CN101331517B - 利用可变形格网的帮助图像后处理的方法 - Google Patents
利用可变形格网的帮助图像后处理的方法 Download PDFInfo
- Publication number
- CN101331517B CN101331517B CN2006800476986A CN200680047698A CN101331517B CN 101331517 B CN101331517 B CN 101331517B CN 2006800476986 A CN2006800476986 A CN 2006800476986A CN 200680047698 A CN200680047698 A CN 200680047698A CN 101331517 B CN101331517 B CN 101331517B
- Authority
- CN
- China
- Prior art keywords
- graticule mesh
- aftertreatment
- task
- information
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/001—Model-based coding, e.g. wire frame
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Generation (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Catching Or Destruction (AREA)
Abstract
使用可变形格网帮助图像后处理的方法和系统,其中诸如器官的对象的可变形格网模型通过在其上附加信息而扩展,以简化和/或帮助所需的后处理任务,因此在将格网用到附加图像上同样对象时可以使用此信息加快该后处理任务。该信息可以在创建之后附加到格网上,例如,在对一些训练图像中的同样对象进行分割后。基于对附加图像中对象的分割,该后处理任务因此可以不要用户交互而自动执行。通过列举需要在随后的后处理任务中考虑的格网的三角形和顶点的列表,并且可选的提供限定所用的准确的(多个)后处理算法的附加参数来在格网上编码信息。
Description
本发明总体涉及一种使用可变形格网以方便图像后处理的方法,并且更具体的,涉及一种便于例如器官的解剖结构图像的后处理,所述结构通过可变形格网被分割。
在医疗图像处理应用中,通常对图像执行各种处理任务。一种具体的在很多图像处理应用中是基本任务的处理任务,就是对特定器官的分割。对于很多器官,以约束形状的可变形模型成功进行分割。它们基于在分割图像的调整期间保持不变的拓扑格网结构。基于模型的分割被认为对各种从简单到复杂的器官很有效(如骨骼、肝脏、具有巢状(nested)结构的心脏)。实际上,近来的研究结果表示这种技术允许对如心脏的复杂解剖结构进行完全自动的分割。
在分割器官后,该器官通常受到一次或多次额外的使用格网模型的图像处理任务,即后处理任务。即,在应用后处理任务后显示从原始图像获得的该器官的图像,使用格网模型绘制原始图像和获得的图像间的区别。
如果不是全部也是大部分后处理任务需要用户的交互,例如选择或限定开始点、种子点或关注区来对算法初始化。例如,为初始化血管跟踪算法,就需要将种子点设置在要跟踪或分割的血管内,并且此种子点必须通过手动选择或确认。
需要用户交互以启动后处理任务,医学图像处理应用就不能在最佳条件下进行。缺陷包括负责处理图像的个人(通常是放射技师)缺少效率,使用图像分析设备的难度或缺少经验,这样,手动选择或确定后处理任务的初始条件就会产生误差,并且需要手动行为就导致对后处理任务的复杂性的限制。
因此,自动后处理任务可以帮助增加放射技师的效率,导致应用后处理任务中较少或没有误差的、改进的便于使用的图像分析产品,并允许具有更复杂后处理任务的图像应用。
本发明的一个目的在于提供新的和改进的方法和系统,用于使用可变形格网以帮助图像的后处理。
本发明的另一个目的在于提供新的和改进的方法和系统,以帮助如器官的解剖结构图像的后处理,该解剖结构图像通过可变形格网分割。
本发明的另一个目的在于提供新的和改进的方法和系统,通过消除初始化图像处理算法所需的用户交互从而加速医学图像后处理任务。具体的,该方法可以避免需要用户手动确定图像处理算法中使用的开始点、种子点或关注区域,并通过利用从其中导出图像后处理任务所需信息的先前图像分割的结果来实现此目的。
本发明的另一个目的在于提供新的和改进的方法和系统,其转换通过正确图像分割获得的知识到随后的图像处理任务中,以减少并甚至消除初始化随后处理步骤的手动用户交互,并由此实现完全自动的图像处理链。
为了实现这些和其他目的,依照本发明的一种方法通过在其上附加信息来扩展如器官的对象的可变形的格网模型,以简化和/或方便所需的后处理任务,从而在将格网用于附加图像的同样对象时,该实施的后处理任务可以有益地使用此信息。在创建之后,例如分割若干训练图像中同样对象时,该信息可以附加到格网上。因此,可以自动执行后处理任务,而不需要分割附加图像中对象并将同样的格网模型用于该图像或对象后的用户交互。
此构思的一种实现是列举格网的三角形或顶点的列表,其在随后的后处理任务中将要被考虑。此列表或格网的特定三角形或顶点可以在格网上编码或在格网中区分开。此外,如每个列出的三角形或顶点的距离值或映射图或一些可能性值的附加信息可以在格网上编码。基于训练图像分割获得的信息因此可以是概率函数,表示格网的每个三角形或顶点可用于后处理任务的概率。
例如,在分割心腔和附着的大动脉后,可以自动限定冠状动脉从大动脉分支的口(ostia)的位置,冠状血管的搜索空间可以自动限定在心肌层周围的薄层内,因为知道冠状血管接近于心外膜壁,并且在初始心腔分割可能不详细处理的乳头肌的精细分割可以被自动限制到有益的(beneficial)位置。
更一般地,依照本发明使用可变形或适应性格网加速图像中被分割对象后处理的方法包括:在使用格网分割对象后标识要执行的后处理任务,确定后处理任务所需的信息、在格网上编码信息、使用具有编码信息的格网分割新的或附加的图像中的对象、并通过从格网提取编码信息来执行后处理任务。因此,在应用后处理任务后,后处理任务使为观察目的而显示的图像与从原始图像获得的显示图像一起显示。
确定后处理任务需要的信息需要获得包括对象的至少一个训练图像、通过格网分割(多个)训练图像中的对象、并基于(多个)训练图像的分割推导信息。还可以想到,后处理任务需要的信息可以基于用户的解剖知识来确定,例如用户可以指定预先存在的格网的三角形或顶点列表而不需要预先分割的图像。
可以定义多个后处理任务,每个任务具有不同的所需信息以执行其本身。这样,可以将不同的信息编码到格网和/或格网的不同部分上。例如,后处理任务需要的不同类型数据可以被编码到格网的不同区域中,使得在新图像的分割中可以对格网不同区域使用不同的后处理任务。
在示例性实施例中,被分割的图像中的对象是心脏,且后处理任务所需的信息是:口位置,因此后处理任务用于确定该口位置;冠状血管的存在,因此后处理任务是血管跟踪或分割;对其施加精细分割的心脏区域的位置;以及将要人工平坦化的心脏瓣区的标识。后处理任务所需的信息可以是但不必是从对(多个)训练图像的分割得到的。还可以替换地基于用户的解剖知识和识别所需信息的技巧。
对于口位置确定,在格网上编码信息是(多个)训练图像中到实际口位置预定距离内的格网的三角形或顶点的标识,该格网编码有所标识的三角形或顶点、以及每个三角形或顶点和口位置间的距离。后处理任务可以执行算法来分析标识的三角形或顶点以确定口在其中或在其上的可能性。此外,额外的后处理任务可以执行冠状动脉树算法,其接收从确定口位置获得的种子点作为输入。在此情况下,将显示从原始图像获得的图像并示出口位置,并可以划分、描绘或利用其他方式与图像的其余部分区别开。
对于血管跟踪,格网上编码信息是格网的每个三角形或顶点包含接近冠状血管,即在预定或阈值距离内的表面的可能性。后处理任务可以随后执行算法,其仅分析这些很有可能包含接近冠状血管的表面的部分图像,即数据集。该信息还可以是格网每个三角形或顶点与冠状血管的坐标间的距离值。在此情况下,后处理任务是执行算法来仅分析距冠状血管坐标预定距离内的图像部分,即数据集,其中距离可能依赖于算法执行的结果而增加。已经从心脏的原始图像推导或绘制的示出一个或多个冠状血管位置的图像,可能被划分、描绘或以其他方式区别于图像的剩余部分,并因此形成和可以显示。
对于精细分割,其是普通的并且可以随后用于使用格网的任何形式的图像分割,在格网上编码的该信息是要经受精细分割的格网的区域的标识,格网编码有每个标识区域中的三角形或顶点。后处理任务可以执行精细分割算法来附加分割编码的三角形或顶点表示的图像部分。
对于瓣区平坦化,格网上编码信息是通过执行平坦化算法的后处理任务以偏移所标识的三角形或顶点而平坦化的瓣区的区域中的三角形或顶点的标识。
依照本发明的可以执行上述方法的图像处理系统包括:图像获取设备,用于获取要处理的对象的图像;显示器,用于在处理之前和之后显示图像获取设备获取的图像;处理单元,耦接到图像获取设备、显示器,且处理单元和用户接口用于控制图像获取设备和处理单元。处理单元可以通过用户接口开始图像获取、启动基于格网模型的分割图像中的对象、标识使用格网分割后在对象上要执行的后处理任务、以及确定后处理任务所需的信息。此外,处理单元在格网上编码确定的信息、使用具有编码信息的格网分割图像获取设备获取的新图像中的对象、通过从格网提取编码信息来自动执行后处理任务、以及在显示器上显示后处理之后的图像。由此从原始图像获得显示的图像,并且该图像反映执行的后处理任务。如果将一个或多个训练图像用于确定后处理任务所需的信息,该处理单元就可以通过图像获取设备获得(多个)训练图像、通过格网分割图像获取设备获取的(多个)训练图像中的对象、并基于(多个)训练图像的分割推导该信息。
本发明还包括计算机可读介质,其实现为可以执行该方法的步骤的软件。为此目的,该计算机可读介质实现图像处理系统中的图像处理,该图像处理系统包括:用于获得要处理的对象图像的图像获取设备;用于在处理之前和处理之后显示图像获取设备获得的图像的显示器;以及用于控制图像获取设备的用户接口。该介质设置为经过用户接口启动图像获取,经过用户接口启动基于格网模型的图像中对象的分割;经过用户接口标识在使用格网分割后将为对象执行的后处理任务;经过用户接口确定后处理任务所需的信息;在格网上编码所确定的信息;利用具有编码信息的格网,分割图像获取设备获得的新图像中的对象;通过从格网提取编码信息来自动执行后处理任务;并在显示器上显示后处理之后的图像。显示的图像从原始图像推导而来,并反映所执行的后处理任务。如果一个或多个训练图像用于确定后处理任务所需的信息,该介质还进一步设置为可以经过图像获取设备获取(多个)训练图像;在图像获取设备获得的(多个)训练图像中通过格网分割对象;并基于(多个)训练图像的分割来推导信息。
本发明与其进一步的目的和优点将通过参照下面结合附图的描述得到更好的理解,其中类似的附图标记表示类似的部件。
图1示出依照本发明的图像处理配置的示意性表示,其可以执行依照本发明的方法;
图2是依照本发明使用可变形格网进行图像后处理的方法的流程图。
参照附图,其中类似的附图标记表示相同或相似的部件。图1示出图像处理系统10的实施例的简化示例性表示,该系统可以应用依照本发明的图像处理方法。系统10包括图像获取设备12,其获得要处理以从其获得信息的图像。图像获取设备12可以是超声成像设备,其获得包括关注的器官的超声图像以及与其相关的通过图像处理应用寻找的信息。本发明可以使用的其他图像获取设备包括CT设备,MRI设备等。
系统10包括处理单元14,耦接到图像获取设备12,并且从其中以电子形式获得图像。处理单元14可以控制图像获取设备12以基于命令获得图像。处理单元14包括通常的硬件部件,诸如存储部件,以及软件,以使其可以通过可变形格网分割图像、存储格网并将格网用于另一图像。软件嵌入在计算机可读介质上,并驻留在处理单元14中,使得处理单元14控制系统10的各种部件,以执行根据下面描述的本发明的方法的步骤。
显示器16还耦接到处理单元14并显示图像获取设备12获得的图像或处理单元14从图像获取设备12获得的图像推导出的图像。处理单元14推导得到的图像可以是从原始图像推导出来的,其通过应用以下述方式的后处理任务而获得。该原始图像不必改变,而是从其中推导出另外的图像。例如扫描仪的图像获取设备12获得的原始图像可以是三维图像,而显示器16上显示的、以及从分割处理和下面描述的后处理任务的使用推导出的其他图像可以是三维绘制显示,或穿过体积或另一种类型的图像。
用户接口18耦接到处理单元14来控制处理单元14,例如,控制处理单元14从图像获取设备12获得的图像推导的图像。用户接口18可以通过处理单元14控制图像获取设备12。因此,用户接口18用于确定图像获取设备12执行的图像获取任务,和处理单元14执行的图像处理任务。
现在参照图2,使用系统10,依照本发明使用可变形格网方便图像后处理的方法包括预备阶段和操作阶段。在预备阶段,该方法包括从图像获得设备12获得训练图像20,其包含分析的对象;以及标识在图像22中的对象上执行的具体后处理任务。此后,确定自动执行此后处理任务所需的信息24。下面描述不同后处理任务需要的不同信息项。
该图像的全部或仅该训练图像中的对象被可变形或适应性格网分割26。通过可变形或适应性格网限定和分割对象的方式是与本发明相关的领域中公知的。
通过格网分割对象之后,就推导后处理任务需要的信息28并将其插入格网30。通常,在格网上编码该信息,即某些信息与格网的每个三角形或顶点相关联。还可以认为该格网被标记,因为将信息附加其上以对其标识。该信息可以是表示该三角形或顶点包含关注对象的概率或可能性的值,以及表示该三角形或顶点与图像的关注位置间距离的值。每条信息都可以与每个三角形或顶点相关联,或者多条信息可以与每个三角形或顶点相关联。
该编码思想的一种基本的实现是列举该格网的三角形或顶点的列表,这在后处理任务中需要被考虑。该列表或该格网的具体三角形或顶点将在格网上编码或在格网中区别开。此外,附加信息,诸如每个列出的三角形或顶点的距离图或某些概率值,可以在格网上编码。附加信息的其他例子可以是局部预计的血管半径和/或朝向。
在格网上编码信息之后,具有相关信息的该格网可选地存储在处理单元14中32。
本发明使用的可变形格网的一种基本属性在于在对被分割的新图像的调整期间该格网的结构(拓扑)是固定的。这种不变性对于将要在格网上编码图像后处理任务的所用信息来说是很重要的。例如,如果后处理任务涉及搜索关注的具体对象或结构,可变形格网的三角形就被编码有信息,该信息关于每个三角形是否在距该结构预定距离内。如下面例子所述,这些结构可以是其中冠状动脉从大动脉分支的口,或是心外膜壁上冠状动脉的典型位置。
作为使用训练图像以推导后处理任务所需信息的替换方式,可以基于用户的解剖知识确定后处理任务所需的信息。该用户可能具有足够的技术来指定预先存在的格网中的适当的三角形或顶点列表,其用于执行后处理任务而不需要分割训练图像。在此情况下,就不需要图2所示方法中的步骤20、26和28,并且该方法将从确定后处理任务所需的信息24直接前进到在格网上编码此信息30。
在操作阶段,在新图像将要经受同样后处理任务时,其中用于自动应用的信息已经编码到该格网上,获得新图像34,且该图像或仅其中的对象通过与分割训练图像中对象的同样格网分割36,即该格网对每个附加图像中的对象调整。从格网中提取后处理任务的信息38,并且使用提取的信息自动执行该后处理任务40。在对新图像调整格网之前,确定图像获取设备12获得的新图像是不是要经受同样的后处理任务,该任务的用于自动应用的信息已经编码到该格网上。如果不是,就标识不同的后处理任务,并且标识用于此新后处理任务的信息,且该方法相应地前进。
在执行后处理任务40之后,处理单元14导出的修改图像可以在显示器18上显示42。从图像获取设备12获得的原始图像和具有编码信息的格网推导修改图像。通过使用这些源来产生修改图像,可以获得图像中器官分析的改进,包括分析器官的速度、器官的清楚程度、以及显示关注的部分器官用于观看目的。
通过提供启动后处理任务所需的信息,提取的信息被设计为便于和加速执行后处理任务。由于在将格网应用到新图像并分割其中对象时,这种信息立即可用,就不需要用户交互来启动后处理任务。取消这种用户交互使得后处理任务自动化,由此增加了处理图像的人员的效率、增加了图像获取设备和图像处理装置的便用性,导致在应用后处理任务中较少或没有误差,并允许更复杂的后处理任务的图像应用。
在格网上的编码信息可以是后处理任务所需的不同类型的数据,且不同类型的数据可以编码到格网的不同区域上,以使在格网的不同区域上不同的后处理算法有效。因此,一种后处理算法可以是在格网的一个区域上有作用,且使得自动执行此算法的一类数据可以编码在格网的各个区域上,而另一个后处理算法可以在格网的不同区域上起作用,且使得自动执行此算法的另一类数据可以编码在格网的各个区域上。可以想到,该区域可以重叠,且两类不同的数据可以编码在格网的同样部分上,即,一个或多个三角形或顶点与两类或多个不同类型的数据相关联。
在格网上的编码信息还可以包括区域地变化的参数,其控制后处理算法,即在所有的三角形和顶点上,与格网的三角形和/或顶点相关联的参数并不一样。
在格网上编码信息使得可以有优势地使用关于器官的通常位置或要结合到格网中的解剖结构的先验知识,从而在使用格网分割类似器官或解剖结构时,即使没有消除也可以减少用户交互。
本发明主要用于分割和解释复杂的器官和相关的解剖结构。这包括但不限于心脏应用,其中腔、心肌和大血管(大动脉、肺动脉等)的初始分割用作随后后处理任务的开始点。
对各种后处理任务使用该方法的例子涉及下面描述的心脏图像处理。具体的,提供了与心脏的分割相关执行的后处理任务的四个例子,即,确定冠状动脉口的位置、冠状血管跟踪、分割精练以及虚拟(virtual)关闭的打开的心瓣。
对于确定口的位置来说,该口通常被限定为一定程度上凸出的、大动脉壁上的分歧区域,其中两个主要冠状动脉,一左和一右,从大动脉分支或离开。可能的口位置通常限制在接近主动脉顶(aortic roof)的区域,即,稍微在主动脉瓣上,在这里主动脉连接到左心室。
确定口的位置是有用的,因为口位置可以用作随后冠状动脉树提取算法的种子点。在此情况下,要执行的后处理任务可以是应用冠状动脉树提取算法,其中需要关于该口位置的信息。在现有技术中,必须使用户手动限定冠状动脉树提取算法的种子点的位置,即通过操作用户接口设备来标识该种子点。相对的,在本发明中,种子点的位置从格网上的编码信息推导得到,从而在将格网施加到心脏的图像上后(使用该格网分割心脏),就可以立即给冠状动脉树提取算法自动提供种子点的位置。因此,将格网施加到包含心脏的图像上,并分割该心腔和附加的主动脉,就可以限制口可能的位置,并由此更加容易地标识冠状动脉树提取算法的种子点。
通过初始识别在分析的图像或多幅图像,即(多幅)训练图像中与实际口位置足够接近的格网的三角形来获得对于口定位确定编码需要的信息。从所标识的格网三角形形成一个或多个数据集。与观察的口位置距离较小的格网三角形也包括在该(多个)数据集中,以解决模糊的图像。在例如数据文件中列出所标识的三角形。通过三角形,可以包括三角形和口位置间的距离信息,并且实际上对于与分析图像中已知口非常接近的三角形,优选包括距离信息。在包含心脏并对其使用格网的新图像中搜索口的时候,距离信息是有用的。
因此,格网不仅包括要分割心脏的方式,而且还包括格网上三角形的相关列表,这些三角形确定为与(多幅)训练图像中的口非常接近。通过接近口,就表示与口在预定距离内,其中该距离可以由本领域技术人员容易地确定。
在形成允许的或似乎可能的格网三角形的列表并将其在格网上编码后,按照下面的方式使用编码信息。使用格网模型分割包含心脏的新图像,其包括主动脉中口的预计位置的部分。在列出的三角形附近的区域,即通常在大动脉外的区域被适当的算法自动处理,并且试图最大化图像中某些表示冠状血管,具体的说冠状动脉的特征的标准。例如,可以使用存在血管的可能性或一些其他标准。此标准,即血管存在的可能性可以与关于三角形有多少可能与各个口接近的信息结合。这就将搜索限制为并关注于识别与最可能的三角形靠近的血管,该三角形具有最多从主动脉分支的冠状动脉,因此,改进了最佳口候选位置的选择,即选择最可能包含口的三角形或顶点。
可选的,具体调整的血管存在可能性标准可以对每个被搜索的三角形编码,即在格网上的编码信息不仅是距离或口存在可能性信息,而且还可以是对于不同口区域的一些动脉特征。在左和右冠状动脉具有类似的特征的时候,这种选择提供了名义上的好处(nominal benefits),但是在搜索如器官的两个对象的位置、且该对象没有类似的特征的其他应用中,这种选择就是有用的。
作为一种替换方式,每个三角形或顶点可以通过单独调整的算法编码。即,在将格网用于新图像时,针对标识哪个三角形或顶点包含或可能包含冠状血管,将执行多个和不同的算法,每个算法用于每个三角形或顶点,该三角形或顶点的存在将提供关于口位置或口本身的信息。
应用口位置确定后处理任务,表示口位置的新图像将基于原始图像形成或从原始图像推导而自动形成。优选的,口将被划分或描绘以将其与新图像的剩余部分区别开。
依照本发明的该方法的第二应用是分割和跟踪冠状血管,即冠状动脉和静脉。在心脏图像分析中,分割心脏和及其腔后通常执行搜索冠状动脉和/或静脉,并且一旦对其定位,就分割冠状动脉。冠状动脉的分割是一项困难的任务,因为它们的尺寸非常小,即通常与图像分辨率、图像中的伪差(artefact)、狭窄区域以及心脏图像中很多令人误解的结构接近。
将依照本发明的方法用于冠状血管分割和跟踪,就可以限制冠状动脉和静脉的搜索空间为心肌周围的薄层,因为知道这些血管靠近心外膜壁。更具体的,通过使用预先获得的信息进行的血管跟踪,使得心脏及其周围区域图像中冠状动脉和静脉的搜索空间被限制或汇聚,该预先获得的信息关于分割的结构(心脏)和(多个)血管之间的关系,其中已经在分割结构中进行了搜索。
在冠状动脉的情况下,知道冠状动脉接近于心外膜壁,并且由于主动脉通常位于充分限定的区域中,例如,在心房和相关心室之间的沟中,所以可以推到出此壁上的概率分布。
因此,在格网上编码预先推出的关于冠状血管的预计位置或区域的信息对于提高分割算法的效率是很重要的,该算法的执行构成后处理任务。因此,该方法涉及分析一个或多个包含心脏的训练图像并手动产生冠状动脉树坐标。冠状动脉树坐标是动脉中心线的坐标组。
一旦从分析的(多个)训练图像确定了冠状动脉树坐标,就对坐标和格网的每个三角形或顶点之间的关系执行分析,以用于计算每个三角形或顶点包括冠状动脉位于其上的心外膜表面的可能性。除了或替代计算每个三角形或顶点包括心外膜表面的可能性,还可以计算格网的每个三角形或顶点和坐标之间的距离。
关于每个三角形或顶点包含心外膜表面的可能性的信息和/或关于每个三角形或顶点和坐标之间距离的信息在格网上编码。即,产生三角形或顶点的列表,并将其与推导的信息相关联。
在对于包含心脏的、对其搜索冠状动脉位置的新图像调整格网之后,在冠状动脉树分割前,就利用在格网上的编码信息以限定或汇聚的新图像中的冠状动脉搜索。基于关于每个三角形或顶点包含心外膜表面的可能性的信息和/或关于每个三角形或顶点与动脉中心线坐标间距离的信息,在被搜索的新图像的这些部分上自动执行分割算法来分割该冠状动脉,其中如果需要任何用户交互也只需要最少的交互。
使用冠状血管分割和跟踪后处理任务,基于原始图像或从原始图像推导而可以自动形成示出一个或多个冠状血管的新图像。每个冠状血管可以被划分或描绘为与图像的剩余部分区别开。
还可以有益地通过使用上述寻找口的方法获得的种子点来初始化冠状动脉树的分割。
依照本发明的方法的另一种应用在于使用具体算法的精细心脏分割,例如适当地考虑乳头肌。由于其在心脏的初始分割之后发生,这也可以称作精细分割。
一些应用需要对具体解剖结构非常详细的分割,例如对于心脏结构的详细分割。例如,在电生理学处理计划中,必须具有关于左心房和相连的血管的几何形状高精度信息。其他应用可能需要对心室中乳头肌的精细分割,这经常不能通过初始心腔分割获得。
使用的心脏精细分割作为一种非限制性类型的解剖结构,依照本发明的方法可以标识心脏中必须对其施加精细分割的后处理的区域,并随后相应地在该区域中标记格网的三角形或顶点。确定要对每个标记的格网部分执行的该后处理任务。因此,格网的三角形或顶点的列表就被标识为需要使用每个精细分割算法,因此在将格网应用到另一个心脏的时候,每个分割算法就可以被应用到与其关联的那些三角形或顶点。
精细分割的一个例子,从初始的基于格网模型分割所限定的区域开始,首先限定格网表面围住的区域,例如,左心室体积或心肌(myocard),并随后重新指定在第一区域到第二区域的区域边缘上或接近该边缘的体素,如果这增加了在分配给第一和第二区域的所有体素上限定的均匀性条件。该均匀性条件可以测量第一和第二区域内的灰度值分布,并且在该分布变得更加均匀的时候执行从一个区域到另一个区域的重新指定。该分割算法可以设计为对应用该算法的那些三角形或顶点实现这种体素重新指定。
在使用基于格网模型的分割来分割新图像之后,就在这些格网表面包围的限定区域和/或各个三角形上自动执行每个精细分割算法。以此方式,精细分割算法的执行不需要用户交互,且可以自动给图像分析器提供这样的图像,其中例如左心房和相连血管在显示器上的显示比仅基于格网模型分割后所显示的更加清楚。这种改进的清楚度来自于执行了(多个)精细分割算法。
依照本发明的另一种应用在于解决在心房收缩期间打开的心瓣的虚拟关闭。这对于用于射血分数测量以获得心室体积的基本固定的限定来说是很重要的。
在心动周期中,心房和心室之间的瓣,即心脏左腔之间的二尖瓣和心脏右心腔之间的三尖瓣,循环地打开以允许血从心房流到心室,以及闭合以防止在心脏收缩期间血流回心房。射血分数测量基于心脏循环期间的心室体积,并且对于具有良好限定的心室轮廓来说是重要的。根据心脏测量协议,即使对于打开的心瓣,在瓣使用对应于没有血从心房流到心室的瓣的剩余位置的“平坦化的虚拟瓣”的基础上,心室“虚拟关闭”。然而,良好调节的模型通常得到分割打开的瓣,而不对应于用于测量的虚拟关闭的瓣。
因此,在此情形下,后处理任务将表示打开的瓣的模型表面的调整部分替换为模拟尽可能平坦的虚拟关闭的瓣。应用依照本发明的方法,标识出在后处理期间要被“平坦化”的瓣区的三角形和/或顶点,并且形成这些三角形或顶点的列表。在这些三角形或顶点处的心脏部分的平坦化就是对所研究的瓣的后处理任务。
在对心脏进行分割或调整格网模型之后,使用该平坦化过程通过偏移列出的顶点使得三角形化的模型表面不受拘束,因此使得所有瓣三角形的边长度的平方和最小。没有包括在列表中的顶点保持固定,因此将瓣建模为类似弹性板,其想最小化其表面张力。
施加虚拟关闭后处理任务,就基于原始图像或从原始图像推导而自动形成示出平坦化瓣的新图像。
如上所述,本发明在初始成功执行的如器官的解剖结构分割和类似器官的相关图像处理任务间提供接口,其中使用成功的初始分割和在类似器官的分割中使用的编码格网所提供的信息和链接,允许或改进该相关图像处理任务。
上述的系统和方法尤其适合于如CAD包的软件调整,诸如心脏CT探测和干涉式计划包,诸如EP计划。
尽管参照附图在这里描述了本发明的示例性例子和实施例,但是可以理解本发明不限于这些具体的实施例,并且本领域技术人员在不脱离本发明的精神和范围的情况下还可以实现各种变形和改进。
Claims (20)
1.一种加速使用格网分割图像中对象的后处理的方法,包括:
在使用该格网进行分割后,标识要在该对象上执行的后处理任务(22);
确定该后处理任务所需的信息(24);
在该格网上编码该信息(30);
使用经编码信息的该格网对新图像中的该对象进行分割(36);以及
通过从该格网提取该编码信息来执行该后处理任务(40)。
2.根据权利要求1的方法,其中,该后处理任务所需的信息是将对其执行该后处理任务的格网的三角形或顶点的列表。
3.根据权利要求1的方法,其中,该后处理任务所需的信息是表示该格网的每个三角形或顶点和该后处理任务所关注的对象之间距离的距离值。
4.根据权利要求1的方法,其中,该后处理任务所需的信息是表示该格网的每个三角形或顶点对该后处理任务有用的概率的概率函数。
5.根据权利要求1的方法,其中,确定该后处理任务所需信息的步骤包括:获取包括该对象的至少一个训练图像(20),通过该格网分割该至少一个训练图像中的对象(26),并基于对该至少一个训练图像的分割来推导该信息(28)。
6.根据权利要求1的方法,还包括限定多个后处理任务,每个任务具有不同的所需信息来允许执行该任务。
7.根据权利要求1的方法,其中根据对该新图像中对象的分割,自动执行该后处理任务而没有用户交互。
8.根据权利要求1的方法,其中,在该格网上编码信息包括:在该格网的不同区域中编码该后处理任务所需的不同类型数据,使得在该格网的不同区域上可以应用不同的后处理任务。
9.根据权利要求1的方法,其中,该后处理任务涉及执行后处理算法,且在该格网上编码信息包括:编码控制该后处理算法的区域地变化的参数。
10.根据权利要求1的方法,其中,该图像中的对象是心脏,该后处理任务所需的信息是到实际冠状动脉口位置预定距离内的格网的三角形或顶点的标识,该格网被编码以所标识的三角形或顶点、以及每个三角形或顶点与该冠状动脉口位置间的距离,执行该后处理任务包括:执行算法分析所标识的三角形或顶点,以确定其中或其上存在冠状动脉口的可能性。
11.根据权利要求1的方法,其中,该图像中的对象是心脏,该后处理任务所需的信息是该格网的每个三角形或顶点包括其中接近冠状血管的表面的可能性,执行该后处理任务包括:执行算法仅分析很有可能包括其中接近冠状血管的表面的那些三角形或顶点。
12.根据权利要求11的方法,其中,该后处理任务所需的信息是该格网的每个三角形或顶点与该冠状血管的坐标间的距离,执行该后处理任务包括:执行算法仅分析距该冠状血管的坐标预定距离内的那些三角形或顶点。
13.根据权利要求1的方法,其中,该后处理任务所需的信息是要经受精细分割的格网的区域的标识,该格网被编码有每个所标识区域中的三角形或顶点,执行该后处理任务包括:执行精细分割算法以额外地分割该编码的三角形或顶点所表示的图像部分。
14.根据权利要求1的方法,其中,该图像的对象是心脏,该后处理任务所需的信息是要人为平坦化的瓣区范围中三角形或顶点的标识,执行该后处理任务包括:执行平坦化算法以偏移所标识的三角形或顶点。
15.一种用于处理图像并显示所处理的图像的方法,包括:
在预备步骤中,
在使用格网进行分割后,标识要在对象上执行的处理任务(22);
确定该处理任务所需的信息(24);以及
在该格网上编码该信息(30);以及
在操作步骤中,
获得包含相同对象的新图像(34);
使用经编码信息的该格网对该新图像中的对象进行分割(36);
通过从该格网提取该编码信息来执行该处理任务(38,40),以及
显示通过执行该处理任务而修改的该新图像的衍生图(42)。
16.根据权利要求15的方法,其中,确定该处理任务所需信息的步骤包括:获取包括该对象的至少一个训练图像(20),通过该格网对该至少一个训练图像中的该对象进行分割(26),并基于对该至少一个训练图像的分割推导该信息(28)。
17.根据权利要求15的方法,其中,该处理任务所需的信息是将对其执行该处理任务的该格网的三角形或顶点的列表。
18.根据权利要求15的方法,其中,该处理任务所需的信息是表示该格网的每个三角形或顶点与该处理任务所关注的对象之间距离的距离值。
19.根据权利要求15的方法,其中,该处理任务所需的信息是表示该格网的每个三角形或顶点可用于该处理任务的概率的概率函数。
20.一种用于处理图像并显示所处理的图像的系统(10),包括:
用于在使用格网进行分割后标识要在对象上执行的处理任务的模块(22);
用于确定该处理任务所需的信息的模块(24);以及
用于在该格网上编码该信息的模块(30);并且
所述系统还包括,
用于获得包含相同对象的新图像的模块(34);
用于使用经编码信息的该格网对该新图像中的对象进行分割的模块(36);
用于通过从该格网提取该编码信息来执行该处理任务的模块(38,40);以及
用于显示通过执行该处理任务而修改的该新图像的衍生图的模块(42)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US75153605P | 2005-12-19 | 2005-12-19 | |
US60/751,536 | 2005-12-19 | ||
PCT/IB2006/054866 WO2007072363A2 (en) | 2005-12-19 | 2006-12-14 | Method for facilitating post-processing of images using deformable meshes |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101331517A CN101331517A (zh) | 2008-12-24 |
CN101331517B true CN101331517B (zh) | 2011-09-07 |
Family
ID=38051374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2006800476986A Active CN101331517B (zh) | 2005-12-19 | 2006-12-14 | 利用可变形格网的帮助图像后处理的方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US8144950B2 (zh) |
EP (1) | EP1966756B1 (zh) |
JP (1) | JP5113077B2 (zh) |
CN (1) | CN101331517B (zh) |
AT (1) | ATE437421T1 (zh) |
DE (1) | DE602006008040D1 (zh) |
RU (1) | RU2413995C2 (zh) |
WO (1) | WO2007072363A2 (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7715627B2 (en) * | 2005-03-25 | 2010-05-11 | Siemens Medical Solutions Usa, Inc. | Automatic determination of the standard cardiac views from volumetric data acquisitions |
US9275190B2 (en) * | 2007-04-23 | 2016-03-01 | Siemens Aktiengesellschaft | Method and system for generating a four-chamber heart model |
US8582854B2 (en) * | 2008-09-15 | 2013-11-12 | Siemens Aktiengesellschaft | Method and system for automatic coronary artery detection |
US8498846B2 (en) * | 2010-02-25 | 2013-07-30 | Microsoft Corporation | Joint-aware manipulation of deformable models |
US8675943B2 (en) * | 2010-11-29 | 2014-03-18 | Siemens Aktiengesellschaft | Method and system for heart isolation in cardiac computed tomography volumes for patients with coronary artery bypasses |
EP2788958B1 (en) * | 2011-12-05 | 2019-09-18 | Commonwealth Scientific and Industrial Research Organisation | Method and system for characterising plant phenotype |
BR112014013935A2 (pt) | 2011-12-12 | 2017-06-13 | Koninklijke Philips Nv | dispositivo de processamento de imagem, e, meio legível por computador |
CN104797199B (zh) | 2012-11-20 | 2018-02-23 | 皇家飞利浦有限公司 | 用于实时胎儿心脏评估的标准平面的自动定位 |
US9280819B2 (en) | 2013-08-26 | 2016-03-08 | International Business Machines Corporation | Image segmentation techniques |
US10043270B2 (en) | 2014-03-21 | 2018-08-07 | Koninklijke Philips N.V. | Image processing apparatus and method for segmenting a region of interest |
CN107106128B (zh) | 2015-01-06 | 2020-07-03 | 皇家飞利浦有限公司 | 用于分割解剖目标的超声成像装置和方法 |
US10325412B2 (en) | 2015-11-05 | 2019-06-18 | Shenyang Neusoft Medical Systems Co., Ltd. | Cutting three-dimensional image |
WO2017109662A1 (en) * | 2015-12-22 | 2017-06-29 | Koninklijke Philips N.V. | Heart model guided coronary artery segmentation |
CN106920282B (zh) * | 2015-12-25 | 2020-11-20 | 中国科学院深圳先进技术研究院 | 一种血管数字模型的编辑方法及系统 |
US11257262B2 (en) | 2016-08-22 | 2022-02-22 | Koninklijke Philips N.V. | Model regularized motion compensated medical image reconstruction |
DE102016218899B4 (de) * | 2016-09-29 | 2022-06-15 | Siemens Healthcare Gmbh | Auswertung medizinischer Daten mit einer Zeitauflösung |
US10321878B2 (en) | 2016-12-22 | 2019-06-18 | Biosense Webster (Israel) Ltd. | Pulmonary vein display in two dimensions |
US10575746B2 (en) | 2017-12-14 | 2020-03-03 | Biosense Webster (Israel) Ltd. | Epicardial mapping |
EP3570249A1 (en) | 2018-05-14 | 2019-11-20 | Koninklijke Philips N.V. | Preprocessing medical image data for machine learning |
US11823421B2 (en) * | 2019-03-14 | 2023-11-21 | Nokia Technologies Oy | Signalling of metadata for volumetric video |
WO2022128838A1 (en) | 2020-12-18 | 2022-06-23 | Koninklijke Philips N.V. | Ultrasound image-based identification of anatomical scan window, probe orientation, and/or patient position |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3538639A1 (de) * | 1984-10-31 | 1986-04-30 | Canon K.K., Tokio/Tokyo | Bildverarbeitungssystem |
KR100215451B1 (ko) * | 1996-05-29 | 1999-08-16 | 윤종용 | 임의형태 물체를 포함한 동화상의 부호화 및 복호화시스템 |
US6009435A (en) * | 1997-11-21 | 1999-12-28 | International Business Machines Corporation | Progressive compression of clustered multi-resolution polygonal models |
US6614428B1 (en) * | 1998-06-08 | 2003-09-02 | Microsoft Corporation | Compression of animated geometry using a hierarchical level of detail coder |
US6718290B1 (en) * | 1998-12-10 | 2004-04-06 | Georgia Tech Research Corporation | Systems and methods for encoding tetrahedral meshes |
JP4319031B2 (ja) | 2001-09-06 | 2009-08-26 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 対象のセグメンテーション方法及び装置 |
US6985612B2 (en) * | 2001-10-05 | 2006-01-10 | Mevis - Centrum Fur Medizinische Diagnosesysteme Und Visualisierung Gmbh | Computer system and a method for segmentation of a digital image |
US20030076319A1 (en) * | 2001-10-10 | 2003-04-24 | Masaki Hiraga | Method and apparatus for encoding and decoding an object |
EP1525558A2 (en) * | 2002-07-19 | 2005-04-27 | Philips Intellectual Property & Standards GmbH | Simultaneous segmentation of multiple or composed objects by mesh adaptation |
US7668349B2 (en) * | 2003-11-13 | 2010-02-23 | Koninklijke Philips Electronics N.V. | Three-dimensional segmentation using deformable surfaces |
US20080094389A1 (en) * | 2004-05-18 | 2008-04-24 | Koninklijke Philips Electronics, N.V. | Image Processing System for Automatic Segmentation of a 3-D Tree-Like Tubular Surface of an Object, Using 3-D Deformable Mesh Models |
-
2006
- 2006-12-14 US US12/097,855 patent/US8144950B2/en active Active
- 2006-12-14 DE DE602006008040T patent/DE602006008040D1/de active Active
- 2006-12-14 JP JP2008545236A patent/JP5113077B2/ja active Active
- 2006-12-14 AT AT06842537T patent/ATE437421T1/de not_active IP Right Cessation
- 2006-12-14 WO PCT/IB2006/054866 patent/WO2007072363A2/en active Application Filing
- 2006-12-14 CN CN2006800476986A patent/CN101331517B/zh active Active
- 2006-12-14 RU RU2008129793/08A patent/RU2413995C2/ru active
- 2006-12-14 EP EP06842537A patent/EP1966756B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
ATE437421T1 (de) | 2009-08-15 |
WO2007072363A2 (en) | 2007-06-28 |
RU2008129793A (ru) | 2010-01-27 |
EP1966756B1 (en) | 2009-07-22 |
JP2009519740A (ja) | 2009-05-21 |
CN101331517A (zh) | 2008-12-24 |
DE602006008040D1 (de) | 2009-09-03 |
RU2413995C2 (ru) | 2011-03-10 |
WO2007072363A3 (en) | 2007-10-11 |
US20080304744A1 (en) | 2008-12-11 |
JP5113077B2 (ja) | 2013-01-09 |
US8144950B2 (en) | 2012-03-27 |
EP1966756A2 (en) | 2008-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101331517B (zh) | 利用可变形格网的帮助图像后处理的方法 | |
CN106037931B (zh) | 改进的经导管主动脉瓣植入规划的方法和系统 | |
US9275190B2 (en) | Method and system for generating a four-chamber heart model | |
CN101933045B (zh) | 短轴后期增强心脏mri的自动3d分割 | |
EP3080777B1 (en) | Model-based segmentation of an anatomical structure | |
US20060008143A1 (en) | Hierachical image segmentation | |
US8948484B2 (en) | Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition | |
RU2522038C2 (ru) | Сегментация при мр-визуализации сердца в проекции по длинной оси с поздним усилением контраста | |
US20070014452A1 (en) | Method and system for image processing and assessment of a state of a heart | |
WO2004068406A2 (en) | A method and system for image processing and contour assessment | |
JP2004529713A (ja) | Mr心臓画像における左心室のセグメンテーションに対する様々なアプローチ | |
JP2009517163A (ja) | 画像内の参照構造に関連付けられた構造をセグメント化する方法、システム及びコンピュータ・プログラム | |
Ecabert et al. | Modeling shape variability for full heart segmentation in cardiac computed-tomography images | |
CN101116104B (zh) | 用于分割多维数据集中的表面的方法、系统 | |
WO2002003304A2 (en) | Predicting changes in characteristics of an object | |
Shih et al. | Morphologic field morphing: Contour model‐guided image interpolation | |
Chalana et al. | Unified data structures in a software environment for medical image segmentation | |
WO2008065590A1 (en) | Improved segmentation |
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 |