CN101057255A - 医学图像配准的系统和方法 - Google Patents
医学图像配准的系统和方法 Download PDFInfo
- Publication number
- CN101057255A CN101057255A CNA2005800384797A CN200580038479A CN101057255A CN 101057255 A CN101057255 A CN 101057255A CN A2005800384797 A CNA2005800384797 A CN A2005800384797A CN 200580038479 A CN200580038479 A CN 200580038479A CN 101057255 A CN101057255 A CN 101057255A
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- mask
- zone
- insufficient
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及医学图像(10,11)配准的系统(1)和方法。而且本发明涉及计算机程序(5),当该计算机程序(5)在计算机(2)中运行时,该计算机程序(5)进行医学图像(10,11)的配准。为了提供更加精确的医学图像配准变换,建议检测不充分相似区域(14,14’,25,26)并且借助排除掩模(22,24,27)将它们从配准过程中排除,该排除掩模指出在配准处理期间不应当包含哪些像素/体元。
Description
技术领域
本发明涉及医学图像配准的系统和方法。而且本发明涉及一种计算机程序,当该计算机程序在计算机上运行时,该计算机程序用于进行医学图像配准。
背景技术
已知多种不同的医学成像技术。功能性身体图像(给出生理信息)可以例如通过单光子发射计算机断层摄影(SPECT)和正电子发射断层摄影(PET)来获得。结构图像(给出身体的解剖图)可以例如通过磁共振成像(MRI)和X射线计算机断层摄影(CT)来获得。这些技术提供具有互补的并且偶尔矛盾的信息的医学图像。
图像配准(即,两个或多个医学图像中的解剖学对应的位置的匹配)是获得单个图像中不明显的附加信息的常用技术,并且因此对研究、诊断和治疗具有重大意义。用来配准的医学图像不必是利用不同图像技术的医学成像结果。使用相同成像技术采用不同图像采集协议进行成像所得到的图像或者采用相同图像采集协议和相同成像技术重复成像(在不同的时刻)所得到的图像的配准具有同等的重要意义。
各种成像技术和/或图像采集协议都有其特定优点和局限性。例如,采用CT成像可以将骨骼的细节很好地显现出来,而在MR图像中很难看到骨骼的细节。为了利用这两种医学手段,可以将CT和MR图像彼此配准,就是说,可以确定这些图像中解剖学对应位置之间的几何变换。利用这一变换,可以将图像合并起来,例如,可以将CT中的骨骼显现在MR图像中。
已经开发出了若干种图像配准技术,从刚性的、仿射的到完全非刚性的配准。在Hajnal、Hill和Hawkes所著的书籍《Medical ImageRegistration》(CRC Press,ISBN 0-8493-0064-9)中可以找到综述。存在多种多样的确定配准变换的解决方案。它们通常基于使用相似性度量进行的配准变换的迭代优化。公知的相似性度量是相关熵、(归一化)交互信息和互相关。例如,对于刚性配准,确定出使图像之间的相似性最佳的平移和旋转。不过,当前的手段仅仅在要加以配准的图像之间确有充足的相似性的情况下有效。不过,可能出现这样的情况:由于例如成像伪影或采集协议的特定属性,图像的相当多部分根本不相似。在这种情况下,这些区域将会对配准的结果造成负面影响(不是最佳的或错误的配准变换)。
发明内容
本发明的目的是提供更加精确的医学图像配准变换,即,获得图像中解剖学上相应的位置之间的更好匹配。
按照本发明,这个目的是由用于医学图像配准的系统实现的,该系统包括:检测模块,适合用于检测第一图像中的一个或多个图像区域,这些图像区域不充分相似于第二图像的对应图像区域;遮蔽模块,适合用于创建至少一个排除掩模(exclusion mask),用以指定属于这些不充分相似图像区域的图像像素/体元;和配准模块,适合用于进行不包含在排除掩模中的第一图像的图像区域与第二图像的相应图像区域之间的配准。
本发明的目的也是由医学图像配准方法实现的,该方法包括步骤:检测第一图像中的一个或多个图像区域,这些图像区域不充分相似于第二图像的对应图像区域;创建至少一个排除掩模,用以指定属于这些不充分相似图像区域的图像像素/体元;和进行不包含在排除掩模中的第一图像的图像区域与第二图像的相应图像区域之间的配准。
本发明的目的也是由用于医学图像配准的计算机程序实现的,该程序包括:在该计算机程序在计算机中运行时,用来检测第一图像中的一个或多个图像区域的计算机指令,这些图像区域不充分相似于第二图像的对应图像区域;用来创建至少一个排除掩模的计算机指令,该排除掩模用以指定属于这些不充分相似图像区域的图像像素/体元;和用来进行不包含在排除掩模中的第一图像的图像区域与第二图像的相应图像区域之间的配准的计算机指令。按照本发明必要的技术效果因此可以基于按照本发明的计算机程序的指令来实现。这样的计算机程序可以存储在诸如CD-ROM的载体上,或者可以通过因特网或其它计算机网络来获得。在运行之前,通过例如借助CD-ROM播放器从载体中或者从因特网中读取该计算机程序并且将其存储到计算机的存储器中,将该计算机程序加载到计算机中。该计算机尤其包括中央处理器单元(CPU)、总线系统、存储器装置(例如,RAM或ROM等)、存储设备(例如,软盘或硬盘单元等)和输入/输出单元。备选地,本发明的方法可以用硬件来实现,例如,使用一个或多个集成电路来实现。
本发明的核心思想是将医学图像的一些部分从配准过程中排除。更加确切地说,本发明建议自动检测不充分相似区域并且借助指出在配准处理期间不应包含哪些像素/体元的排除掩模将它们从配准过程中排除。本发明得到更加精确的医学图像配准变换。不充分相似的图像仍然可以利用本发明的配准技术得到配准,而不会观察到错误的结果。本发明可以应用于不同的成像技术和图像采集协议。
本发明的这些和其它方面将会基于从属权利要求中定义的下文中实施方式得到进一步详细介绍。
按照本发明的优选实施方式,不充分相似区域是通过比较相应图像区域的像素/体元亮度(intensity)来自动检测的。例如,将第一图像中血管的某一部分的像素/体元亮度与另一个图像中该血管的相同部分进行比较。为此,使检测模块和/或计算机程序相应地适应。检测不充分相似区域的具体方法必须要单独地并且依据图像属性(例如,图像中所示的解剖学位置的种类(例如,对象的形状)、所使用的成像技术、协议等)来加以选择。
按照本发明的另一种实施方式,排除掩模的至少一部分是使用预定遮蔽方案创建的,该遮蔽方案取决于图像属性的类型。利用预定遮蔽方案,使排除掩模的创建得到了简化。对于解剖学标准对象,例如血管或某些器官,可以提供标准排除掩模。
附图说明
下文中将参照下列实施方式和附图以举例的方式详细介绍本发明的这些和其它方面,其中:
附图1表示配准系统的示意性框图,
附图2表示腹主动脉动脉瘤的3D BTFE扫描的一个切片,
附图3表示与附图2中相同的腹主动脉动脉瘤的M2D TSE扫描的一个切片,
附图4表示将中央血管轴从3D BTFE图像复制到M2D TSE图像的示意图,
附图5表示估算主动脉的半径的示意图,
附图6表示排除掩模的第一部分的定义的示意图,
附图7表示延伸排除掩模的径向检查的示意图,
附图8表示最终的排除掩模的示意图,
附图9表示3D BTFE图像的一部分以及配准的M2D TSE图像,
附图10表示使用排除掩模得到的附图9中的图像的放大部分,
附图11表示不使用排除掩模得到的附图9中的图像的放大部分。
具体实施方式
本发明是针对腹主动脉动脉瘤(AAA)的图像进行图解说明的。配准是借助配准系统1进行的,该配准系统1包括计算机2(例如,通用个人计算机或专业医学计算机)和与该计算机2相连的监视器3。计算机2包括处理器4,该处理器4适用于在计算机2中运行包括按照本发明的计算机指令的计算机程序5时执行该计算机程序5。计算机程序5可经由输入/输出接口6(例如,网络接口卡)传送到计算机2并且存储在计算机2的存储器7(例如,RAM或ROM)中。要在计算机2中加以处理的成像数据8经由接口6传送到计算机2中。而且计算机2适用于经由接口6向外部存储设备9、绘图仪、打印机等或者另一台计算机传送数据。
AAA图像是使用两种不同的MR图像采集协议采集的。附图2表示使用3D平衡TFE(BTFE)协议采集的图像10,而附图3表示使用M2DTSE协议(也称为黑血成像)采集的图像11。附图2和3表示贯穿主动脉12的切片的例子。在将成像数据8传送到计算机2中之后,实施分割。在本实施方式中,分割是这样进行的:在同一扫描会话中采集3D BTFE和M2D TSE图像。病人可能在扫描进程期间发生轻微移动,但是这一移动一般来说不会超过几个毫米。为此,使用所谓的血管跟踪算法(可从O.Wink、W.J.Niessen、B.Verdonck、M.A.Viergever撰写的《Vessel Axis Determination using Wave Front PropagationAnalysis》(Proceedings MICCAI 2001,Utrecht,2001年10月15-17日)或者O.Wink、W.J.Niessen、A.J.Frangi、B.Verdonck和M.A.Viergever撰写的《3D MR Coronary Axis Determinationusing a Minimum Cost Path Approach》(Magnetic Resonance inMedicine 2002,第47卷,第1169-1175页)中了解到这种算法)在3D BTFE图像10中检测出主动脉12的中心线。然后将所检测到的中央血管轴19复制到M2D TSE图像11中,此时它近似代表真实的中央轴。在附图4中图解说明了这种复制机制。在该方法这一部分的末尾,已经基于所有像素/体元找出两组数据之间的最佳变换。
在下一个步骤中,进行一个或多个不充分相似区域的自动检测。为此,运行计算机程序5的处理器4用作检测模块13。在本情况下,选取M2D TSE图像11来执行不充分相似区域的检测,因为这个图像明显包括比3D BTFE图像10(图像10不包含任何扰干扰伪影)多的图像伪影。因此没有对3D BTFE图像10进行遮蔽。在M2D TSE图像11中,在主动脉的右下部存在例如区域14,这个区域比上部的黑暗区域15明亮。另一方面,3D BTFE图像10中的右下部区域16近似地表现出与同一图像中的上部区域17相同的亮度。换句话说,M2D TSE图像11中的图像区域14、15的像素亮度并没有表现出与3D BTFE图像10中相同的相互关系。因此将M2D TSE图像11中的明亮区域14定性为不充分相似区域。使用图像处理算法计算两个图像10、11的像素亮度,确定出所有不充分相似区域并且标注出这些区域以备后续处理。
现在以这样一种方式构造用来指定属于不充分相似图像区域的图像像素的排除掩模:它指定哪些图像像素属于这些区域。为此,运行计算机程序5的处理器4用作遮蔽模块18。附图3中的M2D TSE图像11包含大的区域14,在该区域内,管腔(血液)不是“黑的”。这是由于该区域内血液流动速度非常缓慢并且M2D TSE成像仅仅对足够大的血液流动速度效果良好这一情况造成的。可以由检测模块13断定这个区域14不充分相似于附图2中所示的3D BTFE图像10中的明亮管腔区域17。这个区域14因此不能包含到配准过程中。遮蔽模块18因此创建相符的排除掩模,下面将对此加以介绍。
借助遮蔽模块18将带有流动伪影的M2D TSE图像11中的区域14包含在排除掩模中。为此,基于3D BTFE图像10针对各个切片进行主动脉12半径20的估算,如附图5所示。使用图像10中的深黑色圆环作为检测主动脉壁21的大体位置的特征。在所检测到的半径20的基础上,围绕着M2D TSE图像11中的中心线19定义出第一排除掩模22,以覆盖较明亮的中央区域14’。掩模的这个部分的半径23为主动脉直径的大约百分之50,如附图6所示。在其它一些实施方式中,可以使用另一百分比。这个过程在计算机程序5中作为针对具有如血管的管状对象的图像的预定方案来实现。在本发明的优选实施方式中,图像中描绘出的各个对象的种类和/或形状由处理器5在检测过程开始之前确定。在这种情况下,可以选择最适合的预定方案来创建排除掩模。
在下一个步骤中,使用主动脉壁21作为引导“沿径向检查”M2D TSE图像11,见附图7。换句话说,对主动脉壁21内的所有像素实施图像处理。根据这一处理的结果,如果下列判别标准之一或多个得到满足,则通过增加延伸部分27将排除掩模的第一部分22延展成最终排除掩模24:(a)在半径20上遇到的亮度为“不黑”,即,高于某一像素亮度阈值,见主动脉右下部上的区域14;(b)在主动脉壁21附近遇到的亮度过高,例如,由于存在血栓,见主动脉中间靠右的区域25;(c)主动脉壁21过厚,即,高于某一阈值,见主动脉12中间靠左的区域26。为此,遮蔽模块18使用适用于将从图像10、11获得的数据与预定阈值数据、图形和/或方案进行比较的计算机指令。附图8中示出了最终得到的排除掩模24。只有图像11的上部没有被排除掩模覆盖。所有其它像素都已经包含在最终的排除掩模24中并且因此不会在配准处理中使用。
在后续步骤中,在没有包含在排除掩模24中的图像区域之间进行配准,即,在配准期间,仅使用排除掩模24外部的图像像素来计算图像10、11之间的相似度。为此,运行计算机程序5的处理器4用作配准模块28。虽然在附图8中仅仅示出了围绕着主动脉12的某一部分,但是没有被遮蔽住的所有图像像素/体元都包含在该配准处理中。
在这一配准期间,借助例如旋转、平移、缩放或局部非刚性形变进行图像之一的迭代形变并且进行相似度的计算。这个迭代处理的目的是找出导致最大相似度的最佳形变。这些步骤是在处理器4内借助使用公知技术(比如Hajnal、Hill和Hawkes撰写的《Medical ImageRegistration》(CRC Press,ISBN 0-8493-0064-9)中介绍的技术)的相应计算机程序进行的。
在附图9中,示出了一幅合成图像29,该图像由处于左上角的3DBTFE图像10的一部分和M2D TSE图像11的一部分组成。附图10和11表示合成图像29的放大部分。在放大图像中,示出了一部分主动脉壁21,主动脉壁21跨过两个图像10和11之间的边界线30。附图10表示使用自动检测到的排除掩模24进行的刚性图像配准的结果。白色虚参考线31图解说明M2D TSE图像11中主动脉壁21的内侧并且可以用于帮助直观评价配准的质量。在附图10中,主动脉壁21的内侧与3D BTFE图像10中的以及M2D TSE图像11中的参考线31相对应。为了比较,附图11表示不使用排除掩模24的配准结果,即,在配准期间使用整个图像11。使用参考线31可以看出,相对于3D BTFE图像10,M2D TSE图像11向右发生了轻微移动。参考线31并没有定义主动脉壁21的内侧,而是处于壁内。如附图10中所示,不相似区域的排除导致配准的3D BTFE和M2D TSE图像10、11之间更好的匹配。
优选地,但是并非必须,前面介绍的过程的所有步骤都是使用具有计算机程序5形式的适当算法自动执行的。前面介绍的实施方式可以优选地应用于象血管这样的管状对象。如果要加以匹配的图像显示其它对象,则必须要据此对用于实施本发明的算法进行适应性修改。
虽然前面使用三维实例介绍的本发明,但是其也可以应用于二维成像(即,仅仅两个不同图像的配准)。
优选地,配准系统1使用先前检测、遮蔽和配准处理的实例的大数据库来实施本发明。从这个数据库中,取得算法、方案等,以便为各种输入数据提供充分的配准。例如,该数据库可以包括描述哪种伪影对于特定类型的图像最为普遍的列表。换句话说,使用所谓的计算机辅助检测/配准系统。在某些情况下,可能需要用户互动,以便引导该过程的进行。例如,用户可能要定义血管的中心线的起点和终点等。
对于本领域技术人员而言,显然,本发明并不局限于前述说明性实施方式的细节,并且本发明可以以其它具体形式来具体实现,而不会超出本发明的思想或本质特性。因此在所有方面要将本发明的实施方式看成是说明性的而非约束性的,本发明的范围由所附权利要求指出而不是由前述说明书指出,并且落在权利要求的含义和等价内容的范围之内的所有改变因此都是要包含在其中的。而且显然,词“包括”并不排除其它单元或步骤,词“一”或“一个”并不排除多个,并且单独一个单元(比如计算机系统或另一个单元)可以完成权利要求中列举的数个构件的功能。权利要求中的任何附图标记都不应解释为是对所涉及权利要求的限定。
附图标记列表
1 配准系统
2 计算机
3 监视器
4 处理器
5 计算机程序
6 输入/输出接口
7 存储器
8 成像数据
9 外部存储设备
10 3D BTFE图像
11 M2D TSE图像
12 主动脉
13 检测模块
14 亮区域
15 暗区域
16 具有标准亮度的区域
17 具有标准亮度的区域
18 遮蔽模块
19 中央血管轴
20 半径
21 主动脉壁
22 第一排除掩模
23 掩模半径
24 最终排除掩模
25 血栓区域
26 厚壁区域
27 延伸掩模
28 配准模块
29 合成图象
30 边界线
31 参考线
Claims (5)
1.一种用于医学图像(10,11)配准的系统(1),该系统(1)包括:
-检测模块(13),适合用于检测第一图像(11)中的一个或多个图像区域(14,14’,25,26),这些图像区域(14,14’,25,26)不充分相似于第二图像(10)的对应图像区域,
-遮蔽模块(18),适合用于创建至少一个排除掩模(22,24,27),用以指定属于这些不充分相似图像区域(14,14’,25,26)的图像像素或体元,和
-配准模块(28),适合用于进行不包含在排除掩模(22,24,27)中的第一图像(11)的图像区域与第二图像(10)的相应图像区域之间的配准。
2.按照权利要求1所述的系统(1),其中检测模块(13)适合用于通过比较图像(10,11)中的相应图像区域的像素或体元亮度来自动检测不充分相似区域(14,14’,25,26)。
3.按照权利要求1所述的系统(1),其中遮蔽模块(18)适合用于使用预定遮蔽方案创建排除掩模的至少一部分(22),所述遮蔽方案取决于图像属性。
4.一种用于医学图像(10,11)配准的方法,该方法包括步骤:
-检测第一图像(11)中的一个或多个图像区域(14,14’,25,26),这些图像区域(14,14’,25,26)不充分相似于第二图像(10)的对应图像区域,
-创建至少一个排除掩模(22,24,27),用以指定属于这些不充分相似图像区域(14,14’,25,26)的图像像素或体元,和
-进行不包含在排除掩模(22,24,27)中的第一图像(10)的图像区域与第二图像(10)的相应图像区域之间的配准。
5.一种用于医学图像(10,11)配准的计算机程序(5),该程序包括:在该计算机程序(5)在计算机(2)中运行时,
-用来检测第一图像(11)中的一个或多个图像区域(14,14’,25,26)的计算机指令,这些图像区域(14,14’,25,26)不充分相似于第二图像(10)的对应图像区域,
-用来创建至少一个排除掩模(22,24,27)的计算机指令,该排除掩模用以指定属于这些不充分相似图像区域(14,14’,25,26)的图像像素或体元,和
-用来进行不包含在排除掩模(22,24,27)中的第一图像(10)的图像区域与第二图像(10)的相应图像区域之间的配准的计算机指令。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP04105653 | 2004-11-10 | ||
EP04105653.2 | 2004-11-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101057255A true CN101057255A (zh) | 2007-10-17 |
CN100592336C CN100592336C (zh) | 2010-02-24 |
Family
ID=35677651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200580038479A Active CN100592336C (zh) | 2004-11-10 | 2005-11-08 | 医学图像配准的系统和方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US8244007B2 (zh) |
EP (1) | EP1815426B1 (zh) |
JP (1) | JP2008519639A (zh) |
CN (1) | CN100592336C (zh) |
AT (1) | ATE518212T1 (zh) |
WO (1) | WO2006051488A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103827874A (zh) * | 2011-09-26 | 2014-05-28 | 皇家飞利浦有限公司 | 医学图像系统和方法 |
CN104737200A (zh) * | 2012-10-09 | 2015-06-24 | 皇家飞利浦有限公司 | 多结构图集和/或其应用 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10311585B2 (en) * | 2010-06-23 | 2019-06-04 | Varian Medical Systems International Ag | Mechanism for advanced structure generation and editing |
US10152951B2 (en) | 2011-02-28 | 2018-12-11 | Varian Medical Systems International Ag | Method and system for interactive control of window/level parameters of multi-image displays |
JP2013223620A (ja) * | 2012-04-23 | 2013-10-31 | Aze Ltd | 医用画像のレジストレーション処理装置、方法およびプログラム |
JP6727140B2 (ja) * | 2014-06-25 | 2020-07-22 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 異なる撮像モダリティのレジストレーションのための撮像機器 |
JP6716228B2 (ja) * | 2014-11-25 | 2020-07-01 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置および医用画像処理方法 |
US11538176B2 (en) | 2015-12-15 | 2022-12-27 | Koninklijke Philips N.V. | Image processing systems and methods |
JP2019154744A (ja) | 2018-03-13 | 2019-09-19 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、医用画像診断装置、及び医用画像処理プログラム |
US12023143B2 (en) | 2018-10-19 | 2024-07-02 | Canon U.S.A., Inc. | Structure masking or unmasking for optimized device-to-image registration |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5690106A (en) * | 1995-06-30 | 1997-11-25 | Siemens Corporate Research, Inc. | Flexible image registration for rotational angiography |
US5926568A (en) * | 1997-06-30 | 1999-07-20 | The University Of North Carolina At Chapel Hill | Image object matching using core analysis and deformable shape loci |
US6341180B1 (en) * | 1997-12-18 | 2002-01-22 | Cellavision Ab | Image content autofocus for microscopy using a noise-insensitive focus filter |
US6363163B1 (en) * | 1998-02-23 | 2002-03-26 | Arch Development Corporation | Method and system for the automated temporal subtraction of medical images |
US6496594B1 (en) * | 1998-10-22 | 2002-12-17 | Francine J. Prokoski | Method and apparatus for aligning and comparing images of the face and body from different imagers |
US6998841B1 (en) * | 2000-03-31 | 2006-02-14 | Virtualscopics, Llc | Method and system which forms an isotropic, high-resolution, three-dimensional diagnostic image of a subject from two-dimensional image data scans |
US20040024295A1 (en) * | 2001-08-27 | 2004-02-05 | Cook Christopher A | System, method and computer program product for measuring blood properties form a spectral image |
US6738063B2 (en) * | 2002-02-07 | 2004-05-18 | Siemens Corporate Research, Inc. | Object-correspondence identification without full volume registration |
GB2391125B (en) | 2002-07-19 | 2005-11-30 | Mirada Solutions Ltd | Registration of multi-modality data in imaging |
US7190834B2 (en) * | 2003-07-22 | 2007-03-13 | Cognex Technology And Investment Corporation | Methods for finding and characterizing a deformed pattern in an image |
EP1779325B1 (en) * | 2004-08-09 | 2011-06-08 | Bracco Suisse SA | An image registration method and apparatus for medical imaging based on multiple masks |
US20060074291A1 (en) * | 2004-09-30 | 2006-04-06 | General Electric Company | Magnetic resonance imaging system and method |
-
2005
- 2005-11-08 CN CN200580038479A patent/CN100592336C/zh active Active
- 2005-11-08 AT AT05802807T patent/ATE518212T1/de not_active IP Right Cessation
- 2005-11-08 JP JP2007540793A patent/JP2008519639A/ja active Pending
- 2005-11-08 US US11/718,428 patent/US8244007B2/en not_active Expired - Fee Related
- 2005-11-08 EP EP05802807A patent/EP1815426B1/en active Active
- 2005-11-08 WO PCT/IB2005/053675 patent/WO2006051488A1/en active Application Filing
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103827874A (zh) * | 2011-09-26 | 2014-05-28 | 皇家飞利浦有限公司 | 医学图像系统和方法 |
CN103827874B (zh) * | 2011-09-26 | 2017-02-22 | 皇家飞利浦有限公司 | 医学图像系统和方法 |
CN104737200A (zh) * | 2012-10-09 | 2015-06-24 | 皇家飞利浦有限公司 | 多结构图集和/或其应用 |
CN104737200B (zh) * | 2012-10-09 | 2018-06-08 | 皇家飞利浦有限公司 | 多结构图集和/或其应用 |
Also Published As
Publication number | Publication date |
---|---|
US8244007B2 (en) | 2012-08-14 |
JP2008519639A (ja) | 2008-06-12 |
CN100592336C (zh) | 2010-02-24 |
EP1815426B1 (en) | 2011-07-27 |
US20090067692A1 (en) | 2009-03-12 |
EP1815426A1 (en) | 2007-08-08 |
ATE518212T1 (de) | 2011-08-15 |
WO2006051488A1 (en) | 2006-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100592336C (zh) | 医学图像配准的系统和方法 | |
CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
JP7558243B2 (ja) | 特徴点検出 | |
JP4949264B2 (ja) | 医療画像データ内の腫瘍境界を自動的に検出及び区分するシステム及び方法 | |
US8837789B2 (en) | Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images | |
EP2620909B1 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
CN109741312A (zh) | 一种肺结节鉴别方法、装置、设备及介质 | |
US20080123912A1 (en) | Purpose-driven enhancement filtering of anatomical data | |
CN106388843A (zh) | 医学影像设备及其扫描方法 | |
GB2472313A (en) | Analyzing A Selected Region Of Interest In Medical Image Data | |
Tan et al. | Automated vessel segmentation in lung CT and CTA images via deep neural networks | |
CN113744183B (zh) | 肺结节检测方法及系统 | |
KR102258756B1 (ko) | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 | |
EP2245592A2 (en) | Image registration alignment metric | |
WO2022164374A1 (en) | Automated measurement of morphometric and geometric parameters of large vessels in computed tomography pulmonary angiography | |
Li et al. | Automatic quantification of epicardial adipose tissue volume | |
US9799135B2 (en) | Semantic cinematic volume rendering | |
CN111402358A (zh) | 用于图像重建的系统和方法 | |
Dabass et al. | Lung segmentation in CT scans with residual convolutional and attention learning-based U-Net | |
Engelson et al. | LNQ Challenge 2023: Learning Mediastinal Lymph Node Segmentation with a Probabilistic Lymph Node Atlas | |
US11712215B2 (en) | Devices, systems, and methods for motion-corrected medical imaging | |
EP4439445A1 (en) | Device, system and method for generating a medical image of a region of interest of a subject indicating contrast-enhanced regions | |
US20240331337A1 (en) | Methods, systems, and storage medium for image processing | |
EP4356837A1 (en) | Medical image diagnosis system, medical image diagnosis system evaluation method, and program | |
Lorenz | Registration and segmentation based analysis of microscopy images |
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 |