CN101410870B - 乳腺mri上的自动心脏带探测 - Google Patents
乳腺mri上的自动心脏带探测 Download PDFInfo
- Publication number
- CN101410870B CN101410870B CN2007800113489A CN200780011348A CN101410870B CN 101410870 B CN101410870 B CN 101410870B CN 2007800113489 A CN2007800113489 A CN 2007800113489A CN 200780011348 A CN200780011348 A CN 200780011348A CN 101410870 B CN101410870 B CN 101410870B
- Authority
- CN
- China
- Prior art keywords
- time
- image data
- mapping
- projection
- acquisition
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于处理时间采集图像数据的方法(100),其包括用于获取时间采集图像数据的获取步骤(105)、用于基于时间采集图像数据而计算时间变异性映射的计算步骤(110)、用于基于时间变异性映射而分类时间采集图像数据的位置的分类步骤(120)以及用于基于所分类的位置而确定时间采集图像数据中的伪影区域和非伪影区域的确定步骤(125)。在确定伪影区域和非伪影区域之后,在探测步骤(130)中探测对象限制于非伪影区域。这有利地减少了错误地识别所探测的对象为感兴趣的对象的风险。
Description
本发明涉及一种用于处理时间采集图像数据的方法。
本发明还涉及一种用于处理时间采集图像数据的系统。
本发明还涉及一种包括所述系统的图像采集装置。
本发明还涉及一种包括所述系统的工作站。
本发明还涉及一种计算机程序产品,包括用于当在计算机上运行该程序产品时执行所述方法的指令。
US6112112中提出了对在首段中所述类型的方法的实现。该文献描述了一种评估时间采集图像中肿瘤程度的方法。所描述的方法包括获取时间采集图像数据,并且在所获取的图像数据上执行方差处理,以计算方差图像数据,该方差图像数据界定了指示时间采集图像数据中体素方差的方差图像。方差图像数据用于增强感兴趣结构(例如损伤)的图像,并且评估损伤的程度。损伤位置由人或计算机输入。虽然与人交互确定损伤位置通常并不方便,但是计算机对损伤位置的确定易于出错,这是由于在胸廓中存在诸如血管的对象,其可能被错误地识别为损伤。
本发明的一个目的是提供一种方法,其改进了对时间采集图像数据的处理。
本发明的这一目得以实现在于处理时间采集图像数据的方法包括:
-获取步骤,用于获取时间采集图像数据;
-计算步骤,用于基于时间采集图像数据计算时间变异性映射;
-分类步骤,用于基于时间变异性映射对时间采集图像数据的各位置进行分类;以及
-确定步骤,用于基于所分类的位置确定时间采集图像数据中的伪影区域和非伪影区域。
时间采集图像数据的元素包括位置、采集时间和对应于所述位置和所述采集时间的强度。时间变异性映射的元素包括位置和在该位置所采集的强度的时间变异性。在一位置所采集的强度的时间变异性是通过在计算步骤中基于该位置的多个强度所计算的强度的时间导数的方差进行描述。在分类步骤中,时间变异性映射用于对包括在图像数据和时间变异性映射中的各位置进行分类。时间变异性大于阈值的位置被分类为伪影位置。使用阈值选择的Otsu方法确定阈值,所述Otsu方法最小化伪影位置的时间变异性的方差和非伪影位置的时间变异性的方差,并且所述Otsu方法描述于Otsu,N.发表在1979年1月第1号第SMC—9卷第62—66页上的IEEE Trans.On Systems,Man and Cybernetics上的文章“A Threshold Selection Methodfrom Gray Level Histograms”,所述文章在下文中称为参考文献1。伪影区域包括伪影位置的集合。任选地,伪影区域包括在伪影位置集合的连通分量中所包括的各位置。伪影区域的补集确定出时间采集图像数据的非伪影区域。知晓时间采集图像数据的伪影和非伪影区域改进了在后续步骤中,例如,在用于探测图像数据中感兴趣结构的探测步骤中对时间采集图像数据的处理。例如,该方法有效地用于处理包括乳腺磁共振成像(MRI)扫描的时间采集图像数据。这些MRI扫描覆盖了比乳腺本身更大的且通常包括胸廓,以及尤其是心脏和主动脉的区域。在乳腺MRI扫描期间,将造影剂注射入血流中,并且采集一系列动态图像。在肿瘤区域中,时间采集图像数据将具有变化强度的特征。因而,计算机辅助探测(CAD)系统将分析时间采集图像数据中强度的时间方差以探测肿瘤。由于心脏和主动脉不但移动,而且还含有大量血液和大量在乳腺MRI扫描中所用的造影剂,因此这些器官可以在重建图像中产生伪影,而这可能被CAD系统错误地识别为感兴趣的对象。通过对伪影区域中的这些器官进行补偿(condoning),本方法降低了将诸如血管的对象错误地识别为诸如肿瘤的感兴趣对象的风险。因而,该方法改进了对时间采集图像数据的处理。
在本发明的另一实现中,该方法包括第一投影步骤,其用于基于时间变异性映射在第一投影方向上的第一投影而获取第一投影映射。例如,在包括乳腺横断面MRI扫描的时间采集图像数据的情况下,可以在矢状方向上向时间变异性映射应用最小强度投影(mIP)。使用第一投影映射还改进了对在时间采集图像数据中所包括的各位置进行的分类。
在本发明的另一实现中,该方法还包括第二投影步骤,其用于基于第一投影映射在第二投影方向上的第二投影而获取第二投影映射。例如,在包括乳腺横断面MRI扫描的时间采集图像数据的情况下,可以在横断面方向上向时间变异性映射应用最小强度投影(mIP)。使用第二投影映射还改进了对在时间采集图像数据中所包括的各位置进行的分类。
在本发明的另一实现中,该方法还包括第一滤波步骤,其用于对时间变异性映射进行滤波。使用平滑滤波器对时间变异性映射进行滤波,以从时间变异性映射中去除噪声。任选地,可以使用平滑滤波器对第一投影映射和/或第二投影映射进行平滑。
在本发明的另一实现中,该方法还包括第二滤波步骤,其用于对时间采集图像数据的已分类位置进行滤波。使用闭合算子对伪影位置集合进行滤波,以填充伪影位置集合中的小孔。任选地,可以使用闭合算子对第一投影映射或第二投影映射进行平滑。
在该方法的另一实现中,伪影区域是伪影带。伪影带包括位于前带限和后带限表面之间的位置。前带限和后带限易于基于第一投影映射进行计算。
在该方法的另一实现中,该方法包括用于对非伪影区域中的对象进行探测的探测步骤。在确定伪影区域和非伪影区域之后,探测对象的步骤限制于非伪影区域。这有利地降低了错误地将对象探测为感兴趣对象的风险。
本发明的另一目的是提供一种在首段中描述类型的系统,其改进了对时间采集图像数据的处理。这一目的的实现在于用于处理时间采集图像数据的系统包括:
-获取单元,其用于获取时间采集图像数据;
-计算单元,其用于基于时间采集图像数据计算时间变异性映射;
-分类单元,其用于基于时间变异性映射对时间采集图像数据的各位置进行分类;以及
-确定单元,其用于基于所分类的位置而确定时间采集图像数据中的伪影区域和非伪影区域。
本发明的另一目的是提供一种在首段中描述类型的图像采集装置,其改进了对时间采集图像数据的处理。这一目的的实现在于该图像采集装置包括用于处理时间采集图像数据的系统,该系统包括:
-获取单元,其用于获取时间采集图像数据;
-计算单元,其用于基于时间采集图像数据计算时间变异性映射;
-分类单元,其用于基于时间变异性映射对时间采集图像数据的各位置进行分类;以及
-确定单元,其用于基于所分类的位置而确定时间采集图像数据中的伪影区域和非伪影区域。
本发明的另一目的是提供一种在首段中描述类型的工作站,其改进了对时间采集图像数据的处理。这一目的的实现在于该工作站包括用于处理时间采集图像数据的系统,该系统包括:
-获取单元,其用于获取时间采集图像数据;
-计算单元,其用于基于时间采集图像数据计算时间变异性映射;
-分类单元,其用于基于时间变异性映射对时间采集图像数据的各位置进行分类;以及
-确定单元,其用于基于所分类的位置而确定时间采集图像数据中的伪影区域和非伪影区域。
本发明的另一目的是提供一种在首段中描述类型的计算机程序产品,其改进了对时间采集图像数据的处理。这一目的的实现在于将由计算机配置装载的计算机程序产品包括用于处理时间采集图像数据的指令,该计算机配置包括处理单元和存储器,该计算机程序产品在装载之后向所述处理单元提供执行下列任务的能力:
-获取时间采集图像数据;
-基于时间采集图像数据计算时间变异性映射;
-基于时间变异性映射对时间采集图像数据的各位置进行分类;以及
-基于所分类的位置而确定时间采集图像数据中的伪影区域和非伪影区域。
本领域技术人员基于本说明书可以相应于方法的修改及其变化实施所述的系统、图像采集装置、工作站和/或计算机程序产品的修改及其变化。
本发明的方法在应用于时间采集2D或3D磁共振图像数据时尤其有用。然而,本领域技术人员将领会到,该方法也可以应用于由其它采集模态产生的时间采集图像数据,所述其它采集模态例如,但不局限于:计算机断层摄影(CT)、超声(US)、正电子发射断层摄影(PET)、单光子发射计算机断层摄影(SPECT)和核医学。
本发明的这些及其它方面将从下文描述的实现和实施例以及附图中变得显而易见,并且参考下文描述的实现和实施例并且参照附图进行阐述,在附图中:
图1示出了该方法的示范性实现的流程图;
图2示出了在四个不同采集时间的典型乳腺MRI扫描的横断面视图;
图3示出了示范性时间变异性映射的示范性横断面视图;
图4示出了示范性的第一投影映射;
图5示出了示范性的前带限曲线和后带限曲线;
图6示出了用前带限值和后带限值注释的示范性时间变异性映射的示范性横断面视图;
图7示意性示出了该系统的示范性实施例;
图8示意性示出了图像采集装置的示范性实施例;以及
图9示意性示出了工作站的示范性实施例。
在整套附图中相同的附图标记用于指示相似的部件。
图1示出了方法100的示范性实现的流程图。在开始步骤101之后,方法100继续至获取步骤105,其用于获取时间采集图像数据。在获取步骤105之后,方法100继续至计算步骤110,其用于基于时间采集图像数据计算时间变异性映射。随后方法100继续至第一投影步骤115,其用于在第一投影方向上投影时间变异性映射,由此确定第一投影映射。在第一投影步骤115之后,方法100继续至第一滤波步骤116,其用于对时间变异性映射进行滤波。该方法随后继续至第二投影步骤117,其用于在第二投影方向上投影第一投影映射,由此确定第二投影映射。在第二投影步骤117之后,该方法继续至分类步骤120,其用于对在时间采集图像数据中所包括的各位置进行分类。在分类步骤120之后,方法100继续至第二滤波步骤121,其用于对已分类的位置进行滤波。在确定步骤125中,确定伪影区域和非伪影区域。方法100随后继续至探测步骤130,其用于对非伪影区域中的对象进行探测。最终,方法100继续至终止步骤199。
时间采集图像数据元素是三元数组(r,t,I),其中r是时间采集图像数据中的空间位置,通常表示为笛卡儿坐标(x,y,z)的矢量,t是采集时间,而I是时间t时在位置r的强度。时间采集图像数据也可以称作时间图像映射J,其将图像强度I分配给时间采集图像数据元素(r,t,I)的时空坐标(r,t):
J(r,t)=I。
在方法100的获取步骤105中获取时间采集图像数据。在方法100的另一步骤中,使用内插和/或外插,从所获取的时间采集图像数据中导出未包括在时间采集图像数据中但处理所述数据所需要的数据元素。同样,经内插和外插的数据元素称作为包括在时间采集图像数据中。
图2示出了根据包括乳腺横断面MRI扫描的时间采集图像数据绘制的示范性横断面视图。第一图像201示出了在图像数据采集开始时的横断面视图,第二图像202示出了2分8秒之后的同一横断面视图,第二图像203示出了4分1秒之后的同一横断面视图,而第四图像204示出了5分23秒之后的同一横断面视图。笛卡儿坐标系的x轴基本上平行于包括乳腺横断面MRI扫描的示范性时间采集图像数据的矢状方向,笛卡儿坐标系的y轴基本上平行于包括乳腺横断面MRI扫描的示范性时间采集图像数据的冠状方向,而笛卡儿坐标系的z轴基本上平行于包括乳腺横断面MRI扫描的示范性时间采集图像数据的横断面方向。
下文中,包括乳腺横断面MRI扫描的时间采集图像数据用于说明方法100和所述方法100的各种实现。本领域技术人员将会理解到,方法100可以易于修改以描述由诸如矢状扫描的乳腺MRI扫描的另一序列所采集的时间采集图像数据,或者描述由诸如CT扫描器的不同图像采集装置所采集的时间采集图像数据。
在方法100的计算步骤110中,基于时间采集图像数据计算时间变异性映射σ。时间变异性映射σ的值σ(x,y,z)描述了位置(x,y,z)处强度的时间变异性。例如,将时间变异性映射σ1定义为时间图像映射J的时间导数v的方差:
其中, 是时间图像映射J的时间导数, 是位置(x,y,z)处的平均时间导数,而N是用于计算σ1(x,y,z)和v(x,y,z)的时间导数v(x,y,z,t)的数量。这些时间导数是任选地用内插和/或外插从时间采集图像数据中导出的。时间变异性映射的另一示例是绝对强度范围映射:
任选地,时间变异性映射可以进行滤波。滤波过程例如可以使用水平(矢状方向)高斯平滑滤波器来执行。
图3中示出了根据包括乳腺横断面MRI扫描的示范性时间采集图像数据所计算的示范性时间变异性映射。上行第一图像301示出了时间变异性映射σ1的横断面视图,而上行第二图像302示出了时间变异性映射σ2的横断面视图。图3中下行示出了应用水平高斯平滑滤波器之后的第一行的两个横断面视图。在所有视图中,将σ1和σ2的值以及经平滑的σ1和σ2的值映射成图像灰度,用于使用灰色阴影来图形地显示所述值。
在方法100的实现中,方法100还包括第一投影步骤115,其用于基于时间变异性映射在第一投影方向上的第一投影而获取第一投影映射。通过将第一投影施加在时间变异性映射上获取第一投影映射。第一投影映射将在第一投影平面中所包括的第一投影域映射成一定范围内的值。给第一投影域中的位置分配基于沿着基本上平行于第一投影方向以及基本上在所述位置与第一投影平面交叉的第一投影射线的时间变异性映射的值而导出的值。在将方法100示范性应用于包括乳腺横断面MRI扫描的示范性时间采集图像数据上,第一投影是矢状投影mx。矢状投影mx将时间变异性映射σ转换成第一投影映射mx(σ)。第一投影方向是基本上平行于矢状轴x的方向。第一投影平面是基本上与矢状平面yz相同的平面。例如,第一投影映射可以定义为:
-平均投影映射:
其中,Nx是沿着基本上平行于第一投影方向以及基本上在(y,z)与第一投影平面交叉的第一投影射线的时间变异性映射σ的值σ(x,y,z)的数量;
-最小强度投影(mIP)映射:
-最大强度投影(MIP)映射:
任选地,第一投影映射可以进行滤波。滤波过程例如可以在冠状方向上使用高斯平滑滤波器来执行。
图4示出了基于时间变异性映射在第一投影方向上的第一投影所计算的示范性第一投影映射。上行第一图像411示出了平均投影映射mx1(σ1),上行第二图像421示出了mIP投影映射mx2(σ1),而上行第三图像431示出了MIP投影映射mx3(σ1)。这些投影映射是基于在矢状方向上投影时间变异性映射σ1来计算的,所述时间变异性映射σ1定义为包括乳腺横断面MRI扫描的示范性时间采集图像数据的强度映射的时间导数的方差。类似地,下行第一图像412示出了示出了平均投影映射mx1(σ2),下行第二图像422示出了mIP投影映射mx2(σ2),而下行第三图像432示出了MIP投影映射mx3(σ2)。这些投影映射是基于在矢状方向上投影时间变异性映射σ2来计算的,所述时间变异性映射σ2定义为包括乳腺横断面MRI扫描的示范性时间采集图像数据的绝对强度范围映射。所示的投影映射的值被映射成图像灰度,用于使用灰色阴影图形地显示所述值。
在方法100的实现中,方法100还包括第二投影步骤117,其用于获取第一投影映射在第二投影方向上的第二投影映射。第二投影映射是将第二投影施加到第一投影映射上获取的。第二投影映射将第二投影域映射成一定范围内的值,所述第二投影域包括在第一投影平面中所包括的第二投影线中。给第二投影域中的位置分配基于沿着基本上平行于第二投影方向以及基本上在所述位置与第二投影线交叉的第二投影射线的第一投影映射的值所导出的值。在将方法100示范性应用于包括乳腺横断面MRI扫描的示范性时间采集图像数据中,第二投影是横断面投影nz。横断面投影nz将第一投影映射mx(σ)转换成第二投影映射nz(mx(σ))。第二投影方向是基本上平行于横断面轴z的方向。第二投影线基本上与冠状轴y相同。例如,第二投影可以使用mIP投影定义为:
或者,使用MIP投影定义为:
任选地,第二投影映射可以进行滤波。滤波过程例如可以在冠状方向上使用高斯平滑滤波器来执行。
在方法100的实现中,方法100还包括第一滤波步骤116,其用于对时间变异性映射进行滤波。滤波过程可以使用空间滤波器来执行,所述空间滤波器例如,但不局限于:平均滤波器、高斯平滑滤波器和/或频率滤波器。数字滤波器可以施加于时间变异性映射、第一投影映射和/或第二投影映射。数字滤波器描绘在从http://homepages.inf.ed.ac.uk/rbf/HIPR2/filtops.htm上可获取的文章“数字滤波器”中。平均滤波用于消除映射中不代表其环境的值。平均滤波使用基于某一位置周围的各位置的值的平均值取代该位置的值。2D图像的平均滤波描述在从http://homepages.inf.ed.ac.uk/rbf/HIPR2/mean.htm上可获取的文章中。高斯平滑算子是用于“模糊”图像并去除细节和噪声的卷积算子。2D高斯平滑描述在http://homepages.inf.ed.ac.uk/rbf/HIPR2/gsmooth.htm上可获取的文章中。本领域技术人员将会理解到,应用其它滤波器可能也是有益的。
在方法100的分类步骤120中,基于时间变异性映射对时间采集图像数据的各位置进行分类。具体而言,如果在位置(X,Y,Z)处时间变异性映射σ的值σ(X,Y,Z)大于阈值,那么将位置(X,Y,Z)分类为伪影位置。或者,通过向时间变异性映射应用诸如基于水平集的技术的另一分割技术,可以对各位置进行分类。基于水平集的技术描述在J.S.Suri、Kecheng Liu、S.Singh、S.N.Laxminarayan、Xiaolan Zeng和L.Reden在2002年3月第1版第6卷的IEEE Transactions on Biomedicine的Information Technology第8-28页中的文章“Shape recovery algorithms using level sets in2-D/3-Dmedical imagery:a state-of-the-art review”中,在下文中称其为参考文献2。任选地,如果满足多个条件,可以将位置分类为伪影位置。例如,可能需要时间变异性映射以满足某一位置的某种条件和另一位置的另一条件。任选地,可以计算两个时间变异性映射σ1和σ2。如果σ1(X,Y,Z)大于第一阈值并且σ2(X,Y,Z)大于第二阈值,那么将位置(X,Y,Z)分类为伪影位置。例如,阈值可以是预定的阈值或用户确定的阈值。
或者,在方法100的实现中,在分类步骤120中基于第一投影映射对时间采集图像数据的各位置进行分类。如果在第一投影域中的位置(Y,Z)处值mx(σ)(Y,Z)大于阈值,那么在包括乳腺横断面MRI扫描的示范性时间采集图像数据中所包括的以及基本上位于在位置(Y,Z)与第一投影平面交叉的第一投影射线上的位置(x,Y,Z)分类为伪影位置。阈值可以是预定的阈值或用户确定的阈值。或者,可以通过向第一投影映射应用诸如基于水平集的技术的另一分割技术来对各位置进行分割。基于水平集的技术描述在参考文献2中。任选地,可以使用若干条件来将位置分类为伪影位置。例如,可以使用两个分类条件。如果一个位置满足至少一个分类条件,则将该位置分类为伪影位置。
或者,在方法100的实现中,在分类步骤120中基于第二投影映射对时间采集图像数据的各位置进行分类。如果在第二投影域的位置Y处的值nz(mx(σ))(Y)大于阈值,那么在包括乳腺横断面MRI扫描的示范性时间采集图像数据所包括的和基本上位于在位置Y与第二投影域交叉的平面上的位置(x,Y,z)分类为伪影位置。或者,可以通过向第二投影映射应用例如基于水平集的技术的另一分割技术来对各位置进行分割。基于水平集的技术描述在参考文献2中。任选地,可以使用若干条件将位置分类为伪影位置。例如,可以使用两个分类条件。如果一个位置满足两个分类条件,那么将所述位置分类为伪影位置。
在方法100的实现中,第二投影用于计算时间采集图像数据的位置的截止坐标。在方法100示范性应用于包括乳腺横断面MRI扫描的示范性时间采集图像数据中,截止坐标y胸是第二投影映射nz(mx(σ))的第一导数的最大值。该截止坐标y胸用于限制伪影位置:在分类步骤120中仅有包括在示范性时间采集图像数据中的满足y≥y胸的位置(x,y,z)成为伪影位置。
在方法100的实现中,在分类步骤120中使用前带限(front band-limit)曲线和后带限(back band-limit)曲线弧来对时间采集图像数据的各位置进行分类。在方法100示范性应用于包括乳腺横断面MRI扫描的示范性时间采集图像数据中,对于满足存在包括在第一投影映射mx(σ)的域中的位置(y,z)的条件的每个z,计算前带限值y1(z)和后带限值y2(z)。首先,对于满足所述条件的每个z,计算y1(z)≥y胸作为值mx(σ)(y,z)在y轴方向上增加最快的位置。其次,对于满足所述条件的每个z,计算y2(z)≥y1(z)作为第一投影映射值mx(σ)(y,z)大于诸如的阈值的最右侧位置。图5示出了前带限曲线y1和后带限曲线y2。这些曲线显示在第一投影映射mx3(σ1)之上。同样,示出了截止坐标y胸。任选地,例如使用平滑滤波器对分别由y1和y2定义的前带限曲线和后带限曲线进行滤波。将所示投影映射的值映射成图像灰度,用于使用灰色阴影图形地显示所述值。
在方法100的实现中,使用参考文献1中所描述的isodata算法确定用于对时间采集图像数据的各位置进行分类的阈值,其最小化伪影位置的时间变异性的方差和非伪影位置的时间变异性的方差。isodata算法是基于诸如第一投影映射的映射的直方图的迭代算法。任选地,可以将映射的各值映射成图像的灰度。例如,假设当前阈值是直方图的中值,那么将强度分成两部分:包括大于阈值的强度的前景和包括小于或等于阈值的强度的背景。随后,计算前景强度的平均强度和背景强度的平均强度。为前一阈值分配当前阈值的值。将当前阈值计算为前景平均和背景平均的平均值。重复这一过程,直到当前阈值和前一阈值基本上相同为止,例如,直到当前阈值和前一阈值之间的绝对差小于或等于预定数值为止。
在方法100的实现中,方法100还包括第二滤波步骤121,其用于对时间变异性映射的各位置进行滤波。所分类的位置使用形态学算子进行滤波,所述形态学算子例如,但不局限于:闭合算子、膨胀算子和腐蚀算子。形态学算子描述在http://homepages.inf.ed.ac.uk/rbf/HIPR2/morops.htm上可获取的文章“形态学”中,闭合算子描述在http://homepages.inf.ed.ac.uk/rbf/HIPR2/close.htm上可获取的文章“闭合”中,膨胀算子描述在http://homepages.inf.ed.ac.uk/rbf/HIPR2/dilate.htm上可获取的文章“膨胀”中,而用于腐蚀包括各位置的集合的边界的腐蚀算子描述在http://homepages.inf.ed.ac.uk/rbf/HIPR2/erode.htm上可获取的文章“腐蚀”中。将形态学算子应用于时间采集图像数据的已分类位置的集合。例如,膨胀算子扩大了时间采集图像数据的已分类位置的集合,腐蚀算子腐蚀时间采集图像数据的已分类位置的集合的边界,而作为腐蚀算子之后跟随膨胀算子的组合的闭合算子可以用于填充时间采集图像数据的已分类位置集合中的小孔。
在方法100的确定步骤125中,基于时间采集图像数据组的已分类位置确定伪影区域。确定步骤125可以是自动的,或者可以包括与用户的交互。在方法100的实现中,所确定的伪影区域包括各伪影位置的集合。或者,所确定的伪影区域包括各伪影位置的集合的最大连通分量,例如,可以将包括最大数量的位置的连通分量或具有最大直径的连通分量识别为伪影区域。所确定的非伪影区域是包括时间采集图像数据中未包括在伪影区域内的各位置的伪影区域的补集。
在方法100的实现中,伪影区域是伪影带。伪影带通过由使用在分类步骤120中所述的基于线的分割所计算的前带限曲线y1和后带限曲线y2所定义。伪影带包括了在时间采集点图像数据中所包括的每个位置(x,y,z),使得y2(z)≥y≥y1(z)。图6示出了具有前带限值y1(z)和后带限值y2(z)的时间变异性映射σ1的横断截面。所示的投影映射的值被映射成图像灰度,用于使用灰色阴影来图形地显示所述值。本领域技术人员将领会到下列事实,即曲线y1和y2也可以使用另一分类技术所分类的该组伪影位置进行计算,所述分类技术例如是在本文献中在上所述的基于阈值比较(即将映射的各值与阈值进行比较评估)的技术,或者如参考文献2所述的基于水平集的技术。
本领域技术人员将会理解到两个区域的二分法:伪影区域和非伪影区域。尤其,本领域技术人员将领会到,可以通过将时间采集图像数据的各位置分类为非伪影位置并且通过基于这一分类确定伪影区域和非伪影区域来实现方法100。例如,非伪影区域可以是非伪影位置集合的最大连通分量。如果σ(x,y,z)小于预定的阈值,则可以将位置(x,y,z)分类为非伪影位置。非伪影区域的补集,即包括时间采集图像数据中未包括在非伪影区域内的各位置的集合,是伪影区域。
在方法100的实现中,方法100还包括探测步骤130,其用于对非伪影区域中的对象进行探测。探测步骤130可以采用任意探测方法,例如,基于特征提取和/或模式识别的探测方法。合适的方法描述在例如题为“Computer assisted analysis of tomographic mammography”的US20040052328和题为“Method and apparatus for automatically detectingbreast lesions and tumors in images”中。确定伪影区域有利地减小了错误将所探测到的对象识别为感兴趣对象的可能性。
本发明的方法100的所描述的实现中的步骤次序并非强制的,本领域技术人员可以在不脱离本发明预期的构思的情况下,改变一些步骤的次序,或者同时使用线程模型、多处理器系统或多个过程执行一些步骤。任选地,本发明的方法100的两个或多个步骤可以组合成一个步骤。任选地,本发明的方法100的一个步骤可以分成多个步骤。方法100的一些步骤是任选地或可以忽略。
诸如图1的流程图中所示的方法100可以实现为计算机程序产品,并且可以存储在任意合适的介质上,所述介质例如为磁带、磁盘或光盘。该计算机程序可以装载到包括处理单元和存储器的计算机配置中。计算机程序产品在装载之后向处理单元提供了执行方法100的各步骤的能力。
图7示意性示出了用于处理时间采集图像数据的系统700的示范性实施例,包括:
-获取单元705,其用于获取时间采集图像数据;
-计算单元710,其用于基于时间采集图像数据计算时间变异性映射;
-第一投影单元715,其用于在第一投影方向上投影时间变异性映射,由此确定第一投影映射;
-第一滤波单元716,其用于对时间变异性映射进行滤波;
-第二投影单元717,其用于在第二投影方向上投影第一投影映射,由此确定第二投影映射;
-分类单元720,其用于基于时间变异性映射对时间采集图像数据的各位置进行分类;
-第二滤波单元721,其用于对已分类的位置进行滤波;
-确定单元725,其用于基于已分类的位置确定时间采集图像数据中的伪影区域和非伪影区域;
-探测单元730,其用于对非伪影区域中的对象进行探测;
-用户接口765,其用于与系统700的用户进行通信;以及
-存储器单元770,其用于存储数据。
在图7中所示的系统700的实施例中,有三个用于输入数据的输入连接器781、782和783。第一输入连接器781布置为接收从数据存储器件输入的数据,所述数据存储器件例如,但不局限于:硬盘、磁带、闪存或光盘。第二输入连接器782布置为接收从用户输入设备输入的数据,所述用户输入设备例如,但不局限于:鼠标或触摸屏。第三输入连接器783布置为接收从诸如键盘的用户输入设备输入的数据。输入连接器781、782和783连接至输入控制单元780。
在图7所示的系统700的实施例中,有两个用于输出数据的输出连接器791和792。第一输出连接器791布置为将数据输出至数据存储器件,所述数据存储器件例如为硬盘、磁带、闪存或光盘。第二输出连接器792布置为将数据输出至显示设备。输出连接器791和792经由输出控制单元790接收各自的数据。
本领域技术人员将会理解到,系统700有许多方式将输入设备连接至输入连接器781、782和783以及将输出设备连接至的连接器791和792。这些方式包括,但不局限于:有线连接和无线连接,诸如局域网(LAN)和广域网(WAN)的数字网络、因特网、数字电话网络和模拟电话网络。
在根据本发明的系统700的实施例中,系统700包括存储器单元770。系统700布置为经由输入连接器781、782和783中任意一个接收来自外部设备的输入数据,并且将接收到的输入数据存储在存储器单元770中。将输入数据装载入存储器单元770中从而允许系统700的各单元快速存取相关数据部分。输入数据包括,但不局限于时间采集图像数据。存储器单元770可以实现为诸如随机存取存储器(RAM)芯片、只读存储器(ROM)芯片和/或硬盘的设备。优选地,存储器单元770包括RAM,其用于存储输入数据和/或输出数据。输出数据包括,但不局限于对已确定的伪影区域和/或非伪影区域的说明。存储器单元770还布置为经由存储器总线775接收来自系统700的各单元的数据或者将数据递送至系统700的各单元,所述系统700包括获取单元705、计算单元710、第一投影单元715、第一滤波单元716、第二投影单元717、分类单元720、第二滤波单元721、确定单元725、探测单元730和用户接口765。存储器单元770还布置为使得外部设备可经由输出连接器791和792中任意一个获得输出数据。将来自系统700的各单元的数据存储在存储器单元770中有利地改进了系统700的各单元的性能,以及将输出数据从系统700的各单元传送至外部设备的速率。
或者,系统700不包括存储器单元770和存储器总线775。系统700所使用的输入数据由连接至系统700的各单元的至少一个外部设备提供,所述外部设备例如为外部存储器或处理器。类似地,将系统700产生的输出数据提供给连接至系统700的各单元的至少一个外部设备,所述外部设备例如为外部存储器或处理器。系统700的各单元布置为经由内部连接或经由数据总线接收来自彼此的数据。
在根据本发明的系统700的另一实施例中,系统700包括用户接口765,其用于与系统700的用户进行通信。用户接口765可以布置为接收用户对阈值的选择,用于对时间采集图像数据的各位置进行分类和/或用于执行方法100的一个或多个滤波步骤。用户接口765还可以布置为产生输出数据流,用于显示来自时间变异性映射的视图,且用于可视化伪影区域和非伪影区域。任选地,用户接口可以实现系统700的多个操作模式,例如可以由系统700实现的使用适于对时间采集图像数据的各位置进行分类的若干算法中之一的模式。本领域技术人员将理解到,可以在系统700的用户接口765中有利地实现更多的功能。
图8示意性示出了采用系统700的图像采集装置800的示范性实施例,所述图像采集装置800包括经由内部连接与系统700连接的图像采集单元810、输入连接器801和输出连接器802。这一布置通过向所述图像采集装置800提供用于处理时间采集图像数据的系统700的有利能力,而有利地增加了图像采集装置800的能力。图像采集装置的示例包括,但不局限于:CT系统、X射线系统、MRI系统、US系统、PET系统、SPECT系统和核医学系统。
图9示意性示出了工作站900的示范性实施例。工作站包括系统总线901、处理器910、存储器920、盘输入/输出(I/O)适配器930和用户接口(UI)940可操作地连接至系统总线901。盘存储设备931可操作地耦合至盘I/O适配器930。键盘941、鼠标942和显示器943可操作地耦合至UI940。将实现为计算机程序的本发明系统700存储在盘存储设备931中。工作站900布置为将程序和输入数据装入存储器920,并且执行处理器910上的程序。用户可以使用键盘941和/鼠标942向工作站900输入信息。工作站布置为将信息输出至显示设备943和/或盘931。本领域技术人员将理解到,存在本领域中已知的工作站900的大量其它实施例,并且本实施例仅出于说明本发明的目的,而不应当解释为将本发明限制为这一特定实施例。
应当注意到,上述实施例说明而非限制本发明,并且本领域技术人员在不脱离权利要求书的范围的情况下将能够设计替代实施例。在权利要求中,任何位于圆括号内的附图标记不应当理解为限制权利要求。“包括”一词不排除权利要求或说明书中存在未列出的元件或步骤。在一个元件之前的词语“一”或“一个”不排除存在多个这种元件。本发明可借助于包括若干不同元件的硬件和/或借助于已编程的计算机来实现。在列举若干单元的系统权利要求中,若干个这些单元可以具体实现在一项或相同项的硬件或软件中。对措辞第一、第二和第三等的使用不指示任何次序。这些措辞将理解为命名。
Claims (12)
1.一种用于处理时间采集图像数据以便降低错误地识别感兴趣对象的风险的方法(100),包括:
-获取步骤(105),其用于获取所述时间采集图像数据,所述时间采集图像数据的元素包括位置、采集时间以及对应于所述位置和所述采集时间的强度;
-计算步骤(110),其用于基于所述时间采集图像数据计算时间变异性映射,所述时间变异性映射的元素包括位置和在所述时间变异性映射的元素的所述位置处采集的强度的时间变异性值;
-分类步骤(120),其用于基于所述时间变异性映射对所述时间采集图像数据的各位置进行分类;以及
-确定步骤(125),其用于基于所分类的位置确定所述时间采集图像数据中的伪影区域和非伪影区域。
2.根据权利要求1所述的方法(100),其中,所述感兴趣对象包括肿瘤。
3.根据权利要求1所述的方法(100),还包括第一投影步骤(115),其用于通过在第一投影方向上向所述时间变异性映射施加第一投影而获取第一投影映射。
4.根据权利要求3所述的方法(100),还包括第二投影步骤(117),其用于通过在第二投影反向上向所述第一投影映射施加第二投影而获取第二投影映射。
5.根据权利要求1所述的方法(100),还包括第一滤波步骤(116),其用于对所述时间变异性映射进行滤波。
6.根据权利要求1所述的方法(100),还包括第二滤波步骤(121),其用于对所述时间采集图像数据的所述分类位置进行滤波。
7.根据权利要求1所述的方法(100),其中,所述伪影区域是伪影带。
8.根据权利要求1所述的方法(100),还包括探测步骤(130),其用于对所述非伪影区域中的对象进行探测。
9.一种用于处理时间采集图像数据以便降低错误地识别感兴趣对象的风险的系统(700),包括:
-获取单元(705),其用于获取所述时间采集图像数据,所述时间采集图像数据包括多个图像数据元素,一个图像数据元素包括位置、采集时间以及对应于所述位置和所述采集时间的强度;
-计算单元(710),其用于基于所述时间采集图像数据计算时间变异性映射,所述时间变异性映射包括多个时间变异性映射元素,一个时间变异性映射元素包括位置和在所述时间变异性映射元素的所述位置处采集的强度的时间变异性值;
-分类单元(720),其用于基于所述时间变异性映射对所述时间采集图像数据的各位置进行分类;以及
-确定单元(725),其用于基于所分类的位置而确定所述时间采集图像数据中的伪影区域和非伪影区域。
10.根据权利要求9所述的系统(700),其中,所述感兴趣对象包括肿瘤。
11.一种包括权利要求9所述的系统(700)的图像采集装置(800)。
12.一种包括权利要求9所述的系统(700)的工作站(900)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP06300309.9 | 2006-03-30 | ||
EP06300309 | 2006-03-30 | ||
PCT/IB2007/051011 WO2007113720A1 (en) | 2006-03-30 | 2007-03-22 | Automatic cardiac band detection on breast mri |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101410870A CN101410870A (zh) | 2009-04-15 |
CN101410870B true CN101410870B (zh) | 2012-09-19 |
Family
ID=38261471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007800113489A Active CN101410870B (zh) | 2006-03-30 | 2007-03-22 | 乳腺mri上的自动心脏带探测 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8260022B2 (zh) |
EP (1) | EP2005389B1 (zh) |
CN (1) | CN101410870B (zh) |
WO (1) | WO2007113720A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI478103B (zh) * | 2012-08-10 | 2015-03-21 | Univ Nat Taiwan | 使用高度形變微分同胚度量映射法的擴散頻譜造影轉換方法 |
CN106023293B (zh) * | 2016-05-26 | 2018-11-30 | 北京爱科声科技有限公司 | 一种基于c扫描超声图像的三维重建方法 |
CN107773242B (zh) * | 2016-08-31 | 2023-05-12 | 通用电气公司 | 磁共振成像方法及系统 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4559557A (en) * | 1984-06-01 | 1985-12-17 | General Electric Company | Region-of-interest digital subtraction angiography |
US6985172B1 (en) * | 1995-12-01 | 2006-01-10 | Southwest Research Institute | Model-based incident detection system with motion classification |
JP3365929B2 (ja) * | 1996-10-07 | 2003-01-14 | ジーイー横河メディカルシステム株式会社 | 画像処理方法及び画像処理装置 |
US6112112A (en) * | 1998-09-18 | 2000-08-29 | Arch Development Corporation | Method and system for the assessment of tumor extent in magnetic resonance images |
US6845260B2 (en) * | 2001-07-18 | 2005-01-18 | Koninklijke Philips Electronics N.V. | Automatic vessel indentification for angiographic screening |
US7650044B2 (en) * | 2001-07-30 | 2010-01-19 | Cedara Software (Usa) Limited | Methods and systems for intensity matching of a plurality of radiographic images |
US7024027B1 (en) * | 2001-11-13 | 2006-04-04 | Koninklijke Philips Electronics N.V. | Method and apparatus for three-dimensional filtering of angiographic volume data |
US6748044B2 (en) * | 2002-09-13 | 2004-06-08 | Ge Medical Systems Global Technology Company, Llc | Computer assisted analysis of tomographic mammography data |
US7466848B2 (en) * | 2002-12-13 | 2008-12-16 | Rutgers, The State University Of New Jersey | Method and apparatus for automatically detecting breast lesions and tumors in images |
US7253619B2 (en) * | 2003-04-04 | 2007-08-07 | Siemens Aktiengesellschaft | Method for evaluating magnetic resonance spectroscopy data using a baseline model |
GB0318701D0 (en) | 2003-08-08 | 2003-09-10 | Inst Of Cancer Res The | A method and apparatus for image processing |
WO2006077815A1 (ja) * | 2005-01-18 | 2006-07-27 | Hitachi Medical Corporation | X線ct装置 |
-
2007
- 2007-03-22 WO PCT/IB2007/051011 patent/WO2007113720A1/en active Application Filing
- 2007-03-22 US US12/294,488 patent/US8260022B2/en active Active
- 2007-03-22 CN CN2007800113489A patent/CN101410870B/zh active Active
- 2007-03-22 EP EP07735224.3A patent/EP2005389B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
CN101410870A (zh) | 2009-04-15 |
WO2007113720A1 (en) | 2007-10-11 |
EP2005389A1 (en) | 2008-12-24 |
EP2005389B1 (en) | 2013-05-15 |
US8260022B2 (en) | 2012-09-04 |
US20100239141A1 (en) | 2010-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Frangi et al. | Three-dimensional modeling for functional analysis of cardiac images, a review | |
US7689021B2 (en) | Segmentation of regions in measurements of a body based on a deformable model | |
Kostis et al. | Three-dimensional segmentation and growth-rate estimation of small pulmonary nodules in helical CT images | |
US9230320B2 (en) | Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules | |
EP1851722B1 (en) | Image processing device and method | |
US7660461B2 (en) | Automated histogram characterization of data sets for image visualization using alpha-histograms | |
US8958618B2 (en) | Method and system for identification of calcification in imaged blood vessels | |
Van Kriekinge et al. | Automatic quantification of left ventricular ejection fraction from gated blood pool SPECT | |
EP1934940B1 (en) | Image processing method for boundary extraction between at least two tissues, the boundary being found as the cost minimum path connecting a start point and an end point using the fast marching algorithm with the cost function decreases the more likely a pixel is not on the boundary | |
JP5919287B2 (ja) | 医用画像のセグメンテーションのためのシステム | |
US9014456B2 (en) | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules | |
Korfiatis et al. | Combining 2D wavelet edge highlighting and 3D thresholding for lung segmentation in thin-slice CT | |
JP2011526508A (ja) | 医療用画像の領域分割 | |
CN104871207A (zh) | 定量成像 | |
WO2013075254A1 (en) | Method for interactive threshold segmentation of medical images | |
Sakellarios et al. | Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data | |
US7711164B2 (en) | System and method for automatic segmentation of vessels in breast MR sequences | |
CN101410870B (zh) | 乳腺mri上的自动心脏带探测 | |
US9082193B2 (en) | Shape-based image segmentation | |
CN101903912A (zh) | 使用多强度重新分配函数进行绘制 | |
CN101278316B (zh) | 自动分割乳房mr序列中的脉管的系统和方法 | |
Garcia et al. | Digital processing in cardiac imaging | |
Park et al. | Separation of left and right lungs using 3D information of sequential CT images and a guided dynamic programming algorithm | |
Kovács | Automatic segmentation of the vessel lumen from 3D CTA images of aortic dissection | |
Zhou et al. | Preliminary investigation of computer-aided detection of pulmonary embolism in three-dimensional computed tomography pulmonary angiography Images1 |
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 |