RU2503061C2 - Автоматическая трехмерная сегментация изображения сердца по короткой оси, полученного методом магнитно-резонансной томографии с отложенным контрастированием - Google Patents
Автоматическая трехмерная сегментация изображения сердца по короткой оси, полученного методом магнитно-резонансной томографии с отложенным контрастированием Download PDFInfo
- Publication number
- RU2503061C2 RU2503061C2 RU2010136336/08A RU2010136336A RU2503061C2 RU 2503061 C2 RU2503061 C2 RU 2503061C2 RU 2010136336/08 A RU2010136336/08 A RU 2010136336/08A RU 2010136336 A RU2010136336 A RU 2010136336A RU 2503061 C2 RU2503061 C2 RU 2503061C2
- Authority
- RU
- Russia
- Prior art keywords
- image
- evaluation function
- reference image
- unit
- anatomical structure
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Изобретение относится к сегментации изображений и, в частности, к определению контуров анатомической структуры в изображении, вычисленном по слою данных изображения, и дополнительно к определению контуров анатомической структуры в данных изображения. Техническим результатом является повышение надежности автоматического распознавания миокарда в изображениях слоев по короткой оси. Система (200) содержит блок (210) разбиения для разбиения изображения на множество участков изображения, причем каждый участок изображения изображает участок анатомической структуры, и блок (220) адаптации для адаптации эталонного изображения к изображению на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции, причем оценочная функция определена на основании множества участков изображения. Определение оценочной функции на основе множества участков изображения позволяет вычислить оптимальные величины вклада в значение оценочной функции в пределах каждого участка изображения. 5 н. и 6 з.п. ф-лы, 9 ил.
Description
ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ
Настоящее изобретение относится к сегментации изображений и, в частности, к определению контуров анатомической структуры в изображении, вычисленном по слою данных изображения, и дополнительно к определению контуров анатомической структуры в данных изображения.
УРОВЕНЬ ТЕХНИКИ
Оценка жизнеспособности ткани сердечной мышцы имеет большое значение при планировании оперативного вмешательства и терапии после инфаркта. В частности, доля жизнеспособного миокарда является главным фактором при определении того, сможет ли принести пациенту пользу операция реваскуляризации. Кроме оценки толщины и утолщения стенки левого желудочка можно с высоким разрешением визуализировать нормальную, ишемическую и нежизнеспособную зоны с использованием методов контрастирования и, в частности, магнитно-резонансного исследования с отложенным контрастированием (LEMR). Для локализации и количественной оценки нежизнеспособных тканей первый этап заключается в том, что определяют границы эндо- и эпикардиальных контуров (иначе говоря, сегментируют миокард) в каждом слое (обычно в 10-12 слоях) LEMR-данных (данных, полученных магнитно-резонансным исследованием с отложенным контрастированием) объема в сечении по короткой оси, и является монотонным и длительным, когда выполняется вручную. Однако автоматическая сегментация миокарда является сложной задачей и редко реализуется в современных коммерческих изделиях. Проектирование автоматического способа определения границ эндо- и эпикардиальных контуров затруднительно в основном из-за неоднородности ткани миокарда, следующей из накопления контрастного вещества в ишемических и нежизнеспособных зонах.
На фиг.1 показано изображение, вычисленное по слою LEMR-данных SA-изображения (изображения по короткой оси). Первый снимок 11 представляет изображение без контуров миокарда. Второй снимок 12 представляет изображения с контурами миокарда, начерченными вручную экспертами. Граница между пулом 110 крови и аномальными тканями 120 внутри миокарда локализуется с трудом. Рубцовая область 120 представляется белой, а здоровая часть 130 является темной, и окружающие органы варьируются от серого до темного тонов. Кроме того, границы белых областей часто представляются очень нечеткими, в частности, если они расположены близко к пулу крови, что особенно затрудняет точную локализацию эндокарда. Следовательно, проблема заключается в выделении структуры типа миокарда, которая может содержать как темные, так и светлые зоны, из структурированной окружающей среды.
Алгоритм автоматической сегментации для сегментации SA-изображений, полученных методом LEMR, описан в статье E. Dikici, T. O'Donnell, R. Setser and R.D. White, «Quantification of delayed enhancement MR images», Proc. of the 7th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI'04), LNCS Series, Vol. 3216, Springer, pp. 250-257, 2004.
Алгоритм для автоматического распознавания границ миокарда с использованием стохастической схемы с активными контурами описан также в работе C. Pluempitiwiriyawej et al: “Active contour with automatic initialization for myocardial perfusion analysis” 2005 27th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (IEEE Cat. N0. 05ch37611 C) IEEE Piscataway, NJ, USA, 2006, page 4.
В публикации WO 2006/033066 A1 описана система для определения границ анатомической структуры в изображении, вычисленном в слое LEMR-данных SA-изображения и обозначения некротической зоны в миокарде сердца на основании совмещения функциональных изображений с SA-изображениями, полученными методом LEMR.
РАСКРЫТИЕ ИЗОБРЕТЕНИЯ
Создание альтернативного решения задачи определения границ контуров миокарда в слое LEMR-данных изображения объема по короткой оси в присутствии рубцовых тканей представляется полезным, в том числе для определения границ других структур в изображениях, получаемых с использованием различных способов сбора изображений.
Таким образом, в соответствии с аспектом изобретения предлагается система для определения границ анатомической структуры в изображении, вычисленном по слою данных изображения, при этом система содержит
- блок разбиения для разбиения изображения на множество участков изображения, причем каждый участок изображения изображает участок анатомической структуры; и
- блок адаптации для адаптации эталонного изображения к изображению на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции,
причем оценочная функция определена на основании множества участков изображения.
Иначе говоря, оценочная функция зависит от разбиения изображения на множество участков. Например, оценочная функция может содержать член, зависящий от среднего уровня серого или от дисперсии уровней серого пикселей, содержащихся на участке изображения. Определение оценочной функции на основе множества участков изображения позволяет вычислить оптимальные величины вклада в значение оценочной функции в пределах каждого участка изображения. Например, в одном варианте осуществления величины вклада могут определяться по типу ткани миокарда, распознанной в области участка. Оценочная функция может содержать члены, зависящие от типа распознанной ткани. Если распознана ткань первого типа, то для внесения вклада в значение оценочной функции составлены члены, соответствующие ткани первого типа. Если распознана ткань второго типа, то для внесения вклада в значение оценочной функции составлены члены, соответствующие ткани второго типа. Такой подход оказался особенно полезным для выделения контуров миокарда в слое LEMR-данных изображения объема по короткой оси в присутствии рубцовых тканей. Изобретение допускает оптимизацию обработки участков изображения, содержащих рубцовую ткань в миокарде. Изобретение можно также применять для сегментации других нормальных или патологических анатомических структур, полученных различными способами получения изображения.
В одном варианте осуществления системы блок адаптации дополнительно выполнен с возможностью распознавания аномальной ткани анатомической структуры на участке изображения из множества участков изображения, и оценочная функция содержит член, вносящий вклад в оценочную функцию, когда на упомянутом участке изображения распознается упомянутая аномальная ткань. Аномальную ткань анатомической структуры можно распознавать по средней интенсивности или по дисперсии значений пикселей участка изображения, совмещенного, например, с эталонным изображением. Оценочная функция может содержать член, соответствующий аномальной ткани, расположенной на участке изображения. Упомянутый член может быть составлен с возможностью внесения вклада в значение оценочной функции, когда на участке разбиения изображения распознается аномальная ткань.
В одном варианте осуществления системы адаптация эталонного изображения основана на поиске значений параметров эталонного изображения, при которых оценочная функция удовлетворяет условию критерия, с использованием поглощающего поискового алгоритма. Такой выбор обеспечивает оптимальный компромисс между сложностью вычислений и чувствительностью к исходным условиям. Например, поглощающие поисковые алгоритмы являются более надежными, чем алгоритмы градиентного спуска и менее сложными, чем алгоритмы динамического программирования. Применение поглощающего поискового алгоритма обеспечивает полезную возможность использования недифференцируемой оценочной функции.
В одном варианте осуществления системы эталонное изображение является замкнутой лентой, ограниченной внешним и внутренним замкнутыми контурами. Эталонное изображение в виде замкнутой ленты полезно для моделирования эпикардиального и эндокардиального контуров миокарда.
В одном варианте осуществления системы разбиение является секторным разбиением. Секторное разбиение с центром в центре левого желудочка пригодно для определения границ миокарда и других анатомических структур, которые могут быть ограничены замкнутыми контурами.
В одном варианте осуществления система дополнительно содержит блок совмещения для совмещения модели поверхности с множеством эталонных изображений, при этом каждое эталонное изображение адаптируется к изображению, вычисленному по слою данных изображения, и причем по меньшей мере одно эталонное изображение адаптируется блоком 220 адаптации системы 200. Система дополнительно предназначена для определения границ анатомической структуры в данных изображения с использованием такой полезной особенности, что по меньшей мере одно эталонное изображение оптимально адаптируется блоком адаптации системы.
В одном варианте осуществления системы блок совмещения содержит
- блок аффинного преобразования для аффинного совмещения модели поверхности с множеством эталонных изображений, с созданием тем самым аффинно-совмещенной модели поверхности;
- блок локальной деформации для локального неаффинного совмещения аффинно-совмещенной модели поверхности с множеством эталонных изображений с созданием тем самым локально-совмещенной модели поверхности и
- блок уточнения для адаптации локально-совмещенной модели поверхности к данным изображения.
Применение аффинного совмещения с последующим неаффинным совмещением повышает надежность способа, применяемого блоком совмещения. По желанию, аффинные преобразования можно ограничить строгими преобразованиями. Уточнение модели поверхности важно для выполнения окончательной настройки модели поверхности вблизи аномальных тканей.
В соответствии с дополнительным аспектом изобретения предлагается способ определения границ анатомической структуры в изображении, вычисленном по слою данных изображения, при этом способ содержит следующие этапы:
- этап разбиения для разбиения изображения на множество участков изображения, причем каждый участок изображения изображает участок анатомической структуры; и
- этап адаптации для адаптации эталонного изображения к изображению на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции,
причем оценочная функция определена на основании множества участков изображения.
В соответствии с дополнительным аспектом изобретения предлагается компьютерный программный продукт, подлежащий загрузке в компьютерную систему, при этом компьютерный программный продукт содержит команды для определения границ анатомической структуры в изображении, вычисленном по слою данных изображения, причем компьютерная система содержит процессорный блок и память, и компьютерный программный продукт после загрузки снабжает упомянутый процессорный блок функциональной возможностью выполнения следующих задач:
- разбиение изображения на множество участков изображения, причем каждый участок изображения изображает участок анатомической структуры; и
- адаптация эталонного изображения к изображению на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции,
причем оценочная функция определена на основании множества участков изображения.
В соответствии с дополнительным аспектом изобретения система в соответствии с изобретением содержится в устройстве получения изображения.
В соответствии с дополнительным аспектом изобретения система в соответствии с изобретением содержится в рабочей станции.
Специалистам в данной области техники должно быть очевидно, что по меньшей мере два из вышеупомянутых вариантов осуществления, исполнений и/или аспектов изобретения можно объединять любым способом, который представляется полезным.
На основе настоящего описания специалистом в данной области техники могут быть созданы модификации и варианты устройства получения изображения, рабочей станции, способа и/или компьютерного программного продукта, которые соответствуют описанным модификациям и вариантам системы. Специалисту в данной области техники будет понятно, что способ применим к данным многомерных изображений, например, к 2-мерным (2-D), 3-мерным (3-D) или 4-мерным (4-D) изображениям, полученным различными способами сбора данных, например, но без ограничения, стандартной рентгенографией, компьютерной томографией (CT), магнитно-резонансной визуализацией (MRI), ультразвуковым исследованием (УЗИ), позитронно-эмиссионной томографией (PET), однофотонной эмиссионной компьютерной томографией (SPECT) и медицинской радиологией (NM).
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Упомянутые и другие аспекты изобретения понятно изложены и поясняются на примере нижеописанных исполнений и вариантов осуществления и со ссылками на прилагаемые чертежи, на которых
Фиг.1 - изображение, вычисленное по слою LEMR-данных SA-изображения, без контуров миокарда и с контурами миокарда, начерченными вручную экспертами;
Фиг.2 - эскиз блок-схемы примерного варианта осуществления системы;
Фиг.3 - эталонное изображение в виде замкнутой ленты;
Фиг.4 - пример разбиения изображения на четыре квадранта;
Фиг.5 - результаты автоматической сегментации контуров миокарда системой в соответствии с одним вариантом осуществления;
Фиг.6 - результаты автоматической сегментации контуров миокарда системой в соответствии с другим вариантом осуществления;
Фиг.7 - блок-схема последовательности операций в примерном исполнении способа;
Фиг.8 - схема примерного варианта осуществления устройства получения изображения и
Фиг.9 - схема примерного варианта осуществления рабочей станции.
Идентичные цифровые позиции служат для обозначения сходных частей на всех фигурах.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
На фиг.2 схематически представлена блок-схема примерного варианта осуществления системы 200 для определения границ анатомической структуры в изображении, вычисленном по слою данных изображения, при этом система 200 содержит
- блок 210 разбиения для разбиения изображения на множество участков изображения, причем каждый участок изображения изображает участок анатомической структуры; и
- блок 220 адаптации для адаптации эталонного изображения к изображению на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции,
причем оценочная функция определена на основании множества участков изображения.
Примерный вариант осуществления системы 200 дополнительно содержит следующие блоки:
- блок 230 совмещения для совмещения модели поверхности с множеством эталонных изображений, при этом каждое эталонное изображение адаптируется к изображению, вычисленному по слою данных изображения, причем по меньшей мере одно эталонное изображение адаптируется блоком 220 адаптации системы 200;
- блок 260 управления для управления последовательностью выполняемых действий в системе 200;
- пользовательский интерфейс 265 для взаимодействия с пользователем системы 200 и
- блок 270 памяти для хранения данных.
В одном варианте осуществления системы 200 блок 230 совмещения содержит
- блок 232 аффинного преобразования для аффинного совмещения модели поверхности с множеством эталонных изображений с созданием, тем самым, аффинно совмещенной модели поверхности;
- блок 234 локальной деформации для локального неаффинного совмещения аффинно совмещенной модели поверхности с множеством эталонных изображений с созданием, тем самым, локально совмещенной модели поверхности и
- блок 236 уточнения для адаптации локально совмещенной модели поверхности к данным изображения.
В одном варианте осуществления системы 200 имеются три входных соединителя 281, 282 и 283 для входных данных. Первый входной соединитель 281 выполнен с возможностью получения данных, поступающих из средства хранения данных, например, но без ограничения, жесткого диска, магнитной ленты, флэш-памяти или оптического диска. Второй входной соединитель 282 выполнен с возможностью получения данных, поступающих из пользовательского устройства ввода, например, но без ограничения, мыши или сенсорного экрана. Третий входной соединитель 283 выполнен с возможностью получения данных, поступающих из пользовательского устройства ввода, например клавиатуры. Входные соединители 281, 282 и 283 соединены с входным блоком 280 управления.
В одном варианте осуществления системы 200 имеются два выходных соединителя 291 и 292 для исходящих данных. Первый выходной соединитель 291 выполнен с возможностью вывода данных в средство хранения данных, например, но без ограничения, жесткий диск, магнитный ленту, флэш-память или оптический диск. Второй выходной соединитель 292 выполнен с возможностью вывода данных в дисплейное устройство. Выходные соединители 291 и 292 получают соответствующие данные через выходной блок 290 управления.
Специалисту в данной области техники будет понятно, что существует много способов соединения устройств ввода с входными соединителями 281, 282 и 283 и устройств вывода с выходными соединителями 291 и 292 системы 200. Упомянутые способы содержат, но без ограничения, проводные и беспроводные соединения, цифровую сеть, например, но без ограничения, локальную сеть (LAN) и глобальную сеть (WAN), Интернет, цифровую телефонную сеть и аналоговую телефонную сеть.
В одном варианте осуществления системы 200 система 200 содержит блок 270 памяти. Система 200 выполнена с возможностью получения входных данных из внешних устройств через любой из входных соединителей 281, 282 и 283 и сохранять полученные входные данные в блоке 270 памяти. Загрузка входных данных в блок 270 памяти допускает быстрый доступ блоков системы 200 к соответствующим участкам данных. Входные данные могут содержать, например, данные изображения и эталонное изображение. По желанию, входные данные могут дополнительно содержать модель поверхности. Блок 270 памяти может быть исполнен с использованием устройств типа, но без ограничения, микросхемы оперативной памяти (RAM), микросхемы постоянной памяти (ROM) и/или накопителя на жестком диске и жесткого диска. Блок 270 памяти может быть дополнительно выполнен с возможностью хранения выходных данных. Выходные данные могут содержать, например, эталонное изображение, адаптированное к слою данных изображения, в соответствии с настоящим изобретением. По желанию, выходные данные могут дополнительно содержать совмещенную модель поверхности. Блок 270 памяти может быть также выполнен с возможностью получения и/или доставки данных из/в блоков/блоки системы 200, содержащие блок 210 разбиения, блок 220 адаптации, блок 230 совмещения, блок 232 аффинного преобразования, блок 234 локальной деформации, блок 236 уточнения, блок 260 управления и пользовательский интерфейс 265, по шине 275 памяти. Блок 270 памяти дополнительно выполнен с возможностью предоставлять выходные данные внешним устройствам через любой из выходных соединителей 291 и 292. Сохранение данных из блоков системы 200 в блоке 270 памяти может эффективно повышать производительность блоков системы 200, а также скорость передачи выходных данных из блоков системы 200 во внешние устройства.
В альтернативном варианте система 200 может не содержать ни блока 270 памяти, ни шины 275 памяти. Входные данные, используемые системой 200, могут поставляться по меньшей мере одним внешним устройством, например внешней памятью или процессором, соединенной(ым) с блоками системы 200. Аналогично, выходные данные, формируемые системой 200, могут подаваться в по меньшей мере одно внешнее устройство, например внешнюю память или процессор, соединенную(ый) с блоками системы 200. Блоки системы 200 могут быть выполнены с возможностью получения данных каждый из каждого по внутренним соединениям или по шине данных.
В одном варианте осуществления системы 200 система 200 содержит блок 260 управления для управления последовательностью выполняемых действий в системе 200. Блок управления может быть выполнен с возможностью получения и подачи управляющих данных из/в блоков/блоки системы 200. Например, блок 220 адаптации может быть выполнен так, чтобы после адаптации эталонного изображения к изображению, вычисленному по первому слою данных изображения, подавать управляющие данные «эталонное изображение адаптировано к изображению» в блок 260 управления, и блок 260 управления может быть выполнен с возможностью подачи управляющих данных «адаптировать эталонное изображение к изображению, вычисленному по второму слою данных изображения» в блок 220 адаптации. Вычисление изображения по первому и второму слоям может выполняться блоком 220 адаптации. В альтернативном варианте функция управления может быть реализована в другом блоке системы 200, например в блоке 220 адаптации.
В одном варианте осуществления системы 200 система 200 содержит пользовательский интерфейс 265 для взаимодействия с пользователем системы 200. Пользовательский интерфейс 265 может быть выполнен с возможностью получения данных пользовательского ввода для выбора эталонного изображения для адаптации к изображению из набора эталонных изображений, доступных в системе 200, или данных пользовательского ввода для разбиения изображения. Пользовательский интерфейс может дополнительно обеспечивать средство для представления адаптированного эталонного изображения для наблюдения пользователем. По желанию, пользовательский интерфейс может получать данные пользовательского ввода для выбора режима работы системы, например для выбора нескольких членов оценочной функции. Специалисту в данной области техники будет понятно, что в пользовательском интерфейсе 265 системы 200 можно с пользой реализовать большее число функций.
Варианты осуществления настоящего изобретения описаны ниже со ссылкой на определение границ эпикардиальных и эндокардиальных контуров и поверхностей в LEMR-данных SA-изображения. Специалисту в данной области техники будет понятно, что система пригодна также для сегментации других структур, включая, но без ограничения, печень, поджелудочную железу и кровеносные сосуды, на изображениях, полученных сканированием методами CT (компьютерной томографии) или MR (магнитного резонанса).
В одном варианте осуществления настоящего изобретения эталонное изображение, пригодное для моделирования миокарда, является замкнутой лентой, как показано на фиг.3. Эталонное изображение реализовано интерполяционными сплайнами с использованием как можно меньшего числа узлов для сокращения количества параметров модели. В одном варианте осуществления параметры сплайнов задают с использованием 8 узлов. Использование большего числа узлов для назначения параметров эталонного изображения повышает точность вычислений ценой увеличения времени вычислений. Использование сплайнов обеспечивает оптимально гладкие решения. Кроме того, конкретный выбор интерполяционных базовых функций и узловых точек, в противоположность аппроксимирующим функциям и управляющим точкам, повышает устойчивость алгоритма и состоятельность стратегии оптимизации. Использование сплайнов для определения границ контуров в изображениях описана в статье P. Brigger, J. Hoeg and M. Unser, «B-Spline Snakes: A Flexible Tool for Parametric Contour Detection», IEEE Transactions on Image Processing, Vol. 9, No. 9, pp. 1484-1496, 2000. В частности, миокард моделируют в виде ленточной структуры 30, образованной виртуальной центральной линией 31, содержащей множество узлов (схематично изображенных точками) и описанной параметрами ширины (схематично изображенными стрелками). Как центральная линия, так и ширина являются непрерывными интерполяциями сплайновыми функциями с дискретным набором параметров (x i, y i, w i), где x i, y i обозначают координаты i-го узла в системе координат изображения, и w i означает ширину ленты около i-го узла центральной линии. К преимуществам вышеописанного представления относятся естественная связь между эпикардом 301 и эндокардом 302 и гибкость выбора дискретных данных. Отсчеты контуров можно брать с любой искомой точностью с использованием быстрых сплайн-фильтров, описанных в статье M. Unser, A. Aldroubi and M. Eden, «B-spline Signal Processing; Part 1 - Theory», IEEE Transactions on Signal Processing, Vol. 41, No. 2, pp. 821-832, 1993.
В одном варианте осуществления изобретения блок 220 адаптации предназначен для определения миокарда, оценки оси левого желудочка и инициализации эталонного изображения в изображении. По желанию, система 200 может содержать отдельный блок для выполнения каждой задачи, например блок распознавания, блок оценки оси и блок инициализации эталонного изображения. Система 200 предназначена для надежного распознавания миокарда в изображениях слоев по короткой оси для задания исходного положения геометрическому эталонному изображению. Упомянутая задача выполняется в три этапа: во-первых, миокард, который представляется в виде темного кольца, распознается в каждом слое; во-вторых, по данным упомянутого распознавания оценивают левый желудочек и, наконец, оценивают надежную инициализацию модели на основании как распознавания миокарда, так и оценки. Для распознавания миокарда на изображениях слоев по короткой оси в одном варианте осуществления изображения используют преобразование Хава. Преобразование Хава описано, например, в первоисточнике P. V. C. Hough, «Method and means for recognizing complex patterns», патенте США 3069654, 1962. Преобразование Хава предназначено для распознавания кольцевых геометрических форм. Поскольку миокард представляется в виде темного кольца, то миокард можно распознать как максимальный отклик при свертке изображения с радиально симметричным ядром, моделирующим темное кольцо. Радиальный профиль упомянутого ядра задается Лапласианом гауссиана, сдвинутым на радиус кольца, и его ширина непосредственно связана с ожидаемой толщиной миокарда. Свертку вычисляют в радиальных координатах в Фурье-области, что соответствует перемножению преобразования изображения с аналитическим преобразованием Ханкеля ядра для каждой угловой частоты. Преобразование Ханкеля описано, например, в работе Bracewell, R., «The Hankel Transform», The Fourier Transform and Its Applications, 3rd ed. New York: McGraw-Hill, pp. 244-250, 1999. Упомянутая операция является одномерной и, следовательно, очень быстрой. При выполнении обратного преобразования и повторении процедуры для различных радиусов колец максимальный отклик свертки окончательно определяет оптимальный центр и радиус для инициализации деформируемого эталонного изображения. Оценка оси левого желудочка надежно определяется на основании центра оптимального темного кольца, распознанного в изображении каждого слоя. Данная операция выполняется с использованием способа наименьшей медианы квадратов, содержащего этап отбрасывания резко отклоняющихся значений, чтобы не учитывать возможно ложные данные распознавания миокарда. Способ описан, например, в работе P. J. Rousseeuw, A. M. Leroy, Robust regression and outlier detection, John Wiley & Sons, Inc., New York, NY, 1987.
И, наконец, исходное положение геометрического эталонного изображения для изображения каждого слоя определяется следующим образом. Если распознанный оптимальный центр миокарда, полученный распознаванием кольца, находится вблизи точки пересечения оси левого желудочка и текущего слоя, и если радиус миокарда соответствует предварительно заданному радиусу эталонного изображения, то эталонное изображение инициализируется с распознанными оптимальным центром и радиусом. В другом случае исходным центром эталонного изображения является точка пересечения оси с текущим слоем и радиус вычисляется по распознанному оптимальному кольцу, с использованием параболической модели радиусов.
В одном варианте осуществления настоящего изобретения оценочная функция является энергетической функцией эталонного изображения в виде замкнутой ленты. Энергетическая функция содержит члены внутренней энергии и члены внешней энергии. Члены внутренней энергии достигают минимума, когда геометрия эталонного изображения не деформирована и идентична типичной геометрии эталонного изображения, основанной на априорном знании. Члены внешней энергии достигают минимума, когда эталонное изображение деформировано так, что некоторые части эталонного изображения перекрывают некоторые характерные признаки, обнаруженные в изображении. Условие критерия состоит в том, чтобы энергетическая функция достигала минимума.
В виде составной части членов внутренней и внешней энергии в дополнение к упомянутым членам или в сочетании с ними дополнительные возможные члены энергетической функции содержат, но без ограничения, члены, относящиеся к следующим параметрам:
- Округлость: Центральная линия 31 не должна слишком сильно отклоняться от окружности. Возможным выбором является использование измеримого критерия дисперсии кривизны центральной линии относительно ее среднего, так как окружность имеет постоянную кривизну.
- Регулярность: Изменения ширины вдоль центральной линии 31 должны быть ограничены. Такое условие обеспечивает надлежащую связанность между контурами. Возможный выбор также является измеримым критерием дисперсии ширины, изменяющейся относительно ее среднего значения.
- Однородность пула крови: За исключением папиллярных мышц, пул крови должен быть однородным. Возможной альтернативой является изменчивость внутренней области после исключения наименьшей части гистограммы для учета возможного присутствия папиллярных мышц.
- Однородность миокарда: Область миокарда должна быть равномерно распределенной и затемненной, если ткань является нормальной, в ином случае должна быть светлой.
- Контраст эндокарда: Пул крови должен локально демонстрировать более высокую интенсивность, чем миокард, которую можно измерить суммой 1-мерных фильтров контраста (определяемых, например, по первой производной фильтра Гаусса) вдоль нормалей к контуру эндокарда.
- Контраст эпикарда: Эпикард должен представляться с положительным, отрицательным контрастом или контрастом в виде гребня в зависимости от окружающих органов. Упомянутый контраст можно измерить суммой 1-мерных фильтров контраста в виде гребня (определяемых, например, по второй производной фильтра Гаусса) вдоль нормалей к контуру эпикарда.
- Контраст миокарда: Средняя интенсивность миокарда должна быть меньше, чем средняя интенсивность пула крови.
В одном варианте осуществления оценочная функция является взвешенной суммой членов оценочной функции. Весовые коэффициенты являются определяемыми пользователем параметрами алгоритма.
В качестве альтернативы или дополнительно оценочная функция может быть силовым полем, действующим на эталонное изображение, и условие критерия может быть в том, чтобы силовое поле было, по существу, равно нулю.
Вышеупомянутые оценочные функции и условия критериев определяются на основании всего изображения и пригодны с изображениями разных типов, например магнитно-резонансными изображениями сердца, полученными в режиме киносъемки. Однако в случае LEMR-данных SA-изображений приведенные условия недостаточны для получения надежного автоматического определения контуров миокарда и необходимы характерные признаки, задаваемые на основе участков изображения. Упомянутые характерные признаки предназначены для поиска надежного решения задачи сегментации изображений, когда в миокарде присутствуют рубцы (светлые области).
В одном варианте осуществления настоящего изобретения изображение разбивают на четыре квадранта Q1, Q2, Q3 и Q4. На фиг.4 показано упомянутое примерное разбиение изображения. Местоположения четырех квадрантов определяют по положениям центра 41 левого желудочка и центра 42 правого желудочка. В одном варианте осуществления настоящего изобретения определение центра правого желудочка основано на выборе наилучшей корреляции между кольцевым эталонным изображением с такой же интенсивностью, как интенсивность пула крови в левом желудочке и изображения в кольцевой области, расположенной снаружи миокарда. Квадранты разбивают миокард и инициализированное эталонное изображение на четыре части. Член оценочной функции может быть задан на основании разбиения. Члены, определяющие контраст, адаптируют к квадрантам на основании анатомической информации. Например, предполагается, что в Q1 миокард должен быть темнее, чем окружающий орган (правый желудочек), тогда как в Q3 окружающий орган является легким и также затемнен, однако часто виден тонкий слой жира. В Q2 и Q4 пригодны фильтры контраста в виде гребня, так как снаружи миокарда чередуются темные и светлые ткани. Таким образом, вместо вычисления определяющих критерии членов на всем миокарде каждый член вычисляют по отдельности в каждом квадранте. Такой подход позволяет алгоритму распознавать аномальную ткань при необходимости и, следовательно, управлять процедурой адаптации. Целесообразно отметить, что хотя разбиение миокарда задает разные участки миокарда, упомянутые участки соединяются с соседними участками, заданными разбиением, и взаимодействуют с ними.
В альтернативном варианте в блоке 210 разбиения системы 200 может применяться другой способ разбиения изображения, рандомизированного или на основе анализа изображения, например, с использованием распознавания или сегментации объекта. Целесообразно указать, что предложенное разбиение изображения необязательно должно приводить к разбиению анатомической структуры, например сердца, на общепризнанные подструктуры, например желудочки и предсердия. Целью разбиения является определение дополнительных членов оценочной функции, при этом каждый член имеет собственную область на участке структуры, чтобы обеспечивать больше деталей и, следовательно, более высокую точность.
В одном варианте осуществления настоящего изобретения в каждом квадранте выполняют несколько тестов для распознавания возможных рубцов или ишемических зон. Например, аномальную ткань распознают, если
- усредненная интенсивность миокарда внутри квадранта является высокой по сравнению с усредненной интенсивностью пула крови;
- накопленная разность уровней серого миокарда относительно ожидаемого значения аномальной ткани (например, 255) ниже, чем накопленная разность интенсивностей относительно ожидаемого значения здорового миокарда (например, 0);
- упомянутый тест подтверждается, если локальный градиент внутри квадранта миокарда является низким, что означает, что область является однородной.
В одном варианте осуществления настоящего изобретения если в квадранте распознается рубец, то члены оценочной функции в квадранте адаптируются следующим образом:
- так как рубец представляется светлым, а нормальный миокард является темным, то рубец представляется светлее, чем окружающие органы, следовательно, ожидаемый контраст вдоль границ изменяется (например, от 0 до 255);
- по той же причине однородность внутри миокарда задается в виде накопленной разности относительно (или в виде дисперсии относительно) ожидаемого значения аномальной ткани (например, 255), вместо ожидаемого значения здорового миокарда (например, 0).
Упомянутый тест можно также включить в состав члена оценочной функции, например, в виде коэффициента в упомянутом члене. Если тестовое значение равно 1 (истинное), то член будет вносить вклад в оценочную функцию. Если тестовое значение равно 0 (ложное), то член не будет вносить вклад в оценочную функцию.
В одном варианте осуществления настоящего изобретения оценочная функция F может быть выражена следующей энергетической функцией:
F(p,I)=F s(C,w)+F c(C i,C o,I)+F r(M,B,I),
где
- p означает вектор параметров, содержащий параметры эталонного изображения, p i=(x i,y i,w i), и w означает вектор ширины, содержащий значения ширины w i, описывающий координаты узлов центральной линии;
- C, C i и C o означают соответственно центральную линию, внутренний и внешний контуры эталонного изображения в виде замкнутой ленты;
- I означает изображение, т.е. карту, которая назначает интенсивности в местах изображения; и
- M и B означают соответственно области миокарда и пула крови, заданные размещением эталонного изображения в виде замкнутой ленты в изображении.
Первый член F s(C,w) является членом формы эталонного изображения и является членом внутренней энергии. Например,
где κ(s) означает кривизну центральной линии, и
означает среднюю кривизну. Специалисту в данной области техники будет понятно, что s является параметром сплайнового представления модели эталонного изображения в виде замкнутой ленты. Как кривизна, так и ширина центральной линии должны характеризоваться небольшими изменениями.
Второй член F c(C i,C o,I) является описывающим контур членом, который составлен для притягивания стенки эпикарда и эндокарда в предпочтительные местоположения градиентов изображения. Упомянутый член можно выразить в виде
где
и
,
означает градиент изображения и n(s) означает направленную наружу нормаль к центральной линии. Для реализации упомянутого члена используют градиентные фильтры, которые отражают априорное знание об относительной интенсивности нормальных и аномальных частей миокарда, как изложено в параграфе о распознавании аномальной ткани.
Третий член F r(M,B,I) является членом, описывающим область. Уровни серого пула крови должны распределяться однородно. Кроме того, нормальные ткани миокарда представляются темными, а аномальные ткани представляются светлыми, что приводит к сильному глобальному контрасту с пулом крови. Поэтому член, описывающий область, имеет вид:
где область B имеет среднюю интенсивность
и площадь
, а интенсивность, ожидаемая для области M миокарда, равна
. C glob означает глобальный контраст между двумя областями.
Ниже приведено описание распознавания аномальной ткани. С этой целью изображение, вычисленное по слою LEMR-данных SA-изображения, предварительно обрабатывается перед деформацией эталонного изображения: сочетание распределений интенсивности оценивается с использованием алгоритма максимизации ожидания, что позволяет растянуть диапазон для насыщения самой темной и самой светлой частей изображения. Упомянутые зоны относятся соответственно к здоровым и аномальным тканям, которые, как ожидается из вышеизложенного, должны представляться в виде однородных областей минимальной интенсивности
и максимальной интенсивности
в новом диапазоне. Тогда для каждого участка миокарда
распознаются потенциальные рубцы или ишемические зоны, если выполняются следующие три условия:
- усредненная интенсивность миокарда внутри квадранта является высокой по сравнению с усредненной интенсивностью крови:
- сумма величин локальных градиентов внутри участка M i миокарда является небольшой.
Если на участке M i распознается рубец, то определяющие критерии члены адаптируются соответственно рубцу. Так как рубец является более светлым, чем окружающие органы, то градиентные фильтры, задающие ожидаемый контраст вдоль границ, являются обратными. По той же причине ожидаемое значение
внутри миокарда, которое применяется в F r, равно
вместо
.
В одном варианте осуществления оценочная функция является недифференцируемой функцией параметров (x i ,y i ,w i) эталонного изображения, где i является индексом узла на центральной линии, в частности, по причине нелинейного исключения гистограммы внутренней области для учета папиллярных мышц. Следовательно, обычные способы градиентного спуска не подходят для минимизации. Кроме того, любая схема градиентного спуска имеет естественное ограничение, обусловленное повышенной чувствительностью к локальным минимумам. Схема оптимизации основана на поглощающем алгоритме, основанном только на непосредственных вычислениях критериев. Такой выбор обеспечивает приемлемый компромисс между сложностью вычислений и чувствительностью к исходным условиям. Применяемая схема оптимизации является более надежной, чем схема градиентного спуска и менее сложной, чем динамическое программирование, которое является традиционным решением для глобальной оптимизации сплайновых моделей. Стратегия оптимизации на основе поглощающего алгоритма может быть описана следующим итеративным алгоритмом:
Повторение
(A) Обойти каждый узел один за другим,
- Выполнить поиск значений (xi, yi, wi) параметра i-го узла в предварительно заданных диапазонах,
- Передвинуться в найденную оптимальную позицию, которая дает наименьшую энергию,
(B) Повторно взять отсчеты и переместить узлы вдоль центральной линии (сдвинуть), чтобы повысить инвариантность к повороту и параметризации,
пока не будет найдено устойчивое состояние.
На фиг.5 показаны результаты автоматической сегментации контуров миокарда в одном варианте осуществления системы 200. Показанные примерные изображения содержат различные типы аномальных тканей: крупные светлые трансмуральные рубцы, небольшие субэндокардиальные рубцы, рассеянные или нечеткие светлые зоны. Светлые зоны правильно содержатся внутри сегментированного миокарда. Результаты являются удовлетворительными, но некоторые незначительные неточности остаются вдоль границ на сложно сегментируемых изображениях. Упомянутые неточности обычно соответствуют аномальной толщине миокарда, который является слишком тонким, если рубец исключали из мышцы, или слишком большим, если результат сегментации содержал окружающие структуры. Для уменьшения упомянутых неточностей и для получения 3-мерной модели поверхности миокарда требуется дополнительная обработка LEMR-данных SA-изображений. Чтобы решить упомянутую проблему, в одном варианте осуществления система содержит блок 230 совмещения для совмещения 3-мерной модели поверхности с множеством эталонных изображений, при этом каждое эталонное изображение адаптируется к изображению, вычисленному по слою данных изображения, в блоке 220 адаптации системы 200. Подходящую модель поверхности можно получить из определения границ эпикардиальных и эндокардиальных поверхностей в кино-последовательности магнитно-резонансных (MR) изображений.
Исследование методом LEMR обычно выполняют приблизительно через 20 минут после получения MR-кинопоследовательности, которая демонстрирует движение миокарда в течение сердечного цикла. В течение упомянутых 20 минут пациент не перемещается на столе. Следовательно, вся анатомическая информация, которую можно извлечь из кинопоследовательности, является полезным априорным знанием для сегментации объема, полученного методом LEMR. В частности, сегментацию миокарда получают на всей кинопоследовательности изображений, где каждое изображение соответствует фазе сердечного цикла, посредством:
- сегментации миокарда в изображении, соответствующем конечно-диастолической фазе сердечного цикла, с использованием, например, такого же подхода, как в случае SA-изображений, полученных методом LEMR. Для сегментации упомянутого конечно-диастолического MR-изображения не требуется никакого разбиения изображения;
- применения результата сегментации в конечно-диастолической фазе к кинопоследовательности, чтобы тем самым сегментировать каждое изображение в последовательности, как описано, например, в работе Hautvast, G.; Lobregt, S.; Breeuwer, M. & Gerritsen, F. Automatic contour propagation in cine cardiac magnetic resonance images, IEEE Transactions on Medical Imaging, 2006, 25, 1472-1482. В конце для каждой фазы получают две 3-мерные модели поверхностей, например многоугольные сетки, описывающие эндокард и эпикард. Упомянутые модели поверхностей содержат значимую информацию о форме и толщине.
Для использования упомянутой информации систему 200 можно выполнить с возможностью автоматического выбора фазы, которая соответствует полученным LEMR-данным SA-изображения, например, считыванием атрибутов изображений в стандарте DICOM (стандарте передачи и хранения медицинских изображений), и использования соответствующих 3-мерных моделей поверхностей в качестве априорной информации. Однако, даже если пациент не перемещается между исследованием в режиме кино и методом LEMR, пациент может расслабляться или дышать более или менее глубоко. Следовательно, модельные поверхности, выделенные из фазы режима кино, нельзя непосредственно накладывать на SA-изображение, полученное методом LEMR, и, следовательно, этап совмещения необходим. В альтернативном варианте в системе 200 в соответствии с настоящим изобретением может применяться подходящая модель поверхности, полученная любым другим способом.
В одном варианте осуществления системы система 200 выполнена с возможностью дополнительного совмещения модели поверхности с множеством эталонных изображений, при этом каждое эталонное изображение адаптируется к изображению, вычисленному по слою данных изображения в блоке 220 адаптации системы 200. Указанное действие выполняется в два этапа:
- Строгое или аффинное преобразование, притягивающее модели поверхностей к адаптированным эталонным изображениям. Преобразование, которое приводит к оптимальному согласованию между моделями поверхностей и пакетом эталонных изображений, вычисляют и применяют к моделям поверхностей.
- Локальное уточнение моделей поверхностей, зависящее от положения эталонного изображения и уровней серого изображения. При этом больше доверяют эпикардиальному контуру эталонного изображения, который обычно точнее, чем эндокардиальный контур эталонного изображения. Информацию о толщине, предоставляемую моделями поверхностей, используют для введения ограничивающей связи в локальную деформацию. Вблизи контуров выполняется поиск белых пикселей, чтобы восстанавливались светлые зоны, которые могли потеряться во время адаптации эталонного изображения. Упомянутые операции важно применять последовательно, так как аффинное преобразование приводит к надежному результату, тогда как локальное уточнение подстраивает местоположение моделей поверхностей в предположении, что они, в целом, расположены оптимально. Следовательно, применение только локального уточнения не приводит к оптимальным результатам.
В одном варианте осуществления настоящего изобретения деформация выполняется с использованием так называемой аффинно-локальной стратегии: сначала находят аффинное преобразование, которое дает наилучшее соответствие между сеткой и пакетом контуров, без изменения геометрии сетки; затем задают характерную силу F 3D, прикладываемую в каждой вершине сетки. Сила F 3D учитывает исходную форму сетки (F int), расстояние до соответствующего 2-мерного контура (F cont) и толщину (F th) миокарда:
F 3D=F int+F cont+F th.
И, наконец, сетку локально уточняют посредством замены силы притягивания контура силой (F I) тестирования интенсивности изображения, чтобы гарантировать содержание рубцов, т.е. светлых зон, внутри окончательных контуров миокарда, что приводит к следующей силе:
F 3DRefine=F int+F I+F th.
Результат сегментации миокарда содержит модели эпикардиальной и эндокардиальной поверхностей. Кроме того, пересечение эпикардиальной и эндокардиальной поверхностей с каждым слоем данных SA-изображения, полученного методом LEMR, определяет уточненные контуры эпикарда и эндокарда в каждом изображении, вычисленном по слою.
Эффективность способа количественно оценили по базе данных 27 объемов, содержащих аномальные ткани различных типов, включая, но без ограничения, крупные светлые трансмуральные рубцы, небольшие субэндокардиальные рубцы, рассеянные нечеткие светлые зоны, посредством сравнения контуров, полученных автоматическим способом в соответствии с настоящим изобретением, с контурами, начерченными вручную экспертами. Среднее отклонение между контурами, полученными вручную и автоматически, составляет около 1,5 пикселей. На фиг.6 показаны результаты автоматической сегментации контуров миокарда в одном варианте осуществления системы 200. Первый столбец содержит результаты адаптации эталонного изображения к изображениям, вычисленным по слоям данных изображений, полученным от разных пациентов. Стрелки указывают зоны, в которых адаптацию можно дополнительно улучшить. Во второй строке изображений показаны контуры, полученные из совмещенных моделей поверхностей для поверхностей миокарда. В третьем столбце показаны результаты ручной сегментации экспертами. Качество сегментации является высоким, так как контуры благополучно окружают как нормальные, так и аномальные части миокарда. Результаты позволяют надежно оценить процентное содержание нежизнеспособных тканей, например, посредством определения границ рубцовой ткани в каждом изображении и вычисления площади упомянутой рубцовой ткани.
Специалисту в данной области техники будет очевидно, что система 200 может быть полезным инструментальным средством для оказания помощи врачу во многих аспектах его работы.
Специалистам в данной области техники будет дополнительно понятно, что возможны также другие варианты осуществления системы 200. Между прочим, можно переопределить блоки системы и перераспределить их функции. Хотя описанные варианты осуществления применяются для медицинских изображений, возможны также другие применения системы, не относящиеся к медицинским применениям.
Блоки системы 200 могут быть реализованы с использованием процессора. Функции упомянутых блоков обычно выполняются под управлением программного продукта системы программного обеспечения. Во время исполнения программный продукт системы программного обеспечения обычно загружается в память, например RAM (оперативную память), и исполняется из нее. Программа может загружаться из фонового запоминающего устройства, например ROM (постоянной памяти), жесткого диска или магнитного и/или оптического запоминающего устройства, или может загружаться по сети типа Интернет. По желанию, специализированная микросхема может обеспечивать упомянутые функции.
На фиг.7 показана блок-схема последовательности операций в примерном исполнении способа 700 определения границ анатомической структуры в изображении, вычисленном по слою данных изображения. Способ 700 начинает с этапа 705 размещения для инициализации эталонного изображения в изображении. В исполнении способа 700 этап 705 размещения содержит этап 7052 оценки оси для оценки оси левого желудочка, этап 7054 распознавания для распознавания миокарда и этап 7056 инициализации для определения исходного положения эталонного изображения в изображении. После этапа 705 размещения способ 700 переходит к этапу 710 разбиения для разбиения изображения на множество участков изображения, например квадрантов, при этом каждый участок изображения изображает участок анатомической структуры. После этапа 710 разбиения способ 700 переходит к этапу 720 адаптации для адаптации эталонного изображения к изображению на основании оценочной функции, при этом оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции, причем оценочная функция определена на основании множества участков изображения. После этапа 730 адаптации способ 700 переходит к этапу 730 совмещения для совмещения модели поверхности с множеством эталонных изображений, при этом каждое эталонное изображение адаптировано к изображению, вычисленному по слою данных изображения, на этапе 720 адаптации способа 700. В исполнении способа 700 этап совмещения содержит этап 732 аффинного преобразования для аффинного совмещения модели поверхности с множеством эталонных изображений и создания, тем самым, аффинно-совмещенной модели поверхности, после этого этап 234 локальной деформации для локального неаффинного совмещения аффинно-совмещенной модели поверхности с множеством эталонных изображений и создания тем самым локально-совмещенной модели поверхности, и затем этап 736 уточнения для адаптации локально-совмещенной модели поверхности к данным изображения. После этапа 730 совмещения способ 700 завершается.
Специалист в данный области техники может изменять порядок следования некоторых этапов или выполнять некоторые этапы параллельно, с использованием потоковых моделей, многопроцессорных систем или нескольких процедур, без отклонения от принципов настоящего изобретения. По желанию, по меньшей мере два этапа способа в соответствии с настоящим изобретением можно объединять в один этап. По желанию, этап способа в соответствии с настоящим изобретением можно разделить на множество этапов.
На фиг.8 схематически представлен примерный вариант осуществления устройства 800 получения изображения, использующего систему 200, при этом упомянутое устройство 800 получения изображения содержит блок 810 получения CT-изображения, связанный внутренним соединением с системой 200, входной соединитель 801 и выходной соединитель 802. Приведенная схема эффективно повышает возможности устройства 800 получения изображения благодаря предоставлению упомянутому устройству 800 получения изображения полезных возможностей системы 200.
На фиг.9 схематично представлен примерный вариант осуществления рабочей станции 900. Рабочая станция содержит системную шину 901. Процессор 910, память 920, адаптер 930 дискового ввода/вывода и пользовательский интерфейс (UI) 940 имеют рабочие соединения с системной шиной 901. Дисковое запоминающее устройство 931 имеет рабочее соединение с адаптером 930 дискового ввода/вывода. Клавиатура 941, мышь 942 и дисплей 943 имеют рабочую связь с UI 940. Система 200 в соответствии с настоящим изобретением, исполненная в виде компьютерной программы, хранится в дисковом запоминающем устройстве 931. Рабочая станция 900 выполнена с возможностью загрузки программы и входных данных в память 920 и исполнения программы в процессоре 910. Пользователь может вводить информацию в рабочую станцию 900 с использованием клавиатуры 941 и/или мыши 942. Рабочая станция выполнена с возможностью вывода информации в дисплейное устройство 943 и/или на диск 931. Специалисту в данной области техники будет очевидно, что существует много других вариантов осуществления рабочей станции 900, известных в данной области техники, и что приведенный здесь вариант осуществления предназначен для демонстрации изобретения и не подлежит интерпретации в смысле ограничения изобретения приведенным конкретным вариантом осуществления.
Следует отметить, что вышеупомянутые варианты осуществления иллюстрируют, а не ограничивают настоящее изобретение, и специалисты в данной области техники смогут разработать альтернативные варианты осуществления, не выходящие за пределы объема притязаний прилагаемой формулы изобретения. В формуле изобретения ни одну из позиций, помещенных в скобки, нельзя толковать в смысле ограничения пункта формулы изобретения. Формулировка «содержащий» не исключает присутствия элементов или этапов, не перечисленных в пункте формулы изобретения или в описании. Неопределенный артикль, обозначающий единственное число, перед элементом не исключает присутствия множества упомянутых элементов. Изобретение можно реализовать с помощью аппаратных средств, содержащих несколько отдельных элементов, и с помощью компьютера с хранимой программой. В формуле изобретения, перечисляющей несколько блоков системы, ряд упомянутых блоков может быть осуществлен одним и тем же элементом аппаратного или программного обеспечения. Применение определений первый, второй, третий и т.п. не указывает на какой-нибудь порядок. Упомянутые прилагательные следует интерпретировать как назначения.
Claims (11)
1. Система (200) для определения границ анатомической структуры в изображении (11; 12), вычисленном по слою данных изображения, отличающаяся тем, что система (200) содержит
- блок (210) разбиения для разбиения изображения (11; 12) на множество участков (Q1; Q2; Q3; Q4) изображения, причем каждый участок изображения изображает участок анатомической структуры; и
- блок (220) адаптации для адаптации эталонного изображения (30) к изображению (11; 12) на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции,
причем оценочная функция определена на основании множества участков изображения.
- блок (210) разбиения для разбиения изображения (11; 12) на множество участков (Q1; Q2; Q3; Q4) изображения, причем каждый участок изображения изображает участок анатомической структуры; и
- блок (220) адаптации для адаптации эталонного изображения (30) к изображению (11; 12) на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции,
причем оценочная функция определена на основании множества участков изображения.
2. Система (200) по п.1, в которой блок (220) адаптации дополнительно выполнен с возможностью обнаружения аномальной ткани анатомической структуры на участке изображения из множества участков изображения, и оценочная функция содержит член, вносящий вклад в оценочную функцию, когда на упомянутом участке изображения обнаруживается упомянутая аномальная ткань.
3. Система (200) по п.1, в которой адаптация эталонного изображения основана на поиске значений параметров эталонного изображения, при которых оценочная функция удовлетворяет условию критерия, с использованием поглощающего поискового алгоритма.
4. Система (200) по п.1, в которой эталонное изображение является замкнутой лентой (30), ограниченной внешним (301) и внутренним (302) замкнутыми контурами.
5. Система (200) по п.1, в которой разбиение является секторным разбиением.
6. Система (200) по п.1, дополнительно содержащая блок (230) совмещения для совмещения модели поверхности с множеством эталонных изображений, при этом каждое эталонное изображение адаптируется к изображению, вычисленному по слою данных изображения, и причем, по меньшей мере, одно эталонное изображение адаптируется блоком (220) адаптации системы (200).
7. Система (200) по п.6, в которой блок (230) совмещения содержит
- блок (232) аффинного преобразования для аффинного совмещения модели поверхности с множеством эталонных изображений с созданием, тем самым, аффинно-совмещенной модели поверхности;
- блок (234) локальной деформации для локального неаффинного совмещения аффинно-совмещенной модели поверхности с множеством эталонных изображений с созданием, тем самым, локально-совмещенной модели поверхности; и
- блок (236) уточнения для адаптации локально-совмещенной модели поверхности к данным изображения.
- блок (232) аффинного преобразования для аффинного совмещения модели поверхности с множеством эталонных изображений с созданием, тем самым, аффинно-совмещенной модели поверхности;
- блок (234) локальной деформации для локального неаффинного совмещения аффинно-совмещенной модели поверхности с множеством эталонных изображений с созданием, тем самым, локально-совмещенной модели поверхности; и
- блок (236) уточнения для адаптации локально-совмещенной модели поверхности к данным изображения.
8. Способ (700) определения границ анатомической структуры в изображении (11; 12), вычисленном по слою данных изображения, отличающийся тем, что способ (700) содержит следующие этапы:
- этап (710) разбиения для разбиения изображения (11; 12) на множество участков (Q1; Q2; Q3; Q4) изображения, причем каждый участок изображения изображает участок анатомической структуры; и
- этап (720) адаптации для адаптации эталонного изображения (30) к изображению (11; 12) на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции,
причем оценочная функция определена на основании множества участков изображения.
- этап (710) разбиения для разбиения изображения (11; 12) на множество участков (Q1; Q2; Q3; Q4) изображения, причем каждый участок изображения изображает участок анатомической структуры; и
- этап (720) адаптации для адаптации эталонного изображения (30) к изображению (11; 12) на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции,
причем оценочная функция определена на основании множества участков изображения.
9. Устройство (800) получения изображения, содержащее систему (200) по п.1.
10. Рабочая станция (900), содержащая систему (200) по п.1.
11. Машиночитаемый носитель, содержащий сохраненный на нем компьютерный программный продукт, который при реализации компьютерной системой побуждает компьютерную систему выполнять способ определения границ анатомической структуры в изображении (11; 12), вычисленном по слою данных изображения, причем компьютерная система содержит процессорный блок и память, отличающийся тем, что компьютерный программный продукт, после загрузки, обеспечивает упомянутый процессорный блок функциональной возможностью выполнения следующих задач:
- разбиение изображения (11; 12) на множество участков (Q1; Q2; Q3; Q4) изображения, причем каждый участок изображения изображает участок анатомической структуры; и
- адаптация эталонного изображения (30) к изображению (11; 12) на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции,
причем оценочная функция определена на основании множества участков изображения.
- разбиение изображения (11; 12) на множество участков (Q1; Q2; Q3; Q4) изображения, причем каждый участок изображения изображает участок анатомической структуры; и
- адаптация эталонного изображения (30) к изображению (11; 12) на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции,
причем оценочная функция определена на основании множества участков изображения.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP08305012.0 | 2008-01-31 | ||
EP08305012 | 2008-01-31 | ||
PCT/IB2009/050301 WO2009095837A2 (en) | 2008-01-31 | 2009-01-26 | Automatic 3-d segmentation of the short-axis late-enhancement cardiac mri |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2010136336A RU2010136336A (ru) | 2012-03-10 |
RU2503061C2 true RU2503061C2 (ru) | 2013-12-27 |
Family
ID=40673964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2010136336/08A RU2503061C2 (ru) | 2008-01-31 | 2009-01-26 | Автоматическая трехмерная сегментация изображения сердца по короткой оси, полученного методом магнитно-резонансной томографии с отложенным контрастированием |
Country Status (6)
Country | Link |
---|---|
US (1) | US8509506B2 (ru) |
EP (1) | EP2238573A2 (ru) |
JP (1) | JP5438029B2 (ru) |
CN (1) | CN101933045B (ru) |
RU (1) | RU2503061C2 (ru) |
WO (1) | WO2009095837A2 (ru) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2503061C2 (ru) * | 2008-01-31 | 2013-12-27 | Конинклейке Филипс Электроникс Н.В. | Автоматическая трехмерная сегментация изображения сердца по короткой оси, полученного методом магнитно-резонансной томографии с отложенным контрастированием |
US9076222B2 (en) | 2009-12-16 | 2015-07-07 | Koninklijke Philips N.V. | Use of collection of plans to develop new optimization objectives |
JP5610129B2 (ja) * | 2010-03-26 | 2014-10-22 | 富士通株式会社 | 3次元テンプレート変形方法、装置及びプログラム |
US9020216B2 (en) * | 2010-07-28 | 2015-04-28 | Varian Medical Systems, Inc. | Knowledge-based automatic image segmentation |
EP2609569B1 (en) * | 2010-08-24 | 2017-04-26 | Brainlab AG | Method for modifying a medical data set |
EP3244370B1 (en) | 2010-09-17 | 2020-08-19 | Koninklijke Philips N.V. | Choosing anatomical variant model for image segmentation |
US8842904B2 (en) * | 2011-07-21 | 2014-09-23 | Carestream Health, Inc. | Method for tooth dissection in CBCT volume |
US9129363B2 (en) | 2011-07-21 | 2015-09-08 | Carestream Health, Inc. | Method for teeth segmentation and alignment detection in CBCT volume |
JP6537981B2 (ja) * | 2013-02-28 | 2019-07-03 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 複数の三次元ビューからの大きな対象のセグメンテーション |
US10438345B2 (en) * | 2013-03-28 | 2019-10-08 | Koninklijke Philips N.V. | Improving symmetry in brain scans |
CN104240226B (zh) * | 2013-06-20 | 2017-12-22 | 上海联影医疗科技有限公司 | 一种心脏图像的配准方法 |
US9402549B2 (en) | 2013-11-27 | 2016-08-02 | General Electric Company | Methods and apparatus to estimate ventricular volumes |
CN105814605B (zh) * | 2013-12-10 | 2019-09-24 | 皇家飞利浦有限公司 | 对解剖结构的基于模型的分割 |
US10235750B2 (en) * | 2014-02-27 | 2019-03-19 | Agency For Science, Technology And Research | Segmentation of cardiac magnetic resonance (CMR) images using a memory persistence approach |
US9996935B2 (en) | 2014-10-10 | 2018-06-12 | Edan Instruments, Inc. | Systems and methods of dynamic image segmentation |
US10762701B2 (en) * | 2015-01-28 | 2020-09-01 | Koninklijke Philips N.V. | Finite element modeling of anatomical structure |
US20160377717A1 (en) * | 2015-06-29 | 2016-12-29 | Edan Instruments, Inc. | Systems and methods for adaptive sampling of doppler spectrum |
CN106251304B (zh) * | 2015-09-11 | 2019-09-17 | 深圳市理邦精密仪器股份有限公司 | 动态图像分段***和方法 |
US10290109B2 (en) * | 2015-12-22 | 2019-05-14 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for cardiac image segmentation |
CN106910194B (zh) * | 2015-12-22 | 2020-11-27 | 上海联影医疗科技股份有限公司 | 心脏心功能磁共振图像中的心内外膜的分割方法 |
DE102016202085B3 (de) * | 2016-02-11 | 2017-02-16 | Siemens Healthcare Gmbh | Verfahren, Magnetresonanzanlage und elektronisch lesbarer Datenträger zur Narbenquantifizierung im Myokard |
US11138739B2 (en) | 2016-11-29 | 2021-10-05 | Koninklijke Philips N.V. | Heart segmentation methodology for cardiac motion correction |
RU178086U1 (ru) * | 2017-07-10 | 2018-03-22 | Светлана Георгиевна Горохова | Автоматизированное устройство для диагностики заболеваний сердца |
CN109886992A (zh) * | 2017-12-06 | 2019-06-14 | 深圳博脑医疗科技有限公司 | 用于分割mri图像中异常信号区的全卷积网络模型训练方法 |
CN109903269B (zh) * | 2019-01-24 | 2021-05-04 | 刘星宇 | 确定脊柱横断面图像的异常类型的方法及计算设备 |
CN111281387B (zh) * | 2020-03-09 | 2024-03-26 | 中山大学 | 基于人工神经网络的左心房与心房瘢痕的分割方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2069853C1 (ru) * | 1992-01-13 | 1996-11-27 | Сергей Сумбатович Шахиджанов | Способ радиационного исследования внутренней структуры объектов |
RU2169525C1 (ru) * | 2000-01-20 | 2001-06-27 | Институт прикладной физики РАН | Способ диагностики in vivo патологической зоны в слоистой системе биологического органа эпителий-подлежащая соединительная ткань |
US20050226521A1 (en) * | 2004-03-31 | 2005-10-13 | Chipworks Inc. | Method and apparatus for producing a 3-D model of a semiconductor chip from mosaic images |
WO2006033066A1 (en) * | 2004-09-23 | 2006-03-30 | Koninklijke Philips Electronics N.V. | Apparatus, software and method for processing images from a patient's heart |
US7206449B2 (en) * | 2003-03-19 | 2007-04-17 | Mitsubishi Electric Research Laboratories, Inc. | Detecting silhouette edges in images |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3069654A (en) | 1960-03-25 | 1962-12-18 | Paul V C Hough | Method and means for recognizing complex patterns |
DE69332042T2 (de) | 1992-12-18 | 2003-01-02 | Koninklijke Philips Electronics N.V., Eindhoven | Ortungszurückstellung von relativ elastisch verformten räumlichen Bildern durch übereinstimmende Flächen |
JP3816445B2 (ja) * | 2000-12-05 | 2006-08-30 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 心臓の心筋を位置確認する方法及びその潅流パラメーターを決定する方法 |
JP3902765B2 (ja) | 2001-05-17 | 2007-04-11 | シーメンス コーポレイト リサーチ インコーポレイテツド | Mr心臓画像における左心室のセグメンテーションに対する様々なアプローチ |
US6961454B2 (en) * | 2001-10-04 | 2005-11-01 | Siemens Corporation Research, Inc. | System and method for segmenting the left ventricle in a cardiac MR image |
US7400757B2 (en) * | 2001-10-04 | 2008-07-15 | Siemens Medical Solutions Usa, Inc. | System and method for segmenting the left ventricle in a cardiac image |
US6628743B1 (en) * | 2002-11-26 | 2003-09-30 | Ge Medical Systems Global Technology Company, Llc | Method and apparatus for acquiring and analyzing cardiac data from a patient |
WO2004097720A1 (en) | 2003-04-24 | 2004-11-11 | Koninklijke Philips Electronics N.V. | Non-invasive left ventricular volume determination |
EP1639542A1 (en) * | 2003-06-16 | 2006-03-29 | Philips Intellectual Property & Standards GmbH | Image segmentation in time-series images |
US7724929B2 (en) | 2005-10-17 | 2010-05-25 | Siemens Medical Solutions Usa, Inc. | System and method for myocardium segmentation in realtime cardiac MR data |
CN101484919B (zh) * | 2006-07-05 | 2013-06-19 | 皇家飞利浦电子股份有限公司 | 借助于运动模型的心脏形状预测 |
US7869664B2 (en) * | 2007-06-21 | 2011-01-11 | F. Hoffmann-La Roche Ag | Systems and methods for alignment of objects in images |
RU2503061C2 (ru) * | 2008-01-31 | 2013-12-27 | Конинклейке Филипс Электроникс Н.В. | Автоматическая трехмерная сегментация изображения сердца по короткой оси, полученного методом магнитно-резонансной томографии с отложенным контрастированием |
JP5672147B2 (ja) * | 2011-05-24 | 2015-02-18 | コニカミノルタ株式会社 | 胸部診断支援情報生成システム |
-
2009
- 2009-01-26 RU RU2010136336/08A patent/RU2503061C2/ru active
- 2009-01-26 JP JP2010544828A patent/JP5438029B2/ja not_active Expired - Fee Related
- 2009-01-26 EP EP09705273A patent/EP2238573A2/en not_active Withdrawn
- 2009-01-26 CN CN2009801036281A patent/CN101933045B/zh active Active
- 2009-01-26 US US12/864,515 patent/US8509506B2/en active Active
- 2009-01-26 WO PCT/IB2009/050301 patent/WO2009095837A2/en active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2069853C1 (ru) * | 1992-01-13 | 1996-11-27 | Сергей Сумбатович Шахиджанов | Способ радиационного исследования внутренней структуры объектов |
RU2169525C1 (ru) * | 2000-01-20 | 2001-06-27 | Институт прикладной физики РАН | Способ диагностики in vivo патологической зоны в слоистой системе биологического органа эпителий-подлежащая соединительная ткань |
US7206449B2 (en) * | 2003-03-19 | 2007-04-17 | Mitsubishi Electric Research Laboratories, Inc. | Detecting silhouette edges in images |
US20050226521A1 (en) * | 2004-03-31 | 2005-10-13 | Chipworks Inc. | Method and apparatus for producing a 3-D model of a semiconductor chip from mosaic images |
WO2006033066A1 (en) * | 2004-09-23 | 2006-03-30 | Koninklijke Philips Electronics N.V. | Apparatus, software and method for processing images from a patient's heart |
Also Published As
Publication number | Publication date |
---|---|
US8509506B2 (en) | 2013-08-13 |
WO2009095837A2 (en) | 2009-08-06 |
WO2009095837A3 (en) | 2009-10-08 |
EP2238573A2 (en) | 2010-10-13 |
JP2011510733A (ja) | 2011-04-07 |
US20100303328A1 (en) | 2010-12-02 |
RU2010136336A (ru) | 2012-03-10 |
CN101933045B (zh) | 2012-12-05 |
CN101933045A (zh) | 2010-12-29 |
JP5438029B2 (ja) | 2014-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2503061C2 (ru) | Автоматическая трехмерная сегментация изображения сердца по короткой оси, полученного методом магнитно-резонансной томографии с отложенным контрастированием | |
Li et al. | Optimal surface segmentation in volumetric images-a graph-theoretic approach | |
US8358819B2 (en) | System and methods for image segmentation in N-dimensional space | |
RU2522038C2 (ru) | Сегментация при мр-визуализации сердца в проекции по длинной оси с поздним усилением контраста | |
EP3117771B1 (en) | Direct computation of image-derived biomarkers | |
JP4918048B2 (ja) | 画像処理装置及び方法 | |
RU2647194C2 (ru) | Основанная на модели сегментация анатомической структуры | |
Schumann et al. | Model-free surface visualization of vascular trees. | |
Queirós et al. | Fast left ventricle tracking using localized anatomical affine optical flow | |
WO2008001297A2 (en) | Variable resolution model based image segmentation | |
Chartrand et al. | Semi-automated liver CT segmentation using Laplacian meshes | |
EP3437068B1 (en) | System and methods for diagnostic image analysis and image quality assessment | |
Maleike et al. | Lymph node segmentation on CT images by a shape model guided deformable surface method | |
Medina et al. | Left ventricle myocardium segmentation in multi-slice computerized tomography | |
O'Dell et al. | Traversing and labeling interconnected vascular tree structures from 3D medical images | |
Qian et al. | Robust segmentation of 4D cardiac MRI-tagged images via spatio-temporal propagation | |
Metaxas et al. | A segmentation and tracking system for 4D cardiac tagged MR images | |
Aloui et al. | 3D tumor segmentation from volumetric brain MR images using level-sets method | |
Suri et al. | Parametric contour model in medical image segmentation | |
RubenMedina et al. | Level Set Methods for Cardiac Segmentation in MSCT Images | |
Metaxas et al. | Segmentation and blood flow simulations of patient-specific heart data | |
ZONOOBI | Brain vasculature segmentation from magnetic resonance angiographic image | |
Cardoso | Modeling and visualization of medical anesthesiology acts | |
Duan et al. | Real-Time 4D Cardiac Segmentation by Active Geometric Functions | |
Preston | Processing of MRI Data for Simulation and Monitoring of Drug Delivery |