CN101036163A - 一种把知识结构映射到器官的方法:利用知识结构映射的自动测量和可视化 - Google Patents
一种把知识结构映射到器官的方法:利用知识结构映射的自动测量和可视化 Download PDFInfo
- Publication number
- CN101036163A CN101036163A CNA2005800336651A CN200580033665A CN101036163A CN 101036163 A CN101036163 A CN 101036163A CN A2005800336651 A CNA2005800336651 A CN A2005800336651A CN 200580033665 A CN200580033665 A CN 200580033665A CN 101036163 A CN101036163 A CN 101036163A
- Authority
- CN
- China
- Prior art keywords
- measurement
- center line
- point
- diameter
- exemplary embodiment
- 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.)
- Pending
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06T2207/20036—Morphological image processing
- G06T2207/20044—Skeletonization; Medial axis transform
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Abstract
提出了多种方法,通过使用预定模板结构以及将其映射到器官的成像数据集(例如CT或MR扫描)来自动地产生结构化临床报告。模板或知识结构可以描述管状器官的一般结构,以及可以基于与所关注的病人器官或区域的测量或比率的可接收范围有关的已有知识。所关注的器官可以从原始图像切片中分割出来。在本发明的示例性实施例中,可以计算相应的中心线,并且可以创建管状器官的轮廓。基于所提取的中心线,知识结构(模板)可以被映射到器官数据。由于可以在模板中定义所需要的测量,可以为结构自动计算实际测量。这样的测量可以在三维环境中进一步求精,以及可以用于形成结构化临床报告用于进一步的使用。
Description
交叉引用
本申请要求2004年11月26日提交的美国临时专利申请号60/631,266的权利,该申请的公开内容通过引用包括在这里,就像完全阐明一样。
技术领域
本发明涉及医学成像领域,更准确地涉及多种用于测量解剖结构的参数以及按交互方式使解剖结构可视化的方法,可以使用知识结构映射把解剖结构映射到模板。
背景技术
通过利用技术的进步,医疗过程规划和诊断可以在虚拟(virtual)环境中执行。随着高级诊断扫描医疗器械的出现,例如计算机断层扫描(“CT”),CT是其中获得人体区域的许多X射线切片的放射过程,可以获得有关给定病人的充足数据,以使得可进行三维体数据集的构造,三维体数据集表示在接受扫描的病人体内的给定区域中的多个结构。这样的三维体数据集可以使用已知的体绘制技术来显示,以使得用户可按不同方式从任意的视点观察在该三维体数据集中的任何点。
发生这种现象的一个领域是用于医疗过程规划目的的人体内部管状结构例如动脉、结肠等的检查。传统方法测量所获得二维切片中的血管直径。然而,这些切片的取向不必要地垂直于被测量的管状结构。这种限制导致不精确的直径和长度测量。
针对不同的外科规划过程,要考虑相应解剖因素的集合。给定不同过程和解剖考虑因素的数量,需要结构化的临床报告以控制适用于不同目的的测量的数量和位置。然而,在本领域中的大多数现有软件要么手动地测量结构要么自动测量在结构中的点,而让用户来决定究竟测量何处。因此,医生或其他用户必须记住他们针对不同情况所需要的所有参数。因此,现有系统至少具有两个缺陷:(1)用户进行多余的测量;或(2)用户进行不充分的测量。此外,为了获得完整的临床报告,用户必须执行大量的交互作用。
因此,需要的是自动测量和用于解剖结构的显示系统,该显示系统使用用于所关注的不同器官或区域的模板。例如施加到腹部主动脉瘤的加固定模的区域,在本领域中需要的是提供腹部主动脉瘤的自动测量和可视化以及结构映射的技术和显示模式。
发明内容
提出了多种用于通过使用预定模板结构并将其映射到器官的成像数据集(例如CT或MR扫描)来自动产生结构化临床报告的方法。模板或知识结构可以描述器官的一般结构,该器官例如是管状器官,并且可以基于与所关注特定器官或区域的测量或比例的可接受范围有关的现有知识。在本发明的示例性实施例中,可以计算对应的中心线,以及可以构建管状器官的轮廓。基于提取的中心线,知识结构(模板)可以映射到器官数据。由于可以在模板中定义需要的测量,可以为该结构自动计算实际的测量。这样的测量可以在三维环境中进一步求精,以及可以用于形成用于进一步使用的结构化临床报告。
附图说明
图1描绘了根据本发明的示例性实施例的使用知识结构映射用于测量腹部主动脉瘤的示例性过程流;
图2描绘了根据本发明的示例性实施例的用于腹部主动脉瘤规划过程的示例性测量模板;
图3详细说明了根据本发明的示例性实施例的图1的步骤105的中心线提取的步骤;
图4说明了根据本发明的示例性实施例的图3中说明的步骤320的组件的用于边界点分类的步骤的进一步细节;
图5说明了根据本发明的示例性实施例的图3的步骤340中所述的检查简单点的进一步的细节;
图6说明了用于根据本发明的示例性实施例的图1中的平滑步骤106的平滑方法;
图7和图8示出了根据本发明的示例性实施例的可选择两步平滑方法;
图9示出了用于根据本发明的示例性实施例的图1的步骤107的详细椭圆映射方法;
图10说明了根据本发明的示例性实施例的带有边缘检测的基于种子的区域生长法的结果;
图11描绘了根据本发明的示例性实施例的椭圆映射结果;
图12显示了根据本发明的示例性实施例的图1的模板映射步骤108的详细步骤;
图13说明了根据本发明的示例性实施例的腹部主动脉和髂动脉的模板映射结果;
图14说明了根据本发明的示例性实施例的主动脉和髂分支的解剖检测结果;
图15说明了根据本发明的示例性实施例的图1的编辑测量步骤109的详细步骤;
图16显示了根据本发明的示例性实施例的3D编辑界面;
图17A说明根据本发明的示例性实施例的在移动过程之前的椭圆的直径;
图17B描绘了根据本发明的示例性实施例的在被移动之后的椭圆的直径;
图18A示出根据本发明的示例性实施例的调整大小过程之前的椭圆的直径;
图18B描绘根据本发明的示例性实施例的椭圆的调整大小之后的直径;
图19A和图19B说明了根据本发明的示例性实施例的整形之前和整形之后的椭圆的直径;
图20A说明了在旋转过程之前的椭圆,以及图20B描绘了根据本发明的示例性实施例的旋转之后的椭圆;
图21示出根据本发明示例性实施例的编辑角度测量;
图22示出根据本发明示例性实施例的测量的手工验证;以及
图23说明了根据本发明的示例性实施例的利用切片视图的引导验证。
注意一些读者可能只得到了附图的灰度版本,其原本使用彩色绘制。因此,为了尽可能完全地说明原始上下文,利用另外的说明提供对于附图中颜色的参考,以指示现在说明的是什么元素或结构。
具体实施方式
提供多种方法和系统,通过将预定知识结构映射到器官数据来产生结构化临床报告。这样的方法和系统执行必要的测量,并且大大减少了用户交互的量。
在本发明的示例性实施例中,描绘管状器官的一般结构的模板(也就是知识结构)可以根据在测量结点之间的测量的可接受范围和比率的现有知识来定义。测量结点是知识结构中的结点,在其中定义了测量的点和类型。例如,可以在知识结构的开始处指定点,将测量在该点处的最大和最小直径,或可以对该知识结构中的任意三个点定义角度测量。在本发明的示例性实施例中,也可以确定知识结构中的关键结点(critical node)。关键结点是包含附加测量条件的测量结点。能够加入到关键结点的测量条件可以是所支持的具有测量条件的任何测量(例如长度、面积、体积和角度)。在关键结点中的规定定义了用于在该测量点处进行测量的合格条件。
在本发明的示例性实施例中,用户可以例如通过在器官的端部处设置点来定义器官的期望部分。在这样的示例性实施例中,可以使用所定义的点来形成相应的中心线来作为轮廓(skeleton)。基于提取的中心线,知识结构(也就是模板)可以被映射到实际的器官数据。在模板中定义用于给定器官的所需测量点,可使得测量过程自动化。该自动化测量可以用于形成结构化临床报告用于进一步的使用。在一些示例性实施例中,测量可以在三维环境中编辑和求精,可以使用多种立体显示模式来立体地显示或甚至自动立体地显示。在示例性实施例中,用户可以识别那些不符合关键结点中所规定条件的测量。并且,在如模板规定的可用范围或比率之外的测量可以引起用户的注意。
在示例性实施例中,该方法和系统可以用于测量腹部主动脉瘤,并且辅助选择合适的固定模(stent)。可利用这种测量从固定模数据库选择最佳匹配固定模或用在定制固定模制造中。
在本发明的示例性实施例中,提供新颖的系统和方法,使用知识结构映射利用标记结构(signature structure)进行器官的测量和可视化。这些示例性实施例可以用在例如手术规划中。在下面,将使用管状结构例如腹部主动脉来说明本发明的方法。然而,本发明的方法和系统利用可以映射到知识结构或模板的结构标记可相同地应用到任何解剖结构。
图1说明了用于定义知识结构、执行自动测量、编辑以进一步求精测量和测量验证的示例性方法。在本发明的示例性实施例中,此方法可以用于腹部主动脉瘤的测量和评估。该方法的步骤在下面进行详细描述。
根据示例性实施例,可以通过使用预定模板结构来生成结构化临床报告。这样的模板结构可以是捕获人体解剖的已知测量范围或比率的数学模型。这些可以映射到所感兴趣的管状结构(例如人体器官)的成像数据集。在本发明的示例性实施例中,可以通过使用例如CT、MR、超声或任何其他合适的成像技术来获得成像数据集。在一些实施例中,这些模板结构可以作为验证工具来确定根据扫描获得的数据是否在可接受范围或比率之外。这样的验证过程可以由用户选择或自动执行。在示例性系统中,如果数据在可用范围或比率之外,可以向用户报警,以及建议需要获得新的数据集。
在一个示例性实施例中,可以使用三个处理步骤来用于腹部主动脉瘤的固定模植入物选择。这些处理步骤可以包括例如:(1)知识结构定义;(2)自动测量(模板映射);(3)后处理测量编辑以求精自动测量;以及(4)测量的验证。
知识结构定义
定义知识结构是在图1的100所示的示例性方法的初始步骤。在本发明的示例性实施例中,在用于腹部主动脉瘤的固定模规划过程期间,可以考虑各数值的多种测量和可接受范围。这些测量可以是将用在规划过程中的知识结构的部分。这样的知识结构例如可使得规划者来确定扫描数据测量是否合适,或是否需要执行新的扫描。
图2说明了在腹部主动脉瘤情况和固定模规划过程中用于模板的示例性测量点。针对该示例性模板,病人典型地应该具有在肾动脉之下和在该动脉瘤以上的1.5到2cm的法向主动脉颈部,以提供该植入体到动脉壁的稳定植入部位。该主动脉颈的直径应该是大约26mm或更少并且未发生血栓。此外,动脉瘤和主动脉颈与法向主动脉形成的角通常应该小于60度。是髂外动脉和髂总动脉的导入动脉(accessartery)必须足够大以容纳器件。因此,它们的尺寸通常在直径上应该超出7mm。然而,如果髂外动脉在直径上略小于7mm,可以在髂总动脉上施行切口用于支架放置。该切口使得直径增加,因此能够放置支架。
再参考图2的模板,髂总动脉,可以被用作用于植入肢状物的“着陆区”,其直径应该是大约13mm或更少。此外,如果髂总动脉的形成角度过大,这表现为对于固定模植入支架推进的阻碍。此外,在主动脉的纵轴和髂总动脉之间的角度通常应该小于45度,以使得分支植入物的布置成功。并且,要注意典型地可以使用直径达到20mm的远端布置部位,只要得到髂肢的倒锥形。
在图2中没有描绘可以在根据本发明的示例性实施例的定义用于腹部主动脉瘤的知识结构中有用的几个测量。例如,从下肾动脉到主动脉分支的长度可以是一个这样的测量。此外,下肾动脉到左髂动脉的端部的长度、从下肾动脉到右髂动脉的端部的长度以及瘤的长度也都可以用来定义该知识结构。
在本发明的示例性实施例中,主动脉瘤的体积也可以在知识结构中指定并测量。在该模板中的一些组件,例如左和右髂总动脉的最小直径、左和右髂外动脉的最小直径、主动脉颈的长度以及左和右髂动脉角,可以确定病人是否可以接受固定模(支架)植入。这些测量点可以被标识为关键结点,其中每个关键结点具有相关的有条件测试。例如,对于髂总动脉的最小直径的有条件测试是该直径是否大于7mm。这些有条件测试将用于确定固定模植入的适合性并且用于搜索最佳匹配固定模。在一些示例性实施例中,可具有多于一个的与关键结点相关的测试,以说明其中可能需要执行多于一个的测试的情况。例如,髂总动脉的直径应该典型地在7mm到13mm的范围中,以及其对着主动脉的纵轴的角度应该小于45度。
自动测量
回到图1,102详述了用于自动测量的本发明示例性方法。这可以例如包括103的中心线提取,连同107的椭圆映射和108的模板映射。自动测量过程可以提供用于腹部主动脉瘤的血管内修复的测量。该自动测量过程可以使用X射线断层图像作为输入,连同四个用户定义点:一个在肾动脉上,一个恰好在下肾动脉之下,一个在左髂外动脉的端部处,以及一个在右髂外动脉的端部处。使用这些输入,可以产生例如用于固定模规划的长度、直径、角度和体积。
在本发明的示例性实施例中,腹部主动脉瘤可以从原始X射线断层图像切片中被分割出来,然后可以提取感兴趣部分的中心线。基于该中心线,可以计算血管直径、长度和角度。动脉瘤、主动脉分支的最大部分以及髂总动脉和髂外动脉的最小部分也可以自动检测。
使用已经获得的X射线断层扫描数据(例如CT或MR图像数据),可以绘制三维体以及显示图像。在本发明的示例性实施例中,显示的图像可以是立体或自动立体的。为了便于利用腹部主动脉瘤固定模规划过程中所感兴趣区域的自动测量,可以由用户输入四个点:一个在肾动脉上方,一个恰好在下肾动脉下方,一个在左髂外动脉的端部处,以及一个在右髂外动脉的端部处。在用户选择了这四个点之后,示例性系统可以自动测量所需长度。可能发生对于腹部主动脉以及左髂动脉和右髂动脉的直径和它们之间的角度的自动测量。这些测量结果可以用于确定用于腹部主动脉瘤的血管内修复的合适固定模。
图1的103说明了全部的中心线提取过程,其包括最初分割104、中心线提取105以及平滑106。中心线提取103可以例如使用X射线断层摄影切片以及三个用户定义点来提取动脉瘤的中心线,其可能成为用于进一步测量的基础。
在最初分割104,基于四个用户定义点的强度(intensity),可以确定和使用适合的阈值作为算法的输入参数,用以分割该动脉。四个点的最大和最小强度用于确定该阈值。给出最小和最大强度值,可以加或减去针对特定领域的值来产生阈值范围。例如,如果四个点的最小和最大强度分别是75和120,则可以从这些值添加或减去针对特定域的值15来获得60-135的示例性适合阈值范围。
图1的中心线提取105在图3中进一步详述。为了中心线生成,细化算法导出经分割的主动脉的轮廓。在示例性实施例中,实现26路并行细化方法。为了确保中心线准确地布置在分割数据的中心处,算法可以在三维中对称地去除体素(voxel)。在可选择的实施例中,示例性方法可以使用6路、18路和26路点连通性来检查体素。在一些例子中,可能有一些不期望出现的分支(branch),因为细化方法通常对于表面平滑度和噪声非常敏感。例如,在表面上的单体素“隆起(bump)”或“孔”可以导致从主中心线偏离的分支。
利用预定的三个动脉体素点,在步骤500通过在轮廓上的点之间的跟踪来提取中心线。
图3中的中心线提取300的320对边界点做分类,并将它们存储以用于处理。在图4中进一步详述了320。参考图4,在每个迭代中,在分割动脉瘤数据中的每个体素可以在422处进行检查。如果该体素具有26个相邻体素中的任何一个近邻,该26个相邻体素在背景中(背景体素可以被定义为强度落在适当阈值范围之外的体素),该体素在424被分类作为边界点,以及在426可以存储在相应阵列中。对于给出的体素点A,以A为中心的3×3×3立方体中的体素可以是A的26个近邻。在本发明的示例性实施例中,边界点可以根据它的哪个近邻是背景体素而被分类到26种不同类型,以及该边界点可以存储在它们的相应阵列中用于稍后的处理。
在420分类体素点之后,在440确定简单边界点,如在图3和图5中所示。是“简单边界点”的边界点可以从数据中除去。图5的542确定是否可以去除这样的点。简单边界点是这样的边界点,如果从数据中除去它,在拓扑方式上将不会改变其26个近邻的连接性。如果544和547的条件满足,则边界点可以拓扑安全地去除。此外,544确定在去除体素点A之后用于3×3×3区域的欧拉特性是否保持不变。针对给出点,欧拉特性值将按照示例性实施例根据点A和其非背景近邻的结构来计算。如果该值保持不变,然后去除该点将不会影响其近邻的连接性。如果满足步骤544的条件,在546处可以确定在去除该边界点之后,非背景近邻是否依然通过在3×3×3近邻区内的路径连接。如果还满足该连接,在550该点被分类作为简单边界点,并且可以从数据中去除它。如果在544或在546的条件没有被满足,则在548可以确定该点不是简单边界点,由此不能从数据集中去除它。
再一次回到图3,在检查简单边界点之后的中心线提取300的下一任务是在360处执行细化操作。在示例性实施例中,该细化操作可以当只剩下一体素点宽度的轮廓时停止。在每个迭代中,在26个方向上的边界点的删除可以按特定对称顺序来执行。这可以例如确保轮廓尽可能精确地维持在动脉的中心。例如,可能分类到“左”向的边界点将被删除,接着是删除在“右”向上的边界点。操作在当只剩下一体素点宽度的轮廓时停止。
与使用用于简单点分类的一组模板的很多典型方法相比,以上所述的示例性方法产生更精确的中心线轮廓。然而,也可以更易产生在中心线轮廓中的错误分支。
继续参考图3,中心线提取300的操作380可以用于跟踪特定动脉。在产生轮廓之后,使用来自边界点分类320的三个体素点,在轮廓上的最短连接路径可以被提取出来作为中心线。从细化操作360产生的轮廓在示例性实施例中优选为未加权图。因此,标准的宽度优先搜索可以确定最短连接路径。该宽度优先搜索算法也可以用于中心线跟踪。
除了以上所述的如图3-5所述的中心线提取,以下的示例性的伪代码可以用于在本发明的示例性实施例中执行中心线提取。
细化:
Do
{
For each point in the volume
If the pont is a border point in 26 directions
{
store the point in the respective arrays(26 arrays)
}
}
For each border point stored in the 26 arrays,
{
if(IsSimpleBorderPoint(x,y,z))
{
remove the point from the array
remove the point from the volume
}
}
}while(there still are points removable)
Find the points on skeleton nearest to the 3 defined points:
Center_line_1=Breadth_First_Search(skeleton,point1,point2);
Center_line_2=Breadth_First_Search(skeleton,point1,point3);
Breadth_First_Search执行从特定源体素可以达到的所有体素的相连接体素序列的遍历(traversal)。此外,该遍历的顺序是使得该算法在行进至其近邻的近邻之前要探测该体素的所有近邻。一种考虑宽度优先搜索的方法是其扩展就像石头落入水塘中而发出的波。在相同“波”中的体素与源体素有相同的距离。在此上下文中,“距离”被定义为至源体素的最短路径上的体素数量。
再回到图1,中心线提取103的下一个操作是平滑106。执行平滑106,例如,在保持该线的中心线特性的同时,去除小的扰动和假分支。在一些实施例中,例如,平滑106可以在本发明的示例性实施例中的初始中心线点上执行高斯平滑。高斯平滑比其他典型平滑技术能更好地保持中心线点的最初中心。尽管可以使用其他平滑技术来代替高斯平滑,但通常这些方法中的大多数不产生像利用高斯平滑可获得的那么好的结果。
在本发明的替换示例性实施例中,可使用McMaster滑动平均来代替高斯平滑,此方法使用第一点及其近邻来计算这些点的平均位置,并且将第一点移动到该新位置。然后继续对第二点及其近邻来计算新点集的平均位置,并且将第二点移动到该新位置,并且重复该过程。结合所有这些新平均点可以创建中心线。
在另外的替换示例性实施例中,平滑可以使用如图6中说明的示例性平滑过程来执行。参考图6,在610,替换的平滑过程在中心线上寻找特征点(在特征点处曲率相对高)。接下来,在620,例如,可以基于所提取的特征点来执行分段B样条拟合,以参数化中心线。给出两个结点,标准B样条拟合例如可用于链接这两个点。可以确定两个控制点,并且使用这些控制点,通过保持整个中心线的连接性来计算结合该两个结点的最佳拟合线。
在本发明的替换示例性实施例中,可以使用例如两步平滑方法(在图7和图8中说明)来代替使用上述技术去除噪声。该使用分段B样条的前述技术可以产生更平滑的中心线,但是其可能导致中心线更不精确,尤其是对于较细或具有很高曲率的动脉的中心线。以下在图7和8中描述的作为替换的两步平滑方法可以产生较之上述方法较不太平滑的中心线,但是它可以例如保持中心线的中心特性。在本发明的示例性实施例中,精确的中心线是优选的,从而为了固定模选择目的而获得对于腹部主动脉瘤的精确测量。
两步平滑方法根据结点的近邻将线结点分类为三种类型:类型1具有沿着中心线在两侧上的近邻;类型2具有单测的近邻;类型3没有近邻。按这种方法,在第一步,在所有类型1结点上应用低通滤波器。在示例性实施例中,该低通滤波器使用加权的近邻平均,其中通过其近邻的加权平均位置来确定类型1点的新位置。较接近的近邻可以给予更高的权重,而较远的近邻可以给予较低权重。在此步骤后,可以去除在类型1点处的一些高频扰动。
接下来,可以沿着中心线调节类型1和类型2的位置,以确保在两个连接的线段之间的角度大于在示例性实施例中的给出阈值。例如可以执行这种调节,以避免在线方向上的突然改变以及减少由于过度平滑而造成的中心线变形。参考图7,例如,如果在两个连接的线段线1和线2之间的角度大于给定阈值,则在该角度的顶点处的点P可以沿着长侧边(线2)按照等于短侧边(线2)长度的步长移动。此过程可以继续直到该角满足需求。
图8说明了根据本发明的示例性实施例,如何基于两步平滑算法来平滑线。线(a)为初始线,其中类型1点示为红色,而类型2点示为黄色,以及类型3点示为黑色。图8的线(b)说明了在两步平滑方法中的第一步之后,在类型1(红)点处的噪声如何可以被去除。图8的线(c)说明了类型1点沿着该线的移动以避免线的突然方向改变。注意类型1和类型2点都是用于这种位置调节的候选。但是在此例子中,只有两个类型2点根据移动标准进行了移动。
在完成图1的中心线提取103之后,自动测量过程200可以通过椭圆映射107来继续。在图9中说明椭圆映射的组件。在本发明的示例性实施例中,椭圆映射可以用来测量在垂直于中心线的图像平面上的给出位置处的血管的直径。例如,可使用椭圆映射来测量血管(截面)的最大、最小直径和面积。过程700使用瘤中心线上的点以及腹部主动脉瘤数据作为输入,并产生椭圆,其长轴表示血管给定位置处的最大直径,其短轴表示血管给定位置处的最小直径。
如图9所示,920基于经分割的体来提取图像平面,图像平面以给定的中心线点为中心,并且垂直于中心线。然后,在940,基于中心线各点,可以在每个二维图像平面上执行结合了边缘检测的基于种子的区域生长算法来分割血管。在示例性实施例中,可以施加Canny边缘检测来定位图像平面上的各边缘,然后使用这些边缘作为从种子点(中心线点)开始的区域生长的约束。这种Canny边缘检测方法执行最佳边缘检测。首先,它可以平滑和消除图像噪声,通过采用图像梯度来寻找边缘强度,并且获得边缘方向。然后,在示例性实施例中,可使用非最大抑制(non-maximum suppression)朝着边缘方向沿着边缘进行跟踪,并且抑制不认为是边缘的体素值。最后,可使用启发式(heuristics)作为边缘链接的方法。在Canny边缘检测之后,可以定位细连续边缘。
然而,如果边缘没有全部包括种子点,则区域生长将泄漏到周围区域。因此,在示例性实施例中,例如,可使用停止判据,以防止这种泄露。在示例性实施例中,环绕种子点的边缘点的平均强度可以用作阈值。这些边缘点可以全部位于作为最接近种子点的线的连续边缘线上。钙的存在有时可以导致在血管区域内的假边缘。如果最接近边缘是由于钙(因为其相对于种子点的相对高得多的平均强度)而建立的,可以消除它。在示例性实施例中,继续进行最接近边缘线的搜索,直到达到最接近高可能性动脉边缘。该高可能性动脉边缘可以具有很类似种子点的平均强度。
在本发明的示例性实施例中,可以使用以下的用于基于种子的分割的示例性伪代码:
For each image plane and its seed point(centerline point),
CannyEdgeDetection(srcImage,edgeImage);
Loop until the nearest high probability vessel edge around seed point
is reached
{
FindNearestEdgeLine(seed,edgeImage,edgeLine);
averageIntensity=ComputeAverageIntensity(edgeLine,srcImage);
if((averageIntensity-seedIntensity)>CALCIUM_THRESHOLD)
EliminateCalciumEdge(edgeImage,edgeLine);
Else
Break;
}
regionGrowThreshold=averageIntensity;
segmentedRegion=SeedBasedRegionGrowing(seed,
srcImage,edgeLine,regionGrowThreshold);
在该伪代码中,CannyEdgeDetection可以产生边缘图像(edgeImage),其是来自原始图像(srcImage)的二值图像。FindNearestEdgeLine可以根据由CannyEdgeDetection产生的边缘图像,检测围绕该种子点的最接近的连续边缘线(edgeLine)。ComputeAverageIntensity计算围绕该种子点的最接近边缘线上的边缘点的平均强度,以及SeedBasedRegionGrowing根据边缘图像和停止判据(强度阈值-regionGrowThreshold)来分割血管区域。图10示出了该分割算法的一些结果。
再次回到图9,在示例性实施例中,椭圆映射107的过程960可以在区域点上应用主分量分析(Principle Components Analysis,PCA)以找到椭圆的长轴、短轴和原点。PCA是一种数学方法,它将若干可能相关的变量转换为较少数量的被称为主分量的不相关变量。第一主分量(其包括特征向量和特征值)尽可能多地说明数据中的可变性,并且每个后继的分量尽可能多地说明剩余的可变性。因此,在PCA转换之后,沿着所获得的特征向量,采样方差是极值(最大值和最小值)并且是不相关的。
在示例性实施例中,可使用PCA的性质来完成椭圆映射。采集血管区域点的位置,作为PCA的输入。在分解这些点的位置的协方差矩阵之后,第一特征向量指向其中点分布的方差最大的方向,而第二特征向量指向其中点分布的方差最小的方向。因此,第一特征向量暗示在哪里测量最大直径,而第二特征向量暗示在哪里测量最小直径。在示例性实施例中,第一和第二特征向量可以被用作椭圆的长轴方向和短轴方向,以及平均位置被使用作为该椭圆的原点。
椭圆映射的典型方法是将参数化椭圆模型拟合到血管区域并且最小化该拟合误差。在图像处理期间,PCA通常用于减少特征(多元方差)的维数,并且很少用于椭圆映射。然而,基于它的数学基础,该方法可以提供各特征主要沿着其分布的最佳方向。PCA,如在以上示例性实施例中所描述的,提供了沿着该方向布置有血管边缘点的最多点或最少点的方向。这些方向是椭圆的轴方向。
在示例性实施例中使用PCA用于椭圆映射可以有多种好处。首先,PCA提供点分布的最佳方向。此外,因为PCA的统计特性,其可以避免噪声干扰。此外,在使用PCA用于椭圆映射中具有较低的计算成本。PCA的计算复杂度是O(n),其中n是边缘点的数量。
参见图9的980,可以测量沿着长轴和短轴的各直径。在示例性实施例中,边缘点可以沿着轴分组到原点的两侧,并且测量该两组点之间的最短距离作为直径。
在本发明的示例性实施例中,可以使用以下的用于椭圆映射的示例性伪代码(如结合图1的107和图9在以下所述的):
SegmentBloodVesselRegion(seed,image,resRegion);
ComputerConvarianceMatrix(resRegion,covariance);
Decomposition(covariance,eigenvectors,eigenvalues);
ellipseOrigin=LocateEllipseOrigin(eigenvectors);
For each eigenvector,
{
FindEdgePointsOnTwoSides(edgePointsOnLeftSide,
edgePointsOnRightSide);
diameter=FindShortestDistance();
}
SegmentBloodVesselRegion可以使用所描述的示例性实施例的基于种子的区域生长方法。这些区域点存储在resRegion中,并且ComputeConvarianceMatrix可以计算在分割区域中的点的位置的协方差矩阵。Decomposition可以计算该协方差矩阵的两个特征向量和特征值。EdgePointsOnTwoSides沿着特征向量寻找边缘点,并且将这些边缘点分组到两侧(edgePointsOnLeftSide,edgePointsOnRightSide)。图11示出了示例性的椭圆映射的结果。
回到图1,108涉及模板映射。在本发明的示例性实施例中,本方法将测量模板映射到动脉瘤体来确保可以进行用于固定模(stent)规划的所有必要测量。这种自动映射过程的好处是可以减少手工测量的繁琐工作。此外,在示例性实施例中,最佳匹配固定模可以从数据库自动选择出来。108的处理使用平滑的中心线和分割的动脉瘤体来产生固定模规划和选择所必需的自动化测量(如直径、长度、角度和体积)。
图12说明了用于模板映射的示例性方法。模板映射1200的1205测量在肾动脉之上(第一用户定义点)的直径以及在近端植入部位处(第二用户定义点)的直径,以及1210确定在近端植入位置以下15mm处(该距离沿着中心线测量)的直径。接下来,在1215和1220,可以检测主动脉分支以及可以测量在主动脉分支处的直径(远端颈直径)。在一些示例性实施例中,可以自动地检测主动脉分支的位置。自动检测可以基于多个观测。例如,在椭圆映射之后,椭圆的原点可能不与对应的中心线结点相吻合。但是映射区域越接近圆形,则椭圆的原点和该中心线结点之间的距离越小。针对自动检测的另一考虑是在分支附近要映射的区域是否较之沿着主动脉的别处更不近似圆形。进一步的考虑是在分支附近的区域形状是否像“8”,好像是由两个连接在一起的圆形分支形成。如果在两个圆形分支之间的连接非常薄(例如1或2个像素),椭圆映射可以检测在区域中的边缘点。因此,获得的椭圆直径接近较大分支的直径,以及获得的椭圆原点接近该较大分支的中心线结点。在这样的情况下,如果沿着较小分支的中心线继续进行搜索,则可以发现对应的中心线结点在所获得椭圆的外部。在椭圆映射之前,可以利用简单形态学开运算,通过分离该弱连接的分支来避免这种问题。在示例性实施例中,可以使用两个判据来定位解剖分支。第一,从椭圆原点到中心线点的偏离相对较大,以及第二,在解剖分支附近的直径突然变化。在本发明的示例性实施例中,该自动主动脉分支检测可以在步骤1215发生。
在本发明的示例性实施例中,可以使用以下用于主动脉分支检测的伪代码:
For each centerline node inferior to centerline bifurcation
and superior to centerline end
{
EllipseMapping(centerline_node,centerline_node_tangent);
if centerline_node is outside of the ellipse,
{
Opening(mapping_slice);
EllipseMapping(centerline_node,centerline_node_tangent);
}
if(Distance(ellipse_origin,centerline_node)>
average_distance*THREHOLD_RATIO1)and
(nextDiameter<diameter*THRESHOLD_RATIO2
{
bifurcation_location=centerline_node;
break;
}
}
在以上提供的示例性的伪代码中,centerline_node表示在中心线上的点,以及centerline_node_tangent表示在该centerline_node处的切线方向。可以计算average_distance作为从椭圆原点到沿着每个髂中心线的中心线结点的距离的标准方差。THREHOLD_RATIO1和THREHOLD_RATIO2是针对特定领域的值。如THREHOLD_RATIO1可以设置为3.0并且THREHOLD_RATIO2可以设置为2/3作为用于腹部主动脉瘤数据的优选比率。THREHOLD_RATIO1表示椭圆原点与中心线结点的距离的比率,以及THREHOLD_RATIO2表示沿着中心线的连续直径变化的速率。
在本发明的示例性实施例中,还可以在图12的1230自动地检测髂分支(iliac bifurcation)的位置。至少由于两个原因,髂分支的检测不同于主动脉分支的检测。首先,对于检测主动脉分支而言,可以使用两个中心线(分别是左髂动脉和右髂动脉的中心线)。然而,在髂分支之后,只提取了髂外动脉的中心线。第二,在髂动脉上可能有动脉瘤。因此,有关主动脉分支的第二假设(在解剖分支附近的直径突然变化)不能再用于识别髂分支。例如,髂动脉瘤的端部也可以满足这种条件。因此用于定位髂分支的判据可以修改为:第一,从椭圆原点至中心线点的偏差在分支之后突然降低,以及第二,分支不是圆形的。第一判据排除了动脉瘤的可能性。而第二标准协助从中心线提取的过程中去除噪声。当中心线提取的误差显著时,在非分支部分上偏差可能较大。然而,在非分支部分上的横截面通常比分支部分的横截面更近似圆。因此,源自中心线提取的噪声可以通过检查横截面的圆度来进行过滤。在应用有关髂动脉的判据之前,必须进行噪声过滤步骤,以去除从椭圆映射产生的噪声。
在本发明的示例性实施例中,用于髂分支检测的伪代码可以是以下的伪代码:
For each centerline node inferior to aorta anatomic bifurcation
and superior to the subjective end of external iliac artery
{
EllipseMapping(centerline_node,centerline_node_tangent);
Computer_Deviation_From_Centerline_Node();
Compute_NotCircular_Degree();
}
Filtering_Noise_From_EllipseMapping(ellipses);
maxDeviation=0;
For each ellipse,
{
if((currentDeviation<THRESHOLD1*prevDeviation
and(currentDeviation>meanDeviation)
and(currentDiameter<prevDiameter)
and(currentNotCircuitDegree>THRESHOLD2)
and(currentDeviation>maxDeviation))
{
maxDeviation=currentDeviation;
possible_bifurcation_location=prev_centerline_node;
}
}
bifurcation_location=possible_bifurcation_location;
在以上提供的示例性伪代码中,centerline_node表示在中心线上的点,以及centerline_node_tangent表示在该centerline_node处的切线方向。Compute_Deviation_From_Centerline_Node()用于计算从椭圆原点到沿着每个髂中心线的中心结点的距离的标准方差。
Compute_NorCircular_Degree()用于计算每个椭圆的长轴短轴比率。该比率值越大,圆度越小。
Filtering_Noise_From_EllipseMapping()是过滤那些由椭圆映射产生的显著误差的函数。THREHOLD1和THREHOLD2是针对特定领域的值。例如,THREHOLD1可以设置为例如2/3,以及THREHOLD2可以设置为例如1.2。
在图12的1225处,可以测量主动脉瘤体的直径。在示例性实施例中,该直径测量可以从近端植入部位以下大约15mm的点到主动脉分支进行测量。接下来,左和右总髂动脉以及左和右髂外动脉的最小直径可以在图12的步骤1235和1240处进行测量。在1245处,可以测量左和右髂外动脉的端部(用户定义的第二点和第三点)的直径。例如可以在1250处测量沿着中心线的从肾下动脉到主动脉分支的长度。接下来,可以在1255处测量从肾下动脉到左和右髂总动脉的长度。可以在1260处测量从肾下动脉到左和右髂动脉的端部的长度。在本发明的示例性实施例中,可以在1265处测量近端颈角度(proximal neckangle),可以在1270处测量左和右髂角度。
在完成这些示例性的测量之后,在1275处可以验证满足了在判据说明中规定的所有测量条件。如果任何测量没有通过条件检验,则可以将可视反馈和通知提供给用户。
最后在1280处,可以基于以上的测量来从固定模数据库确定最佳匹配固定模。在本发明的示例性实施例中,用户能够设置匹配容限。最佳匹配固定模是尽可能接近地匹配自动化测量并且具有不超过用户所指定匹配容限的固定模。如果没有可用的固定模满足要求,则将产生测量报告,该测量报告然后可以用作制造定制固定模的依据。编辑测量
回到图1,在示例性实施例中可以执行在109处的编辑测量,该编辑测量在图15中更详细地进行描述。在示例性实施例中,可以在1520编辑直径测量,因此使得可以在3D环境中进行测量的求精(refinement)。这样如在图16中所示的示例性3D环境,可以允许用户具有比在类似的2D环境中更大的自由度来编辑腹部主动脉瘤测量。在示例性实施例中,3D环境可以使用立体或自动立体显示系统。通过使用直径、长度和角度测量,可以通过对所提供的腹部主动脉瘤的图像进行移动、调整大小和旋转来产生修改后的测量。
在示例性编辑过程期间,在测量位置处显示用于测量的切片。用户可以编辑直径测量。在移动操作中,用户可以沿着中心线移动直径测量。图17A说明了在移动操作之前的椭圆的直径,以及图17B描绘了在移动过程之后的椭圆的直径,其中椭圆距近端颈较远。一旦确定了新位置,可以执行自动计算(也就是椭圆映射)来形成新的测量。直径测量的移动可以限制在沿着中心线在其之上和其以下的两个直径测量之间的范围内。
如果用户期望在3D环境中执行调整大小操作,可以改变椭圆直径的尺寸和形状。为了改变椭圆的形状,用户可以选择椭圆的轴以及将该轴拖曳到期望位置。为了改变椭圆的尺寸,用户可以选择在椭圆上的任何位置,除了在轴上或轴附近的位置。图18A描绘了在调整大小操作之前的椭圆的直径。转到图18B,显示了在调整大小之后的椭圆,这里的椭圆被扩大。在示例性实施例中,椭圆还可以被再成形(reshape)。图19A说明了再成形之前的椭圆的直径,而图19B描绘了再成形之后的直径。在图19B中,在长轴上的拖曳点可以被置于新位置,以及椭圆可以被再计算。
此外,用户可以在3D环境中执行旋转操作,允许用户通过手工移动(例如在示例性系统中的图像的手动移动)来绕着对应中心线旋转椭圆。图20A说明了在旋转操作之前的椭圆,而图20B描绘了在旋转操作之后的椭圆,这里调整了椭圆的朝向。在调节了朝向之后,执行自动计算(也就是椭圆映射)来形成新的测量。
回到图15,在如上所述编辑直径测量的同时,长度测量叶可以在1540相应地编辑。通常,用户不必直接编辑长度测量。一旦在近端植入部位处、在主动脉分支处或在左和右髂动脉的端部处的直径椭圆被移动,则对应的长度测量可以被自动再计算。
除了编辑直径和长度测量,角度测量也可以在图15的1560进行编辑。在本发明的示例性实施例中,用户可以通过选择和拖曳角度的任何侧边来选择,如在图21中所示的。
验证测量
再一次转到图1,最终的处理操作是验证测量110,其可以用于验证在此前步骤中已经进行的直径、长度和角度测量是精确的。
可以使用多种方法来验证测量结果。在一个示例性实施例中,可以使用手工验证。在该模式下,用户可以将切面布置在沿任何朝向的血管的任何位置处。如在图22中所示,在切面的中心处显示具有原始数据强度的对应裁剪切片。因此,用户可以核对测量结果相对于原始数据匹配得如何。
在另一示例性实施例中,利用切片视图的引导验证可以用于验证测量结果。在此模式下,如在图23中所示出的,利用中心线来引导验证。为此目的,三个滑动条分别用于动脉瘤体、左髂动脉和右髂动脉。随着用户移动滑动条,切面,其中心位于中心线点处并且保持垂直于中心线,被自动地移动通过中心线。在中心线各位置的原始切片被显示在切面的中心处。在验证过程期间,切面总是面对用户以获得最佳视角。
在又一示例性实施例中,可使用“虚拟飞行漫游”(利用测量的血管“虚拟飞行漫游”)的引导验证来用于验证测量。在这种模式下,用户可以从主动脉的内部看到血管和测量。该路径利用中心线来确定。因此,用户可以从血管内部来验证测量。这种模式给予用户从主动脉内部对于动脉瘤的拓扑和几何形状的增加的保证。
示例性系统
在根据本发明的示例性实施例中,可以使用任何3D数据集显示系统。例如,由新加坡的Volume Interactions Pte公司提供的DextroscopeTM是用于本发明的示例性实施例的优秀平台。所述的功能性可以例如以硬件、软件或它们的任何组合来实现。
已经结合示例性实施例和实现描述了本发明,这些示例性实施例和实现只是作为例子。因此,结合腹部主动脉瘤描述的任何功能也可以应用于任何器官或内腔结构,例如大血管,或者例如心脏或肝脏,应该理解,知识结构到器官的映射将包括取决于要研究的器官的不同特征结构。本领域技术人员能够理解,对于任何示例性实施例或实现可以容易地做出修改,而不实质性偏离本发明的范围或精神。
Claims (30)
1.一种使用知识结构映射来测量管状器官的方法,其包括:
定义知识结构模板;
执行中心线提取;
执行椭圆映射;以及
执行模板映射。
2.根据权利要求1所述的方法,还包括编辑测量和验证测量。
3.根据权利要求1所述的方法,其中所述中心线提取还包括:
分类边界点,并存储这些边界点用于处理;
检查所述边界点中的简单边界点;
执行细化操作;以及
跟踪指定的管状器官。
4.根据权利要求3所述的方法,其中所述的分类边界点进一步包括确定体素在背景中是否具有任何近邻。
5.根据权利要求3所述的方法,其中检查简单点还包括确定体素点去除是否安全。
6.根据权利要求5所述的方法,其中所述确定点去除是否安全包括:
确定在去除所述体素点之后,所述点的欧拉特性是否保持一样;以及
确定非背景点近邻是否通过路径连接。
7.根据权利要求1所述的方法,还包括执行所述中心线的平滑。
8.根据权利要求7所述的方法,其中所述中心线的平滑是高斯平滑。
9.根据权利要求7所述的方法,其中所述平滑包括:
寻找所述中心线上的特征点;以及
基于提取的特征点来执行分段B样条拟合以参数化所述中心线。
10.根据权利要求7所述的方法,其中所述平滑包括:
把中心线点分类到各类型;
把低通滤波器应用到第一类型结点;以及
沿着所述中心线调节所述第一类型和第二类型点的位置。
11.根据权利要求1所述的方法,其中所述椭圆映射还包括:
基于分割体来提取图像平面;
在所述分割体的每个图像平面上使用带有边缘检测的基于种子的区域生长技术;
在区域点上应用主分量分析,以找到椭圆的长轴、短轴和原点;以及
测量沿着所述长轴和短轴的各直径。
12.根据权利要求1所述的方法,其中所述模板映射还包括:
测量在近端植入部位处的直径;
测量所述近端植入部位以上15mm处的直径;
测量在主动脉分支处的直径;
测量动脉瘤体的最大直径,其中该测量从所述近端植入部位以上15mm处到所述主动脉分支来进行;
测量左和右髂外动脉的端部的直径;
测量在主动脉分支以上并且在髂动脉的端部以下的左和右髂动脉的最小直径;
测量沿着中心线的肾下动脉到主动脉分支的长度;
测量从肾下动脉到左和右髂动脉的端部的长度;
测量近端颈角度;以及
测量左和右髂动脉。
13.根据权利要求12所述的方法,其中所述主动脉分支是自动检测的。
14.根据权利要求12所述的方法,还包括检验在所述知识结构模板中的所有测量条件得到满足。
15.根据权利要求14所述的方法,还包括从固定模数据库确定最佳匹配固定模。
16.根据权利要求1所述的方法,其中编辑测量还包括沿着中心线移动所述直径测量,并且自动地重新映射椭圆。
17.根据权利要求1所述的方法,其中编辑测量还包括改变椭圆直径的尺寸和形状。
18.根据权利要求1所述的方法,其中编辑测量还包括绕着所述中心线旋转直径椭圆。
19.根据权利要求1所述的方法,其中编辑测量还包括编辑所述椭圆的长度测量。
20.根据权利要求1所述的方法,其中编辑测量还包括编辑角度测量。
21.根据权利要求1所述的方法,其中所述验证测量还包括手工验证。
22.根据权利要求1所述的方法,其中所述验证测量还包括利用切片视图的引导验证。
23.根据权利要求1所述的方法,其中所述验证测量还包括利用虚拟飞行漫游的引导验证。
24.一种用于把定义的知识结构映射到器官数据的方法,其包括:
定义知识结构模板,其包括所述器官的解剖标记;
执行关键标记特征的提取;
执行几何结构的映射;以及
执行模板映射。
25.根据权利要求24所述的方法,其中所述器官是管状结构。
26.根据权利要求25所述的方法,其中所述关键标记特征包括一个或多个管状结构的中心线。
27.根据权利要求25所述的方法,其中所述几何结构是对应于所述一个或多个管状结构的内腔或外腔的横截面的椭圆结构。
28.根据权利要求24所述的方法,其中所述器官是心脏。
29.根据权利要求28所述的方法,其中所述关键标记特征包括左和右心室静脉和动脉的几何和空间参数。
30.根据权利要求29所述的方法,其中所述标记包括静脉和动脉的中心线。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63126604P | 2004-11-26 | 2004-11-26 | |
US60/631,266 | 2004-11-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101036163A true CN101036163A (zh) | 2007-09-12 |
Family
ID=35822549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2005800336651A Pending CN101036163A (zh) | 2004-11-26 | 2005-11-28 | 一种把知识结构映射到器官的方法:利用知识结构映射的自动测量和可视化 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20060280351A1 (zh) |
EP (1) | EP1815436A1 (zh) |
JP (1) | JP2008521461A (zh) |
CN (1) | CN101036163A (zh) |
CA (1) | CA2580444A1 (zh) |
WO (1) | WO2006056613A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982227A (zh) * | 2011-07-25 | 2013-03-20 | 西门子公司 | 用于血管血流模式分析的方法 |
CN103476345A (zh) * | 2011-04-14 | 2013-12-25 | 日立阿洛卡医疗株式会社 | 超声波诊断装置 |
CN104992437A (zh) * | 2015-06-29 | 2015-10-21 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维图像分割的方法 |
CN105027163A (zh) * | 2013-03-06 | 2015-11-04 | 皇家飞利浦有限公司 | 扫描区域确定装置 |
WO2016004902A1 (en) * | 2014-07-11 | 2016-01-14 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image processing |
Families Citing this family (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8233964B2 (en) * | 2005-09-16 | 2012-07-31 | Siemens Medical Solutions Usa, Inc. | System and method for color-coding segmented chest image airways for assessment |
JP4690204B2 (ja) * | 2006-01-16 | 2011-06-01 | 富士フイルム株式会社 | 画像再生装置およびそのプログラム |
EP2024935A1 (en) * | 2006-05-11 | 2009-02-18 | Philips Intellectual Property & Standards GmbH | Method and apparatus for reconstructing an image |
US20090024152A1 (en) * | 2007-07-17 | 2009-01-22 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Custom-fitted blood vessel sleeve |
US20080133040A1 (en) * | 2006-06-16 | 2008-06-05 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Methods and systems for specifying a blood vessel sleeve |
US8551155B2 (en) * | 2006-06-16 | 2013-10-08 | The Invention Science Fund I, Llc | Stent customization system and method |
US8478437B2 (en) * | 2006-06-16 | 2013-07-02 | The Invention Science Fund I, Llc | Methods and systems for making a blood vessel sleeve |
US8095382B2 (en) * | 2006-06-16 | 2012-01-10 | The Invention Science Fund I, Llc | Methods and systems for specifying a blood vessel sleeve |
US8163003B2 (en) | 2006-06-16 | 2012-04-24 | The Invention Science Fund I, Llc | Active blood vessel sleeve methods and systems |
US8147537B2 (en) * | 2006-06-16 | 2012-04-03 | The Invention Science Fund I, Llc | Rapid-prototyped custom-fitted blood vessel sleeve |
US8550344B2 (en) * | 2006-06-16 | 2013-10-08 | The Invention Science Fund I, Llc | Specialty stents with flow control features or the like |
US7818084B2 (en) * | 2006-06-16 | 2010-10-19 | The Invention Science Fund, I, LLC | Methods and systems for making a blood vessel sleeve |
EP2063801A1 (en) * | 2006-09-08 | 2009-06-03 | Medtronic, Inc. | System for identification of anatomical landmarks |
US9014439B2 (en) * | 2007-01-19 | 2015-04-21 | Mayo Foundation For Medical Education And Research | Oblique centerline following display of CT colonography images |
US20100142783A1 (en) * | 2007-01-19 | 2010-06-10 | Mayo Foundation For Medical Education And Research | Axial centerline following display of ct colonography images |
US7929762B2 (en) * | 2007-03-12 | 2011-04-19 | Jeffrey Kimball Tidd | Determining edgeless areas in a digital image |
ATE544132T1 (de) | 2007-05-30 | 2012-02-15 | Cleveland Clinic Foundation | Automatisiertes mittellinien-extraktionsverfahren und erzeugung eines entsprechenden analytischen ausdrucks und verwendung hierfür |
WO2008149274A1 (en) * | 2007-06-07 | 2008-12-11 | Koninklijke Philips Electronics N.V. | Inspection of tubular-shaped structures |
US8718363B2 (en) * | 2008-01-16 | 2014-05-06 | The Charles Stark Draper Laboratory, Inc. | Systems and methods for analyzing image data using adaptive neighborhooding |
US8737703B2 (en) * | 2008-01-16 | 2014-05-27 | The Charles Stark Draper Laboratory, Inc. | Systems and methods for detecting retinal abnormalities |
US9064300B2 (en) * | 2008-02-15 | 2015-06-23 | Siemens Aktiengesellshaft | Method and system for automatic determination of coronory supply regions |
JP2011517986A (ja) * | 2008-04-16 | 2011-06-23 | ユニヴェルシテ ドゥ ローザンヌ | 腹部大動脈瘤の自動検知および正確なセグメント分割 |
JP5576041B2 (ja) * | 2008-06-09 | 2014-08-20 | 日立アロカメディカル株式会社 | 超音波診断装置 |
US8214756B2 (en) * | 2008-11-25 | 2012-07-03 | Vital Images, Inc. | User interface for iterative image modification |
US8837791B2 (en) * | 2010-12-22 | 2014-09-16 | Kabushiki Kaisha Toshiba | Feature location method and system |
ES2651317T3 (es) | 2011-03-01 | 2018-01-25 | Dolphin Imaging Systems, Llc | Sistema y método para generar cambio de perfil utilizando datos de monitorización cefalométricos |
US8417004B2 (en) * | 2011-04-07 | 2013-04-09 | Dolphin Imaging Systems, Llc | System and method for simulated linearization of curved surface |
US8650005B2 (en) | 2011-04-07 | 2014-02-11 | Dolphin Imaging Systems, Llc | System and method for three-dimensional maxillofacial surgical simulation and planning |
WO2012170448A1 (en) * | 2011-06-05 | 2012-12-13 | The Research Foundation Of State University Of New York | System and method for simulating deployment configuration of an expandable device |
DE102011077753B4 (de) * | 2011-06-17 | 2020-06-10 | Siemens Healthcare Gmbh | Vorrichtung zur Planung einer Transkatheter-Aortenklappen-Implantation |
US8577693B2 (en) | 2011-07-13 | 2013-11-05 | The Invention Science Fund I, Llc | Specialty stents with flow control features or the like |
US8588501B2 (en) * | 2011-07-29 | 2013-11-19 | Siemens Aktiengesellschaft | Automatic pose initialization for accurate 2-D/3-D registration applied to abdominal aortic aneurysm endovascular repair |
US9147239B2 (en) * | 2011-12-23 | 2015-09-29 | Stmicroelectronics S.R.L. | Computing the mass of an object |
JP5931508B2 (ja) | 2012-03-02 | 2016-06-08 | 株式会社東芝 | 医用画像処理装置 |
KR20140015079A (ko) * | 2012-07-27 | 2014-02-06 | 삼성전자주식회사 | 중심선을 보정하는 방법 및 장치 |
US20140161328A1 (en) * | 2012-12-12 | 2014-06-12 | Jud Ireland | System and Method for Automatically Selecting a Condom Size from a Picture Reference |
CA2938077A1 (en) * | 2013-03-15 | 2014-09-18 | Bio-Tree Systems, Inc. | Methods and system for linking geometry obtained from images |
EP3035884B1 (en) | 2013-08-13 | 2022-11-23 | Regents of the University of Minnesota | Computer visualization of anatomical items |
US11403809B2 (en) | 2014-07-11 | 2022-08-02 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image rendering |
CN106308848B (zh) * | 2015-07-10 | 2024-01-23 | 通用电气公司 | 一种用于测量超声影像的方法及装置 |
JP6780936B2 (ja) * | 2016-01-13 | 2020-11-04 | ザイオソフト株式会社 | 医用画像処理装置、医用画像処理方法、及び医用画像処理プログラム |
WO2018001099A1 (zh) * | 2016-06-30 | 2018-01-04 | 上海联影医疗科技有限公司 | 一种血管提取方法与系统 |
US11944495B2 (en) | 2017-05-31 | 2024-04-02 | Foundry Innovation & Research 1, Ltd. | Implantable ultrasonic vascular sensor |
US11132801B2 (en) | 2018-02-02 | 2021-09-28 | Centerline Biomedical, Inc. | Segmentation of three-dimensional images containing anatomic structures |
US11127138B2 (en) * | 2018-11-20 | 2021-09-21 | Siemens Healthcare Gmbh | Automatic detection and quantification of the aorta from medical images |
WO2020206338A1 (en) | 2019-04-04 | 2020-10-08 | Centerline Biomedical, Inc. | Modeling regions of interest of an anatomic structure |
US11328413B2 (en) | 2019-07-18 | 2022-05-10 | Ischemaview, Inc. | Systems and methods for analytical detection of aneurysms |
US11229367B2 (en) | 2019-07-18 | 2022-01-25 | Ischemaview, Inc. | Systems and methods for analytical comparison and monitoring of aneurysms |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPQ449899A0 (en) * | 1999-12-07 | 2000-01-06 | Commonwealth Scientific And Industrial Research Organisation | Knowledge based computer aided diagnosis |
US6728866B1 (en) * | 2000-08-31 | 2004-04-27 | International Business Machines Corporation | Partitioned issue queue and allocation strategy |
US7706600B2 (en) * | 2000-10-02 | 2010-04-27 | The Research Foundation Of State University Of New York | Enhanced virtual navigation and examination |
US6782284B1 (en) * | 2001-11-21 | 2004-08-24 | Koninklijke Philips Electronics, N.V. | Method and apparatus for semi-automatic aneurysm measurement and stent planning using volume image data |
-
2005
- 2005-11-28 JP JP2007542001A patent/JP2008521461A/ja not_active Withdrawn
- 2005-11-28 CA CA002580444A patent/CA2580444A1/en not_active Abandoned
- 2005-11-28 WO PCT/EP2005/056273 patent/WO2006056613A1/en active Application Filing
- 2005-11-28 US US11/289,230 patent/US20060280351A1/en not_active Abandoned
- 2005-11-28 CN CNA2005800336651A patent/CN101036163A/zh active Pending
- 2005-11-28 EP EP05815703A patent/EP1815436A1/en not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103476345A (zh) * | 2011-04-14 | 2013-12-25 | 日立阿洛卡医疗株式会社 | 超声波诊断装置 |
CN103476345B (zh) * | 2011-04-14 | 2015-08-12 | 日立阿洛卡医疗株式会社 | 超声波诊断装置 |
CN102982227A (zh) * | 2011-07-25 | 2013-03-20 | 西门子公司 | 用于血管血流模式分析的方法 |
CN102982227B (zh) * | 2011-07-25 | 2016-12-21 | 西门子公司 | 用于血管血流模式分析的方法 |
CN105027163A (zh) * | 2013-03-06 | 2015-11-04 | 皇家飞利浦有限公司 | 扫描区域确定装置 |
CN105027163B (zh) * | 2013-03-06 | 2018-09-07 | 皇家飞利浦有限公司 | 扫描区域确定装置 |
WO2016004902A1 (en) * | 2014-07-11 | 2016-01-14 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image processing |
US10692272B2 (en) | 2014-07-11 | 2020-06-23 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for removing voxel image data from being rendered according to a cutting region |
CN104992437A (zh) * | 2015-06-29 | 2015-10-21 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维图像分割的方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2008521461A (ja) | 2008-06-26 |
WO2006056613A1 (en) | 2006-06-01 |
CA2580444A1 (en) | 2006-06-01 |
EP1815436A1 (en) | 2007-08-08 |
US20060280351A1 (en) | 2006-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101036163A (zh) | 一种把知识结构映射到器官的方法:利用知识结构映射的自动测量和可视化 | |
CN101052352A (zh) | 图像诊断处理设备和图像诊断处理程序 | |
CN111612743B (zh) | 一种基于ct图像的冠状动脉中心线提取方法 | |
CN1273935C (zh) | 用于分割磁共振心脏图像中左心室的变化的方法 | |
CN103294883B (zh) | 用于针对经导管主动脉瓣植入进行介入规划的方法和系统 | |
CN1838130A (zh) | Cad系统中检查解剖学形状的方法和系统 | |
CN1943513A (zh) | 一种针对ct图像的处理装置、方法及系统 | |
CN1765330A (zh) | 超声血管测量设备和方法 | |
US8218845B2 (en) | Dynamic pulmonary trunk modeling in computed tomography and magnetic resonance imaging based on the detection of bounding boxes, anatomical landmarks, and ribs of a pulmonary artery | |
US20140379119A1 (en) | System for remote and automated manufacture of products from user data | |
JP5011426B2 (ja) | 画像診断支援装置、方法及びプログラム | |
CN1639725A (zh) | 图像像素编码方法、图像处理方法和针对一个或多个图像像素再现的对象进行定性识别的图像处理方法 | |
CN1923140A (zh) | 图像测量装置、方法以及肾小球滤过率的图像测量系统 | |
US20060008143A1 (en) | Hierachical image segmentation | |
CN1442118A (zh) | 图像处理设备和超声诊断设备 | |
CN109478327B (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 | |
US20080260224A1 (en) | Using statistical process control (SPC) to demonstrate solution convergence in a technician guided segmentation system | |
CN101075346A (zh) | 数字图像中用于感兴趣点吸引的方法 | |
US20070081702A1 (en) | Method and system for processing an image of body tissues | |
JP2007537811A (ja) | 結節の検出方法 | |
WO2020006032A1 (en) | Systems and methods for accelerated online adaptive radiation therapy | |
JP5105997B2 (ja) | 医用画像処理装置、医用画像診断装置、及びプログラム | |
CN1924930A (zh) | 分割数字医学图像中解剖实体的方法 | |
JP2017524404A (ja) | 画像をセグメント化するためのパラメータの最適化 | |
CN1882950A (zh) | 用于管状器官的三维重建的系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |