CN100463655C - 一种腹部ct图像自动测量装置 - Google Patents
一种腹部ct图像自动测量装置 Download PDFInfo
- Publication number
- CN100463655C CN100463655C CNB2006101037386A CN200610103738A CN100463655C CN 100463655 C CN100463655 C CN 100463655C CN B2006101037386 A CNB2006101037386 A CN B2006101037386A CN 200610103738 A CN200610103738 A CN 200610103738A CN 100463655 C CN100463655 C CN 100463655C
- Authority
- CN
- China
- Prior art keywords
- image
- kidney
- zone
- value
- uut
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000024924 glomerular filtration Effects 0.000 title claims description 50
- 238000000034 method Methods 0.000 title abstract description 50
- 210000003734 kidney Anatomy 0.000 claims abstract description 96
- 230000003187 abdominal effect Effects 0.000 claims abstract description 31
- 210000000709 aorta Anatomy 0.000 claims description 84
- 239000000284 extract Substances 0.000 claims description 12
- 238000000611 regression analysis Methods 0.000 claims description 9
- 230000036962 time dependent Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 abstract 6
- 210000000702 aorta abdominal Anatomy 0.000 abstract 1
- 239000002872 contrast media Substances 0.000 description 13
- 238000005259 measurement Methods 0.000 description 13
- 238000002591 computed tomography Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 239000012467 final product Substances 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003907 kidney function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000002356 single layer Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000011411 digital subtraction method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 238000009588 inulin clearance Methods 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000005239 tubule Anatomy 0.000 description 1
- 210000000626 ureter Anatomy 0.000 description 1
- 210000003932 urinary bladder Anatomy 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30084—Kidney; Renal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种腹部CT图像测量装置,所述装置包括:接口单元,用于获取待测部件多次的扫描图像,所述扫描图像包括平扫图像和增强扫描图像;部件识别单元,用于识别所述扫描图像中表示待测部件的点;特征数据计算单元,用于提取所述表示待测部件点的CT值,根据各图像中表示待测部件相同位置点的CT值差异,计算所需的待测部件特征数据。在计算量较小的情况下就可以确定待测部件的具体区域,易于在计算机中实现,保证特征数据的计算速度,提高效率;本发明通过对肾脏区域和腹主动脉区域的巧妙识别,获取的肾小球滤过率无论在精度还是在速度上都能满足临床应用的需求。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种基于腹部CT图像的诊断参考值的测量方法、装置以及一种肾小球滤过率的图像测量系统。
背景技术
计算机断层扫描(Computer Tomography,简称:CT)是用计算机控制下的X线对人体的体层扫描,它利用人体组织在X线下显现的不同密度进行对比达到精确显示解剖结构之目的。通常由医生或其同类人员对CT获取的医学图像进行观察和测量,从而获取需要的特征数据,作为诊断的依据。但是现有的针对CT图像的诊断参考值测量方法更多的依靠人工,测量方法效率低下、精度不足。
例如,中国专利第03136006.8号申请文件就公开了一种处理由医学图像设备生成的医学图像的医学图像处理装置,该装置包括:一个接口,其被配置用于获取医学图像;一个处理器,其被配置用于沿由该接口获取的医学图像中的一个样本的成弓形部分确定一平滑线;和一个计算装置,其被配置用于根据处理器确定的平滑线,计算成弓形部分的弯曲尺度。应用上述图像测量方法可以获取一些特征数据,例如,弓形部分的弯曲尺度等。
但是对于一些更为精确、复杂的特征数据,往往需要精确且快速的采集如CT值、体积等基础特征数据,且要经过大量复杂计算,采用现有的测量方法就无法得到了。
例如,对于如何确定形状复杂的部件的准确体积等特征数据。现有技术一般采用以下方式进行测量:在待测量部件的要部采集少许的、分散的边缘点,确定大致轮廓,然后根据通常该部件体积的经验值确定该待测部件的体积,这种方法往往存在很大误差。或者由操作人员根据扫描得到的图像大致确定一个区域,例如,在CT各个单层图像上用曲线标出该区域,然后采用各种方式测量该区域,进而获取该待测部件的体积。上述方法虽然可以获得该待测部件的体积,但是由于一般医学图像中的待测部件都形状非常复杂,上述方法难以获得精确的数值以及足够多的参数,从而导致获得的体积等特征数据的精度不高,无法适用于一些要求有高精度的情况。并且,由于上述方法更多依靠人工的经验或者操作,导致其效率低下。
再例如,需要获取待测部件中的某个特征数据的平均值。现有技术一般采用以下方式:对待测部件进行CT扫描获得其适当位置的断层图像;在图像中的待测部件位置选取一些离散点,计算这些离散点的特征数据平均值而近似得到待测部件的某个特征数据的平均值;但是由于特征数据在该待测部件中的分布并不一定均匀,所以采用上述方法得到的特征数据的平均值,其精度较低。为了提高精度,操作人员需要确定和采集非常多的具有代表性的点,才可以获得较为精确的结果,但是这样的方式必将以付出时间、成本和效率为代价。
综上所述,采用现有的图像测量方式,要么获取的待测部件的特征数据精度较低;要么测量过程速度慢、效率低(为了提高精度则需要消耗相当的时间和成本)。
发明内容
本发明所要解决的技术问题是提供一种腹部CT图像测量装置和方法,以提高待测部件的特征数据的测量效率和测量精度,尤其是在满足效率的前提下,通过图像测量的手段,可以高精度的获取特征数据,如CT值、体积等。
本发明的另一个目的是将上述构思应用于具体的临床应用环境中,提供一种肾小球滤过率的图像测量系统,可以高效、高精度的获取肾脏的特征数据——肾小球滤过率,从而能够保证该方法在临床的实现和应用。
为解决上述技术问题,本发明提供了一种腹部CT图像测量装置,包括:
接口单元,用于获取待测部件多次的扫描图像,所述扫描图像包括平扫图像和增强扫描图像;
部件识别单元,用于通过配准算法输出所述接口单元获取的扫描图像中的任意两次扫描图像之间的对应关系,确定对应点,比较两次扫描图像对应点的CT值;当两次扫描图像对应点的CT值之差大于预定阈值时,则确定该点属于待测部件;
特征数据计算单元,用于提取表示待测部件点的CT值,根据各图像中表示待测部件相同位置点的CT值差异,计算所需的待测部件特征数据。
优选的,所述属于待测部件的点共同构成待测部件,并显示在腹部CT图像上。
优选的,所述的腹部CT图像测量装置中,所述接口单元,用于获取腹部CT平扫图像、动脉期图像和延迟期图像;所述部件识别单元,用于识别平扫图像、动脉期图像和延迟期图像中表示肾脏和腹主动脉的点,分割出肾脏区域和腹主动脉区域。
所述特征数据计算单元,包括:
肾脏体积确定子单元:用于提取所述分割出来的肾脏区域中包含的数据体素的体积和个数,计算肾脏体积;
平均CT增加值确定子单元,用于:提取所述分割出来的肾脏区域中各点对应的CT值,计算肾脏区域在动脉期图像、延迟期图像相对于平扫图像的平均CT增加值;提取所述分割出来的腹主动脉区域中各点对应的CT值,计算腹主动脉区域在动脉期图像、延迟期图像相对于平扫图像的平均CT增加值;
曲线确定子单元:用于通过回归分析获得腹主动脉区域的平均CT值随时间变化的曲线;
肾小球滤过率确定子单元:用于根据上述参数计算肾小球滤过率。
所述部件识别单元包括:
选取子单元:用于在平扫图像的腹主动脉处选取一点作为种子点;
生长子单元:用于从所述种子点开始区域生长,得到CT值大于预置的生长阈值的区域,该区域为在平扫图像上分割出的腹主动脉。
腹主动脉区域确定子单元,用于根据所述在平扫图像上分割出的腹主动脉,以及通过配准算法输出的平扫图像与动脉期图像、平扫图像与延迟期图像的对应关系,得到在动脉期图像、延迟期图像上与平扫图像上分割出的腹主动脉相对应的区域。
优选的,所述特征数据计算单元还包括:修正子单元,用于对计算得到的肾小球滤过率进行修正。所述部件识别单元还包括:左右肾脏区分子单元,用于从所述肾脏区域中确定出左、右肾脏;所述肾小球滤过率确定子单元用于:分别计算左、右肾脏的肾小球滤过率。
与现有技术相比,本发明具有以下优点:
本发明通过图像处理技术,将医学图像中表示待测部件的点都识别出来,然后根据所述表示待测部件的点对应的图像参数进行特征数据的计算;由于可以通过图像点精确描述待测部件,所以可以提高特征数据的精度。
其次,本发明通过对两次扫描图像的配准和减影操作,在计算量较小的情况下就可以确定待测部件的具体区域,易于在计算机中实现,保证特征数据的计算速度,提高效率;并且同时可以保证这两套图像中确定的待测部件的具体区域是相同的,而避免了误差,尤其在需要多组数据相关的时候,可以提高特征数据的精度。
再者,本发明将核心构思应用于肾小球滤过率的图像测量时,根据腹主动脉中的平均CT值发布比较均匀的特性,优选的采用区域生长法进行腹主动脉识别,再通过已经计算得到的图像间的对应关系就可以简单、快速的得出多套图像中的腹主动脉,非常适合肾小球滤过率的图像测量,可以进一步减少计算量、提高测量效率。
本发明将核心构思应用于肾小球滤过率的图像测量,得到的肾小球滤过率无论在精度还是在速度上都能满足临床应用的需求。
附图说明
图1是本发明一种腹部CT图像测量装置的结构框图;
图2是本发明图1的优选实施例的流程图;
图3是本发明一种腹部CT图像测量方法的流程图;
图4是一种肾小球滤过率的图像测量方法实施例的步骤流程图;
图5是图4所示方法的信息流程图;
图6是部件识别的具体实施例的步骤流程图;
图7是部件识别结果在图像上的显示结果图;
图8是回归分析得到的腹主动脉CT值与时间的关系曲线;
图9是肾小球滤过率的图像测量系统的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,是本发明一种腹部CT图像测量装置的结构框图,包括以下部件:
接口单元101,用于获取待测部件两次或者多次的扫描图像,所述扫描图像包括平扫图像和增强扫描图像;在本发明中所述图像特指腹部CT图像。
部件识别单元102,用于识别所述扫描图像中表示待测部件的点。
特征数据计算单元103,用于提取所述表示待测部件点的CT值,根据各图像中表示待测部件相同位置点的CT值差异,计算所需的待测部件特征数据。
其中,所述腹部CT图像中一般可能包括的部件主要有肾脏、输尿管、膀胱、主动脉等,通过对这些部件的识别,可能计算的特征数据一般可能包括肾小管过滤率、血管狭窄度等。
平扫图像是指一般对待测部件通常情况下的一种CT扫描,而仅仅根据平扫图像有时无法获得一些特征数据,因此,可以采用向待测部件中增加对比剂的方式获得待测部件的动态变化数据。向待测部件中增加对比剂后的CT扫描图像一般称之为增强扫描图像,所述增强扫描图像可以是一次扫描,也可以是多次扫描。
例如,在肾小球滤过率的测量中,可以在肾脏增加对比剂之前获取平扫图像,在增加对比剂之后的不同时间点进行动脉期图像和延迟期图像的扫描。
再例如,在肾小球滤过率的测量中,可以在肾脏增加对比剂之前获取平扫图像,在增加对比剂之后的不同时间点进行连续多次的同层扫描(例如,分别于静脉注射对比剂后0,15,20,32,37,42,59,64,69,86,91,96s连续同层扫描,层厚为10mm),之后的多次扫描图像都是增强扫描图像。
所述一次扫描得到的图像可以为一层图像,即,对待测部件某一位置进行扫描,获取单层数据;也可以为一套图像,即,对待测部件进行较大范围的扫描,获取该范围的结构数据,所述结构数据由若干单层图像构成,如对肾脏的CT扫描,可以由约20~30层,层厚5mm的单层图像构成。
向待测部件中增加对比剂后,扫描形成的增强CT图像中表示该部件的点的CT值就会随时间发生变化,就可以根据这些图像中表示待测部件相同位置点的CT值差异,计算所需的各种特征数据。
CT图像的CT值反映组织对X射线吸收值(衰减系数u),其单位为Hounsfield Unit(Hu),以水的衰减系数为参照,即水的CT值为0;物质衰减系数大于水者为正值,小于水者为负值;并以骨皮质和空气的衰减系数为上限和下限,定为+1000和-1000。通常,所处理的图像是经过量化后的灰度图像,标准的CT灰度图像为12位的灰度图像。
部件识别单元102可以对所述多次扫描获取的腹部CT图像采用下述的算法对分别对各次扫描图像中表示待测部件的点进行识别:数字减影法、区域生长法、分水岭算法或者ASM算法。部件识别单元102还可以将识别出来的点通过各种方式在所述腹部CT图像进行显示,从而使相关人员直观的了解待测部件。
本发明优选的部件识别单元102可以通过图像对比的方式对其中表示待测部件的点进行识别,其优点有:首先计算量较小,可以迅速的识别出多幅或者多套图像中的表示待测部件的点;其次,可以保证多幅或者多套图像中待测部件的对应,减小误差。采用上述方法时,所述部件识别单元102包括以下子单元:配准子单元,用于通过配准算法输出两次扫描图像之间的对应关系;判断子单元,用于比较两次扫描图像对应点的CT值;部件区域确定子单元,当两次扫描图像对应点的CT值之差大于预定阈值时,则确定该点属于待测部件。如果对应点的CT值之差大于预定阈值,则所述部件区域确定子单元将该点标记为1,否则标记为0;标记为1的点在所述图像上构成待测部件,从而将该待测部件显示给相关人员观看。
在所述腹部CT图像中,有的待测部件的CT值分布比较均匀。如果需要计算的特征数据仅是CT值,则对这类待测部件进行识别时,还可以人工大致选取一个区域作为该待测部件的方法,因为其CT值分布比较均匀,取一部分的点就可以基本代表该待测部件的全部,无需精确分割。
特征数据计算单元103,从识别出的表示待测部件的点中提取参数除了CT值,还可以根据需要提取其他参数,例如:提取各点代表的数据体素的体积以及点的个数,进而计算待测部件的体积;提取各个点的分布参数,进而计算待测部件的中心;提取待测部件边缘点的分布参数,进而计算待测部件的轮廓曲率等。
参照图2,是本发明图1所示装置的优选实施例的结构框图。所述优选实施例为基于腹部CT图像测量肾脏的特征数据——肾小球滤过率,其可以包括以下单元:
接口单元201,用于获取腹部CT平扫图像、动脉期图像和延迟期图像;
部件识别单元202,用于识别平扫图像、动脉期图像和延迟期图像中表示肾脏和腹主动脉的点,分割出肾脏区域和腹主动脉区域。由于计算肾小球滤过率需要肾脏和腹主动脉的相关参数,所以需要先在CT图像中识别出这两个待测部件。
特征数据计算单元203,用于从表示肾脏和腹主动脉的点中提取相关参数,计算肾小球滤过率。
下面对各个单元分别进行详细说明。
接口单元201可以通过各种方式获取腹部CT平扫图像、动脉期图像和延迟期图像,例如,直接和CT机相连、通过网络传输数据、或者通过移动存储工具获取等方式都是可行的。
所述部件识别单元202进行肾脏识别时,可以包括以下子单元:
配准子单元2021,用于通过配准算法输出平扫图像与动脉期图像、平扫图像与延迟期图像之间的对应关系;
判断子单元2022,用于比较两次扫描图像对应点的CT值;
肾脏区域确定子单元2023,当两次扫描图像对应点的CT值之差大于预定阈值时,则确定该点属于肾脏。如果对应点的CT值之差大于预定阈值,则所述肾脏区域确定子单元2023将该点标记为1,否则标记为0;标记为1的点在所述图像上构成肾脏区域。
对配准子单元2021中采用的配准算法简单介绍如下:
配准算法一般可以包含三个方面:相似性测度、优化算法和搜索空间。优选的,本发明采用的配准算法,用互信息值作为相似性测度,优化算法采用Powell算法,搜索空间由表示两套图像间对应关系的若干参数组成。配准算法输出两套图像间的对应关系。
所述表示两套图像间的对应关系的若干参数,包括X、Y、Z轴的平移量,或者绕X、Y、Z轴的旋转角度,或者缩放系数等;对于非刚性配准,还包括变型参数。可根据待配准图像的特性,选取其中的部分或者全部构成搜索空间。
互信息是信息论中的一个基本概念,是两个随机变量统计相关性的测度,当两幅图像基于共同解剖结构的图像达到最佳配准时,它们对应像素的灰度互信息应达到最大。由于该测度不需要对不同成像模式下图像灰度间的关系作任何假设,也不需要对图像进行分割或任何预处理,所以可以广泛地用于多种医学图像配准,特别是当其中一个图像的数据部分缺损时也能得到很好的配准效果。
图像配准在本质上是一个多参数优化问题,即寻找互信息达到最大时的表示图像间对应关系的参数值。因此,配准问题实质是配准函数优化问题。发明人优选的,采用Powell优化算法,该算法轮流对变换参数进行优化,由于无需计算梯度,因而可以加快搜索最大互信息的速度。当然,也可以采用Brent算法等其他优化算法,例如,在每一维内使用Brent算法迭代搜索和估计配准参数,从而使互信息不断增加。本发明还可以采用另一个优化的方法:单纯形算法,该方法也不要求计算梯度,与Powell算法只考虑单一变量相反,它同时考虑所有变量,但是该方法收敛速度不确定。当然,本发明还可以采用上述多种优化算法的组合,以期达到最佳效果。
配准算法可以保证这两套图像中确定的待测部件的具体区域是相同的,避免了误差,尤其在需要多组数据相关的时候,可以提高特征数据的精度。
配准完成之后,根据配准结果(对应关系)找到两组数据的对应点,依次对两幅或者两套图像中的所有对应点进行对比,如果对应点的CT值之差大于预定阈值,则所述部件区域确定子单元将该点标记为1,否则标记为0;所有标记为1的点在所述图像上构成分割出的待测部件的区域。优选的,本发明可以将标记为1的点在图像上用不同的颜色或者灰度表示出来,从而便于辨识;当然,在计算机中如何标记识别出的点,本发明不需要进行限定。
所述部件识别单元202进行腹主动脉识别时,还可以包括以下子单元:
选取子单元2024:用于在平扫图像的腹主动脉处选取一点作为种子点;
生长子单元2025:用于从所述种子点开始区域生长,得到CT值大于预置的生长阈值的区域,该区域为在平扫图像上分割出的腹主动脉;
腹主动脉区域确定子单元2026,用于根据所述在平扫图像上分割出的腹主动脉,以及通过配准算法输出的平扫图像与动脉期图像、平扫图像与延迟期图像的对应关系,得到在动脉期图像、延迟期图像上与平扫图像上分割出的腹主动脉相对应的区域。
其中通过配准算法输出的平扫图像与动脉期图像、平扫图像与延迟期图像的对应关系,可以通过前述的配准子单元2021完成。当然,也可以不包括腹主动脉区域确定子单元2026,直接通过选取子单元2024和生长子单元2025依次在动脉期图像、延迟期图像上进行区域生长分别在各个图像上识别出腹主动脉区域。
所述部件识别单元202还可以通过其他方法进行腹主动脉识别,则有可能包括其他的子单元,由于无法一一列举,再次不进行详述了。例如,由人工大致选取一个区域作为识别出的腹主动脉区域等等。
特征数据计算单元203,可以包括以下子单元:
肾脏体积确定子单元2031:用于提取所述分割出来的肾脏区域中包含的数据体素的体积和个数,计算肾脏体积。
由于部件识别单元202已经识别出了表示肾脏的点,这些点构成了整个肾脏。肾脏体积确定子单元2031提取点对应的数据体素的体积,统计表示肾脏的点的个数,进而计算肾脏体积。
当然,由于本发明是通过图像中表示待测部件的所有点进行计算,故可以根据所述点对应的各种参数进行各种特征数据的计算,而并不限于上述的体积特征数据。另外,需要说明的,表示待测部件的所有点中的“所有”仅仅具有说明意义,因为优选的,可以在识别过程中,去除任何不符合预置条件的点,进而得到在图像中表示待测部件的点。
平均CT增加值确定子单元2032,用于:提取所述分割出来的肾脏区域中各点对应的CT值,计算肾脏区域在动脉期、延迟期相对于平扫图像的平均CT增加值;提取所述分割出来的腹主动脉区域中各点对应的CT值,计算腹主动脉区域在动脉期、延迟期相对于平扫图像的平均CT增加值。
曲线确定子单元2033:用于通过回归分析获得腹主动脉区域的平均CT值随时间变化的曲线。
根据腹主动脉在平扫、动脉期、延迟期的平均CT值和时间值,通过回归分析获得腹主动脉的CT值随时间变化的曲线。
肾小球滤过率确定子单元2034:用于根据上述参数和曲线根据一定的计算公式计算肾小球滤过率。
特征数据计算单元203,还可以包括以下子单元:
修正子单元2035,用于对计算得到的肾小球滤过率进行修正,得到修正后的肾小球滤过率。当然,如何修正则可以由本领域技术人员根据需要设定即可。
所述部件识别单元202还可以包括:左右肾脏区分子单元2027,用于从所述肾脏区域中确定出左、右肾脏;所述肾小球滤过率确定子单元则可以用于分别计算左、右肾脏的肾小球滤过率。这样就可以根据需要分别计算左肾或者右肾的肾小球滤过率,从而改变现有技术只能计算双肾的肾小球滤过率的缺陷,从而能够帮助医生分别评价左、右肾的功能。
参照图3,是本发明一种腹部CT图像测量方法的流程图,包括以下步骤:
步骤301、获取待测部件两次或者多次的扫描图像,所述扫描图像包括平扫图像和增强扫描图像;
步骤302、识别所述扫描图像中表示待测部件的点;
步骤303、提取所述表示待测部件点的CT值,根据各图像中表示待测部件相同位置点的CT值差异,计算所需的待测部件特征数据。
由于图3所示的方法可以在图1所示的装置上完成,相关内容已经在前述部分进行了详细描述,因此,在此就不再赘述。
参照图4,是一种肾小球滤过率的图像测量方法实施例的步骤流程图。图4是本发明的核心构思在具体的医学临床(肾功能评价领域)上的应用,用于实现肾小球滤过率的图像测量。同时参照图5,是对肾小球滤过率的图像测量方法中的信息流程的详细描述。需要说明的是,图4中所需的参数获取步骤并没有顺序限制,能够获取即可。
肾脏功能的评价对于肾脏疾病的诊断非常重要,目前常用的实验室方法敏感性较差,而且无法提供单侧肾脏功能情况;核医学检查不能提供肾脏的精细解剖信息,而且需要特殊的仪器。在肾脏功能的评价中,肾小球滤过率(Glomemlar Filtration Rate,GFR)是反映肾脏滤过功能的重要指标,能较早地判断肾小球功能的异常变化。
目前临床上采用的测定GFR的方法有多种(例如,菊粉清除率、同位素标志物清除率以及血肌酐测定和内生肌酐清除率等),但这些方法都存在一些不足,包括:准确性不高、需要从患者身上多次采样、有放射性、没有统一的校正标准等。由于增强后肾脏的CT增加值与对比剂的浓度存在线性关系,所以可以通过对CT值的测定来计算GFR。
图4和图5所示的肾小球滤过率的图像测量方法就是采用上述原理进行,包括以下步骤:
步骤401,获取平扫图像、动脉期图像和延迟期图像;
可以通过CT扫描得到上述的三期图像,例如,先扫描得到平扫图像,注入对比剂后约30s扫描为动脉期,约100s扫描为实质期。当然,在临床上使用何种对比剂、以及经过多长时间进行动脉期、实质期扫描,本发明都不需要进行限制。操作人员根据经验或者患者个体差异自行确定即可。
步骤402、分别对平扫图像、动脉期图像和延迟期图像进行肾脏分割和腹主动脉分割。
本步骤可以通过数字减影法、区域生长法、分水岭算法或者ASM算法对肾脏进行分割;通过数字减影法、区域生长法或者用户手动选取一区域对腹主动脉进行分割。
参照图6,步骤402也可以通过以下子步骤对肾脏进行分割:
子步骤601、通过配准算法输出平扫图像与动脉期图像、平扫图像与延迟期图像的对应关系。
子步骤602、比较两套图像对应点的CT值;
子步骤603、如果对应点的CT值之差大于预定阀值,则将该点标记为1,否则标记为0;所有标记为1的点构成分割出的肾脏区域。并可以在图像上显示,方便相关人员观察。
由于本步骤在图2的相关描述已经存在,所以在此就不再赘述。
对于腹主动脉的分割也可以采用上述的方法,但是本发明优选的,根据腹主动脉在CT图像中的特性,提出以下方式。因为整个腹主动脉形成CT图像时,其区域内的点的CT值分布是比较均匀的,因此,可以不需要非常精确的确定出所有表示腹主动脉的点,只需要确定出局部就可以比较精确的得出腹主动脉的平均CT值。当然,这仅仅是肾小球滤过率的图像测量的需要,因为该测量过程中不需要其他腹主动脉的特征数据。进一步,还可以直接采用用户选取一个特定区域或者选取特定位置、特定个数的点进行腹主动脉平均CT值的计算。
腹主动脉的分割优选采用区域生长法:在平扫图像的腹主动脉处选取一点作为种子点;开始区域生长,得到CT值大于预置的生长阀值的区域,该区域为在平扫图像上分割出的腹主动脉。
然后通过以下步骤在动脉期图像、延迟期图像上对腹主动脉进行分割:
根据所述在平扫图像上分割出的腹主动脉,以及根据本步骤中对肾脏分割时通过配准算法输出的平扫图像与动脉期图像、平扫图像与延迟期图像的对应关系,得到在动脉期图像、延迟期图像上与平扫图像上分割出的腹主动脉相对应的区域。
参照图7,是本发明分别对平扫图像、动脉期图像和延迟期图像进行肾脏分割和腹主动脉分割的结果图,依次从左向右排列。其中,701为腹主动脉的轮廓,703和702分别为左右肾在图像中的轮廓,而实际上本发明识别作为立体的肾脏或者腹主动脉中包含的图像中的所有相应点。
步骤403、根据分割出来的肾脏区域中包含的数据体素的体积和个数计算肾脏体积。
以平扫数据为例,从CT数据(Dicom格式文件)中读出数据体素的边长,分别为Xvax,Yvax和Zvax,将前述步骤402中标记为1的点进行统计,得出左、右肾分割区域体素的个数分别为NL、NR,则左、右肾的体积VL、VR分别为:
VL=NL·Xvax·Yvax·Zvax
VR=NR·Xvax·Yvax·Zvax
举一个实际的例子,其中,数据体素的边长Xvax,Yvar和Zvax分别为0.71mm,0.71mm,5mm;统计得出的左、右肾分割区域体素的个数NL、NR分别为65463和61892;则左、右肾的体积VL、VR分别为:
VL=NL·Xvax·Yvax·Zvax=165ml
VR=NR·Xvax·Yvax·Zvax=156ml
步骤404、根据分割出来的肾脏区域中的平均CT值计算肾脏在动脉期、延迟期的平均CT增加值。
分别计算三套数据左、右肾的平均CT值IL0,IR0,IL1,IR1,IL2,IR2,则左、右肾在动脉期和延迟期的平均CT增加值ΔILt1、ΔIRt1、ΔILt2、ΔIRt2为:
ΔILt1=IL1-IL0=110
ΔIRt1=IR1-IR0=114
ΔILt2=IL2-IL0=95
ΔIRt2=IR2-IR0=98
步骤405、根据分割出来的腹主动脉区域中的平均CT值计算腹主动脉在动脉期、延迟期的平均CT增加值。
从三套数据的腹主动脉分割区域分别计算腹主动脉的平均CT值IA0,IA1,IA2分别为20,86,52,则腹主动脉在动脉期和延迟期的平均CT增加值b(t1)、b(t2)分别为:
b(t1)=IA1-IA0=86-20=66
b(t2)=IA2-IA0=52-20=32
步骤406、根据腹主动脉在平扫、动脉期、延迟期的平均CT值和时间值,通过回归分析获得腹主动脉的CT值随时间变化的曲线。参照图8,是经过步骤406之后得到的曲线结果图。其中,横坐标为时间,单位为s,纵坐标为CT值,单位为Hu,一般情况的腹主动脉的CT值随时间变化的曲线都与图8所示的曲线大致相似。
获得曲线的具体方法为:
建立时间、CT值坐标系t-I坐标系;从三套数据可以得到t-I坐标系中的三个点(0,0),(t1,b(t1))和(t2,b(t2)),t1、t2分别为平扫与动脉期扫描和延迟期的扫描的时间间隔;已知动脉CT值变化曲线符合方程:
可以根据该方程和t-I坐标系中的三点,用回归分析算法得到动脉CT值变化曲线。
例如,三个点(0,0),(t1,b(t1))和(t2,b(t2))的具体数值为:(0,0)、(30,66)和(100,32);用回归分析算法得到动脉CT值变化曲线参照图8。
步骤407、计算肾小球滤过率GFR。
步骤407可以通过以下公式(1)和公式(2)分别计算左、右肾的GFR值:
其中,
VL、VR分别表示左、右肾的体积;
ΔILt1、ΔIRt1、ΔILt2、ΔIRt2分别表示左、右肾在动脉期和延迟期的平均CT增加值;
t为注入对比剂后的扫描时间,t1为动脉期扫描时间,t2为实质期扫描时间;
b(t1)、b(t2)分别表示腹主动脉在动脉期和延迟期的平均CT增加值;
计算得到的GFR的单位一般为ml/min,当然采用什么单位由相关人员确定即可,并不以影响本发明的实现。
优选的,肾小球滤过率的图像测量方法,还包括:用红血球容量对所述肾小球滤过率进行修正,得到修正后的肾小球滤过率,修正公式为:
GFR=(1-hct)·c2
其中hct为红血球容量,可由临床化验得到,也可以用下列公式计算得到。
hct=0.0083bun+0.0244,bun为平扫图像腹主动脉平均CT值。
例如,上述无校正的GFR值(ml/min)为:左肾=94,右肾=91;校正后的GFR值(ml/min)为:左肾=52,右肾=50。
当然,也可以采用其他修正、或者基于其他目的修改后的公式进行计算。另外,用于计算肾小球滤过率GFR的公式中也可以采用少于公式(1)中涉及的参数的个数,本发明并不对此进行限制。本领域技术人员可以根据实际需要进行选择即可。本发明的核心思想之一在于采用了对肾脏和腹主动脉进行分割,并在分割结果的基础上提取计算GFR所需参数的技术方案,该方案在保证效率的基础上提高了精度,从而能够简单方便的实现肾小球滤过率GFR的计算,保证临床的应用。
对于肾小球滤过率GFR的获取,现有技术在应用中对于参数的选取,一般采用下述方法:
肾脏体积:根据操作人员的经验确定;或者由操作人员根据扫描得到的图像大致确定一个区域,例如,在图像上用曲线标出该区域,然后采用各种方式测量该区域,从而获取该待测部件的体积等特征数据。
肾脏、腹主动脉的平均CT增加值:一般在前述确定的大致区域中取一些离散点,计算这些离散点的平均CT增加值而近似得到整个肾脏、腹主动脉的平均CT增加值。并且,由于肾脏中CT值分布并不均匀,因此为了得到更为精确的平均CT增加值,有些操作人员在三维CT数据的每层中都取一些离散点,然后结算所取的离散点的平均CT增加值而近似得到整个肾脏、腹主动脉的平均CT增加值。
腹主动脉对比剂浓度曲线:对前述确定的大致区域中的一层进行精细扫描(例如,每个2~3秒或其他时间扫描一次),然后根据这些扫描时间点的平均CT值连接得到所需的曲线,但病人受到的X射线的辐射量较大。
得到上述参数后,根据相应公式进行计算得到GFR值。
从上述的参数获取过程,可以知道,现有技术要么测量得到的GFR值精度较低(为了提高速度则需要估计得到一些参数);要么测量过程速度慢、效率低(为了提高精度则需要消耗相当的时间获取较为精确的参数)。
现有的测量方案在对测量时间或者测量精度的要求不高的实验室和理论研究中还是可以接受的,但是却无法适合临床应用:因为临床的个体差异较大,需要较为准确的测量值;并且要求较高的测量速度,操作人员无法承受冗长的测量时间;并且由于患者身体的需要,也不能多次或者长时间的射线扫描。因此,本发明提出的肾小球滤过率的图像测量方法可以很好的解决上述问题,易于操作,可以方便的应用于临床,并且精度能够满足临床的要求。
参照图9,是本发明一种肾小球滤过率的图像测量系统的结构框图,包括以下部件:
图像扫描和重建子系统901:用于进行扫描,并输出平扫图像、动脉期图像和延迟期图像;
图像扫描和重建子系统可以采用现有的各种方式实现,一般都需要:用于产生X射线的发生器、用于检测由于对样本进行X射线照射而从样本透射出来的X射线,以及用于生成图像的图像重建单元。由于本部分属于本领域技术人员熟知的,各本发明对此就不详述了。
图像处理子系统902,包括:
分割单元9021,用于对平扫图像、动脉期图像和延迟期图像分别进行肾脏分割和腹主动脉分割;
参数确定单元9022:获取所述肾脏区域中包含的数据体素的体积和个数,以及计算肾脏体积;获取所述肾脏区域、所述腹主动脉区域中的平均CT值,以及计算肾脏和腹主动脉在动脉期和延迟期的平均CT增加值;用于获取腹主动脉在动脉期、延迟期的平均CT值和时间值,以及通过回归分析获得腹主动脉的平均CT值随时间变化的曲线;
肾小球滤过率确定单元9023,用于根据上述参数计算获得肾小球滤过率;
显示单元9024:用于显示肾小球滤过率。
临床应用时,所述显示单元所显示的信息还可以包括:分割得到的肾脏和腹主动脉,和/或者所述腹主动脉的CT值随时间变化的曲线。
图9的描述中未详尽之处,可以参见本说明书前述相关部分。
以上对本发明所提供的一种腹部CT图像测量方法、装置以及一种肾小球滤过率的图像测量系统,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种腹部CT图像测量装置,其特征在于,包括:
接口单元,用于获取待测部件多次的扫描图像,所述扫描图像包括平扫图像和增强扫描图像;
部件识别单元,用于通过配准算法输出所述接口单元获取的扫描图像中的任意两次扫描图像之间的对应关系,确定对应点,比较两次扫描图像对应点的CT值;当两次扫描图像对应点的CT值之差大于预定阈值时,则确定该点属于待测部件;
特征数据计算单元,用于提取表示待测部件点的CT值,根据各图像中表示待测部件相同位置点的CT值差异,计算所需的待测部件特征数据。
2.如权利要求1所述的腹部CT图像测量装置,其特征在于,
所述属于待测部件的点共同构成待测部件,并显示在腹部CT图像上。
3.如权利要求1或2所述的腹部CT图像测量装置,其特征在于,
所述接口单元,用于获取腹部CT平扫图像、动脉期图像和延迟期图像;
所述部件识别单元,用于识别平扫图像、动脉期图像和延迟期图像中表示肾脏和腹主动脉的点,分割出肾脏区域和腹主动脉区域。
4.如权利要求3所述的腹部CT图像测量装置,其特征在于,所述特征数据计算单元,包括:
肾脏体积确定子单元:用于提取所述分割出来的肾脏区域中包含的数据体素的体积和个数,计算肾脏体积;
平均CT增加值确定子单元,用于:提取所述分割出来的肾脏区域中各点对应的CT值,计算肾脏区域在动脉期图像、延迟期图像相对于平扫图像的平均CT增加值;提取所述分割出来的腹主动脉区域中各点对应的CT值,计算腹主动脉区域在动脉期图像、延迟期图像相对于平扫图像的平均CT增加值;
曲线确定子单元:用于通过回归分析获得腹主动脉区域的平均CT值随时间变化的曲线;
肾小球滤过率确定子单元:用于根据上述参数计算肾小球滤过率。
5.如权利要求3所述的腹部CT图像测量装置,其特征在于,所述部件识别单元还包括:
选取子单元:用于在平扫图像的腹主动脉处选取一点作为种子点;
生长子单元:用于从所述种子点开始区域生长,得到CT值大于预置的生长阈值的区域,该区域为在平扫图像上分割出的腹主动脉。
6.如权利要求5所述的腹部CT图像测量装置,其特征在于,所述部件识别单元还包括:
腹主动脉区域确定子单元,用于根据所述在平扫图像上分割出的腹主动脉,以及通过配准算法输出的平扫图像与动脉期图像、平扫图像与延迟期图像的对应关系,得到在动脉期图像、延迟期图像上与平扫图像上分割出的腹主动脉相对应的区域。
7.如权利要求6所述的腹部CT图像测量装置,其特征在于,所述特征数据计算单元还包括:
修正子单元,用于对计算得到的肾小球滤过率进行修正。
8.如权利要求4所述的腹部CT图像测量装置,其特征在于,
所述部件识别单元还包括:左右肾脏区分子单元,用于从所述肾脏区域中确定出左、右肾脏;
所述肾小球滤过率确定子单元用于:分别计算左、右肾脏的肾小球滤过率。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006101037386A CN100463655C (zh) | 2006-07-27 | 2006-07-27 | 一种腹部ct图像自动测量装置 |
US11/636,475 US7813536B2 (en) | 2006-07-27 | 2006-12-11 | Image measuring apparatus and method, and image measuring system for glomerular filtration rate |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006101037386A CN100463655C (zh) | 2006-07-27 | 2006-07-27 | 一种腹部ct图像自动测量装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1923140A CN1923140A (zh) | 2007-03-07 |
CN100463655C true CN100463655C (zh) | 2009-02-25 |
Family
ID=37816091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006101037386A Active CN100463655C (zh) | 2006-07-27 | 2006-07-27 | 一种腹部ct图像自动测量装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US7813536B2 (zh) |
CN (1) | CN100463655C (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8355552B2 (en) * | 2007-06-20 | 2013-01-15 | The Trustees Of Columbia University In The City Of New York | Automated determination of lymph nodes in scanned images |
CN101515365B (zh) * | 2009-03-25 | 2011-05-11 | 沈阳东软医疗系统有限公司 | 一种ct影像中的粘连血管型肺结节自动分割方法 |
US8666148B2 (en) | 2010-06-03 | 2014-03-04 | Adobe Systems Incorporated | Image adjustment |
US9008415B2 (en) | 2011-09-02 | 2015-04-14 | Adobe Systems Incorporated | Automatic image adjustment parameter correction |
US8903169B1 (en) | 2011-09-02 | 2014-12-02 | Adobe Systems Incorporated | Automatic adaptation to image processing pipeline |
DE102012018076B4 (de) | 2012-09-13 | 2014-06-12 | Lohmann Gmbh & Co. Kg | Klebender Funktionsstreifen zur transkutanen Fluoreszenzmessung sowie zugehörige Herstellungsverfahren und Verwendungen |
KR101518751B1 (ko) * | 2013-11-21 | 2015-05-11 | 연세대학교 산학협력단 | 다중 대조도 자기공명영상에서 잡음 제거 방법 및 장치 |
CN106667513A (zh) * | 2016-12-15 | 2017-05-17 | 袁小东 | 检测肾脏滤过功能的ct测量方法 |
CN110264437B (zh) * | 2018-07-13 | 2022-04-01 | 首都医科大学附属北京友谊医院 | 密度数据分析方法、装置及电子设备 |
CN110265103B (zh) * | 2018-07-13 | 2022-06-17 | 首都医科大学附属北京友谊医院 | 数据输出方法、装置及电子设备 |
CN110738927B (zh) * | 2019-10-29 | 2024-05-28 | 中南大学湘雅医院 | 一种多功能高灵敏度肾小球滤过率显示器 |
CN112700875B (zh) * | 2021-01-29 | 2023-05-23 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 预测肾脏肿瘤术后肾功能的系统及计算机可读存储介质 |
CN112927196B (zh) * | 2021-02-09 | 2024-03-22 | 深圳睿心智能医疗科技有限公司 | 钙化积分方法及装置 |
CN114119541B (zh) * | 2021-11-24 | 2023-05-30 | 杭州医派智能科技有限公司 | 一种肾小球球囊基膜增厚的检测方法、设备及存储介质 |
CN115641961A (zh) * | 2022-09-14 | 2023-01-24 | 中国医学科学院北京协和医院 | 用于预测肾脏年龄的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5100646A (en) * | 1990-07-25 | 1992-03-31 | The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services | NMR glomerular filtration test |
CN1449721A (zh) * | 2002-04-03 | 2003-10-22 | 株式会社东芝 | 具有医学图像测量功能的医学图像处理装置 |
US20050090736A1 (en) * | 2003-10-23 | 2005-04-28 | The Board Of Trustees Of The Leland Stanford Junior University | Measurement of renal extraction fraction using contrast enhanced computed tomography |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19613342A1 (de) * | 1996-04-03 | 1997-10-09 | Philips Patentverwaltung | Automatisches Bildauswertungsverfahren |
IL164968A0 (en) * | 2002-05-15 | 2005-12-18 | Yeda Res & Dev | Method and apparatus for quantitatively evaluatinga kideney |
US7468513B2 (en) * | 2004-06-18 | 2008-12-23 | The Children's Hospital Of Philadelphia | Fast dynamic imaging protocol using a multi-head single photon emission computed tomography system |
-
2006
- 2006-07-27 CN CNB2006101037386A patent/CN100463655C/zh active Active
- 2006-12-11 US US11/636,475 patent/US7813536B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5100646A (en) * | 1990-07-25 | 1992-03-31 | The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services | NMR glomerular filtration test |
CN1449721A (zh) * | 2002-04-03 | 2003-10-22 | 株式会社东芝 | 具有医学图像测量功能的医学图像处理装置 |
US20050090736A1 (en) * | 2003-10-23 | 2005-04-28 | The Board Of Trustees Of The Leland Stanford Junior University | Measurement of renal extraction fraction using contrast enhanced computed tomography |
Non-Patent Citations (2)
Title |
---|
肾脏功能影像学研究进展. 许玉峰,唐光健.中华放射学杂志,第38卷第8期. 2004 |
肾脏功能影像学研究进展. 许玉峰,唐光健.中华放射学杂志,第38卷第8期. 2004 * |
Also Published As
Publication number | Publication date |
---|---|
US7813536B2 (en) | 2010-10-12 |
CN1923140A (zh) | 2007-03-07 |
US20080025589A1 (en) | 2008-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100463655C (zh) | 一种腹部ct图像自动测量装置 | |
CN109754387B (zh) | 一种全身骨显像放射性浓聚灶的智能检测定位方法 | |
US11896416B2 (en) | Method for calculating coronary artery fractional flow reserve on basis of myocardial blood flow and CT images | |
CN108038848B (zh) | 基于医学影像序列斑块稳定性指标的快速计算方法及系统 | |
US9996922B2 (en) | Image processing of organs depending on organ intensity characteristics | |
CN103249358B (zh) | 医用图像处理装置 | |
Ahammad et al. | Image processing based segmentation techniques for spinal cord in MRI | |
CN108830852B (zh) | 三维超声肿瘤辅助测量系统及方法 | |
CN103514597A (zh) | 图像处理装置 | |
Vasilic et al. | A novel local thresholding algorithm for trabecular bone volume fraction mapping in the limited spatial resolution regime of in vivo MRI | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
CN110969614B (zh) | 基于三维卷积神经网络的脑龄预测方法及系统 | |
CN107708550A (zh) | 用于检测和测量解剖异常的分段回声结构的表面建模 | |
CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
CN109478327A (zh) | 用于在任意视场计算断层摄影血管造影(cta)中自动检测全身动脉的方法 | |
CN104546000B (zh) | 一种基于形状特征的超声图像膀胱容积测量方法及装置 | |
US20140369582A1 (en) | Method of Determining the Probabilities of Suspect Nodules Being Malignant | |
US11600379B2 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
CN114119602A (zh) | 对医学图像进行对象分析的方法、装置和存储介质 | |
CN114305473A (zh) | 基于腹部ct图像和深度学习的身体成分自动测量系统 | |
CN114521914A (zh) | 超声参数测量方法和超声参数测量系统 | |
CN111462077A (zh) | 一种利用非线性信息熵定征生物组织的方法 | |
CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
CN114549417A (zh) | 一种基于深度学习和核磁共振Dixon的腹部脂肪定量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Patentee after: DongSoft Medical System Co., Ltd. Address before: Hunnan New Century Road 110179 Shenyang city of Liaoning Province, No. 16 Patentee before: Dongruan Medical Systems Co., Ltd., Shenyang |