CN101065776A - 多组分脉管分割 - Google Patents

多组分脉管分割 Download PDF

Info

Publication number
CN101065776A
CN101065776A CNA2005800408310A CN200580040831A CN101065776A CN 101065776 A CN101065776 A CN 101065776A CN A2005800408310 A CNA2005800408310 A CN A2005800408310A CN 200580040831 A CN200580040831 A CN 200580040831A CN 101065776 A CN101065776 A CN 101065776A
Authority
CN
China
Prior art keywords
anatomical structure
outer boundary
intensity
intensity level
designated volume
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
Application number
CNA2005800408310A
Other languages
English (en)
Other versions
CN101065776B (zh
Inventor
M·布利尤沃
S·德尔加多奥拉巴里亚加
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN101065776A publication Critical patent/CN101065776A/zh
Application granted granted Critical
Publication of CN101065776B publication Critical patent/CN101065776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/149Segmentation; Edge detection involving deformable models, e.g. active contour models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/12Edge-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20112Image segmentation details
    • G06T2207/20116Active contour; Active surface; Snakes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30016Brain
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30101Blood 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)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

用于分割解剖学结构的三维数字表示的方法和计算机程序产品,其中在特定体积内使用对应于健康解剖学结构的替代强度值进行强度值的临时置换。在恢复原始强度值之前进行血管外部边界分割。在原始强度值恢复之后,进行特定体积和其中所含任何病变的完全分割。

Description

多组分脉管分割
本发明涉及由放射学方法如计算机断层血管造影(CTA)采集的数字化扫描中的结构分割。更具体地,本发明涉及将解剖学结构,如血管,分割成它们用于随后观察和测试的成分。
解剖学结构,如血管的分割尤其应用于需要观察患病脉管的心血管医学的许多领域中,以确定其由哪些组分组成(例如,内腔、血栓、壁、钙化、斑)并且精确地得出每个组分的参数(形状、尺寸、直径、面积、体积等)。虽然没有病理发现的血管可以假设由内腔(灌注部分)和健康壁(无灌注部分)组成,但病理性血管通常显示出另外的解剖学结构。以腹主动脉为例。对于年纪较大的人,危及生命的动脉瘤会在主动脉的该部分发展(腹主动脉瘤或简称AAA)。为使AAA可视化、特征化和量化,需要分割全部相关的组分:内腔(血液),血栓(血液内附在壁上的凝块)、健康壁和患病壁(内部具有斑和/或钙化)。
虽然在文献中报道有用于内腔分割和跟踪的几种方法(例如由O.Wink等人在2000年4月的IEEE TMI,19(4):337-346上发表的“Fastdelineation and visualization of vessels in 3-D angiographicimages”;由M.Toveri等人在2003年3月的Medical Image Analysis,7(1):79-93上发表的“Reconstruction and web distribution ofmeasurable arterial models”),但只有极少数研究解决了血栓和壁分割的更复杂问题。由于在CTA图像中血栓、壁和周围组织之间的低对比度,分割方法难于描绘正确的边界。基于图像梯度的方法通常是失败的,这是因为来自相邻物体,如脊柱和内腔的强反应,使得该方法不能专注于找到正确的边界。基于阈值的方法也是倾向于失败,因为在血栓内部和在相邻结构内发现相同的强度值。
在文献中报道有一些分割血栓的尝试。在M.Subasic等人于“SPIEMedical Imaging-Image Processing”第1681-1689页,SPIE 2002上发表的“3-D Image Analysis of Abdominal Aortic Aneurysm”一文中提出的一种方法是基于所谓的基于水平的技术。该方法从由用户放置在腔内的球体开始,采用图像梯度做为图像特征,该球体用作用于分割内腔的可变形模型的初始设置。该结果用于对血栓和血管外部边界的分割方法进行初始化。所述分割方法利用从预处理步骤(阈值、形态学操作和图像梯度)得出的特定图像特征。然而,所报道的结果似乎不够精确。这一方法和其它早期提出的分割内腔以外的脉管组分方法通常由于常规分割方法不考虑脉管潜在形状和外观(像素强度)及其周围组织的现有知识这一事实而导致失败。上述问题还出现在其它解剖学结构的分割中,如脑部或肝脏。
因此,本发明的目的是提供一种精确分割解剖学结构的全部相关组分的方法和计算机程序产品。
在本发明优选实施例中,公开一种解剖学结构三维数字表示的分割方法。该方法包括:
-分割所述解剖学结构外部边界;
-在所述外部边界的所述分割之前和在特定体积内,对明显偏离所述解剖学结构强度值的强度值,使用表示所述解剖学结构的替代强度值进行临时置换;
-一旦所述外部边界的所述分割完成,就恢复所述明显偏离的强度值。
所提出的方法的优点在于,解剖学结构的外部边界分割不受例如特定体积内的病变的干扰,这是由于这些病变与健康解剖学结构相比具有极大不同的强度值而导致的。这些干扰性解剖学结构相对来说更易于由两个条件的验证来识别。将血管看作是一个待分割的解剖学结构,其具有内腔、壁和可能的病变,如钙化、血栓和/或斑,第一条件涉及壁外部边界相对于内腔外部边界的空间关系。在其中血管壁增厚的AAA情形下,壁外部边界包围内腔的外部边界并且包含在有限的体积内。换句话说,在距离内腔外部边界的一定半径距离内,血管壁的存在可呈现为具有足够高的概率。帮助确定位于内腔外部边界和壁外部边界之间血管区域内的干扰解剖学结构的第二条件涉及遇到的强度值范围。干扰性解剖学结构在放射学方法,例如CTA的扫描中会显示出明显不同于健康壁的强度值。这两个条件的结合对血管内腔外部边界周围实际上为干扰性解剖学结构的区域产生可靠指示。在已识别这些干扰性解剖学结构后,用对应于健康血管壁强度值的强度值对它们的强度值进行临时置换,消除它们对用于壁外部边界分割的任何方法和/或算法的强烈影响。从而,在壁外部边界分割期间,将这些干扰性解剖学结构看作是血管壁的一部分。当已完成分割后,可恢复那些被置换的强度值以反映内腔外部边界和壁外部边界之间的干扰性解剖学结构并在这些干扰性解剖学结构上进行分割。
在本发明的相关实施例中,通过确定解剖学结构的包迹来确定特定体积。该包迹可以以充分的方式确定以确保该解剖学结构的整个外部边界都包围在该包迹内。
在另一实施例中,通过包围解剖学结构的边界层来确定特定体积。一些解剖学结构位于包围前者的另一个解剖学结构内。在这些情形下,由该包围解剖学结构限定的边界层也可用作该特定体积的边界。如果包围解剖学结构由于例如强度值的典型范围而可以被容易地识别,则这是很有利的。
在相关实施例中,替代强度值是由特定体积内的强度统计评价自动获得的,特定体积例如在血管的具体情形中是围绕被分割的外部内腔边界的壳。这可通过例如,除其它以外,确定平均像素值或更频繁出现的像素值来实现。自动确定表示健康壁的替代强度值减少了用户的交互作用。该方法对于例如比较性临床试验或长期分析更为快捷和更具重复性。
在本发明另一实施例中,特定体积中病变在恢复之后分别进行分割。除真正的病变以外,待分割解剖学结构内的不必是病理性的干扰性解剖学结构也可以按照该方式进行处理。在强度值(已事先置换)恢复后进行该步骤确保有可能对特定体积内病变进行正确分割。医师将对该区域内的解剖学结构最感兴趣。因此,在血管的具体情形下,将感兴趣体积(VOI)限制成由前述分割步骤可获得的内腔外部边界和壁外部边界形成的中空圆筒状,有利于完成分割血管该区域内结构的任务。在血管分割的具体情形下,这些解剖学结构可以是钙化物(calcification)。钙化物非常严重地干扰血管壁外部边界的分割。幸运地是,钙化物的强度值总是在某个、相当有限的范围内(实际上是高于一定值)。从而可容易地识别它们并使用与健康壁的值更为相等的值来代替其值。尽管如此,解剖学结构还可是在血管的具体情形下的斑。对于某些放射学方法,某些类型的斑可能是干扰因素。具体地,在磁共振成像(MRI)中,某些类型的斑呈现出比健康壁更亮。因此,斑可用与钙化物类似的方式进行处理。
在另一实施例中,从放射学方法获得数字表示。放射学方法能够从患者体内进行无创数据采集。此外,它们分辨率的精度足够用于采集解剖学结构内的结构。
在相关实施例中,放射学方法是计算机断层血管造影(CTA)或磁共振成像(MRI)中的一个。每个CTA和MRI都具有使其自身更适用于某些患者的属性。CAT具有更广泛的可用性,更快速,并且比MRI具有更好的空间分辨率。最后一个优点对于观察钙化物特别重要。另一方面,MRI可在无造影剂的情况下使动脉腔可视化,虽然造影剂可同样用于增强对比度。此外,MRI不采用电离辐射。
在本发明的另一实施例中,解剖学结构是血管、脑部或肝脏中的一个。人体的这些部分良好地适合于根据本发明的方法的应用。在血管的具体情形下,首先分割内腔。一旦已确定血管的尺寸,就可例如基于指示或多或少厚度血管的内腔直径确定要在其中进行强度值置换的特定体积。脑部也良好地适合于根据本发明的方法,因为颅骨为特定体积提供天然的、易于检测到的边界。如果待分割的组织是肝脏,则可首先通过例如考虑不同的放射学方法确定肝脏周围特定体积的边界并将结果结合到本发明的方法中。
在本发明的另一个优选实施例中,实行一种用于分割解剖学结构三维数字表示的计算机程序产品。该计算机程序产品执行以下步骤:
-分割所述解剖学结构外部边界;
-在所述外部边界的所述分割之前和在特定体积内,对明显偏离所述解剖学结构强度值的强度值,使用表示所述解剖学结构的强度值进行临时置换;
-一旦所述解剖学结构外部边界的所述分割完成,就恢复所述明显偏离的强度值。
所提出的计算机程序产品优点在于,解剖学结构的外部边界分割不受由特定体积描绘的解剖学结构区域内部任何病变的干扰,这是由于这些病变与解剖学结构相比具有极大不同的强度值而导致的。这些病变或干扰性解剖学结构相对来说更易于由两个条件的验证来识别。在具有内腔、壁和可能的病变,如钙化、血栓或斑的血管分割的具体情形下,第一条件涉及壁外部边界相对于内腔外部边界的空间关系。在其中血管壁增厚的AAA情形下,外部边界包围内腔的外部边界并且包含在有限的体积内。换句话说,在距离内腔外部边界的一定半径距离内,血管壁的存在可以以足够高的概率呈现。帮助确定血管壁内干扰性解剖学结构的第二条件涉及遇到的强度值范围。干扰性解剖学结构在放射学方法,例如CTA的扫描中会显示出明显不同于健康壁强度值的强度值。这两个条件的结合对血管内腔外部边界周围的区域产生可靠指示,该血管内腔外部边界实际上为干扰壁外部边界有效分割的解剖学结构。在已识别这些干扰性解剖学结构后,用对应于健康血管壁强度值的强度值对它们的强度值进行临时置换,消除它们对用于壁外部边界分割的任何方法和/或算法的强烈影响。从而,在壁外部边界分割期间,将这些干扰性解剖学结构看作是血管壁的一部分。当已完成分割后,可恢复那些被置换的像素强度以反映血管壁内干扰性解剖学结构。除了这些优点外,计算机程序产品适合于命令处理器执行由该计算机程序产品定义的步骤以最终在连接至处理器的存储器内获得解剖学结构的分割组分表示。
在本发明的相关实施例中,通过确定解剖学结构的包迹来确定特定体积。该包迹可以以充分的方式确定以确保该解剖学结构的整个外部边界都包围在该包迹内。
在另一实施例中,通过包围解剖学结构的边界层来确定特定体积。一些解剖学结构位于包围前者的另一个解剖学结构内。在这些情形下,由该包围解剖学结构限定的边界层也可用作该特定体积的边界。如果包围解剖学结构由于例如强度值的典型范围而可以被容易地识别,则这是很有利的。
在相关实施例中,替代强度值是由特定体积内的强度统计评价自动获得的。这可通过例如,除别的以外,确定平均像素值或更频繁出现的像素值来实现。自动确定表示健康壁的替代强度值减少了用户的交互作用。该方法对于例如比较性临床试验或长期分析更为快捷和更具重复性。
在另一实施例中,分别分割特定体积中病变。在已被置换的强度值恢复后执行此步骤,从而确保在特定体积内进行正确的病变分割成为可能。医师将对该血管区域内的解剖学结构最感兴趣。因此,在血管的具体情形下,将感兴趣体积(VOI)限制成由前述分割步骤可获得的内腔外部边界和壁部边界形成的中空圆筒状,有利于完成分割医师感兴趣的该区域内结构的任务。在血管的具体情形下,这些解剖学结构可以是钙化物。钙化物非常严重地干扰外部边界的分割。幸运地是,钙化物的强度值总是在某个、相当有限的范围内(实际上是高于一定值)。从而可容易地识别它们并用与血栓的值更为相等的值来代替其值。尽管如此,解剖学结构还可是在血管的具体情形下的斑。对于某些放射学方法,某些类型的斑可能是干扰因素。具体地,在磁共振成像(MRI)中,某些类型的斑呈现出比健康壁更亮。因此,斑可用与钙化物类似的方式进行处理。
在本发明的另一实施例中,从放射学方法获得三维数字表示。放射学方法能够从患者体内进行无创数据采集。此外,它们分辨率的精度足够用于采集解剖学结构内的结构。
在相关实施例中,放射学方法是计算机断层血管造影(CTA)或磁共振成像(MRI)中的一个。每个CTA和MRI都具有其自身更适用于一定患者的属性。CAT具有更广泛的可用性,更快速,并且比MRI具有更好的空间分辨率。最后一个优点对于观察钙化物特别重要。另一方面,MRI可在无造影剂的情况下使动脉腔可视化。此外,MRI不采用电离射线。
在本发明的另一实施例中,解剖学结构是血管、脑部或肝脏中的一个。人体的这些部分良好地适合于根据本发明的计算机程序产品。在血管的具体情形下,首先分割内腔。一旦已确定血管的尺寸,就可例如基于指示或多或少厚度血管的内腔直径确定要在其中进行强度值置换的特定体积。脑部也良好地适合于根据本发明的方法,因为颅骨为特定体积提供天然的、易于检测到的边界。如果待分割的组织是肝脏,则可首先通过例如考虑不同的放射学方法确定肝脏周围特定体积的边界并将结果结合到本发明的计算机程序产品中。
本发明的这些和其它目的和特征将通过下面本发明优选实施例的详细描述得到全面公开或呈现得更为明显,下面的描述与附图一起考虑,附图中相同的标号表示相同的部件。附图中:
图1是血管分双叉的透视图;
图2A-图2E是在根据本发明方法的不同步骤期间,图1的血管沿切面II-II的轴向切片;
图3是表示根据本发明方法的步骤的流程图。
图1示出血管,尤其是血管分双叉。血管12包括内腔14和壁16。内腔14是血管的灌注部分,例如血液在其中流动的部分。内腔14由内腔外部边界14a勾画出轮廓。壁外部边界16a勾画出血管与周围组织的分界。壁16的上半部仅显示出部分以使内腔14获得更好的观察。在方法执行期间,计算出中心线24。在方法执行期间,中心线24用作辅助工具并为随后的操作提供基准轴。中心线可在两个用户定义或自动确定点,启始点和终止点之间确定。在所呈现的分双叉的情形下,中心线可由两个分支组成。应当注意,尽管其名称为中心线,但中心线不一定必须位于内腔中央或位于其内,这是因为采用中心线作为初始设置的后续算法(例如内腔外部边界分割算法)是足够稳固的。
图2A示出沿着切片II-II的血管12的轴向截面。除了已提到的组分内腔和14和壁16,以及它们的内腔外部边界14a和壁外部边界16a以外,不同的解剖学结构呈现在由内腔外部边界14a和壁外部边界16a限定的区域内。这些解剖学结构是钙化物17,血栓18和斑19。中心线24表现为点划线形式的十字叉。可能假设其位于内腔外部边界14a的重心附近。该图2A表示血管12三维表示的初始状态。中心线24已计算出。
血管12的三维表示的下一状态在图2B中示出。初始管状三维活动物体(3DAO)26a沿中心线放置。3D活动对象,有时也称为3D变形模型,是将表面拟合为体积测量数据的技术。由于它们被表达成拉格朗日运动方程形式并可形成动态以实际模拟物理对象的行为,因而被称为“基于物理的”。采用有限元使表面离散化,并且表面到数据的拟合是通过描述表面变形能量的能量函数的最低化实现的。3D变形模型已通过将封闭表面放置到待分割的区域内和将图像力施加到以包含在强度分部内的梯度信息为基础的表面上,允许该表面膨胀并符合感兴趣区域而应用于医学图像体积分割。这类模型具有能够呈现复杂自由形式的形状和具有通过将每个数据点当作用户施加在表面上的点力来拟合数据的直觉手段的所需特性。在图2B中,多边形26a表示穿过沿中心线24放置的管状3DAO的横截面。初始3DAO自动变形成内腔边界。
图2C示出内腔3DAO 26b自动变形的结果,其近似于勾画出内腔14与壁16、钙化物17、血栓18和斑19的分界的内腔外部边界14a。为清楚起见,最终的内腔3DAO 26b表示为仅具有八个顶点的多边形。实际上,采用更少的顶点,从而可能精确地绘制出内腔边界。内腔3ADO 26b的横截面可具有任意的几何形状,特别具有更多的顶点以更加近似内腔边界。此外,内腔3ADO 26b的横截面无需受限于总是沿其纵轴,而是可随内腔边界的变化而变化。
现参见图2D,其表示内腔周围特定体积内的像素强度置换。一旦已确定最终内腔3DAO 26b,该方法就会假设在距离内腔3DAO 26b一定距离内将会遇到血管壁外部边界的概率很高。从内腔3DAO 26b直到由壁外部边界分割方法假设的血管壁存在的距离在图2D中表示为虚线显示的椭圆。钙化物17、血栓18和斑19包含在由内腔3DAO 26b与标记距分割内腔最大距离的虚椭圆之间形成的环形内。在该环形内,对象被赋予等于或接近壁16强度值的强度值,壁16在图2D中以同样的灰色阴影表示。此外,内腔3DAO 26b用于对壁外部边界3DAO 28进行初始化。该壁外部边界3DAO 28以与上述类似的方式变形。然而,如果需要,变形过程可以由不同的停止标准控制。
施加于外部边界3DAO 28的变形的最终结果在图2E中示出。壁外部边界3DAO 28,为清楚起见沿其轮廓孵出,现在紧随壁16的外部边界16a的轮廓。此外,钙化物17、血栓18和斑19已恢复它们的原始像素强度,由与图2A-2C中对应的不同灰度阴影表示。它们的分割现在可以通过对感兴趣体积应用分割算法来实现,该感兴趣体积由内腔3DAO26b和壁外部边界3DAO 28限定。可选择用于内腔3DAO 26b和外部边界3DAO之间血管区域内解剖学结构的分割算法并确定其参数,从而进行更仔细、或更严谨的分割。由于评价体积是有限的,因此这些是可能的。此外,有限的感兴趣体积内的像素强度对一定的解剖结构是独特的,如健康壁16、钙化物17、血栓18和斑19。因此,在强度直方图内可期望出现几群强度值,每一群强度值与由某一解剖学结构引起的强度值有关。
图3是根据本发明的方法的流程图。菱形表示为方法的输入或者中间结果的数据。矩形表示在数据上进行的操作。方法输入之一是包含部分身体例如腹部的三维表示的数据集30(SCAN)。该数据集可从合适的采集设备如计算机断层造影直接获得,或者从数字存储设备重现。在任何情况下,该数据集包含腹部强度的三维空间分布,例如,其中这些强度反映体内一定位置的一定物理特性。共同的物理特性是所谓的Hounsfield值,其描述了身体在一定位置处相对于X线范围内的电磁射线的吸收系数。其它物理特性可由磁共振成像(MRI)检测。该方法的另一输入是血管上的开始点和结束点31(SP/EP),其确定考虑进行分割的区域。这些开始点和结束点可以是用户选择或者自动确定的。这些输入,即,三维数据集30和开始点/结束点选择31由定义感兴趣体积(VOI)33的大块图像生成器(CI)32处理。感兴趣体积33通常是三维数据集30的子集,从而避免了对不感兴趣或极少感兴趣的数据集部分进行不需要的操作。感兴趣体积作为几个评价算法的输入参数。这些评价算法中的一个评价算法是确定34开始点和结束点31之间的中心线(CNTLN)。中心线确定是基于,例如,穿过内腔的连续横截面的重心。连接重心则产生中心线。还可将中心线确定为从开始点到结束点的最低成本路径。一旦确定中心线,就将其用作初始表面35(IS)的初始假设,从该初始表面通过变形可发展成3D活动对象。实验表明,具有恒定半径r=5mm的圆形横截面的管状初始表面35产生良好的结果。该初始表面的变形37由内腔表面变形算法36(LSDEF)实行。这种算法可以是,例如,基于阈值的,这意味着只要顶点处的强度值指示该顶点仍然位于内腔内,则就将3DAO的顶点向外推出(即,按照所考虑顶点的位置处的3DAO的法向向量)。这可通过应用上、下限阈值限定内腔内典型脉管的强度区间来实现。一旦在顶点处遇到的强度值是位于该强度区间外部,就将该顶点再次向内推进。该算法还执行停止标准以指示变形表面何时充分与血管的实际内腔相似。最终保留为内腔表示的3DAO被称为内腔表面37(LS)。在该方法的下一步骤中,修改所确定内腔表面37周围区域,原因在于将与健康血管壁最可能无关的强度值置换成对应于健康血管壁的强度值。该置换步骤38(REPL)是在内腔表面37周围具有沿中心线的近似中空圆筒形状的区域内实行的。该置换产生作用的有效距离取决于血管的尺寸和健康状态。已发现,5cm的半径对于可能受动脉瘤影响的腹主动脉产生良好的结果。进行下一步骤以找出血管壁外部边界的表面。因此,其被称为壁表面变形步骤39(WSDEF)。壁表面3DAO由在步骤37中找出的内腔表面3DAO初始化。然而,壁分割是一个复杂的问题,且基于图像强度阈值的简单力变形模型不能提供充分较佳的结果。作为替代,采用图案分类方法进行灰度值模拟,即k最近邻域(KNN)算法。在该监督学习技术中,通过将特征空间分成可变化尺寸的单元来估计每一类的任意随机密度函数。一个单元对应于给定特征点的k“邻域”(或最接近训练点)。属于给定分类的特征点的后验概率由该单元内训练点的密度确定: P ( Ω j | y ) = k j k . 在该公式中,kj是属于在给定特征点y的k(空间的)最近邻域中Ωj分类的点数量。而后将该点赋予具有最高概率的分类。可能的分类Ωj包括“对象内部”(即在壁外部边界内)、“对象外部”和在“对象边界处”。根据k最近邻域分类的结果,顶点在分类为“对象内部”的情形下向外推出,或者是在分类为“对象外部”的情形下向内推进,或者是在分类为“对象边界”的情形下保持在其当前位置。在该算法中,如果全部或者至少大多数顶点位于对象边界上,则满足停止标准。先前的置换步骤38向步骤39报告壁表面变形,原因在于没有干扰性解剖学结构影响顶点的分类。壁表面变形步骤39的最终结果写入壁表面数据结构40(WS),其为3D活动物体。在后续的恢复步骤41(RSTR)中,取消已在置换步骤38期间进行的强度置换。这恢复原始强度值,从而可进行血管壁和包含在其中的解剖学结构的分割。
除了用于分割血管的所述方法应用和计算机程序产品外,还可考虑医疗成像中的其它应用。
本发明可应用于3D扫描中的脑组织分割以分离脑部中的病变,如肿瘤。健康的脑组织通常具有更均匀的像素强度/Hounsfield值。然而,病变可具有不同值。当病变不由类似于健康脑组织的强度进行临时置换时,健康脑组织的分割(如采用3D活动对象和/或变形模型)可能不是最佳的。在脑部,置换的边界可以是颅骨(其具有极高的强度,从而易于检测到)。
肝脏分割是本发明的另一种应用。在从3D腹部CT中进行完全肝脏分割前,在肝脏的假定病变(肿瘤)上进行强度值置换。由于肝脏组织在CT表示中是较为均匀的,病变可具有不同的强度和/或Hounsfield值。然而,定义强度置换的边界对于肝脏而言可能会更困难些。
根据本发明的方法和计算机程序产品还可应用于体内若干较小器官。此外,还可想到在分割包括内部血管的器官的CT造影扫描方法中采用本发明。在第一步骤中,可能分割血管自身的内腔,其通过设定阈值会更容易完成。而后可用例如周围组织的平均值代替所检测到的内腔,并且可用如3D活动对象这样的更先进的技术分割整个器官。
虽然本发明已参照优选实施例进行了描述,但其不限于所公开的和/附图中所示出的具体的结构,而是还可包括在权利要求书范围内的任何修改或等同替代。
如本领域所公知的,可采用工作站实行本方法,该工作站设置成从医学成像接收图像数据并设置成实行该方法。本发明工作所采用的更有利方式包括将计算机程序产品安装在工作站上以实行该方法。

Claims (11)

1、分割解剖学结构三维数字表示的方法,该方法包括:
-分割所述解剖学结构外部边界;其特征在于还包括:
-在所述外部边界的所述分割之前和在特定体积内,对明显偏离所述解剖学结构强度值的强度值,使用表示所述解剖学结构的替代强度值进行临时置换;
-一旦所述外部边界的所述分割完成,就恢复所述明显偏离的强度值。
2、根据权利要求1所述的方法,还包括通过确定所述解剖学结构的包迹来确定所述特定体积的步骤。
3、根据权利要求1或2中任一个所述的方法,其中所述特定体积由包围所述解剖学结构的边界层确定。
4、根据权利要求1至3中任一个所述的方法,其中所述替代强度值是通过所述特定体积内的强度统计评价自动获得的。
5、根据权利要求1至4中任一个所述的方法,其中在所述恢复之后,分别分割特定体积内的病变。
6、用于分割解剖学结构的三维数字表示的计算机程序产品,执行以下步骤:
-分割所述解剖学结构外部边界;其特征在于还包括:
-在所述外部边界的所述分割之前和在特定体积内,对明显偏离所述解剖学结构强度值的强度值,使用表示所述解剖学结构的替代强度值进行临时置换;
-一旦所述外部边界的所述分割完成,就恢复所述明显偏离的强度值。
7、根据权利要求9所述的计算机程序产品,还包括通过确定所述解剖学结构的包迹来确定所述特定体积的步骤。
8、根据权利要求6或7中任一个所述的计算机程序产品,其中所述特定体积由包围所述解剖学结构的边界层确定。
9、根据权利要求6至8中任一个所述的计算机程序产品,其中所述替代强度值是通过所述特定体积内的强度统计评价自动获得的。
10、根据权利要求6或9中任一个所述的计算机程序产品,其中在所述恢复之后,分别分割特定体积内的病变。
11、设置成提供解剖学结构三维数字表示的分割的工作站,其设置成执行以下步骤:
-分割所述解剖学结构外部边界;其特征在于还包括:
-在所述外部边界的所述分割之前和在特定体积内,对明显偏离所述解剖学结构强度值的强度值,使用表示所述解剖学结构的替代强度值进行临时置换;
-一旦所述外部边界的所述分割完成,就恢复所述明显偏离的强度值。
CN2005800408310A 2004-11-29 2005-11-24 分割解剖学结构的三维数字表示的方法和工作站 Active CN101065776B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP04106135 2004-11-29
EP04106135.9 2004-11-29
PCT/IB2005/053887 WO2006056954A2 (en) 2004-11-29 2005-11-24 Multi-component vessel segmentation

Publications (2)

Publication Number Publication Date
CN101065776A true CN101065776A (zh) 2007-10-31
CN101065776B CN101065776B (zh) 2011-08-10

Family

ID=36498341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2005800408310A Active CN101065776B (zh) 2004-11-29 2005-11-24 分割解剖学结构的三维数字表示的方法和工作站

Country Status (5)

Country Link
US (1) US7912260B2 (zh)
EP (2) EP1820156B1 (zh)
JP (1) JP2008521473A (zh)
CN (1) CN101065776B (zh)
WO (1) WO2006056954A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113223015A (zh) * 2021-05-11 2021-08-06 清华大学 血管壁图像分割方法、装置、计算机设备和存储介质

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070242863A1 (en) * 2006-04-13 2007-10-18 Bernice Eland Hoppel Methods and Apparatus for Contouring at Least One Vessel
US8626263B2 (en) 2006-04-13 2014-01-07 General Electric Company Methods and apparatus for relative perfusion and/or viability
US8077939B2 (en) * 2006-11-22 2011-12-13 General Electric Company Methods and systems for enhanced plaque visualization
DE102007045268A1 (de) * 2007-09-21 2009-04-09 Siemens Ag Verfahren zur Verarbeitung medizintechnischer Bilddaten
US9064300B2 (en) * 2008-02-15 2015-06-23 Siemens Aktiengesellshaft Method and system for automatic determination of coronory supply regions
WO2009128042A1 (en) * 2008-04-16 2009-10-22 Universite De Lausanne Automatic detection and accurate segmentation of abdominal aortic aneurysm
DE102009016793A1 (de) * 2009-04-07 2010-10-21 Siemens Aktiengesellschaft Verfahren zur Segmentierung eines Innenbereichs einer Hohlstruktur in einem tomographischen Bild sowie Tomographiegerät zur Ausführung einer solchen Segmentierung
EP2446416B1 (en) * 2009-06-24 2014-04-30 Koninklijke Philips N.V. Establishing a contour of a structure based on image information
MY152058A (en) * 2010-06-21 2014-08-15 Univ Putra Malaysia A method of constructing at least one 3 dimensional image
US9589204B2 (en) * 2010-09-20 2017-03-07 Koninklijke Philips N.V. Quantification of a characteristic of a lumen of a tubular structure
US10140699B2 (en) * 2010-12-07 2018-11-27 University Of Iowa Research Foundation Optimal, user-friendly, object background separation
US9256933B2 (en) * 2011-02-08 2016-02-09 Region Nordjylland, Aalborg Sygehus System for determining flow properties of a blood vessel
WO2013040673A1 (en) * 2011-09-19 2013-03-28 The University Of British Columbia Method and systems for interactive 3d image segmentation
US9135699B2 (en) * 2012-03-15 2015-09-15 Siemens Aktiengesellschaft Method and system for hemodynamic assessment of aortic coarctation from medical image data
US10039473B2 (en) 2012-05-14 2018-08-07 Intuitive Surgical Operations, Inc. Systems and methods for navigation based on ordered sensor records
EP3524184B1 (en) 2012-05-14 2021-02-24 Intuitive Surgical Operations Inc. Systems for registration of a medical device using a reduced search space
EP2943902B1 (en) 2012-10-24 2020-03-11 CathWorks Ltd. Automated measurement system and method for coronary artery disease scoring
US10210956B2 (en) 2012-10-24 2019-02-19 Cathworks Ltd. Diagnostically useful results in real time
EP2750102B1 (en) 2012-12-27 2023-03-15 General Electric Company Method, system and computer readable medium for liver analysis
EP3954298A3 (en) 2013-10-24 2022-03-16 Cathworks Ltd. Vascular characteristic determination with correspondence modeling of a vascular tree
US9697603B2 (en) 2014-12-19 2017-07-04 Toshiba Medical Systems Corporation Medical image data processing system and method for vessel segmentation using pre- and post-contrast data
JP7036742B2 (ja) 2016-05-16 2022-03-15 キャスワークス リミテッド 血管評価システム
WO2017199246A1 (en) 2016-05-16 2017-11-23 Cathworks Ltd. Vascular selection from images
US10685438B2 (en) * 2017-07-17 2020-06-16 Siemens Healthcare Gmbh Automated measurement based on deep learning
WO2020201942A1 (en) 2019-04-01 2020-10-08 Cathworks Ltd. Methods and apparatus for angiographic image selection
EP3796210A1 (en) * 2019-09-19 2021-03-24 Siemens Healthcare GmbH Spatial distribution of pathological image patterns in 3d image data
US12039685B2 (en) 2019-09-23 2024-07-16 Cathworks Ltd. Methods, apparatus, and system for synchronization between a three-dimensional vascular model and an imaging device
EP4113434A1 (en) 2021-06-28 2023-01-04 Koninklijke Philips N.V. Generation of plaque information

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5825908A (en) 1995-12-29 1998-10-20 Medical Media Systems Anatomical visualization and measurement system
US7194117B2 (en) 1999-06-29 2007-03-20 The Research Foundation Of State University Of New York System and method for performing a three-dimensional virtual examination of objects, such as internal organs
US6711433B1 (en) * 1999-09-30 2004-03-23 Siemens Corporate Research, Inc. Method for providing a virtual contrast agent for augmented angioscopy

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113223015A (zh) * 2021-05-11 2021-08-06 清华大学 血管壁图像分割方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
EP1820156A2 (en) 2007-08-22
WO2006056954A2 (en) 2006-06-01
EP3239924A1 (en) 2017-11-01
JP2008521473A (ja) 2008-06-26
EP1820156B1 (en) 2017-09-13
US20070297561A1 (en) 2007-12-27
CN101065776B (zh) 2011-08-10
WO2006056954A3 (en) 2006-09-08
US7912260B2 (en) 2011-03-22
EP3239924B1 (en) 2020-03-25

Similar Documents

Publication Publication Date Title
CN101065776B (zh) 分割解剖学结构的三维数字表示的方法和工作站
CN111709953B (zh) Ct影像的肺叶段分割中的输出方法、装置
JP6703082B2 (ja) 医用画像における構造物をセグメンテーションする医用画像処理装置、医用画像をセグメンテーションするための方法及び医用画像をセグメンテーションするコンピュータプログラムを記憶する記憶媒体
JP7314025B2 (ja) 動脈の分析および査定のための深層学習
Olabarriaga et al. Segmentation of thrombus in abdominal aortic aneurysms from CTA with nonparametric statistical grey level appearance modeling
US7043290B2 (en) Method and apparatus for segmentation of an object
Athanasiou et al. Three-dimensional reconstruction of coronary arteries and plaque morphology using CT angiography–comparison and registration with IVUS
US20080071160A1 (en) Displaying A Tracheobronchial Tree
CN108876794A (zh) 体积图像数据中的动脉瘤与载瘤血管的隔离
CN112862833A (zh) 血管分段方法、电子装置和存储介质
Liu et al. Optimal graph search based segmentation of airway tree double surfaces across bifurcations
Sakellarios et al. Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data
Išgum et al. Automated aortic calcium scoring on low‐dose chest computed tomography
Zhou et al. Computerized analysis of coronary artery disease: performance evaluation of segmentation and tracking of coronary arteries in CT angiograms
Honea et al. Lymph node segmentation using active contours
Radaelli et al. On the segmentation of vascular geometries from medical images
US10993688B2 (en) Method of data processing for computed tomography
Larralde et al. Evaluation of a 3D segmentation software for the coronary characterization in multi-slice computed tomography
RU2459261C2 (ru) Способы, системы и компьютерный программный продукт для обнаружения выбухания
Ren et al. Three-dimensional reconstruction of abdominal aortic aneurysm based on compressive sensing with iterative optimization and its application in 3D printing
Garcia et al. Coronary vein extraction in MSCT volumes using minimum cost path and geometrical moments
Olabarriaga et al. Segmentation of abdominal aortic aneurysms with a non-parametric appearance model
Grosskopf et al. Accurate, fast, and robust vessel contour segmentation of CTA using an adaptive self-learning edge model
Klein et al. Motion calculations on stent grafts in AAA
Strzelecki et al. Level-set segmentation of noisy 3D images of numerically simulated blood vessels and vascular trees

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