmus (230, 330) und ein
Klassifizieren (240, 340) eines Kandidatenbereichs von
Interesse (220, 310) bei jedem Bild (216, 217, 218, 219)
und ein anschließendes Kombinieren von Ergebnissen aller
Operationen umfaßt.
17. Verfahren (200, 201, 300, 400) nach Anspruch 1, ferner
mit einem Angeben zumindest eines klassifizierten Bereichs
unter Verwendung einer Markierung auf einer Anzeige (260,
350, 460) jedes Bilds in dem Doppel- oder
Mehrfachenergiebildsatz (215, 415), in dem sich der
zumindest eine klassifizierte Bereich befindet.
18. Verfahren (200, 201, 300, 400) nach Anspruch 17, ferner
mit einem Anzeigen eines einzelnen Bilds, das alle
Markierungen von jedem Bild in dem Doppel- oder
Mehrfachenergiebildsatz (215, 415) umfaßt.
19. System (100) zur computergestützten Verarbeitung von
Doppelenergiebildern (215), mit:
einem Detektor (108), der ein durch eine Struktur (106) hindurchgehende Photonen bei einem ersten Energiepegel darstellendes erstes Bild und ein durch die Struktur (106) hindurchgehende Photonen bei einem zweiten Energiepegel darstellendes zweites Bild erzeugt;
einem Speicher (112), der mit dem Detektor (108) gekoppelt ist, wobei der Speicher (112) das erste Bild und das zweite Bild speichert;
einer Verarbeitungsschaltung (110), die mit dem Speicher (112) gekoppelt ist, wobei die Verarbeitungsschaltung (110) dient zum:
Entwickeln eines Doppelenergiebildsatzes (215) mit einem Knochenbild (218), einem Weichteilbild (219), einem Hochenergiebild (216) und einem Niederenergiebild (217) aus dem ersten Bild und dem zweiten Bild;
Speichern des Doppelenergiebildsatzes (215) in dem Speicher (112) als eine Datenquelle (210);
Definieren eines Bereichs von Interesse (220, 310) in einem Bild aus dem Doppelenergiebildsatz (215); und
Extrahieren (230, 330) eines Satzes von Merkmalsmaßen aus dem Bereich von Interesse (220, 310); und
einer Berichtsvorrichtung (114), die mit der Verarbeitungsschaltung (110) gekoppelt ist, wobei die Berichtsvorrichtung (114) zumindest ein Merkmal berichtet.
einem Detektor (108), der ein durch eine Struktur (106) hindurchgehende Photonen bei einem ersten Energiepegel darstellendes erstes Bild und ein durch die Struktur (106) hindurchgehende Photonen bei einem zweiten Energiepegel darstellendes zweites Bild erzeugt;
einem Speicher (112), der mit dem Detektor (108) gekoppelt ist, wobei der Speicher (112) das erste Bild und das zweite Bild speichert;
einer Verarbeitungsschaltung (110), die mit dem Speicher (112) gekoppelt ist, wobei die Verarbeitungsschaltung (110) dient zum:
Entwickeln eines Doppelenergiebildsatzes (215) mit einem Knochenbild (218), einem Weichteilbild (219), einem Hochenergiebild (216) und einem Niederenergiebild (217) aus dem ersten Bild und dem zweiten Bild;
Speichern des Doppelenergiebildsatzes (215) in dem Speicher (112) als eine Datenquelle (210);
Definieren eines Bereichs von Interesse (220, 310) in einem Bild aus dem Doppelenergiebildsatz (215); und
Extrahieren (230, 330) eines Satzes von Merkmalsmaßen aus dem Bereich von Interesse (220, 310); und
einer Berichtsvorrichtung (114), die mit der Verarbeitungsschaltung (110) gekoppelt ist, wobei die Berichtsvorrichtung (114) zumindest ein Merkmal berichtet.
20. System (100) zur computergestützten Verarbeitung von
Doppelenergiebildern (215), mit:
einer Detektionseinrichtung (108) zum Erzeugen eines durch eine Struktur (106) hindurchgehende Photonen bei einem ersten Energiepegel darstellenden ersten Bilds und eines durch die Struktur (106) hindurchgehende Photonen bei einem zweiten Energiepegel darstellenden zweiten Bilds;
einer Speichereinrichtung (112) zum Speichern des ersten Bilds und des zweiten Bilds;
einer Verarbeitungseinrichtung (110) zum:
Entwickeln eines Doppelenergiebildsatzes (215) mit einem Knochenbild (218), einem Weichteilbild (219), einem Hochenergiebild (216) und einem Niederenergiebild (217) aus dem ersten Bild und dem zweiten Bild;
Speichern des Doppelenergiebildsatzes (215) in dem Speicher (112) als eine Datenquelle (210);
Definieren eines Bereichs von Interesse (220, 310) in einem Bild aus dem Doppelenergiebildsatz (215);
Extrahieren (270) eines Satzes von Merkmalsmaßen aus dem Bereich von Interesse (220, 310);
Verwenden eines Merkmalsauswahlalgorithmus (230, 330) bei dem Satz von Merkmalsmaßen und Identifizieren (280) eines optimalen Satzes von Merkmalen;
Klassifizieren (240, 340) des optimalen Satzes von Merkmalen; und
Integrieren von Vorwissen aus Training (250) in das Klassifizieren (240, 340) des optimalen Satzes von Merkmalen; und
einer Anzeigeeinrichtung (114) zum Anzeigen zumindest eines klassifizierten Bereichs von Interesse.
einer Detektionseinrichtung (108) zum Erzeugen eines durch eine Struktur (106) hindurchgehende Photonen bei einem ersten Energiepegel darstellenden ersten Bilds und eines durch die Struktur (106) hindurchgehende Photonen bei einem zweiten Energiepegel darstellenden zweiten Bilds;
einer Speichereinrichtung (112) zum Speichern des ersten Bilds und des zweiten Bilds;
einer Verarbeitungseinrichtung (110) zum:
Entwickeln eines Doppelenergiebildsatzes (215) mit einem Knochenbild (218), einem Weichteilbild (219), einem Hochenergiebild (216) und einem Niederenergiebild (217) aus dem ersten Bild und dem zweiten Bild;
Speichern des Doppelenergiebildsatzes (215) in dem Speicher (112) als eine Datenquelle (210);
Definieren eines Bereichs von Interesse (220, 310) in einem Bild aus dem Doppelenergiebildsatz (215);
Extrahieren (270) eines Satzes von Merkmalsmaßen aus dem Bereich von Interesse (220, 310);
Verwenden eines Merkmalsauswahlalgorithmus (230, 330) bei dem Satz von Merkmalsmaßen und Identifizieren (280) eines optimalen Satzes von Merkmalen;
Klassifizieren (240, 340) des optimalen Satzes von Merkmalen; und
Integrieren von Vorwissen aus Training (250) in das Klassifizieren (240, 340) des optimalen Satzes von Merkmalen; und
einer Anzeigeeinrichtung (114) zum Anzeigen zumindest eines klassifizierten Bereichs von Interesse.
21. Speicherträger, der mit einem maschinell lesbaren
Computerprogrammcode codiert ist, wobei der Code
Anweisungen zur Veranlassung eines Computers zum
Realisieren eines Verfahrens (200, 201, 300, 400) zur
Unterstützung bei einer Verarbeitung von Doppel- oder
Mehrfachenergiebildern umfaßt, wobei das Verfahren (200,
201, 300, 400) die Schritte umfaßt:
Verwenden einer Datenquelle (210, 410), wobei die Datenquelle (210, 410) einen Doppel- oder Mehrfachenergiebildsatz (215, 415) umfaßt;
Definieren eines Bereichs von Interesse (220, 310, 420) in einem Bild aus dem Doppel- oder Mehrfachenergiebildsatz (215, 415);
Extrahieren (270) eines Satzes von Merkmalsmaßen aus dem Bereich von Interesse (220, 310, 420); und
Verwenden eines Merkmalsextraktionsalgorithmus (230, 330, 430) bei den Merkmalsmaßen zum Identifizieren eines optimalen Satzes von Merkmalen.
Verwenden einer Datenquelle (210, 410), wobei die Datenquelle (210, 410) einen Doppel- oder Mehrfachenergiebildsatz (215, 415) umfaßt;
Definieren eines Bereichs von Interesse (220, 310, 420) in einem Bild aus dem Doppel- oder Mehrfachenergiebildsatz (215, 415);
Extrahieren (270) eines Satzes von Merkmalsmaßen aus dem Bereich von Interesse (220, 310, 420); und
Verwenden eines Merkmalsextraktionsalgorithmus (230, 330, 430) bei den Merkmalsmaßen zum Identifizieren eines optimalen Satzes von Merkmalen.
22. Verfahren (300) zur Erkennung von Knochenfrakturen,
Verkalkungen und Metastasen, mit den Schritten:
Nutzen eines Knochenbilds (218, 418) aus einem Doppel- oder Mehrfachenergiebildsatz (215, 415);
Auswählen eines Bereichs von Interesse (310) in dem Knochenbild (218, 418) zum Suchen nach einer Verkalkung, Fraktur oder metastatischen Knochenläsion;
Segmentieren von Knochen (320) von einem Hintergrund des Knochenbilds (218, 418); und
Identifizieren (330) eines Kandidatenbereichs in dem Knochen als einen Kandidaten für eine Verkalkung, Fraktur oder metastatische Knochenläsion.
Nutzen eines Knochenbilds (218, 418) aus einem Doppel- oder Mehrfachenergiebildsatz (215, 415);
Auswählen eines Bereichs von Interesse (310) in dem Knochenbild (218, 418) zum Suchen nach einer Verkalkung, Fraktur oder metastatischen Knochenläsion;
Segmentieren von Knochen (320) von einem Hintergrund des Knochenbilds (218, 418); und
Identifizieren (330) eines Kandidatenbereichs in dem Knochen als einen Kandidaten für eine Verkalkung, Fraktur oder metastatische Knochenläsion.
23. Verfahren (300) nach Anspruch 22, ferner mit einem
Klassifizieren (340) eines identifizierten
Kandidatenbereichs.
24. Verfahren (300) nach Anspruch 22, wobei das
Segmentieren von Knochen (320) ein Nutzen eines
Bereichswachstumsalgorithmus umfaßt.
25. Verfahren (300) nach Anspruch 24, wobei der
Bereichswachstumsalgorithmus manuell initialisiert wird,
indem ein Benutzer einen Keimpunkt auswählt.
26. Verfahren (300) nach Anspruch 24, wobei der
Bereichswachstumsalgorithmus automatisch initialisiert
wird, indem Knochenattribute zum Auswählen eines Keimpunkts
genutzt werden.
27. Verfahren (300) nach Anspruch 22, wobei das
Segmentieren von Knochen (320) einen
Mehrfachpegelintensitätsschwellenwertvergleich umfaßt.
28. Verfahren (300) nach Anspruch 22, wobei das
Identifizieren (330) eines Kandidatenbereichs ein Nutzen
eines Kantenerkennungsalgorithmus umfaßt.
29. Verfahren (300) nach Anspruch 28, wobei eine
Bildverarbeitung unter Verwendung von morphologischer
Erosion zum Beseitigen von Rauschen und falschen Kanten
verwendet wird.
30. Verfahren (300) nach Anspruch 28, wobei Rippenkanten
unter Verwendung eines Konnektivitätsalgorithmus beseitigt
werden.
31. Verfahren (300) nach Anspruch 22, wobei ein
Klassifizieren (340) identifizierter Kandidatenbereiche ein
Verwenden eines computergestützten regelbasierten Ansatzes
umfaßt, wobei verschiedene Regeln für Verkalkungen,
Metastasen und Frakturen sowie für verschiedene Typen von
Frakturen und verschiedene Eigenschaften von Metastasen
Anwendung finden.
32. Verfahren (300) nach Anspruch 31, wobei Regeln auf
Größenmessungen von Linienkanten der identifizierten
Kandidatenbereiche basieren.
33. Verfahren (300) nach Anspruch 22, ferner mit einem
Angeben (350) von Kandidatenbereichen auf einer Anzeige.
34. Verfahren (300) nach Anspruch 33, wobei das Angeben
(350) von Kandidatenbereichen ein Plazieren einer eine
Klassifizierung des Kandidatenbereichs angebenden
Markierung auf dem Knochenbild (218, 418) umfaßt.
35. Verfahren (200, 201, 400) zur Erkennung einer
Lungenkrankheit, mit den Schritten:
Nutzen eines Weichteilbilds (219, 419) aus einem Doppel- oder Mehrfachenergiebildsatz (215, 415);
Auswählen eines Bereichs von Interesse (220, 420) in dem Weichteilbild (219, 419) zum Suchen nach einem Anzeichen für eine Krankheit;
Segmentieren des Bereichs von Interesse (220, 420) von einem Hintergrund des Weichteilbilds (219, 419);
Verwenden eines Merkmalsauswahlalgorithmus (230, 430) bei Merkmalsmaßen zum Identifizieren eines optimalen Satzes von Merkmalen;
Identifizieren eines Kandidatenbereichs in dem Knochenbild (218, 418), der mit dem Bereich von Interesse (220, 420) in dem Weichteilbild (219, 419) korreliert;
Extrahieren von Merkmalen aus dem Kandidatenbereich in dem Knochenbild (218, 418); und
Klassifizieren (240, 440) des Bereichs von Interesse (220, 420) in dem Weichteilbild (219, 419) als einen Kandidaten für eine Weichteilkrankheit unter Nutzung der aus dem Knochenbild (218, 418) extrahierten Merkmale.
Nutzen eines Weichteilbilds (219, 419) aus einem Doppel- oder Mehrfachenergiebildsatz (215, 415);
Auswählen eines Bereichs von Interesse (220, 420) in dem Weichteilbild (219, 419) zum Suchen nach einem Anzeichen für eine Krankheit;
Segmentieren des Bereichs von Interesse (220, 420) von einem Hintergrund des Weichteilbilds (219, 419);
Verwenden eines Merkmalsauswahlalgorithmus (230, 430) bei Merkmalsmaßen zum Identifizieren eines optimalen Satzes von Merkmalen;
Identifizieren eines Kandidatenbereichs in dem Knochenbild (218, 418), der mit dem Bereich von Interesse (220, 420) in dem Weichteilbild (219, 419) korreliert;
Extrahieren von Merkmalen aus dem Kandidatenbereich in dem Knochenbild (218, 418); und
Klassifizieren (240, 440) des Bereichs von Interesse (220, 420) in dem Weichteilbild (219, 419) als einen Kandidaten für eine Weichteilkrankheit unter Nutzung der aus dem Knochenbild (218, 418) extrahierten Merkmale.
36. Verfahren (200, 201, 400) nach Anspruch 35, wobei das
Identifizieren einer Krankheit in dem Weichteilbild (219,
419) ein Identifizieren eines einzelnen Lungenknötchens
oder einer Läsion umfaßt und wobei die aus dem Knochenbild
(218, 418) extrahierten Merkmale die Verkalkung des
Knötchens angeben, wobei das Verfahren (200, 201, 400)
ferner ein Nutzen der Knochenbildverkalkungsmerkmale zum
Klassifizieren (240, 440) des Bereichs von Interesse (220,
420) in dem Weichteilbild (219, 419) als wahrscheinlich
gutartig umfaßt.
37. Verfahren (200, 201, 400) nach Anspruch 35, wobei das
Klassifizieren (240, 440) ein Verwenden eines
computergestützten regelbasierten Ansatzes umfaßt, wobei
verschiedene Regeln für verschiedene medizinische Zustände
Anwendung finden und verschiedene Regeln für das
Weichteilbild (219, 419) und das Knochenbild (218, 418)
verwendet werden.
38. Verfahren (200, 201, 400) nach Anspruch 35, ferner mit
einem Anzeigen eines einzelnen Bilds, das alle Markierungen
von jedem Bild in dem Doppel- oder Mehrfachenergiebildsatz
(215, 415) umfaßt.
39. Verfahren (200, 201, 400) nach Anspruch 38, ferner mit
einem Anzeigen eines einzelnen Bilds, das Ergebnisse von
dem Weichteilbild (219, 419), die auf der Grundlage von
Ergebnissen von dem Knochenbild (218, 418) weiter
klassifiziert worden sind, eindeutig angebende Markierungen
umfaßt.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/063,819 US7263214B2 (en) | 2002-05-15 | 2002-05-15 | Computer aided diagnosis from multiple energy images |
Publications (1)
Publication Number | Publication Date |
---|---|
DE10321722A1 true DE10321722A1 (de) | 2003-12-18 |
Family
ID=29399087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10321722A Ceased DE10321722A1 (de) | 2002-05-15 | 2003-05-14 | Computergestützte Diagnose von Mehrfachenergiebildern |
Country Status (4)
Country | Link |
---|---|
US (1) | US7263214B2 (de) |
JP (1) | JP4354737B2 (de) |
DE (1) | DE10321722A1 (de) |
FR (1) | FR2839797B1 (de) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2856169A1 (fr) * | 2003-06-13 | 2004-12-17 | Ge Med Sys Global Tech Co Llc | Analyse de variations temporelles utilisant des images de decomposition a deux ou multiples niveaux d'energie |
DE102006020399A1 (de) * | 2006-04-28 | 2007-10-31 | Siemens Ag | Medizintechnisches Diagnose- und Datenverarbeitungssystem |
WO2011106820A1 (de) | 2010-03-04 | 2011-09-09 | Medizinische Universität Wien | Verfahren und vorrichtung zur verarbeitung von ct-bilddaten eines knochen enthaltenden körperbereichs eines patienten |
DE102011080768A1 (de) * | 2011-08-10 | 2013-02-14 | Siemens Aktiengesellschaft | Untersuchungsverfahren eines Untersuchungsobjekts mit einer Bildauswahl zur Befundungs-Dokumentation |
DE102017204175A1 (de) | 2017-03-14 | 2018-09-20 | Siemens Healthcare Gmbh | Verfahren zu einem Auffinden von Auffälligkeiten in medizinischen Bilddaten eines Bereichs des Patienten, der außerhalb eines zu untersuchenden Bereichs des Patienten angeordnet ist, sowie eine medizinische Bildgebungsvorrichtung hierzu |
Families Citing this family (79)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7197180B2 (en) * | 2001-05-30 | 2007-03-27 | Eaton Corporation | System or method for selecting classifier attribute types |
US6891922B2 (en) * | 2002-11-22 | 2005-05-10 | Ge Medical Systems Global Technology Company, Llc | Methods and apparatus for the classification of nodules |
ES2321292T3 (es) | 2002-11-26 | 2009-06-04 | Alexza Pharmaceuticals, Inc. | Uso de loxapina para la fabricacion de un medicamento destinado al tratamiento del dolor. |
US7430308B1 (en) * | 2002-11-26 | 2008-09-30 | University Of South Florida | Computer aided diagnosis of mammographic microcalcification clusters |
US10638994B2 (en) | 2002-11-27 | 2020-05-05 | Hologic, Inc. | X-ray mammography with tomosynthesis |
US7616818B2 (en) * | 2003-02-19 | 2009-11-10 | Agfa Healthcare | Method of determining the orientation of an image |
US20050105794A1 (en) * | 2003-08-25 | 2005-05-19 | Glenn Fung | Greedy support vector machine classification for feature selection applied to the nodule detection problem |
US20050058350A1 (en) * | 2003-09-15 | 2005-03-17 | Lockheed Martin Corporation | System and method for object identification |
US8265728B2 (en) * | 2003-11-26 | 2012-09-11 | University Of Chicago | Automated method and system for the evaluation of disease and registration accuracy in the subtraction of temporally sequential medical images |
WO2005083635A1 (en) * | 2004-02-27 | 2005-09-09 | National University Of Singapore | Method and system for detection of bone fractures |
EP1729638A4 (de) * | 2004-03-29 | 2007-07-18 | Cmt Medical Technologies Ltd | Gerät und verfahren zur verbesserten angiographischen darstellung |
JP2005334298A (ja) * | 2004-05-27 | 2005-12-08 | Fuji Photo Film Co Ltd | 異常陰影検出方法および装置並びにプログラム |
US7835562B2 (en) | 2004-07-23 | 2010-11-16 | General Electric Company | Methods and apparatus for noise reduction filtering of images |
US7352885B2 (en) * | 2004-09-30 | 2008-04-01 | General Electric Company | Method and system for multi-energy tomosynthesis |
US7778450B2 (en) * | 2005-01-20 | 2010-08-17 | Scimed Life Systems, Inc. | Pattern recognition systems and methods |
DE102005010076A1 (de) * | 2005-03-04 | 2006-09-07 | Siemens Ag | Bildbearbeitungsverfahren für ein digitales medizinisches Untersuchungsbild und zugehörige Untersuchungseinrichtung |
JP4794238B2 (ja) * | 2005-08-10 | 2011-10-19 | 株式会社日立メディコ | マルチエナジーx線ct装置 |
WO2007072256A2 (en) * | 2005-12-23 | 2007-06-28 | Koninklijke Philips Electronics N.V. | Apparatus and method for classifying data |
US7986827B2 (en) * | 2006-02-07 | 2011-07-26 | Siemens Medical Solutions Usa, Inc. | System and method for multiple instance learning for computer aided detection |
US8761864B2 (en) * | 2006-09-14 | 2014-06-24 | General Electric Company | Methods and apparatus for gated acquisitions in digital radiography |
US20080089584A1 (en) * | 2006-10-13 | 2008-04-17 | Vanmetter Richard L | Viewing glass display for multi-component images |
US7496174B2 (en) | 2006-10-16 | 2009-02-24 | Oraya Therapeutics, Inc. | Portable orthovoltage radiotherapy |
US7620147B2 (en) | 2006-12-13 | 2009-11-17 | Oraya Therapeutics, Inc. | Orthovoltage radiotherapy |
US7940970B2 (en) | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging, Ltd | Method and system for automatic quality control used in computerized analysis of CT angiography |
US7860283B2 (en) | 2006-10-25 | 2010-12-28 | Rcadia Medical Imaging Ltd. | Method and system for the presentation of blood vessel structures and identified pathologies |
US7983459B2 (en) | 2006-10-25 | 2011-07-19 | Rcadia Medical Imaging Ltd. | Creating a blood vessel tree from imaging data |
US7940977B2 (en) | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures to identify calcium or soft plaque pathologies |
US7873194B2 (en) | 2006-10-25 | 2011-01-18 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures and pathologies in support of a triple rule-out procedure |
US8165376B2 (en) * | 2006-12-11 | 2012-04-24 | Siemens Corporation | System and method for automatic detection of rib metastasis in computed tomography volume |
WO2008087817A1 (ja) * | 2007-01-19 | 2008-07-24 | Konica Minolta Medical & Graphic, Inc. | X線画像撮影システム |
US8184877B2 (en) * | 2007-02-12 | 2012-05-22 | Carestream Health, Inc. | Renormalization of dual-energy images |
JP2008229122A (ja) * | 2007-03-22 | 2008-10-02 | Fujifilm Corp | 画像成分分離装置、方法、およびプログラム |
US8816959B2 (en) * | 2007-04-03 | 2014-08-26 | General Electric Company | Method and apparatus for obtaining and/or analyzing anatomical images |
US8363783B2 (en) | 2007-06-04 | 2013-01-29 | Oraya Therapeutics, Inc. | Method and device for ocular alignment and coupling of ocular structures |
US8512236B2 (en) | 2008-01-11 | 2013-08-20 | Oraya Therapeutics, Inc. | System and method for positioning and stabilizing an eye |
AU2008295449A1 (en) | 2007-09-07 | 2009-03-12 | Industrial Research Limited | Agents with angiogenic and wound healing activity |
US20090136111A1 (en) * | 2007-11-25 | 2009-05-28 | General Electric Company | System and method of diagnosing a medical condition |
EP2231277B1 (de) | 2007-12-23 | 2017-08-30 | Carl Zeiss Meditec, Inc. | Vorrichtungen für den nachweis, die kontrolle und die vorhersage von strahlenabgabe |
US7801271B2 (en) | 2007-12-23 | 2010-09-21 | Oraya Therapeutics, Inc. | Methods and devices for orthovoltage ocular radiotherapy and treatment planning |
CN101502420B (zh) * | 2008-02-05 | 2013-05-22 | Ge医疗***环球技术有限公司 | 图像处理方法和设备 |
JP5536987B2 (ja) * | 2008-05-16 | 2014-07-02 | 株式会社東芝 | 画像処理装置 |
US10210179B2 (en) * | 2008-11-18 | 2019-02-19 | Excalibur Ip, Llc | Dynamic feature weighting |
CN102301395B (zh) * | 2009-01-29 | 2014-08-06 | 日本电气株式会社 | 特征选择设备 |
US9332907B2 (en) * | 2009-02-11 | 2016-05-10 | Siemens Medical Solutions Usa, Inc. | Extracting application dependent extra modal information from an anatomical imaging modality for use in reconstruction of functional imaging data |
US8786873B2 (en) | 2009-07-20 | 2014-07-22 | General Electric Company | Application server for use with a modular imaging system |
US9135713B2 (en) | 2010-03-15 | 2015-09-15 | Georgia Tech Research Corporation | Cranial suture snake algorithm |
US8243882B2 (en) | 2010-05-07 | 2012-08-14 | General Electric Company | System and method for indicating association between autonomous detector and imaging subsystem |
US10140699B2 (en) * | 2010-12-07 | 2018-11-27 | University Of Iowa Research Foundation | Optimal, user-friendly, object background separation |
US20150379708A1 (en) * | 2010-12-07 | 2015-12-31 | University Of Iowa Research Foundation | Methods and systems for vessel bifurcation detection |
WO2012100221A1 (en) | 2011-01-20 | 2012-07-26 | University Of Iowa Research Foundation | Automated determination of arteriovenous ratio in images of blood vessels |
JP5102888B2 (ja) * | 2011-03-23 | 2012-12-19 | 日立アロカメディカル株式会社 | 骨診断画像表示装置 |
KR101337339B1 (ko) * | 2011-10-21 | 2013-12-06 | 삼성전자주식회사 | 엑스선 영상 장치 및 그 제어방법 |
WO2013165614A1 (en) | 2012-05-04 | 2013-11-07 | University Of Iowa Research Foundation | Automated assessment of glaucoma loss from optical coherence tomography |
KR101429067B1 (ko) * | 2012-06-20 | 2014-08-12 | 삼성전자 주식회사 | 엑스선 영상 장치 및 엑스선 영상 시스템 |
KR101479212B1 (ko) | 2012-09-05 | 2015-01-06 | 삼성전자 주식회사 | 엑스선 영상 장치 및 엑스선 영상 생성 방법 |
JP2015532140A (ja) * | 2012-10-09 | 2015-11-09 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | スペクトル画像診断のための方法及びシステム |
US10360672B2 (en) | 2013-03-15 | 2019-07-23 | University Of Iowa Research Foundation | Automated separation of binary overlapping trees |
JP6155177B2 (ja) * | 2013-11-29 | 2017-06-28 | 富士フイルムRiファーマ株式会社 | 画像診断支援装置に画像処理を実行させるためのコンピュータプログラム、装置及び方法 |
KR101870856B1 (ko) | 2014-01-29 | 2018-06-25 | 삼성전자주식회사 | 엑스선 영상 장치 및 엑스선 영상 시스템 |
US10410355B2 (en) | 2014-03-21 | 2019-09-10 | U.S. Department Of Veterans Affairs | Methods and systems for image analysis using non-euclidean deformed graphs |
US9526468B2 (en) * | 2014-09-09 | 2016-12-27 | General Electric Company | Multiple frame acquisition for exposure control in X-ray medical imagers |
KR102325346B1 (ko) | 2014-12-15 | 2021-11-11 | 삼성전자주식회사 | 의료 영상 진단 장치 및 방법 |
US10115194B2 (en) | 2015-04-06 | 2018-10-30 | IDx, LLC | Systems and methods for feature detection in retinal images |
US10255675B2 (en) | 2016-01-25 | 2019-04-09 | Toshiba Medical Systems Corporation | Medical image processing apparatus and analysis region setting method of texture analysis |
WO2018071728A1 (en) * | 2016-10-13 | 2018-04-19 | Positron, Llc | Controlled dynamic multi-axis virtual reality system |
US20190130561A1 (en) * | 2017-10-27 | 2019-05-02 | Konica Minolta Laboratory U.S.A., Inc. | Medical image processing apparatus |
JP7093233B2 (ja) | 2018-06-07 | 2022-06-29 | キヤノン株式会社 | 放射線撮影装置、放射線撮影方法およびプログラム |
US10740866B2 (en) | 2018-06-26 | 2020-08-11 | International Business Machines Corporation | Determining appropriate medical image processing pipeline based on machine learning |
US11210779B2 (en) * | 2018-09-07 | 2021-12-28 | Siemens Healthcare Gmbh | Detection and quantification for traumatic bleeding using dual energy computed tomography |
EP3657391B1 (de) * | 2018-11-21 | 2023-07-26 | Siemens Healthcare GmbH | Verarbeitung eines medizinischen bildes |
KR102488986B1 (ko) * | 2019-05-31 | 2023-01-18 | 페이지.에이아이, 인크. | 디지털 병리학을 위한 슬라이드들의 처리된 이미지들을 자동으로 우선순위화하기 위해 슬라이드들의 이미지들을 처리하기 위한 시스템들 및 방법들 |
WO2020247902A1 (en) * | 2019-06-06 | 2020-12-10 | The Research Foundation For The State University Of New York | System and method for identifying fractures in digitized x-rays |
CN110120266B (zh) * | 2019-06-27 | 2022-09-30 | 中国科学技术大学 | 骨骼年龄评估方法 |
JP7236974B2 (ja) * | 2019-10-03 | 2023-03-10 | 富士フイルム株式会社 | 診療支援装置、診療支援方法、及び診療支援プログラム |
EP3832689A3 (de) | 2019-12-05 | 2021-08-11 | Hologic, Inc. | Systeme und verfahren für verbesserte röntgenröhrenlebensdauer |
US11755948B2 (en) * | 2019-12-18 | 2023-09-12 | Google Llc | Attribution and generation of saliency visualizations for machine-learning models |
WO2021162026A1 (ja) * | 2020-02-10 | 2021-08-19 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
US11471118B2 (en) | 2020-03-27 | 2022-10-18 | Hologic, Inc. | System and method for tracking x-ray tube focal spot position |
US11593926B2 (en) * | 2021-02-09 | 2023-02-28 | Elucid Bioimaging Inc. | Systems and methods for improving soft tissue contrast, multiscale modeling and spectral CT |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5115394A (en) * | 1983-11-25 | 1992-05-19 | Technicare Corporation | Dual energy computerized tomography system |
US4837686A (en) * | 1985-11-15 | 1989-06-06 | Picker International | Substance quantification in animal bodies |
US4792900A (en) * | 1986-11-26 | 1988-12-20 | Picker International, Inc. | Adaptive filter for dual energy radiographic imaging |
FR2656109B1 (fr) * | 1989-12-14 | 1992-02-28 | Gen Electric Cgr | Procede de calibration de la chaine de mesure d'un appareil a rayons x. |
US6160866A (en) | 1991-02-13 | 2000-12-12 | Lunar Corporation | Apparatus for bilateral femur measurement |
US5402338A (en) * | 1991-12-26 | 1995-03-28 | Fuji Photo Film Co., Ltd. | Method for forming energy subtraction images |
US5748705A (en) * | 1993-11-22 | 1998-05-05 | Hologic Inc. | X-ray bone densitometry |
US5931780A (en) * | 1993-11-29 | 1999-08-03 | Arch Development Corporation | Method and system for the computerized radiographic analysis of bone |
CA2184237A1 (en) * | 1995-09-08 | 1997-03-09 | Jay A. Stein | X-ray bone densitometry |
US5910972A (en) * | 1996-09-25 | 1999-06-08 | Fuji Photo Film Co., Ltd. | Bone image processing method and apparatus |
US6058322A (en) * | 1997-07-25 | 2000-05-02 | Arch Development Corporation | Methods for improving the accuracy in differential diagnosis on radiologic examinations |
US6240201B1 (en) * | 1998-07-24 | 2001-05-29 | Arch Development Corporation | Computerized detection of lung nodules using energy-subtracted soft-tissue and standard chest images |
JP4188532B2 (ja) * | 2000-02-01 | 2008-11-26 | 富士フイルム株式会社 | 画像間演算方法および装置並びに画像表示方法および装置 |
US6694046B2 (en) * | 2001-03-28 | 2004-02-17 | Arch Development Corporation | Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images |
US6661873B2 (en) * | 2002-01-28 | 2003-12-09 | Ge Medical Systems Global Technology Company, Llc | Motion artifacts reduction algorithm for two-exposure dual-energy radiography |
-
2002
- 2002-05-15 US US10/063,819 patent/US7263214B2/en not_active Expired - Lifetime
-
2003
- 2003-05-12 FR FR0305690A patent/FR2839797B1/fr not_active Expired - Fee Related
- 2003-05-14 JP JP2003135221A patent/JP4354737B2/ja not_active Expired - Fee Related
- 2003-05-14 DE DE10321722A patent/DE10321722A1/de not_active Ceased
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2856169A1 (fr) * | 2003-06-13 | 2004-12-17 | Ge Med Sys Global Tech Co Llc | Analyse de variations temporelles utilisant des images de decomposition a deux ou multiples niveaux d'energie |
DE102006020399A1 (de) * | 2006-04-28 | 2007-10-31 | Siemens Ag | Medizintechnisches Diagnose- und Datenverarbeitungssystem |
US8111884B2 (en) | 2006-04-28 | 2012-02-07 | Siemens Aktiengesellschaft | Medical diagnostic and data processing system |
WO2011106820A1 (de) | 2010-03-04 | 2011-09-09 | Medizinische Universität Wien | Verfahren und vorrichtung zur verarbeitung von ct-bilddaten eines knochen enthaltenden körperbereichs eines patienten |
DE102011080768A1 (de) * | 2011-08-10 | 2013-02-14 | Siemens Aktiengesellschaft | Untersuchungsverfahren eines Untersuchungsobjekts mit einer Bildauswahl zur Befundungs-Dokumentation |
DE102017204175A1 (de) | 2017-03-14 | 2018-09-20 | Siemens Healthcare Gmbh | Verfahren zu einem Auffinden von Auffälligkeiten in medizinischen Bilddaten eines Bereichs des Patienten, der außerhalb eines zu untersuchenden Bereichs des Patienten angeordnet ist, sowie eine medizinische Bildgebungsvorrichtung hierzu |
Also Published As
Publication number | Publication date |
---|---|
US7263214B2 (en) | 2007-08-28 |
JP2004000609A (ja) | 2004-01-08 |
US20030215119A1 (en) | 2003-11-20 |
FR2839797A1 (fr) | 2003-11-21 |
FR2839797B1 (fr) | 2011-04-29 |
JP4354737B2 (ja) | 2009-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE10321722A1 (de) | Computergestützte Diagnose von Mehrfachenergiebildern | |
US7295691B2 (en) | Computer aided diagnosis of an image set | |
DE69432995T2 (de) | Automatisches Verfahren und System zur Segmentierung medizinischer Bilder | |
CN112489005B (zh) | 骨分割方法及装置、骨折检出方法及装置 | |
DE102005036412B4 (de) | Verbesserte GGN-Segmentierung in Lungenaufnahmen für Genauigkeit und Konsistenz | |
DE102007007179B4 (de) | Verfahren zur Verarbeitung von Tomosyntheseprojektionsbildern für eine Detektion von radiologischen Auffälligkeiten nebst zugehöriger Röntgeneinrichtung | |
DE102006041309A1 (de) | System und Verfahren zur 3D-CAD unter Verwendung von Projektionsbildern | |
DE112020004049T5 (de) | Krankheitserkennung aus spärlich kommentierten volumetrischen medizinischen bildern unter verwendung eines faltenden langen kurzzeitgedächtnisses | |
DE102012108185A1 (de) | System und Verfahren zur Visualisierung von Blutgefäßstenosen und zur Navigation | |
DE102004057026A1 (de) | Erfassung zeitlicher Bildveränderungen und Darstellungsverfahren und -vorrichtung | |
DE102016215109A1 (de) | Verfahren und Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus | |
DE102011013505A1 (de) | Verfahren und System zur automatischen Erkennung und Klassifizierung von Koronarstenosen in Herz-CT-Volumina | |
DE102018108072A1 (de) | Einrichtung, Verfahren und Programm zur Klassifizierung medizinischer Bilder | |
DE102008016297A1 (de) | Sequenzielle Bildakquisition mit Verfahren und System zur Aktualisierung | |
DE112007002535T5 (de) | Computerdiagnose von Malignitäten und falschen Positivresultaten | |
DE10392482T5 (de) | Nachweis von Lungenknoten unter Verwendung der Cartwheel-Projektionsanalyse | |
DE102006033383A1 (de) | Verfahren zum Bestimmen einer Eigenschaftskarte für einen Gegenstand, insbesondere für ein Lebewesen, basierend auf zumindest einem ersten Bild, insbesondere Kernspinresonanzbild | |
EP3287914A1 (de) | Ermittlung von ergebnisdaten auf basis von medizinischen messdaten aus verschiedenen messungen | |
DE102021131242A1 (de) | Medizinbild-Leseassistent-Vorrichtung und Verfahren zum Anpassen eines Schwellenwerts einer Diagnoseassistent-Information basierend auf einer Nachfolgeuntersuchung | |
DE112019005902T5 (de) | Ähnlichkeitsbestimmungsvorrichtung, ähnlichkeitsbestimmungsverfahren und ähnlichkeitsbestimmungsprogramm | |
DE102014201321A1 (de) | Bestimmung von Läsionen in Bilddaten eines Untersuchungsobjekts | |
DE102005048524A1 (de) | Verfahren und System zur Erkennung anatomischer Formen in einem CAD-System | |
DE10392245T5 (de) | Erkennung von Bronchialwanderverdickungen zur Verringerung falsch positiver Befunde beim Nachweis von Lungenknoten | |
DE112019004300T5 (de) | Ähnlichkeitsbestimmungsvorrichtung, ähnlichkeitsbestimmungsverfahren und ähnlichkeitsbestimmungsprogramm | |
DE10255527B4 (de) | Erzeugung von Kandidaten für gefäßassoziierte Pulmonalknoten |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8110 | Request for examination paragraph 44 | ||
8125 | Change of the main classification |
Ipc: G06T 1/00 AFI20051017BHDE |
|
R016 | Response to examination communication | ||
R002 | Refusal decision in examination/registration proceedings | ||
R003 | Refusal decision now final |
Effective date: 20120703 |