RU2544479C2 - Построение анатомической модели для обозначения границ представляющей интерес опухолевой области - Google Patents
Построение анатомической модели для обозначения границ представляющей интерес опухолевой области Download PDFInfo
- Publication number
- RU2544479C2 RU2544479C2 RU2012105930/14A RU2012105930A RU2544479C2 RU 2544479 C2 RU2544479 C2 RU 2544479C2 RU 2012105930/14 A RU2012105930/14 A RU 2012105930/14A RU 2012105930 A RU2012105930 A RU 2012105930A RU 2544479 C2 RU2544479 C2 RU 2544479C2
- Authority
- RU
- Russia
- Prior art keywords
- areas
- accumulation
- anatomical
- image
- unit
- Prior art date
Links
- 206010028980 Neoplasm Diseases 0.000 title claims description 11
- 238000010276 construction Methods 0.000 title 1
- 238000009825 accumulation Methods 0.000 claims abstract description 62
- 210000003484 anatomy Anatomy 0.000 claims abstract description 45
- 230000036285 pathological change Effects 0.000 claims abstract description 30
- 231100000915 pathological change Toxicity 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000002503 metabolic effect Effects 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000002238 attenuated effect Effects 0.000 claims abstract description 12
- 238000012800 visualization Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 230000002285 radioactive effect Effects 0.000 claims description 18
- 238000002600 positron emission tomography Methods 0.000 claims description 17
- 238000002059 diagnostic imaging Methods 0.000 claims description 10
- 210000004185 liver Anatomy 0.000 claims description 8
- 210000001165 lymph node Anatomy 0.000 claims description 7
- 102000004190 Enzymes Human genes 0.000 claims description 3
- 108090000790 Enzymes Proteins 0.000 claims description 3
- 230000002414 glycolytic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 239000000700 radioactive tracer Substances 0.000 abstract 3
- 238000004458 analytical method Methods 0.000 abstract 1
- 239000003814 drug Substances 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 238000003325 tomography Methods 0.000 abstract 1
- 230000035508 accumulation Effects 0.000 description 34
- 230000005855 radiation Effects 0.000 description 19
- 238000003384 imaging method Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000002591 computed tomography Methods 0.000 description 7
- 239000012217 radiopharmaceutical Substances 0.000 description 7
- 229940121896 radiopharmaceutical Drugs 0.000 description 7
- 230000002799 radiopharmaceutical effect Effects 0.000 description 7
- 210000002216 heart Anatomy 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 238000011002 quantification Methods 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000002603 single-photon emission computed tomography Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 210000003079 salivary gland Anatomy 0.000 description 3
- 210000003932 urinary bladder Anatomy 0.000 description 3
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 210000005228 liver tissue Anatomy 0.000 description 2
- 230000005741 malignant process Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010025323 Lymphomas Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 208000037273 Pathologic Processes Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007331 pathological accumulation Effects 0.000 description 1
- 230000009054 pathological process Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Изобретение относится к средствам для диагностической визуализации. Система обнаружения очагов содержит блок сегментации анатомического первого представляемого изображения области, блок обнаружения очагов высокого накопления радиоактивного индикатора по функциональному второму представляемому изображению, блок классификации области высокого накопления радиоактивного индикатора в соответствии с их положением относительно анатомических структур,блок определения накопления, который исследует сегментированные области чтобы идентифицировать нормальные и аномальные области, блок ослабления области высокого накопления радиоактивного индикатора на функциональном втором представляемом изображении на основании результатов блока классификации, при этом указанные ослабляемые области соответствуют анатомическим структурам, которые идентифицированы как нормальные, блок идентификации области высокого накопления как одно из возможного патологического изменения и отсутствия возможного патологического изменения и блок нормирования, выполненный с возможностью сравнивать метаболическую активность неослабленных областей высокой интенсивности с метаболической активностью областей, идентифицированных блоком определения накопления как нормальные. Система диагностической визуализации для осуществления способа диагностической визуализации содержит сканер анатомического изображения, сканер для визуализации методом позитронной эмиссионной томографии и систему обнаружения очагов. Использование изобретения позволяет проводить количественную оценку патологических изменений и сократить вре
Description
Настоящая заявка относится к системам и способам диагностической визуализации. Настоящая заявка находит, в частности, применение в связи с мультимодальными системами визуализации и позитронной эмиссионной томографии (ПЭТ) и описана в дальнейшем с конкретной ссылкой на обнаружение очагов мультифокальных заболеваний и количественную оценку патологического изменения.
Медицинская радионуклидная визуализация использует источник радиоактивности для формирования изображения пациента. Обычно, пациенту делают инъекцию радиофармацевтического препарата. Радиофармацевтические соединения содержат радиоизотоп, который претерпевает распад с прогнозируемой скоростью и испускает или вызывает испускание гамма(γ)-излучения с характеристической энергией. По меньшей мере один детектор излучения размещают рядом с пациентом для контроля и записи испускаемого излучения. Иногда детектор непрерывно или прерывисто поворачивают вокруг пациента для контроля испускаемого излучения с множества направлений. На основании информации, например, зарегистрированных положения и энергии определяют распределение радиофармацевтического препарата в теле и реконструируют изображение распределения для исследования кровеносной системы, накопления радиофармацевтического препарата в выбранных органах или тканях и т.п.
Медицинскую радионуклидную визуализацию стали широко применять при визуализации злокачественных опухолей благодаря высоким характеристикам радиоактивного индикатора [18F]-фтордезоксиглюкозы (FDG). Фокальные зоны аномально высокого накопления FDG известны как очаги и отображают области высокой локальной интенсивности в позитронно-эмиссионных томографических (ПЭТ) изображениях. Очаги указывают область высокой метаболической активности, которая может быть следствием опухолевых патологических изменений или других злокачественных процессов. Точная и надежная количественная оценка активности патологического изменения на ПЭТ-изображениях важна для определения стадии заболевания пациента, а также для контроля эффекта лечения многих типов раковых заболеваний.
Для оценки изображений в текущей клинической практике врач вручную отмечает и сегментирует патологические изменения, которые, предположительно, характеризуют заболевание в целом. Однако мультифокальные заболевания, например лимфома и другие заболевания, с вовлечением в патологический процесс лимфатических узлов и метастазами, число очагов может быть слишком большим. Вследствие временных ограничений обычно определяют три главных патологических изменения. Однако характерные патологические изменения часто скрыты непатологическим накоплением радиоактивного индикатора в нормальных анатомических структурах. В случае ПЭТ с использованием индикатора FDG нормально функционирующие органы с высокой метаболической активностью, например сердце, головной мозг, мочевой пузырь, печень и т.п., часто проявляют накопление индикатора FDG, не связанное с раковым заболеванием. Кроме того, частичные объемные эффекты (PVE) создают другую проблему для идентификации опухолевых патологических изменений на ПЭТ-изображениях.
ПЭТ-изображения часто объединяют с компьютерно-томографическими (КТ) изображениями, магнитно-резонансными (МР) изображениями или другими изображениями той же анатомической области.
Настоящая заявка предлагает новые и усовершенствованные систему и способ PET-визуализации, которые устраняют вышеупомянутые и другие проблемы.
В соответствии с одним аспектом система обнаружения очагов содержит блок сегментации, который сегментирует анатомическое первое представляемое изображение на области, соответствующие анатомическим структурам объекта, и блок обнаружения очагов, который обнаруживает области высокого накопления по функциональному второму представляемому изображению. Блок классификации классифицирует области высокого накопления радиоактивного индикатора в соответствии с их положением относительно анатомических структур, сегментированных по анатомическому первому представляемому изображению. Блок ослабления ослабляет области высокого накопления радиоактивного индикатора на функциональном втором представляемом изображении на основании результатов блока классификации. Блок идентификации идентифицирует неослабленные области высокого накопления как одно из возможного патологического изменения и отсутствия возможного патологического изменения.
В соответствии с другим аспектом способ диагностической визуализации содержит этап сегментации анатомического первого представляемого изображения на области, соответствующие анатомическим структурам, и этап обнаружения по функциональному второму представляемому изображению множества областей высокого накопления радиоактивного индикатора. Области высокого накопления на функциональном втором представляемом изображении, которые соответствуют по меньшей мере одной сегментированной области сегментированного анатомического первого представляемого изображения, ослабляются. И затем неослабленные области высокого накопления идентифицируют как одно из возможного патологического изменения и отсутствия возможного патологического изменения.
В соответствии с третьим аспектом анатомические области, идентифицированные на анатомическом первом представляемом изображении, могут быть перенесены на функциональное второе представляемое изображение для оконтуривания на нем анатомических структур. Накопление радиоактивного индикатора в упомянутых структурах можно использовать в качестве опорного уровня для количественной оценки очагов, например можно вычислять относительную активность очага в сравнении с относительной активностью нормальной ткани печени.
Одно из преимуществ состоит в том, что совершенствуются автоматическое обнаружение и количественная оценка патологических изменений.
Другое преимущество состоит в том, что сокращается время идентификации патологических изменений.
Другие дополнительные преимущества настоящего изобретения станут очевидными специалистам со средним уровнем компетентности в данной области техники после прочтения и изучения нижеследующего подробного описания.
Изобретение может принимать форму различных компонентов и схем расположения компонентов и различных этапов и схем расположения этапов. Чертежи предназначены только для иллюстрации предпочтительных вариантов осуществления и не подлежат истолкованию в смысле ограничения изобретения.
Фиг.1 - схематичное изображение системы диагностической визуализации, использующей систему обнаружения очагов;
Фиг.2 - схема системы обнаружения очагов;
Фиг.3A - изображение областей высокой интенсивности на функциональном представляемом изображении;
Фиг.3B - изображение анатомических структур, сегментированных на анатомическом представляемом изображении;
Фиг.3C - изображение областей высокой интенсивности после ослабления анатомических структур;
Фиг.4 - пояснение алгоритма сегментации watershed (так называемого маркерного водораздела); и
Фиг.5 - блок-схема последовательности операций способа обнаружения областей высокого накопления.
Как показано на фиг.1, диагностическая система 10 содержит первую систему визуализации, сканер 12 для диагностической визуализации, например сканер для визуализации методом компьютерной томографии (КТ-сканер), сканер для визуализации методом магнитно-резонансной томографии (МРТ-сканер) или подобное устройство для получения анатомических диагностических изображений. В представленном варианте осуществления сканер 12 для диагностической визуализации содержит рентгеновский источник 14, установленный на поворотном гентри 16. Рентгеновский источник 14 формирует рентгеновское излучение, распространяющееся сквозь область 18 обследования, в которой упомянутое излучение взаимодействует с намеченной зоной объекта обследования (непоказанного), находящегося на опоре 20, которая позиционирует намеченную зону внутри области 18 обследования. Матрица 22 детекторов рентгеновского излучения расположена так, чтобы принимать рентгеновский пучок после того, как он проходит сквозь область 18 обследования, в которой рентгеновское излучение взаимодействует с объектом обследования и частично поглощается последним. Поэтому зарегистрированное рентгеновское излучение содержит информацию о поглощении объектом обследования.
КТ-сканер 12 работает под управлением контроллера 30, чтобы выполнять выбранные последовательности визуализации выбранной намеченной зоны. Последовательности визуализации собирают данные диагностической визуализации намеченной зоны. Данные диагностической визуализации сохраняются в буфере 32 данных. Реконструирующий процессор 34 реконструирует 3-мерные представляемые изображения по полученным данным визуализации, и реконструированные представляемые изображения сохраняются в памяти 36 диагностических анатомических изображений.
Диагностическая система 10 содержит вторую систему визуализации, в частности сканер 40 для функциональной визуализации, сканер для визуализации методом ПЭТ (ПЭТ-сканер), сканер для визуализации методом однофотонной эмиссионной компьютерной томографии (SPECT-сканер) или подобное устройство, для получения функциональных изображений. В представленном варианте осуществления сканер 40 для функциональной визуализации, в качестве которого изображен ПЭТ-сканер, содержит множество модулей 42 регистрации излучения, ориентированных для приема γ-излучения из области 44 визуализации. Модули 42 регистрации излучения расположены в виде нескольких соседних колец в осевом направлении, как показано на фигуре; однако применимы также другие схемы расположения модулей регистрации излучения. Модули 42 регистрации излучения обычно размещены внутри корпуса 46 томографического сканера 40 и, следовательно, незаметны снаружи. Обычно, каждое кольцо состоит из сотен или тысяч модулей 42 регистрации излучения. Сканер 40 для функциональной визуализации содержит опору 48 объекта обследования для позиционирования объекта или пациента в области 44 визуализации. Опора 48 допускает линейное перемещение в осевом направлении, обычно поперечно относительно колец модулей 42 регистрации излучения для облегчения сбора данных трехмерной визуализации по увеличенному осевому расстоянию.
ПЭТ-сканер 40 работает под управлением контроллера 50, чтобы выполнять выбранные последовательности визуализации выбранной намеченной зоны. Как правило, объекту или пациенту, подлежащему визуализации, делают инъекцию по меньшей мере одного радиофармацевтического препарата или радиоизотопного индикатора, и объект или пациента располагают на опоре 48 и помещают в область 44 обследования. Примерами упомянутых радиоактивных индикаторов являются 18F FDG ([18F]-фтордезоксиглюкоза), C-11, Tc-99m, Ga67 и In-111. Присутствие радиоактивного индикатора внутри объекта вызывает испускание излучения из объекта. Акты излучения регистрируются детекторными модулями 42 вокруг области 44 обследования. Каждому зарегистрированному акту излучения ставится в соответствие временная метка посредством схемы 52 формирования временной метки. Детектор 54 совпадений определяет пары совпадающих γ-квантов и линию срабатывания (LOR), задаваемую каждой парой совпадающих γ-квантов, на основании разностей по времени регистрации совпадающих пар и известному диаметру поля обзора. Реконструирующий процессор 56 реконструирует с использованием всех LOR (линий срабатывания) представляемое изображение, которое сохраняется в памяти 58 функциональных изображений. По желанию, процессор 60 времени пролета определяет местонахождение каждого акта излучения посредством получения информации о времени пролета из временных меток для каждой LOR (линии срабатывания). Рабочий или графический пользовательский интерфейс 62 содержит дисплейное устройство 64 и пользовательское устройство 66 ввода, которым может пользоваться врач для выбора последовательностей и протоколов сканирования, данных изображения на дисплее и т.п.
Хотя сканеры анатомических структур и функциональных состояний показаны отдельно, следует понимать, что данные сканеры можно объединять. В одном варианте осуществления сканеры анатомических структур и функциональных состояний установлены в непосредственной близости один с другим, с совмещением центральных осей их областей визуализации. Общая опора перемещает объект или пациента последовательно через области визуализации. В другом варианте осуществления сканеры анатомических структур и функциональных состояний находятся в общем корпусе и имеют общую область визуализации. Например, детекторы ПЭТ могут окружать объем визуализации, и магнит МРТ, и катушки для создания градиентного магнитного поля и высокочастотные (ВЧ) передающие и/или приемные катушки могут располагаться вокруг, внутри и перед или после кольца детекторов ПЭТ. Предполагается также применение объединенных ПЭТ/КТ, SPECT/КТ, SPECT/МРТ, ПЭТ/ультразвукового и т.п. сканеров.
Как также показано на фиг.1 и дополнительно показано на фиг.2 и 3B, диагностическая система 10 содержит систему 70 обнаружения очагов для автоматического обнаружения области интереса (ROI), относящейся к патологическому изменению, и автоматической количественной оценки метаболической активности в обнаруженных патологических изменениях на основании анатомических изображений 72 из памяти 36 анатомических изображений и функциональных изображений 74 из памяти 58 функциональных изображений. Блок 76 сегментации сегментирует анатомическое первое представляемое изображение 72 на области, которые соответствуют анатомическим структурам, в частности анатомическим структурам с высоким накоплением радиофармацевтического индикатора, которые могут закрывать представляющие интерес возможные патологические изменения. В случае ПЭТ с использованием индикатора FDG головной мозг 78, сердце 80 и мочевой пузырь 82 являются органами, показанными на фиг.3B, которые при нормальном функционировании являются примером анатомических структур, которые часто проявляют высокое накопление, не связанное с раковым заболеванием. Другими органами с высоким накоплением являются почки и печень, которые также предусмотрены как возможные сегментируемые анатомические структуры. Сегментация может быть также полезна для точного определения местоположения очагов, связанных с анатомией пациента.
Хотя выше для примера рассмотрены анатомическое представляемое изображение 72 и функциональное представляемое изображение 74 в качестве разных типов представляемых изображений, упомянутые представления, предположительно, могут быть идентичными. Упомянутые представления могут быть представляемыми ПЭТ-, SPECT-, КТ-, МР- и т.п. изображениями.
Блок 76 сегментации может применять способы сегментации разного типа. Например, блок 76 сегментации может применять сегментацию на основе моделей, при которой главное допущение заключается в том, что представляющие интерес анатомические структуры имеют до некоторой степени относительно согласующиеся геометрические формы и положение в пациенте. Библиотеку трехмерных моделей анатомических структур, описывающих форму, геометрическое местоположение, размер и изменения анатомических структур, задают в анатомической базе данных 84 перед сегментацией. Во время сегментации модели выполняют функцию шаблонов для идентификации 86 и определения границы представляющей интерес структуры. Однако следует понимать, что предполагается также возможность применения других способов сегментации, например кластерный анализ, выделение контуров, наращивание областей, метод главных компонент, нейронная сеть и т.п.
Блок 76 сегментации может также использовать атлас нормальных анатомических структур, который отображается на фактическое анатомическое изображение. В данном варианте осуществления атлас содержит анатомическую базу данных 84.
Как также показано на фиг.2 и дополнительно показано на фиг.3A и 4, блок 90 обнаружения очагов обнаруживает по функциональному второму представляемому изображению 74 области высокой интенсивности 92, изображенные на фиг.3A. Области высокой интенсивности 92, называемые, в общем, очагами, являются областями на функциональном втором представляемом изображении 74, которые указывают высокую метаболическую активность, которая потенциально может быть обусловлена ростом опухоли или другими злокачественными процессами. Упомянутые области высокой интенсивности содержат также нормально функционирующие структуры/органы, например сердце, мочевой пузырь, почки, печень и головной мозг. Области высокой интенсивности 92 обнаруживаются, например, алгоритмом сегментации watershed (так называемого маркерного водораздела). Блок, процессор или алгоритм 94 интервальной сортировки сортирует все вокселы второго представляемого изображения 74 в соответствии со значениями уровня серого. Объемные области с максимальными значениями уровней серого эффективно закрашиваются, как показано на фиг.4. Для каждой области вычисляются показатель сжатия объемной области и амплитуда между максимальными и минимальными значениями уровня серого внутри объемной области. Объемные области, которые превосходят некоторый порог 96, выделяются как области высокой интенсивности 92 цветным накладным элементом. Блок, процессор или алгоритм 98 идентификации использует анатомическую информацию, например размер, форму, местоположение и т.п., из анатомической базы данных 84 для идентификации областей с высоким накоплением радиоактивного индикатора, например слюнной железы. Следует понимать, что предполагается также возможность применения других алгоритмов обнаружения для обнаружения областей высокой интенсивности.
Как также показано на фиг.2, блок, процессор или алгоритм 100 определения накопления исследует сегментированные области 78, 80, 82 первого представляемого изображения, чтобы определить, нормально ли или аномально функционирует анатомическая структура, на основании, например, по меньшей мере одного из однородности и накопления. Блок 100 определения накопления сопоставляет метаболическую активность из функционального представляемого изображения 74, соответствующего сегментированным областям анатомического представляемого изображения 72, чтобы определить значение накопления, в частности стандартизованное значение накопления (SUV), как показатель концентрации радиофармацевтического индикатора. Сегментированная область с согласующимся значением накопления по сегментированной области и средним значением накопления с предварительно заданным уровнем считается нормальной.
Блок, процессор или алгоритм 101 классификации классифицирует области с высоким накоплением радиоактивного индикатора в соответствии с их положением относительно анатомических структур, сегментированных по анатомическому первому представляемому изображению. Блок, процессор или алгоритм 102 ослабления использует результаты блока классификации для ослабления областей высокой интенсивности 92 на функциональном втором представляемом изображении 74. Как отмечено выше, области высокой интенсивности, которые соответствуют нормально функционирующим анатомическим структурам, могут закрывать потенциально опасные патологические изменения. Для совершенствования обнаружения возможных патологических изменений нормально функционирующие анатомические структуры ослабляются на функциональном втором представляемом изображении, при этом неослабленные области 104, показанные на фиг.3C, высокой интенсивности дополнительно анализируются для определения, являются ли они вероятными патологическими изменениями. Следует также отметить, что предполагается также возможность ослабления аномальных анатомических структур.
Блок, процессор или алгоритм 106 идентификации сконфигурирован с возможностью вычисления системы показателей, соответствующих неослабленным областям. Система показателей содержит, но без ограничения, суммарную опухолевую нагрузку, объем гликолитического фермента, SUV (стандартизованное значение накопления), среднюю активность, максимальную активность, минимальную активность, однородность и т.п. Кроме вычисления системы показателей блок количественной оценки содержит несколько модулей, которые выполняют различные проверки на неослабленных областях 104 для определения, являются ли последние патологическими изменениями. Например, блок, процессор или алгоритм 108 определения симметрии определяет симметричные пары областей высокой интенсивности второго и/или первого представляемого изображений, которые соответствуют парным анатомическим структурам. Например, если область высокой интенсивности идентифицируется как слюнная железа блоком 98 идентификации, то блок определения симметрии производит поиск соответствующей слюнной железы на другом боку пациента. Различие между картинами активности в симметричных парах определяются блоком, процессором или алгоритмом 110 определения активности. Если в симметричной паре существует асимметрия метаболической активности, то неослабленная область 104 высокой активности идентифицируется как возможное патологическое изменение.
В другом варианте осуществления результаты блока 106 идентификации визуализируются на дисплейном устройстве 64. Пользователь получает приглашение подтвердить или отредактировать выбранные очаги, т.е. области высокого накопления, с использованием устройства 66 ввода перед формированием сводного отчета.
Блок количественной оценки содержит также блок, процессор или алгоритм 112 определения вероятности, который определяет для области высокой интенсивности на втором представляемом изображении вероятность того, присутствует ли лимфатический узел. Оценка лимфатических узлов, например подмышечных или средостенных, является критической составляющей при определении, возможно ли, что опухоль метастазировала, что определяет варианты лечения онкологических пациентов. Блок, процессор или алгоритм 114 нормирования сравнивает метаболическую активность неослабленных областей высокой интенсивности с нормально функционирующими структурами, например структурами, идентифицированными блоком 100 определения накопления. Например, метаболическая активность возможного патологического изменения обычно сравнивается со стандартным значением накопления, найденным блоком, процессором или алгоритмом 116 определения номинальной активности. Блок определения номинальной активности способен также определять суммарную опухолевую нагрузку, суммарный объем гликолитического фермента и т.п. Метаболическую активность печени можно использовать в качестве опорного уровня для сравнения. После того как печень сегментирована и идентифицирована блоком 76 сегментации, неослабленную область высокой интенсивности можно легко сравнить с накоплением в печени. Ранее, врач должен был вручную оконтуривать область печени на рабочей станции, что слишком трудоемко и субъективно. Анатомические области, идентифицированные на анатомическом первом представляемом изображении 72, могут быть перенесены на функциональное второе представляемое изображение 74, чтобы оконтурить анатомические структуры на втором представляемом изображении 74. Накопление радиоактивного индикатора в упомянутых структурах можно использовать в качестве опорного уровня для количественной оценки очагов, например можно вычислить относительную активность очага в сравнении с активностью ткани нормальной печени.
Блок количественной оценки содержит также блок 118 определения близости, который на основании моделей, хранимых в анатомической базе данных 84, идентифицирует области высокой интенсивности, находящиеся в непосредственной близости к ослабленным областям. Блок определения близости использует анатомическую информацию, обеспеченную в анатомической базе данных 84, для определения, где, вероятно, могут наблюдаться или не могут наблюдаться области высокой интенсивности. Результат данного определения может передаваться в блок ослабления и/или блок сегментации для коррекции, чтобы ослабленные области содержали или исключали области. Например, если лимфатический узел расположен вблизи сердца, то априорное знание моделей сердца и моделей лимфатических узлов используют, чтобы убедиться в том, что лимфатический узел не включен в сегментированное сердце и тем самым ослаблен на втором представляемом изображении.
Сегментированное и несегментированное анатомические изображения, функциональные изображения, функциональное изображение с ослабленными органами с высоким накоплением на изображении или карте количественно оцененных очагов и их совмещенные комбинации хранятся в памяти 120 обнаруженных изображений рабочей станции или графического пользовательского интерфейса 62.
Как показано на фиг.1, дополнительный сумматор 130 изображений объединяет анатомическое первое представляемое изображение и функциональное второе представляемое изображение в комбинированное изображение для одновременного отображения. Например, изображения можно совмещать в разных цветах, контур очагов на функциональном втором представляемом изображении можно накладывать на первое представляемое изображение, контур сегментированных анатомических структур анатомического первого представляемого изображения можно накладывать на функциональное второе представляемое изображение, первое и второе представляемые изображения могут отображаться смежно в одинаковом масштабе и т.п.
Как показано на фиг.5, способ диагностической визуализации содержит этап сегментации 140 анатомического первого представляемого изображения на области, соответствующие анатомическим структурам, и этап 142 обнаружения по функциональному второму представляемому изображению множества областей высокого накопления радиоактивного индикатора. Области высокого накопления на функциональном втором представляемом изображении, которые соответствуют по меньшей мере одной сегментированной области сегментированного анатомического первого представляемого изображения, ослабляются 144. И затем неослабленные области высокого накопления идентифицируются 146 как одна из областей возможного патологического изменения и отсутствия возможности патологического изменения.
Выше приведено описание изобретения со ссылкой на предпочтительные варианты осуществления. Специалистами после прочтения и изучения вышеприведенного подробного описания могут быть созданы модификации и изменения. Предполагается, что настоящее изобретение следует считать включающим в себя все упомянутые модификации и изменения в той мере, в которой они не выходят за пределы объема притязаний прилагаемой формулы изобретения или ее эквивалентов.
Claims (15)
1. Система (70) обнаружения очагов, содержащая:
блок (76) сегментации, который сегментирует анатомическое первое представляемое изображение (72) на области, соответствующие анатомическим структурам объекта исследования;
блок (90) обнаружения очагов, который обнаруживает области высокого накопления радиоактивного индикатора по функциональному второму представляемому изображению (74);
блок (101) классификации, который классифицирует области высокого накопления радиоактивного индикатора в соответствии с их положением относительно анатомических структур, сегментированных по анатомическому первому представляемому изображению (72);
блок (100) определения накопления, который исследует сегментированные области первого представляемого изображения (72) на по меньшей мере одно из однородности и накопления, чтобы идентифицировать нормальные и аномальные области;
блок (102) ослабления, который ослабляет области высокого накопления радиоактивного индикатора на функциональном втором представляемом изображении (74) на основании результатов блока классификации, при этом указанные ослабляемые области соответствуют анатомическим структурам, которые идентифицированы как нормальные;
блок (106) идентификации, который идентифицирует неослабленные области высокого накопления как одно из возможного патологического изменения и отсутствия возможного патологического изменения, и
блок (114) нормирования, выполненный с возможностью сравнивать метаболическую активность неослабленных областей высокой интенсивности с метаболической активностью областей, идентифицированных блоком (100) определения накопления как нормальные.
блок (76) сегментации, который сегментирует анатомическое первое представляемое изображение (72) на области, соответствующие анатомическим структурам объекта исследования;
блок (90) обнаружения очагов, который обнаруживает области высокого накопления радиоактивного индикатора по функциональному второму представляемому изображению (74);
блок (101) классификации, который классифицирует области высокого накопления радиоактивного индикатора в соответствии с их положением относительно анатомических структур, сегментированных по анатомическому первому представляемому изображению (72);
блок (100) определения накопления, который исследует сегментированные области первого представляемого изображения (72) на по меньшей мере одно из однородности и накопления, чтобы идентифицировать нормальные и аномальные области;
блок (102) ослабления, который ослабляет области высокого накопления радиоактивного индикатора на функциональном втором представляемом изображении (74) на основании результатов блока классификации, при этом указанные ослабляемые области соответствуют анатомическим структурам, которые идентифицированы как нормальные;
блок (106) идентификации, который идентифицирует неослабленные области высокого накопления как одно из возможного патологического изменения и отсутствия возможного патологического изменения, и
блок (114) нормирования, выполненный с возможностью сравнивать метаболическую активность неослабленных областей высокой интенсивности с метаболической активностью областей, идентифицированных блоком (100) определения накопления как нормальные.
2. Система (70) обнаружения очагов по п. 1, в которой блок (76) сегментации идентифицирует и сегментирует анатомическую структуру на основании априорной информации в соответствии с по меньшей мере одним из формы, размера и геометрического местоположения анатомической структуры.
3. Система (70) обнаружения очагов по любому из пп. 1 или 2, дополнительно содержащая:
блок (112) определения вероятности, который определяет для области высокой интенсивности на функциональном представляемом изображении вероятность того, что присутствует лимфатический узел.
блок (112) определения вероятности, который определяет для области высокой интенсивности на функциональном представляемом изображении вероятность того, что присутствует лимфатический узел.
4. Система (70) обнаружения очагов по п. 3, дополнительно содержащая:
блок (108) определения симметрии, который определяет симметричные пары областей высокого накопления функционального представляемого изображения (74), которые соответствуют парным анатомическим структурам; и
блок (110) определения активности, который сравнивает метаболическую активность в найденных симметричных парах областей высокого накопления, чтобы идентифицировать асимметрию метаболической активности.
блок (108) определения симметрии, который определяет симметричные пары областей высокого накопления функционального представляемого изображения (74), которые соответствуют парным анатомическим структурам; и
блок (110) определения активности, который сравнивает метаболическую активность в найденных симметричных парах областей высокого накопления, чтобы идентифицировать асимметрию метаболической активности.
5. Система (70) обнаружения очагов по п. 1 или 2, дополнительно содержащая:
блок (116) определения номинальной активности, который определяет систему показателей для неослабленных областей высокой интенсивности на основании любого показателя из суммарной опухолевой нагрузки, суммарного объема гликолитического фермента и стандартизованного значения накопления.
блок (116) определения номинальной активности, который определяет систему показателей для неослабленных областей высокой интенсивности на основании любого показателя из суммарной опухолевой нагрузки, суммарного объема гликолитического фермента и стандартизованного значения накопления.
6. Система (70) обнаружения очагов по п. 5, в которой блок (116) определения номинальной активности определяет номинальную метаболическую активность в выбранной сегментированной области.
7. Система (70) обнаружения очагов по п. 6, в которой выбранная сегментированная область соответствует печени.
8. Система (70) обнаружения очагов по п. 1 или 2, дополнительно содержащая:
рабочую станцию (62), которая оконтуривает обнаруженные области высокого накопления цветным накладным элементом и отображает обнаруженные области высокого накопления на дисплейном устройстве (64).
рабочую станцию (62), которая оконтуривает обнаруженные области высокого накопления цветным накладным элементом и отображает обнаруженные области высокого накопления на дисплейном устройстве (64).
9. Система (10) диагностической визуализации, содержащая:
сканер (12) анатомического изображения, выполненный с возможностью формирования анатомического первого представляемого изображения;
сканер (40) для визуализации методом позитронной эмиссионной томографии (ПЭТ), выполненный с возможностью формирования функционального второго представляемого изображения; и
систему (70) обнаружения очагов по любому из пп. 1-8.
сканер (12) анатомического изображения, выполненный с возможностью формирования анатомического первого представляемого изображения;
сканер (40) для визуализации методом позитронной эмиссионной томографии (ПЭТ), выполненный с возможностью формирования функционального второго представляемого изображения; и
систему (70) обнаружения очагов по любому из пп. 1-8.
10. Способ диагностической визуализации, содержащий следующие этапы, на которых:
сегментируют анатомическое первое представляемое изображение (72) на области, соответствующие анатомическим структурам;
обнаруживают по функциональному второму представляемому изображению (74) множество областей высокого накопления радиоактивного индикатора;
классифицируют области высокого накопления радиоактивного индикатора в соответствии с их положением относительно анатомических структур, сегментированных по анатомическому первому представляемому изображению (72);
исследуют сегментированные области первого представляемого изображения (72) на основании по меньшей мере одного из однородности и накопления, чтобы идентифицировать нормальные и аномальные области,
ослабляют области высокого накопления на функциональном втором представляемом изображении (74) на основании классификации областей высокого накопления радиоактивного индикатора, при этом ослабляемые области соответствуют анатомическим структурам, которые идентифицированы как нормальные;
идентифицируют неослабленные области высокого накопления как одно из возможного патологического изменения и отсутствия возможного патологического изменения, и
сравнивают метаболическую активность неослабленных областей высокой интенсивности с метаболической активностью областей, идентифицированных как нормальные.
сегментируют анатомическое первое представляемое изображение (72) на области, соответствующие анатомическим структурам;
обнаруживают по функциональному второму представляемому изображению (74) множество областей высокого накопления радиоактивного индикатора;
классифицируют области высокого накопления радиоактивного индикатора в соответствии с их положением относительно анатомических структур, сегментированных по анатомическому первому представляемому изображению (72);
исследуют сегментированные области первого представляемого изображения (72) на основании по меньшей мере одного из однородности и накопления, чтобы идентифицировать нормальные и аномальные области,
ослабляют области высокого накопления на функциональном втором представляемом изображении (74) на основании классификации областей высокого накопления радиоактивного индикатора, при этом ослабляемые области соответствуют анатомическим структурам, которые идентифицированы как нормальные;
идентифицируют неослабленные области высокого накопления как одно из возможного патологического изменения и отсутствия возможного патологического изменения, и
сравнивают метаболическую активность неослабленных областей высокой интенсивности с метаболической активностью областей, идентифицированных как нормальные.
11. Способ по п. 10, дополнительно содержащий следующие этапы, на которых:
определяют симметричные пары областей высокого накопления второго представляемого изображения, которые соответствуют парным анатомическим структурам, на основании анатомической информации; и
сравнивают метаболическую активность в найденных симметричных парах областей высокого накопления, чтобы идентифицировать асимметрию метаболической активности.
определяют симметричные пары областей высокого накопления второго представляемого изображения, которые соответствуют парным анатомическим структурам, на основании анатомической информации; и
сравнивают метаболическую активность в найденных симметричных парах областей высокого накопления, чтобы идентифицировать асимметрию метаболической активности.
12. Способ по любому из пп. 10 или 11, дополнительно содержащий следующий этап, на котором:
нормируют уровни метаболической активности неослабленных областей высокого накопления по номинальной интенсивности в выбранной сегментированной области.
нормируют уровни метаболической активности неослабленных областей высокого накопления по номинальной интенсивности в выбранной сегментированной области.
13. Способ по любому из пп. 10 или 11, в котором этап сегментации анатомической структуры основан на априорной информации, соответствующей по меньшей мере одному из формы, размера и геометрического местоположения анатомической структуры.
14. Способ по любому из пп. 10 или 11, в котором функциональное представляемое изображение (74) формируют сканером (40) для визуализации методом позитронной эмиссионной томографии (ПЭТ).
15. Способ по любому из пп. 10 или 11, в котором отображают неослабленные области высокого накопления.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US22693909P | 2009-07-20 | 2009-07-20 | |
| US61/226,939 | 2009-07-20 | ||
| PCT/IB2010/052689 WO2011010231A1 (en) | 2009-07-20 | 2010-06-15 | Anatomy modeling for tumor region of interest defiinition |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2012105930A RU2012105930A (ru) | 2013-08-27 |
| RU2544479C2 true RU2544479C2 (ru) | 2015-03-20 |
Family
ID=42697167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2012105930/14A RU2544479C2 (ru) | 2009-07-20 | 2010-06-15 | Построение анатомической модели для обозначения границ представляющей интерес опухолевой области |
Country Status (5)
| Country | Link |
|---|---|
| EP (1) | EP2457216B1 (ru) |
| JP (1) | JP5613235B2 (ru) |
| CN (1) | CN102473302B (ru) |
| RU (1) | RU2544479C2 (ru) |
| WO (1) | WO2011010231A1 (ru) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2698997C1 (ru) * | 2016-09-06 | 2019-09-02 | Электа, Инк. | Нейронная сеть для генерации синтетических медицинских изображений |
| RU2709437C1 (ru) * | 2017-12-29 | 2019-12-17 | Циньхуа Юниверсити | Способ обработки изображений, устройство обработки изображений и носитель данных |
| RU2747549C1 (ru) * | 2019-02-27 | 2021-05-06 | Стивен А. ШУБИН СР. | Способ и система для создания копии анатомической структуры |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9123101B2 (en) * | 2011-01-05 | 2015-09-01 | Koninklijke Philips N.V. | Automatic quantification of asymmetry |
| WO2012094445A1 (en) * | 2011-01-06 | 2012-07-12 | Edda Technology, Inc. | System and method for treatment planning of organ disease at the functional and anatomical levels |
| JP6026089B2 (ja) * | 2011-08-23 | 2016-11-16 | 東芝メディカルシステムズ株式会社 | 医用画像診断装置、画像情報表示装置及び制御プログラム |
| GB201117808D0 (en) | 2011-10-14 | 2011-11-30 | Siemens Medical Solutions | SUV correction following dose infiltration |
| CN104114091B (zh) * | 2012-02-16 | 2017-10-10 | 皇家飞利浦有限公司 | 空间校正核图像重建 |
| US8897532B2 (en) * | 2012-07-11 | 2014-11-25 | General Electric Company | Systems and methods for performing image type recognition |
| JP6548393B2 (ja) * | 2014-04-10 | 2019-07-24 | キヤノンメディカルシステムズ株式会社 | 医用画像表示装置および医用画像表示システム |
| EP3143585B1 (en) * | 2014-05-14 | 2020-03-25 | Koninklijke Philips N.V. | Acquisition-orientation-dependent features for model-based segmentation of ultrasound images |
| US9633482B2 (en) * | 2014-08-12 | 2017-04-25 | Toshiba Medical Systems Corporation | Apparatus and method for restricting image data visualization |
| WO2018099750A1 (en) * | 2016-11-29 | 2018-06-07 | Koninklijke Philips N.V. | Heart segmentation methodology for cardiac motion correction |
| CN107067464A (zh) * | 2017-04-07 | 2017-08-18 | 河南大学淮河医院 | 一种核医学成像方法及核医学成像装置 |
| US10643576B2 (en) * | 2017-12-15 | 2020-05-05 | Samsung Display Co., Ltd. | System and method for white spot Mura detection with improved preprocessing |
| EP3735177A1 (en) * | 2018-01-03 | 2020-11-11 | Koninklijke Philips N.V. | Full dose pet image estimation from low-dose pet imaging using deep learning |
| CN108280835A (zh) * | 2018-01-23 | 2018-07-13 | 研靖信息科技（上海）有限公司 | 一种基于显像剂浓度确定病灶性质的方法与设备 |
| JP7270917B2 (ja) * | 2018-03-20 | 2023-05-11 | Ｐｄｒファーマ株式会社 | コンピュータプログラム、及び画像処理装置 |
| JP7359851B2 (ja) * | 2018-11-13 | 2023-10-11 | コーニンクレッカ フィリップス エヌ ヴェ | 陽電子放出断層撮影（ｐｅｔ）のための人工知能（ａｉ）ベースの標準取込み値（ｓｕｖ）補正及び変動評価 |
| CN113349809A (zh) * | 2020-03-05 | 2021-09-07 | 高健 | 一种多模态成像***图像重建方法 |
| CN114533102B (zh) * | 2022-01-28 | 2022-10-25 | 深圳先进技术研究院 | 一种使用全身suv图像调查个体水平的全身代谢异常的方法 |
| CN114581397A (zh) * | 2022-02-28 | 2022-06-03 | 广州医科大学附属肿瘤医院 | 造血活性骨髓识别方法、***、装置及存储介质 |
| WO2023246937A1 (en) * | 2022-06-24 | 2023-12-28 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2190959C2 (ru) * | 2000-05-10 | 2002-10-20 | Научный центр реконструктивной и восстановительной хирургии Восточно-Сибирского научного центра СО РАМН | Способ диагностики очаговых поражений селезенки |
| RU2297793C2 (ru) * | 2005-06-07 | 2007-04-27 | Государственное учреждение научно-исследовательский институт онкологии Томского научного центра Сибирского отделения Российской академии медицинских наук | Способ компьютерно-томографической диагностики аномалий развития печени |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5694933A (en) * | 1995-04-28 | 1997-12-09 | Care Wise Medical Products Corporation | Apparatus and methods for determining spatial coordinates of radiolabelled tissue using gamma-rays and associated characteristic X-rays |
| US7006677B2 (en) * | 2002-04-15 | 2006-02-28 | General Electric Company | Semi-automatic segmentation algorithm for pet oncology images |
| JP2006346094A (ja) * | 2005-06-15 | 2006-12-28 | Konica Minolta Medical & Graphic Inc | 検出情報の出力方法及び医用画像処理システム |
| EP1901810B1 (en) * | 2005-05-26 | 2010-10-27 | Koninklijke Philips Electronics N.V. | Radio-therapeutic treatment planning incorporating functional imaging information |
| EP1894161A2 (en) * | 2005-06-15 | 2008-03-05 | Koninklijke Philips Electronics N.V. | Method of model-based elastic image registration for comparing a first and a second image |
| US20070081699A1 (en) * | 2005-09-29 | 2007-04-12 | General Electric Company | Systems, methods and apparatus for diagnosis of disease from categorical indices |
| US7876938B2 (en) * | 2005-10-06 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for whole body landmark detection, segmentation and change quantification in digital images |
| US8045778B2 (en) * | 2006-05-17 | 2011-10-25 | Koninklijke Philips Electronics N.V. | Hot spot detection, segmentation and identification in pet and spect images |
-
2010
- 2010-06-15 WO PCT/IB2010/052689 patent/WO2011010231A1/en active Application Filing
- 2010-06-15 CN CN201080033147.0A patent/CN102473302B/zh active Active
- 2010-06-15 JP JP2012521121A patent/JP5613235B2/ja active Active
- 2010-06-15 EP EP10731582.2A patent/EP2457216B1/en active Active
- 2010-06-15 RU RU2012105930/14A patent/RU2544479C2/ru not_active IP Right Cessation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2190959C2 (ru) * | 2000-05-10 | 2002-10-20 | Научный центр реконструктивной и восстановительной хирургии Восточно-Сибирского научного центра СО РАМН | Способ диагностики очаговых поражений селезенки |
| RU2297793C2 (ru) * | 2005-06-07 | 2007-04-27 | Государственное учреждение научно-исследовательский институт онкологии Томского научного центра Сибирского отделения Российской академии медицинских наук | Способ компьютерно-томографической диагностики аномалий развития печени |
Non-Patent Citations (1)
| Title |
|---|
| Jingfeng Han et al. Computer-aided evaluation of anatomical accuracy of image fusion between X-ray CT and SPECT, COMPUTERIZED MEDICAL IMAGING AND GRAPHICS, v.32, no.5, 01.07.2008, pp.388-395. Aparna Kanakatte et al. A Pilot Study of Automatic Lung Tumor Segmentation from Positron Emission Tomography Images using Standard Uptake Values, COMPUTATIONAL INTELLIGENCE IN IMAGE AND SIGNAL PROCESSING, 01.04.2007, pp.363-368. Haiying Guan et al. Automatic hot spot detection and segmentation in whole body FDG-PET images, IEEE INTERNATIONAL CONFERENCE IMAGE PROCESSING, 01.10.2006, pp.85-88. * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2698997C1 (ru) * | 2016-09-06 | 2019-09-02 | Электа, Инк. | Нейронная сеть для генерации синтетических медицинских изображений |
| US10867417B2 (en) | 2016-09-06 | 2020-12-15 | Elekta, Inc. | Neural network for generating synthetic medical images |
| US11954761B2 (en) | 2016-09-06 | 2024-04-09 | Elekta, Inc. | Neural network for generating synthetic medical images |
| RU2709437C1 (ru) * | 2017-12-29 | 2019-12-17 | Циньхуа Юниверсити | Способ обработки изображений, устройство обработки изображений и носитель данных |
| RU2747549C1 (ru) * | 2019-02-27 | 2021-05-06 | Стивен А. ШУБИН СР. | Способ и система для создания копии анатомической структуры |
| US11234893B2 (en) | 2019-02-27 | 2022-02-01 | Steven A. Shubin, Sr. | Method and system of creating a replica of an anatomical structure |
Also Published As
| Publication number | Publication date |
|---|---|
| EP2457216A1 (en) | 2012-05-30 |
| JP2012533384A (ja) | 2012-12-27 |
| CN102473302A (zh) | 2012-05-23 |
| RU2012105930A (ru) | 2013-08-27 |
| EP2457216B1 (en) | 2017-11-08 |
| JP5613235B2 (ja) | 2014-10-22 |
| CN102473302B (zh) | 2015-08-19 |
| WO2011010231A1 (en) | 2011-01-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2544479C2 (ru) | Построение анатомической модели для обозначения границ представляющей интерес опухолевой области | |
| US8467856B2 (en) | Anatomy modeling for tumor region of interest definition | |
| US8958620B2 (en) | Region of interest definition in cardiac imaging | |
| US8600133B2 (en) | Selection of snapshots of a medical image sequence | |
| US8045778B2 (en) | Hot spot detection, segmentation and identification in pet and spect images | |
| JP5081390B2 (ja) | 腫瘍量を監視する方法及びシステム | |
| US20140010428A1 (en) | Method for extraction of a dataset from a medical image dataset and also medical imaging device | |
| JP2013522712A5 (ru) | ||
| EP2577604B1 (en) | Processing system for medical scan images | |
| CN108242068A (zh) | 用于正电子发射断层成像中的散射校正的方法和*** | |
| Moreau et al. | Deep learning approaches for bone and bone lesion segmentation on 18FDG PET/CT imaging in the context of metastatic breast cancer | |
| US7756310B2 (en) | System and method for segmentation | |
| JP2015501667A (ja) | マルチモダリティ画像分割を実行するためのシステムおよび方法 | |
| US20110148861A1 (en) | Pet data processing system, an arrangement, a method and a computer program product for determining a distribution of a tracer uptake | |
| US20140341452A1 (en) | System and method for efficient assessment of lesion development | |
| US10395364B2 (en) | Nuclear medical image analysis technique | |
| Chauvie et al. | Automatic liver detection and standardised uptake value evaluation in whole-body positron emission tomography/computed tomography scans | |
| JP2016142664A (ja) | 核医学画像解析技術 | |
| JP6442310B2 (ja) | 核医学画像中の腫瘍領域を抽出する技術 | |
| US8428325B2 (en) | Method for performing an imaging examination technique | |
| Castiglioni et al. | Lesion detectability and quantification in PET/CT oncological studies by Monte Carlo simulations | |
| US20230215008A1 (en) | System and method for follow-up local feature matching based on multiple functional-anatomical feature layers | |
| JP2017211391A (ja) | 核医学骨画像解析技術 | |
| Seith et al. | Simulation of tracer dose reduction in 18F-FDG-Positron emission tomography/magnetic resonance imaging (PET/MRI): Effects on oncologic reading, image quality and artifacts | |
| US20230049430A1 (en) | System and method for cohesive multi-regional functional-anatomical medical image registration |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20160616 |