CN101421745B - 空间-时间肿瘤检测，分割和诊断信息提取系统及方法 - Google Patents

Abstract

披露了肿瘤检测的方法和系统。根据器官灰度减色(OIST)影像，从空间域中的每个数据集检测肿瘤。在时间域中，根据多个数据集的最大频率-幅度差(MFMD)图检测肿瘤。整合来自空间域的检测结果和来自时间域的检测结果以生成整合的肿瘤检测结果。

Description

空间-时间肿瘤检测，分割和诊断信息提取系统及方法

本发明要求申请日为2004年4月15日的临时专利申请号60/562,259的优先权，该申请的内容以全文形式在此被结合入本文。

背景技术

1.技术领域

本发明主要涉及用于医学影像处理的系统和方法。具体地讲，本发明涉及用于计算机辅助医疗诊断的方法和系统，以及采用本发明的系统。

2.相关技术说明

诊断肿瘤/癌的过程是复杂的，并且经常需要考虑从不同来源提取的不同类型诊断信息，如诊断影像。这些诊断影像可以在不同的数据采集设备获得，如超声(US)，电脑断层造影(CT)，或核磁共振成像(MRI)。每种影像采集设备可以对疾病提供不同程度了解，并提供不同医疗证据用于得出诊断结果。即使借助由现代技术提供的这些信息，对某些器官中肿瘤/癌的诊断，诸如肝脏肿瘤/癌，仍旧证实是重大挑战。这一事实的一个重要原因是，相同的疾病在不同数据采集设备的诊断影像中可能视觉上看起来不同，而不同的疾病在不同数据采集设备的影像中可能看上去相似。结果，非癌肝病有时会与肝癌疾病混淆，反之亦然。例如，非癌肝病如血管瘤，肝细胞腺瘤，和肝脏局灶性结节增生(FNH)有时候可能看上去像肝癌。

由于处理来自各种采集设备的数据存在上述困难，根据这些数据得到医疗诊断通常需要丰富的临床经验。诊断的准确性和得到正确诊断结果所花费的时间也可能在不同的使用放射能诊治疾病的专家之间有很大不同。需要便于自动检测肿瘤/癌并提取有用诊断信息的工具，以改进诊断肿瘤/癌过程的处理能力和效率。

附图说明

本文要求保护和/或描述的发明进一步通过示例性实施例描述。这些示例性实施例结合附图进行详细描述。这些实施例是非限定性的示例性实施例，其中所有附图的多个视图中相同的附图标记代表类似结构，其中：

图1示出根据本发明的一个实施例，空间时间数据处理系统的示例性构成；

图2是根据本发明的一个实施例，空间域肿瘤检测的示例性程序的流程图；

图3是根据本发明的一个实施例，基于器官灰度减少(OIST)肿瘤检测的示例性程序的流程图；

图4是根据本发明的一个实施例，计算最大频率-幅度差(MFMD)图的示例性程序的流程图；

图5是根据本发明的一个实施例，时间域肿瘤检测的示例性程序的流程图；

图6是根据本发明的一个实施例，器官加权时间数据匹配的示例性程序的流程图；

图7是根据本发明的一个实施例，进行对象分割的示例性程序的流程图；

图8(a)和8(b)示出在包含肿瘤的关注区域的两个不同切片位置获得的影像；

图8(c)和8(d)示出根据本发明的一个实施例，使用空间时间整合方法分割叠加在包含肿瘤的关注区域影像上的肿瘤边界；和

图9是根据本发明的一个实施例的示例性程序的流程图，其中诊断信息根据匹配的数据集计算。

具体实施方式

本发明涉及肿瘤检测，分割和特征提取的方法和系统。本发明披露的方法和系统能够整合影像信息的空域时域处理，便于识别包含其中的肿瘤并对其量化。在一些实施例中，可用来自影像的OIST(器官灰度减少)影像检测具有均匀灰度分布的肿瘤。例如，当患者数据器官是肝脏时，可以从包含肝脏的影像中取得肝脏灰度减色(LIST)影像。可以使用从相同影像获得的MFMD图检测具有不均匀灰度分布的肿瘤。基于OIST的检测结果可以与基于MFMD的检测结果结合，以生成整合的空间域肿瘤检测结果。在一些实施例中，也可以根据器官加权匹配方案在时间域检测肿瘤。

可以使用时间域肿瘤检测结果在时间域中验证空间域肿瘤检测结果。时间域肿瘤检测结果可以利用空间域肿瘤检测结果在空间域进行验证。验证的空间域肿瘤检测结果可以与验证的时间域肿瘤检测结果整合，以生成融合的肿瘤检测结果。在一些实施例中，包含在融合的肿瘤检测结果中的肿瘤候选者可通过混合图进一步分割，该混合图根据肿瘤候选者的OIST图和MFMD图计算生成。与疾病诊断相关的分割出的肿瘤特征可以自动提取。

图1示出根据本发明的一个实施例，空间时间数据处理系统100的示例性构成。所述示例性系统100包括空间域对象检测单元110，时间域对象检测单元115，时间域验证单元120，空间域验证单元125，空间时间整合检测单元130，置信度计算单元135，和对象分割单元140。在运行时，系统100处理来自多个数据集102，104，…，106的数据，并生成对象分割结果140-a。不同的数据集102，104，…，106可能彼此相关。例如，这些不同的数据集可根据相同实体，例如患者在不同时间点或不同阶段而获得。每个数据集有一定维数。例如，每个数据集可以是对应某种数据采集设备的3D体积的体数据集，并通过MRI成像获得。每个数据集还可以对应某种数据采集设备的二维(2D)影像。这些数据集可以包括一个或多个关注对象。所述关注对象可以是器官中的肿瘤，如肝脏中的肿瘤/癌。数据集102，104，…，106可以通过本地或远程访问或获取。

在一些实施例中，为了根据包含在数据集102，104，…，106中的信息提取关注对象，空间域对象检测单元110和时间域对象检测单元115可以单独执行对象检测。前者可以对每个单独的数据集在空间域进行对象检测。后者可以根据沿时间线相关的数据集在时间域进行对象检测。在一些实施例中，检测结果可以是数据集其中的位置，表示例如，对象主体的中心(例如，肝脏中的肿瘤)。这个检测到的位置可被当作关注对象的候选者。可以检测到一个以上候选者。通过空间域对象检测单元110检测到的候选者可以与通过时间域对象检测单元115检测到的候选者重叠或不重叠。

在系统100中，通过空间域对象检测单元110检测到的每个候选者可以通过时间域验证单元120在时间域，例如，利用来自时间域对象检测单元115的时域证据或时间域检测结果进行交叉确认或验证。例如，在空间域检测到的肿瘤候选者可根据不同类型肿瘤的灰度增强图案的相关知识进行验证。该验证候选者构成空间域检测结果120-a。类似地，通过时间域对象检测单元115检测到的每个候选者可以通过空间域验证单元125，利用来自空间域对象检测单元110的空域证据或检测结果进行交叉确认或验证。例如，在时间域检测到的肿瘤候选者可根据特定类型肿瘤的预计形状或大小的相关知识进行验证。该验证候选者构成时间域检测结果125-a。

在一些实施例中，空间域检测结果120-a和时间域检测结果125-a被送至空间时间整合检测单元130，在那里对来自空间域和时间域的检测结果进行整合，以生成整合的对象检测结果130-a，该结果可能包括一个或多个检测到的对象候选者，通过例如，它们的相应位置表示。整合的检测结果还可以包括各种测量结果，表征每个检测到的候选者。

在一些实施例中，所述整合可以通过对空间域检测结果120-a和时间域检测结果125-a进行OR运算完成。例如，当候选者仅出现在一个数据集时，整合的检测结果可以包括所述候选者。在一些情况，两个候选者各自来自不同的数据集，彼此位置接近，尽管它们不重合，它们实际上可能对应相同的肿瘤。这可以根据与每个候选者相关的特征确定。例如，可用每个候选者的相应大小或边界测量结果来确定与候选者位置相关的肿瘤是否明显重叠。如果是，则来自空间和时间检测结果集的两个候选者可以合并，以生成更新的候选者，具有位置估计在，例如，两个合并候选者的中点。另外，还可以使用AND运算进行整合，来自一个检测结果的候选者只有当来自其他检测结果的候选者表示相同的肿瘤时才得以保留。还可以采用其他方案，以将空间域检测结果120-a和时间域检测结果125-a整合，并生成整合的检测结果130-a。

在一些实施例中，对于来自整合的检测结果130-a的每个候选者来说，置信度计算单元135可以获得置信度测量结果135-a，其表示关注对象存在于候选者位置的可能性程度。该置信度测量结果可以根据不同类型的信息进行计算。例如，可以考虑每个候选者的某些特征(例如，边界形状或灰度分布)和这些特征的相应预计值之间的一致性。在另一个例子，当候选者既出现在空间检测结果又出现在时间检测结果时，这可能使候选者具有更高程度的可信度。置信度可以通过不同种类的特征(例如，形状、灰度分布和灰度变化图形)进行计算，并随后组合以获得整体置信度。

根据整合的对象检测结果130-a，对象分割单元140还可以对每个候选者进行对象分割，并根据分割结果140-a提取与医疗诊断相关的特征。关于系统100不同方面的详细流程将在下面讨论。

图2是根据本发明的一个实施例，空间域肿瘤检测的示例性程序的流程图。为进行空间域对象检测，对在不同时间获得的数据集(例如，体积或影像)分别进行处理。在本发明的一个实施例中，每个影像可以完成两种转换。一种是OIST转换，它是相同影像尺寸的减灰度图。另一种是MFMD转换，生成相同影像尺寸的纹理图，在每个像素包含转换的纹理特征。在一些实施例中，当数据集是体积时，转换适用于包含在体积内的每一切片影像。

每种转换可有助于检测具有不同特征的对象。例如，OIST转换可便于检测对象或肿瘤，所述对象或肿瘤具有均匀灰度分布，不同于其中存在有对象的器官的灰度值。例如，小的肝脏肿瘤通常表现为具有均匀灰度分布，不同于周围正常肝脏组织的灰度值。具有这些特性的肿瘤可根据OIST图进行检测。这在图2中由210完成。MFMD转换便于检测具有不均匀灰度分布，表现为例如，纹理粗糙的肿瘤。具有这些灰度特征的肿瘤可根据MFMD图进行检测。这在220完成。有关基于OIST对象检测和基于MFMD对象检测的细节将结合图3-4进行讨论。在一些实施例中，为了能够检测不同灰度特性的肿瘤，在230，可将基于OIST的检测结果与基于MFMD的检测结果结合，并在240生成组合的对象检测结果。

图3是根据本发明的一个实施例，基于OIST的肿瘤检测的示例性程序的流程图。在300进行OIST转换，以计算OIST图。在一些实施例中，可通过从每个像素的原始灰度值减去进行检测的器官的平均灰度值来获得OIST影像。例如，在CT肝脏体影像中，平均肝脏CT值可从肿瘤灰度值减去，所述平均肝脏CT值可通过识别由影像构成的灰度直方图中的峰值自动获得。

根据OIST影像，在310可以识别一个或多个肿瘤候选者。在一个实施例中，当要检测肝脏肿瘤/癌候选者时，可通过OIST影像中的OIST值识别低/高密度区，来定位肿瘤候选者。低密度区的像素具有较低的灰度值，高密度区的像素具有较高的灰度值。在OIST影像中，具有负值的像素可被看作来自低密度区，具有正值的像素可被看作来自高密度区。在一个实施例中，OIST影像中的每个像素可被分类为来自低密度区，高密度区，或两者都不是。候选者种子对应像素点的中心，所述像素对应低密度或高密度区，并可通过计算例如所述区域的质心获得。

为了识别肿瘤的候选者，在320，从每个种子开始，区域生长过程渐进进行。在每一生长步骤中，在330可对生长区域内的平均OIST影像灰度和生长面的平均边缘强度进行计算。在一些实施例中，像素的边缘强度可被定义为像素的梯度幅值，而生长面可被定义为生长区域的边界。可以采用不同的生长算法。在一个实施例中，可采用球形模板，其中球形模板的边界是生长面。在另一个实施例中，单个像素可根据单个像素的优先顺序生长。例如，具有较高优先顺序的像素可以最先生长。在一些实施例中，这种与每个像素相关的优先顺序可根据像素的灰度值进行计算。例如，对于低密度肿瘤，较高优先顺序可以分配给具有较低灰度值的像素。

在一些实施例中，根据每个生长步骤的区域生长结果，在340可提取一个或多个特征。例如，在区域生长的每个步骤可提取并分析灰度分布和/或边缘强度分布和/或其特征。所述特征的例子包括平均灰度水平，整体灰度对比，和区域形状。这些动态计算的特征在350可被用来确定或选择肿瘤的候选者。在350可用不同的标准来确定哪个生长区域对应肿瘤候选者。在一些实施例中，可通过提取的特征评估知识型规则。不符合规则中所定义标准的区域可被看作非肿瘤，并可从生长过程中排除。

在一些实施例中，可根据特定领域的知识生成该知识型规则。例如，如果目标对象是肝脏肿瘤，医生就肝脏肿瘤具有什么特征的专业知识可转化以形成知识型规则，并应用在区域生长过程中以排除没有这些特征的区域。还可用知识型规则确定何时区域停止生长。例如，区域在检测到明显灰度变化时会停止生长，对应边缘分布的峰值，表示最大灰度变化。可根据下面的区域是低密度还是高密度区域来评估该灰度变化。对于低密度区域，最大灰度变化可能与肿瘤边界吻合，对应OIST值的升高。对于高密度区域，最大灰度变化出现在边界点，对应OIST值下降。在一些实施例中，采用与肿瘤形状，大小和内部对比相关标准的规则还可用于过滤掉非肿瘤候选者。

如前面所提到的，使用MFMD图便于检测具有不均匀灰度分布的肿瘤或表现为纹理状的肿瘤。当采用合适的转换时，该纹理状肿瘤的原始影像可以转换成具有均匀像素值或具有与非肿瘤区域分离的像素值的图。检测具有均匀灰度分布的肿瘤的肿瘤检测方法然后可应用于转换的图，以识别肿瘤区域。例如，本文所描述的基于OIST的肿瘤检测方法可应用于MFMD图，以检测具有不均匀灰度分布的肿瘤。图4是根据本发明的一个实施例，计算MFMD图的示例性程序的流程图。在410，对具有一定窗口大小的数据集(体积或影像)中的每个像素进行傅立叶变换。例如，16x16窗口大小可用于傅立叶变换运算。在420，可以计算像素的每个傅立叶变换的幅度。

根据所计算的信息，在430计算每个像素的MFMD值。MFMD值可对应数值，表示所有频率分量的最大频率幅度差。在一些实施例中，该MFMD值可计算作为特定像素位置的最大幅度和最小幅度之间差。对于对应例如正常肝脏组织的区域中像素来说，MFMD值可能接近于零，即，表示傅立叶变换频率响应的幅度基本上在相同水平。对于具有不均匀灰度增强肿瘤内的像素，MFMD值可能明显较高。在440，对像素的所述计算MFMD值形成了MFMD图，可采用对于均匀肿瘤区域的肿瘤检测方法，例如基于OIST的检测。

在一些实施例中，可分别完成基于OIST的肿瘤检测和基于MFMD的肿瘤检测。每个产生一组肿瘤候选者。每个候选者可通过，例如，影像坐标来表示，其指出肿瘤的中心，和/或表征检测到的潜在肿瘤的某些特征，包括估计的大小，形状，灰度分布，或内部灰度对比。在一个实施例中，来自OIST方法和MFMD方法的检测结果可以融合以生成空间域肿瘤检测结果。在一些实施例中，所述融合可通过在两组检测结果间进行OR运算来完成。例如，当候选者出现在一组中但却不在另一组时，整合的检测结果可包括所述候选者。这提供了更具包含性的检测。在一些情况，分别来自每组的两个候选者可能在距离上彼此接近(例如，根据影像坐标测量)，即使它们彼此不重合。这可能对于两个候选者是否实际上对应相同的肿瘤造成不确定。为确定是否是这样，可用与每个相关的特征进行评估。例如，可用估计的大小或边界来确定两个候选者的位置是否在相同的肿瘤边界内。如果是这样，可以合并来自两组检测结果的两个候选者以产生更新的候选者。例如，该更新候选者的影像坐标可以是两个合并候选者的中点。

另外，还可以使用AND运算进行融合，并且来自一个检测结果的候选者只有在来自其他检测结果的另一个候选者表示相同的肿瘤时才得以保留。这提供了更保守的检测结果，且这种融合方案结果对检测提供了更高程度的置信度。

还可以在时间域中进行肿瘤检测，其中有多个数据集(体积或影像)是在不同时间或不同阶段获得的结果。一些类型的肿瘤会顺序展示某些变化图形，就临床诊断而言相当重要。例如，肝脏肿瘤随时间或跨不同阶段会显示灰度增强。在所述情况下，当识别到序列中跨不同数据集的已知变化图形时，可以检测到肿瘤。例如，当从不同阶段的相应区域识别到灰度增强时，可能存在肿瘤。

图5是根据本发明的一个实施例，时间域肝脏肿瘤检测的示例性程序的流程图。在该示例性程序中，在510，时间域中的肿瘤检测可通过首先相对选定的基础影像/体积跨不同阶段匹配影像/体积进行。在根据本发明的一些实施例中，可采用器官加权匹配方法以获得描述基础影像/体积和匹配影像/体积之间运动的参数，所述参数可用于完成影像/体积的移动，以便与基础影像/体积匹配。在520，可在序列的每个影像/体积之间相对选定的基础影像/体积进行匹配。有关器官加权匹配的细节将结合图6进行讨论。当序列中的所有影像/体积彼此匹配时，可记录下匹配参数。然后可在515取回OIST影像/体积。在520，可用记录下的匹配参数匹配不同阶段的OIST影像/体积。在530，可在每对相邻的OIST影像/体积之间进行减色，以取得一个或多个减色的OIST影像/体积。然后可以在540根据所获得的减色OIST影像/体积进行肿瘤检测。

在一些实施例中，如果在减色OIST影像/体积中的像素减色值超过某个临界值，则表示其在肿瘤内，所述肿瘤随时间显现灰度增强。当一个以上减色OIST影像/体积的相应像素的减色值超过所述临界值时，则更有力证明所述像素处在肿瘤区域内。可单独或以整合方式进行减色OIST影像/体积的肿瘤检测。当在每个单独的减色OIST影像/体积进行检测时，可在本地作出分类决定(例如，在肿瘤内或在肿瘤外)，而不需考虑在空间或时间邻域中相邻像素的减色值。在其他实施例中，对每个像素的分类决定可以根据该像素的减色值以及与其相邻像素的减色值作出。例如，可用不同阶段的减色值建立数据图表，并对该图表进行分析，以检查其是否显示符合目标肿瘤特征的某些变化图形。

在一些实施例中，当要检测的目标肿瘤是肝脏肿瘤时，可以例如Housfield单位测量肝脏肿瘤内OIST影像随时间的灰度变化。当灰度变化超过一定数量Housfield单位时，它会被视为在肝脏肿瘤的候选者区域内。由于类似的灰度增强还可能发生在其他解剖结构上，如血管，可用其他信息来区分肿瘤和非肿瘤解剖体。在一些实施例中，可以使用空间信息来评估检测到的具有灰度增强的区域是否对应肝脏肿瘤。用于这一目的的示例性空间信息可以包括与区域的形状或大小相关的测量结果。这些信息可用于验证检测到在不同阶段具有灰度增强的区域还具有预计的形状或大小。以这种方式进行的验证可以排除从形状和/或大小不会认为是肿瘤的区域。例如，由于血管的形状通常是具有大纵横比的曲线，而肿瘤预计具有相对圆形和小纵横比，通过比较测量结果，可以排除血管是肿瘤的候选者。

在医学成像中，可在几分钟的时间间隔获得多相位影像，例如，在造影剂注射后。在这期间，被成像的器官可由于，例如，呼吸或受治疗者其他类型的运动而移动。这种移动可能导致器官在不同采集阶段偏移或变形。可观察到明显的偏移，例如，在5mm切片厚度CT采集中超过3个切片偏移。在这些情况，根据几何成像参数本身的匹配通常不会产生足以令人满意的结果。在本发明中，采用了器官加权匹配技术。在器官加权匹配的优选实施例中，分配给肝脏样区域内像素的权重高于分配给非肝脏样区域内的像素。

图6是根据本发明的一个实施例，器官加权时间数据匹配的示例性程序的流程图。在该示例性程序中，要匹配两个体积，体积1和体积2。该示例性匹配程序也可应用于影像匹配。对于要匹配的每个体积，在610首先建立并分析灰度直方图。在620，可通过确定直方图的峰值，其对应大量像素的灰度水平，来识别明显占据所述体积的器官(例如，肝脏)。在一些实施例中，可以在630采用分段的线性函数，对体积中每个像素的灰度值加权，以使对应直方图峰值的灰度值的像素被给予最大权重，例如，1。相应地，对应直方图中非峰值位置的灰度值的像素可给予与直方图中非峰值位置到峰值位置之间距离成反比的权重。可采用不同的线性加权函数将权重分配给不同灰度值的像素。

在一些实施例中，根据灰度加权量，可以在640进行交叉相关性运算，以识别两个体积之间的运动参数。这种两个体积之间的交叉相关性运算可对一个以上平移位置进行，以便搜索在两个体积之间产生最大交叉相关性的偏移(或运动参数)。可以根据下面的应用程序来确定用于计算交叉相关性的多个平移位置。例如，可以假设肝脏在两个相邻阶段之间没有经历大运动。在优选实施例中，当假设在两个体积间有小运动时，可以将搜索范围限制在更小的窗口，如3x3x3或5x5x5区域。

在一些实施例中，对于每个像素，相对给定搜索范围的每个可能平移位置(例如，在体积中的可能平移位置(-1，0，0)表示像素向左平移，而高度和深度不变)，计算交叉相关性以产生交叉关联值。在650，这会产生交叉相关值体积，厚度对应在每个像素搜索到的可能平移位置量。在一些实施例中，在660，每个像素的匹配参数可以通过从所有与像素关联的这些分值中识别最大交叉关联值而得到。

在一些实施例中，利用器官加权匹配方法匹配的影像/体积能够同步看到影像/体积序列。例如，为了观察肝脏肿瘤如何随时间在大小和密度发生变化，可以并列观察包含肝脏肿瘤的影像，或者如播放电影一样，通过基于肝脏加权匹配产生的多个匹配影像示出这些变化。

在一些实施例中，还可以对每个检测到的候选者进行对象分割。分割可以从周围非肿瘤解剖体勾画出肿瘤的边界。本文披露了肿瘤分割的示例性程序，能够为不同类型肿瘤提取肿瘤边界，包括具有均匀和不均匀灰度分布的肿瘤。

图7是根据本发明的一个实施例，对象分割的示例性程序的流程图。在该示例性程序中，在710取回表示估计对象位置的候选者。可以如本文所述生成OIST影像和MFMD图，或者分别在720和730访问OIST影像和MFMD图，当它们已经在例如空间域对象检测期间被计算过并被保存。如前面所描述的，OIST影像可提供有用的信息，有助于从其周围(例如，正常肝脏)组织辨别具有均匀灰度分布的肿瘤(例如，在肝脏内)。MFMD纹理图可提供有助于识别纹理状肿瘤的信息。

在一些实施例中，在740，可以根据OIST图和MFMD图生成混合图。在一个实施例中，所述混合图通过线性加权产生，其中每幅图(OIST或MFMD)的每个像素的标准权重可相对图中最大值进行计算。所述混合图的每个像素值然后可计算为OIST的像素值和MFMD的像素值的加权总和。在750，这个混合图可用来估计潜在肿瘤的中心和大小。在一些实施例中，为了获得潜在肿瘤的估计中心和大小，可用一个或多个具有一定形状和不同尺寸的模板进行各种卷积运算。每种卷积运算可生成响应。在一些实施例中，可在肿瘤候选者位置周围的多个像素位置应用卷积。在每个这样的像素位置，可以使用例如，具有不同半径值的球形模板进行多次卷积运算。然后通过从卷积结果中识别最大响应获得潜在肿瘤的中心和大小。

在一些实施例中，根据估计的肿瘤中心和大小，通过例如，在混合图中识别沿多个灰度分布在一定径向方向从估算的肿瘤中心开始的边界点，可以在760估算潜在肿瘤的多个边界点。例如，对应从肿瘤区域过渡到正常肝脏组织的明显灰度降低/升高可以顺着每个灰度分布识别。在一些实施例中，这种搜索可以局限在肿瘤边界范围内，例如，根据潜在肿瘤的估计大小来确定形成带状。可以强制限定，以使只有范围内的降低/升高可被识别为肿瘤的边界点。灰度分布量可确定为固定数量或可适应性确定。例如，它可以相对潜在肿瘤的估算大小而确定。肿瘤尺寸越大，会用更多的灰度分布搜索边界点。例如，对于小的肿瘤来说，径向方向可以是环绕肿瘤的估计中心每隔15度。对于大的肿瘤来说，可以增加到每隔5度以便识别足够数量的边界点。这些检测到的边界点可被用作，例如，定位点，以在770获得连续的肿瘤边界。在一些实施例中，可应用拟合运算得到边界。在其他实施例中，可以应用可变形的模型拟合运算，例如相对，例如混合图，最小化/最大化能量，以获得最佳化的肿瘤边界。

图8(a)和8(b)示出包含肿瘤的关注区域的两个切片影像。图8(c)和8(d)示出利用本文所述基于混合图的肿瘤分割方法而获得的相应肿瘤边界，并叠加在原始影像上。

在一些实施例中，分割的肿瘤便于提取各种类型的诊断信息，这些信息在协助自动化诊断和/或交互式诊断中可能是至关重要的。诊断信息可以是空域的或时域的。图9是根据本发明一个实施例的示例性程序的流程图，其中空域和时域诊断信息根据匹配的数据集进行计算。在这个示例性程序中，在910接收与分割的肿瘤有关的信息。然后在920可以计算在不同阶段所有影像的器官加权形式。全局匹配可以在930进行，通过利用器官加权的影像首先匹配不同阶段的肿瘤(例如，以补偿刚性的运动分量)。在940还可以进行局部匹配，根据如本文所述融合OIST影像和MFMD影像得到的混合图来匹配肿瘤的不同区域(例如，以补偿可变形的运动分量)。

在一些实施例中，还可以在950自动提取空间诊断信息。所述空间信息可以包括，但不限于，肿瘤大小，肿瘤形状，肿瘤区别正常肝脏的灰度差异特征，肿瘤边界灰度过渡的清晰度；肿瘤内中心疤痕的存在，肿瘤内较低灰度区域的存在，肿瘤内较低灰度区域的分布，结节内结节结构的存在，低密度或高密度环的存在，肿瘤内增强区域的百分比，或与其他解剖体的空间关系。示例性时间诊断信息可以包括不同阶段肿瘤的平均灰度变化，肿瘤内灰度增强的空间分布，或者结节内结节结构的增强模式。

尽管结合某些图示实施例对本发明进行了描述，本文所使用的文字是说明性的文字，而非限定性文字。在所附权利要求书的范围内，在不超出本发明的范围和构思的前提下可以变化。尽管结合特定的结构，动作和材料对本发明进行了描述，本发明并不局限于所披露的细节，而是可以多种形式体现，其中某些形式可能与所披露的实施例差别很大，并延伸至任何属于所附权利要求书范围的所有等同结构，动作和材料。

Claims (42)

1.一种对肝脏肿瘤影像进行处理的系统，包括：

空间域检测单元，用于根据由多个数据集产生的肝脏灰度减色(LIST)影像和最大频率-幅度差(MFMD)图对多个数据集中每个数据集在空间域进行对象检测；

时间域检测单元，用于对所述多个数据集在时间域进行对象检测；和

空间时间整合检测单元，用于整合来自所述空间域检测单元的检测结果和来自所述时间域检测单元的检测结果，以生成整合的检测结果；

其中产生所述最大频率-幅度差(MFMD)图包括：

以在肝脏肿瘤影像的每个像素为中心计算多个傅立叶变换；

对肝脏肿瘤影像的每个像素计算每个傅立叶变换的幅度；

选择每个像素的最大幅度；

选择每个像素的最小幅度；和

将肝脏肿瘤影像中每个像素的最大幅度和最小幅度之间差分配给最大频率-幅度差(MFMD)图中的相应像素。

2.根据权利要求1的系统，其中数据集包括2D影像和3D体积的至少其中之一。

3.根据权利要求1的系统，其中所述多个数据集在时间上相关联，并且每个数据集在不同的时间点获得。

4.根据权利要求2的系统，其中所述在空间域检测包括：

根据所述肝脏灰度减色(LIST)影像进行对象检测；

根据所述最大频率-幅度差(MFMD)图进行对象检测；和

融合从肝脏灰度减色(LIST)影像检测的检测结果和从最大频率-幅度差(MFMD)图检测的检测结果，以产生来自空间域的检测结果。

5.根据权利要求4的系统，其中根据肝脏灰度减色(LIST)影像进行对象检测包括：

根据所述肝脏肿瘤影像和与所述肝脏肿瘤影像相关的肝脏灰度值，生成所述肝脏灰度减色(LIST)影像，作为转换影像；和

从所述转换影像检测对象。

6.根据权利要求5的系统，其中所述肝脏灰度值是根据由所述肝脏肿瘤影像构成的灰度直方图估算的。

7.根据权利要求4的系统，其中根据最大频率-幅度差(MFMD)图进行对象检测包括：

生成所述最大频率-幅度差(MFMD)图作为转换影像；和

从所述转换影像检测对象。

8.根据权利要求5的系统，其中所述从转换影像检测对象包括：

识别对象候选者，其中所述对象候选者在满足至少一个预定标准的灰度值的区域内；

从所述对象候选者开始进行区域生长，以产生生长区域；

计算与所述生长区域关联的至少一个特征；

重复所述生长和计算步骤，直到所述至少一个特征满足一定条件。

9.根据权利要求8的系统，其中包含所述对象候选者的区域包括所述转换影像中的低密度区，其灰度值高于第一预定临界值。

10.根据权利要求8的系统，其中包含所述对象候选者的区域包括所述转换影像中的高密度区，其灰度值低于第二预定临界值。

11.根据权利要求8的系统，其中包含所述对象候选者的区域包括最大频率-幅度差(MFMD)图中的区域，其灰度值明显高于第三预定临界值。

12.根据权利要求8的系统，其中所述进行区域生长是根据分配给生长区中每个像素的优先顺序进行的。

13.根据权利要求12的系统，其中分配给所述生长区中像素的优先顺序是根据所述像素的灰度值确定的。

14.根据权利要求8的系统，其中所述至少一个特征包括至少下述之一：

生长区内的平均灰度值；

限定生长区边界的像素平均边缘强度；和

生长区和生长区外部区域之间的对比值。

15.根据权利要求4的系统，其中所述融合包括在来自肝脏灰度减色(LIST)影像的检测结果和来自最大频率-幅度差(MFMD)图的检测结果之间进行的OR运算。

16.根据权利要求4的系统，其中所述融合包括在来自肝脏灰度减色(LIST)影像的检测结果与来自最大频率-幅度差(MFMD)图的检测结果之间进行的AND运算。

17.根据权利要求2的系统，其中所述在时间域中检测对象包括：

将每个肝脏肿瘤影像与选自多个影像的基础影像匹配；

根据对匹配影像的灰度增强分析检测一个或多个对象候选者；和

从时间域生成所述检测结果。

18.根据权利要求17的系统，其中所述匹配包括：

利用根据由基础影像构成的第一灰度直方图的峰值位置获得的第一权重，加权所述基础影像中的每个像素值，以产生所述像素的肝脏加权灰度值；

利用根据由所述肝脏肿瘤影像构成的第二灰度直方图的峰值位置获得的第二权重，加权所述肝脏肿瘤影像中的每个像素值，以产生所述像素的肝脏加权灰度值；

计算多个相关性分值图，每个对应位置平移，其中相关性分值图中的每个像素表示交叉相关值，根据基础影像中第一像素的加权灰度值，影像中第二像素的加权灰度值，和从第一像素位置到第二像素位置的水平位移计算；

根据相关性分值图中的最高交叉相关值获得一个或多个匹配参数；和

利用所述匹配参数将所述每个肝脏肿瘤影像与所述基础影像匹配。

19.根据权利要求17的系统，其中所述检测包括：

在每对相邻的匹配影像间进行影像减色，以产生一个或多个减色的影像；

在所述一个或多个减色的影像中识别具有灰度增强的区域；和

获得对应所述区域的对象候选者，如果所述区域的灰度增强满足至少一个时域标准。

20.根据权利要求1的系统，还包括利用来自时间域的检测结果验证来自空间域的检测结果。

21.根据权利要求20的系统，其中所述验证来自空间域的检测结果包括：

识别包括在来自空间域的检测结果中的每个对象候选者的灰度增强；和

确认所述对象候选者的灰度增强满足至少一个时域标准。

22.根据权利要求1的系统，还包括利用来自空间域的检测结果验证来自时间域的检测结果。

23.根据权利要求22的系统，其中所述验证来自时间域的检测结果包括：

识别包括在来自时间域的检测结果中的每个对象候选者的至少一个空域特征；

确认与所述对象候选者相关的至少一个空域特征满足至少一个空域标准。

24.根据权利要求23的系统，其中所述至少一个空域特征包括与围绕所述对象候选者的区域相关的尺寸，和/或所述区域的形状。

25.根据权利要求1的系统，其中所述整合包括在来自空间域的检测结果和来自时间域的检测结果之间执行OR运算。

26.根据权利要求1的系统，其中所述整合包括在来自空间域的检测结果和来自时间域的检测结果之间执行AND运算。

27.根据权利要求1的系统，还包括分割所述对象，包括：

将肝脏灰度减色(LIST)影像与最大频率-幅度差(MFMD)图整合，以生成混合图；

使所述混合图与至少一个模板卷积；

根据所述卷积结果估算所述对象的中心和大小；和

提取所述对象的边界以生成分割的对象。

28.根据权利要求27的系统，其中用于卷积的模板具有球形形状。

29.根据权利要求28的系统，其中用于卷积的每个模板具有不同尺寸。

30.根据权利要求27的系统，其中所述提取包括：

沿从所述对象中心开始的多条径向线的每条搜索明显灰度变化的边界点；和

根据沿所述径向线识别的边界点生成所述边界。

31.根据权利要求27的系统，还包括提取与分割的对象相关的诊断信息。

32.一种对肿瘤影像进行处理的系统，包括：

空间域检测单元，用于根据由多个数据集产生的器官灰度减色(OIST)影像和最大频率-幅度差(MFMD)图对多个数据集中的每个数据集在空间域进行对象检测；

时间域检测单元，用于对所述多个数据集在时间域进行对象检测；和

空间时间整合检测单元，用于整合来自空间域检测的检测结果和来自时间域检测的检测结果，以生成整合的检测结果；

其中产生所述最大频率-幅度差(MFMD)图包括：

以肿瘤影像的每个像素为中心计算多个傅立叶变换；

对肿瘤影像的每个像素计算每个傅立叶变换的幅度；

选择每个像素的最大幅度；

选择每个像素的最小幅度；和

将肿瘤影像中每个像素的最大幅度和最小幅度之间差分配给最大频率-幅度差(MFMD)图中的相应像素。

33.根据权利要求32的系统，其中所述时间域检测单元通过利用器官加权匹配方案匹配所述多个数据集来检测时间域中的对象。

34.根据权利要求32的系统，还包括：

利用来自时间域的检测结果验证来自空间域的检测结果；和

利用来自空间域的检测结果验证来自时间域的检测结果。

35.根据权利要求32的系统，还包括对包括在整合检测结果中的对象进行分割。

36.根据权利要求35的系统，还包括根据所述整合的检测结果提取空间和/或时间诊断信息。

37.一种对空间域中肿瘤影像进行处理的系统，包括：

基于器官灰度减色(OIST)的检测单元，用于在器官灰度减色(OIST)影像中进行对象检测；

基于最大频率-幅度差(MFMD)的检测单元，用于在最大频率-幅度差(MFMD)图中进行对象检测；和

融合单元，用于融合来自在器官灰度减色(OIST)影像检测的检测结果和来自在最大频率-幅度差(MFMD)图检测的检测结果，以产生融合的检测结果，其中根据影像生成所述器官灰度减色(OIST)影像和最大频率-幅度差(MFMD)图；

其中产生所述最大频率-幅度差(MFMD)图包括：

以肿瘤影像的每个像素为中心计算多个傅立叶变换；

对肿瘤影像的每个像素计算每个傅立叶变换的幅度；

选择每个像素的最大幅度；

选择每个像素的最小幅度；和

将肿瘤影像中每个像素的最大幅度和最小幅度之间差分配给最大频率-幅度差(MFMD)图中的相应像素。

38.根据权利要求37的系统，其中所述在器官灰度减色(OIST)影像检测包括：

估算与器官大体显现在影像中相关的器官灰度值；

在所述影像的每个像素减去所述器官灰度值，以生成器官灰度减色(OIST)影像中相应像素的减色灰度值；和

检测器官灰度减色(OIST)影像中的对象。

39.根据权利要求37的系统，其中根据由所述影像构成的灰度直方图估算所述器官灰度值。

40.根据权利要求37的系统，其中在最大频率-幅度差(MFMD)图的检测包括：

生成所述最大频率-幅度差(MFMD)图作为转换影像；和

从最大频率-幅度差(MFMD)图检测对象。

41.根据权利要求37的系统，其中所述融合包括在来自器官灰度减色(OIST)影像的检测结果和来自最大频率-幅度差(MFMD)图的检测结果之间进行OR运算。

42.根据权利要求37的系统，其中所述融合包括在来自器官灰度减色(OIST)影像的检测结果和来自最大频率-幅度差(MFMD)图的检测结果之间进行AND运算。