CN101449291A - 自动识别解剖结构中癌前异常的过程和系统及对应的计算机程序 - Google Patents
自动识别解剖结构中癌前异常的过程和系统及对应的计算机程序 Download PDFInfo
- Publication number
- CN101449291A CN101449291A CNA2007800183848A CN200780018384A CN101449291A CN 101449291 A CN101449291 A CN 101449291A CN A2007800183848 A CNA2007800183848 A CN A2007800183848A CN 200780018384 A CN200780018384 A CN 200780018384A CN 101449291 A CN101449291 A CN 101449291A
- Authority
- CN
- China
- Prior art keywords
- voxel
- unusual
- anatomical structure
- belong
- analytic unit
- 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.)
- Pending
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Generation (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Electrotherapy Devices (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
描述了一种用于自动识别解剖结构中异常的过程及用于实现上述过程的处理系统和计算机程序,包括以下操作:采集(10)能够形成在观察的至少一个解剖结构的三维表示的患者身体至少一个部分的多个二维图像;在可能包含异常的所述三维表示中将关注区域分割(20);基于预定形态参数,从可能形成所示解剖结构中异常一部分的分割区域选择(30,40)体积图像元素(体素);基于选择的体素的空间密度分布,将所述体素聚结(60)成分析单元中;以及将所述分析单元分类(70)为可疑异常部分的元素或不属于异常的元素。
Description
本发明涉及图像制备,并且具体地说,涉及识别图像中的物体和/或结构,且特别是表示解剖结构中异常的形成物。
更具体地说,它涉及用于自动识别解剖结构中异常,并且特别是如权利要求1的前序所述结肠-直肠的癌前病变的过程及用于实现上述过程的处理系统和计算机程序。
通常,通过分析解剖结构数字表示,并随后将发现的异常分类以识别人体器官和组织中的三维病变的过程、系统和计算机程序已为人所熟知。
大肠癌是今天世界上导致死亡的第二癌症原因。近年来,侵入性低于通过结肠镜检查的常规医疗检查的诊断部件允许显露整个结肠而无需导入可能让患者不便并且在极限情况下损害组织(穿孔、出血),从而导致严重并发症的传感器,因而名声大振。
这些诊断部件利用放射治疗技术执行所谓的“虚拟内窥镜”。通过此技术,通过三维处理由计算机化层析检查(CT)获得的一系列图像,可能获得类似于在常规内窥镜处理中的患者器官的视图。
现在有使用执行虚拟结肠镜(VC)的系统。不过,在结肠腔内这种类型的虚拟导航必需经过结肠的整个长度(大约1.5米),由于处理图像所需的时间和医生查看图像的时间的原因,因此,对患者必需执行极长的检查。
从计算机化层析检查所获得的图像数据集执行结肠图像识别和提取的自动系统为人所熟知,利用了由于结肠腔和结肠本身的组织部分中存在的空气而在X射线吸收强度方面的差异。
具体而言,执行结肠内表面的分割(segment)操作。分割是旨在基于图像元素属于某个区域的预定标准,提取图像构成均匀区域部分的操作,通过该标准,从层析检查所获得的整体三维图像提取结肠内表面的图像,识别和消除了患者外部的气体体积、肺内的气体体积、脂肪和肌肉区域及最终结肠本身内的气体体积,这根据了在所述区域之间X射线辐射吸收强度方面的差异。
一旦结肠内表面已获得,这些自动系统便执行其定量表征,计算识别为属于它的体积元素(技术上:体素)的一些形态属性。这些属性用于将健康的组织和可能有疾病的组织以及和排泄物残余区分开来。
例如,在美国专利申请US 2003/0223627 A1中描述了一种用于以上述方式操作、对器官病变进行三维分析的方法。
迄今建议用于在结肠(息肉)中执行癌前病变自动识别的解决方案具有很大的缺点,表现在表面中可能由于息肉,但也可能由于假象(排泄物、移动假象等)生成不可接受的错误百分比(假阳性和假阴性)的原因而存在许多其它变化时,图像理解会复杂且困难。
本发明的目的因此是提供一种用于自动识别表示解剖结构中异常,且具体而言是结肠-直肠中癌前病变的形成物的规程,该规程克服了已知技术的限制。
通过其主要特征在权利要求1中定义的过程,根据本发明将实现此目的和其它目的。
本发明的又一目的是用于实现如要求的上述过程的处理系统和计算机程序。
总之,本发明是基于以连续步骤使用聚结(agglomerate)技术,执行分割从图像提取的解剖结构中可能的异常形成物的操作。
在特定的实例中,利用了由层析检查技术用于采集和表示患者内部器官图像的X射线辐射吸引强度,但类似地,可使用物体对其它诊断辐射的反应,并且更具体地说由于在物体与入射到物体上的电磁激发辐射之间的交互而在检查区中存在的物体反应,例如,物体的颜色(其特征在于波长和强度)由来自它们的入射光辐射的反射确定。
有利的是,在当前设想的虚拟结肠镜应用中,作为连续聚结的分割可能异常形成物的阶段能够以更高准确性重新构成这些形成物,因此,能更清晰地对存在的任何息肉和具有不同形态特征、属于不同起源的结肠内表面中的其它几何形状变化进行区分。
从随后参照附图,只是以非限制性示例方式提供的详细说明,将明白本发明的其它特性和优点,其中:
图1是根据本发明的过程的流程图,
图2是由用于识别解剖结构中异常的对应形状指数表征的表面五种不同类型图示;以及
图3是根据本发明,用于识别结肠-直肠中癌前病变的处理系统。
参照图1,本发明涉及的过程开始是在步骤10中采集计算机层析检查图像数据,随后基于采集的图像在步骤20中通过“区域增长”算法执行结肠内表面的分割。
在随后的步骤30中,计算识别为属于结肠内表面的体素的预确立的几何参数,并且选择可能属于息肉区域的体素(步骤40)。
在步骤50中,增长与选择的体素相邻的区域的又一过程被执行,并且随后将围绕这些体素增长的区域聚结成分析单元(步骤60)。
最后,将分析单元最终分类为息肉或非重要假象(步骤70)。
现在将详细描述在上面已简要列出的图1流程图中所示各个步骤。
一旦标准医疗DICOM格式的计算机层析检查数据已获得,它们随后便先转换成适合在用于图像表示和显示的程序中进行处理的格式。
过程中的随后阶段包括基于转换的图像数据将结肠表面自动分割。此规程基于文献中熟知的“区域增长”算法执行。
一旦结肠内表面的体素已通过分割阶段获得,预定的识别属性便可确定,其中的主属性是X射线吸收强度的几何特征、直方图、使用例如对比度、相关、能量、熵及局部均匀性等结构特征(texture)的统计分析。
就几何特征而言,可优选计算形状指数(SI)和曲度(CV)。这些参数可用于区分结肠内存在的任何息肉和具有不同曲率与形状的几何结构。
形状指数和曲度是相对于结构的正交平面kmax和kmin中的局部曲率,使用以下等式表示:
其中,p是体素的位置。
形状指数将体素在位置p处的体积(volumetric)拓扑形状分类成通常如下的五类:“杯”、“凹槽(rut)”、“鞍”、“脊”和“帽”(参见图2)。较高的形状指数值对应于“帽”型形状,并且由于许多息肉呈现此形状而特别有利。
曲率参数表征体素中的有效曲率的量,并因此提供体素内表面弯曲程度的局部估计。
参数SI和CV要求计算主曲率kmax和kmin,并且这些曲率又要求计算在正确角度的三个参考方向x、y和z上结肠表面的第一和第二偏导数。为计算偏导数,根据从文献已知的技术,优选迭代使用Deriche滤波器。偏导数的等式用于计算属于该表面的所有体素的参数SI和CV。由位于最小值与最大值之间的SI和CV值表征的体素被选择为可能属于含有息肉的可疑区域,并且随后用作从中提取可能的息肉区域的起点。
形状指数和曲度参数的计算可在计算条件和存储器资源方面的成本很高。这是因为实际情况是在整个表面或包括成千上万体素的大部分表面上执行计算。要降低计算所需的存储器量,可方便地将结肠表面细分成“边界框”或相邻分析体积(analysis volume)。假定起始轴横截面,分析体积的尺寸在结肠的纵向(z轴)两个方向上一次增大一个步长。在达到z中预定的尺寸或者结肠表面结束时,体积增大中断。x和y方向上的尺寸根据牵涉的结肠腔的横截面而有所不同,而z尺寸在这些尺寸计算前配置,并且方便地对应于介于20与30个轴横截面之间的多个二维图像。
有利的是,配置了第二参数,该参数专用于过标注(overdimensioning)其值可在x、y和z方向上改变的分析体积。在z方向上,此参数生成分析体积之间的重叠,并且此操作的完成是为了降低在分析体积边缘计算曲率时的失真效应。
通过形状指数(SI)和曲度(CV)的形态参数选择体素之后,使用滞后技术、在体素数量方面、从增多的选择的体素的聚结以及从与选择的表面区域相邻的组织内进一步增长的体素来增长与选择的体素相邻的区域。
滞后方法使得提取在空间上连接到以前选择的初始区域的体素集成为可能。此方法导致提取可能对应于更大部分息肉的结肠内表面的更大数量的体素。另外的体素被选择,从而降低了形状指数(SI)参数的低阈值并增大了曲度(CV).参数的关注范围。
一旦体素已基于其物理几何属性表征,它们便聚结成表示被归类为可能包含或不包含息肉的区域的各个分析单元。
体素基于选择的体素的空间密度分布而一起组合成分析单元。此聚结操作依据的原理包括识别具有选择的体素更大密度的区域,由此体素密度在每个聚结内大于聚结外,并且密度在噪声区内始终小于在聚结内。操作要求定义两个参数:体素邻域必须处理的最小点数和领域本身的半径。用于参数的值例如可根据经验从计算机化层析检查图像集中选择。
此聚结操作例如通过使用在以下文章中所述已知DBSCAN算法执行:“用于在具有噪声的大型空间数据库中发现群集的基于密度的算法”("Density Based Algorithm for Discovering Clusters in LargeSpatial Database with Noise”by Ester,Kriegel,Sander and Xu publishedin Proceedings of 2nd International Conference on Knowledge Discoveryand Data Mining(1996))。通过此算法,能够从选择的体素识别任何形状且独立于噪声任何数量的聚结。
如此获得的分析单元可只包含息肉表面的一部分。这是因为事实是曲度参数只检测最突出到结肠腔中的息肉顶端,并且不检测具有曲率值不同于在其顶端的曲率值的息肉根。此外,给定息肉可通过若干分析单元发现,并且这些单元要合并成单个分析单元。用于将分析单元扩展到整个息肉表面的规程如下所述。
对于每个分析单元进行检查以查看是否有可能与在研究的分析单元合并在一起的任何相邻合并单元。
在此方面,计算在检查的分析单元表面部分的块体(mass)中心。从计算得出的块体中心,沿结肠的分割的表面进行检查,以查看在离块体中心预定最大距离内是否存在其它分析单元,该距离值是根据经验确定。探测的每个体素的距离对应于将在检查的体素链接到中心块体的表面上最小路径的长度。
要识别相互接近的分析单元,每个分析单元通过“区域增长”方法呈球面扩展,在该方法中,在等于块体中心与已经属于分析单元的体素之间最大距离的半径内在结肠组织中扩展分析单元。增长也包括与分割表面相邻的组织体素。
具体而言,增长在进行时,为在研究的每个体素绘出将它结合到块体中心的分割。即使只有一个分割通过的体素在结肠腔中,在检查的体素也不添加到分析单元。如果情况不是这样,则在检查的体素添加到分析单元。此增长条件防止扩展过程包括不属于息肉的结肠部分。
在分析单元已呈球面扩展后,为每个分析的单元进行检查以查看靠近它的单元是否与它重叠或相邻。作为用于合并且符合这些条件之一的候选的分析单元与在检查的分析单元合并。
如此形成的分析宏单元不是始终包括息肉根。为此,支持分析宏单元的几何平面基于在与息肉根平行的其表面边缘的体素确定。支持平面以连续步骤、在与其垂直的方向上和在远离在检查的宏单元顶端的方向上移动(由于事实上包括顶端体素的分析宏单元的体素位于平面的一侧上,因而识别了顶端)。
在支持平面移动的每个步骤中,确定位于平面上或与其相邻在例如根据经验确定的预定距离内的分割表面体素。对于每个这些体素,确定相对于支持平面的体素(在检查体素前)的最小距离。如果此距离大于预定阈值(例如,根据经验确定),则该体素不添加到分析宏单元,但如果不是如此,则添加体素。
如果在特定步骤中,至少一个体素在大于该阈值的距离处,则计算具有大于阈值的最小距离的、属于在检查的平面的体素百分比。如果此百分比超过阈值百分比,则终止沿表面的分析单元扩展。
相反,如果此百分比是小于阈值百分比,则从与当前支持平面的体素的距离小于阈值距离的体素和从距离大于阈值距离的当前支持平面体素相邻的以前计算的支持平面的体素计算另一支持平面。
过程继续迭代,直至实现上述条件。
使用所述步骤扩展分析单元的目的是扩展分析单元表面面积部分。
虽然在扩展过程中已选择相邻组织的一部分,但组织的此部分不被视为形成分析宏单元的部分,这是因为它也可包括不属于息肉的周围组织。通过使用直线分割将识别的表面体素组合在一起,实现了分析宏单元到组织中的有效扩展,这以更高准确性提取息肉组织。属于与表面相邻组织的分割通过的体素作为新体素添加到分析单元和宏单元。有利的是,此过程甚至可将最小的分析单元充分扩展以具有组成它们的大量体素。
实现的聚结表示用于随后的结肠-直肠检查的可能息肉。
属于选择的分析单元的体素数量通常远远少于结肠-直肠内表面的总数量。
然而,即使不属于息肉的分析单元也可通过此过程选择。这些选择有助于增加假阳性数量,即,可能的息肉被选择的为可疑但实际上不属于息肉。
为减少这些假阳性的数量,可方便地计算描述分析单元其它属性的其它参数,这些参数可能改善识别算法的辨别力。
除体素的几何属性外,最好也研究其它属性,例如,与各个体素的X射线吸收强度相关联的属性。在此方面,为结肠表面积的所有体素及其邻域研究强度直方图。此分析的目的是确立属于息肉的区域中的体素是否具有与结肠其它区域中体素不同的特征直方图。实际上,许多情况下,与健康组织或排泄物残余相比,息肉示出在X射线吸收方面的差异。
例如“前馈”型神经网络等本身已熟知的神经网络可用于研究直方图的特征。
研究的另一属性是结构特征,它是与图像强度相关联的属性。这可通过人眼轻松感觉到,并且被认为是在三维物体的性质和形状方面的丰富信息源。结构特征是复杂的视觉形状,包括具有亮度或颜色或大小特征等宏结构或微结构子形(subshape)。子形的局部属性使得将结构特征的发光度、均匀度、密度、颗粒度、整齐度、噪声及方向性特征作为一个整体区分成为可能。
有各种方法可用于结构特征分析:结构的、统计的、通过模型、通过变换。在这些方法中,二阶统计方法已显示产生比其它分析方法更佳的结果。为此,并且因为腹部图像在特征上缺乏宏结构亚型(subform),使用统计方法是有利的,例如在文献中已知的基于同现矩阵的方法。
计算对计算机能力的消耗大,为此,它可方便地只在定义体素的第一、第二和第三邻居及其对应距离的第十三方向上执行。
除强度直方图和结构特征外,其它特征参数可用于减少假阳性。这些参数之一是Zernike矩的计算。
此方法利用以下事实:不但通过从与吸收和3D空间分布有关的计算机化层析检查图像分析数据的信息内容,而且从其球形形态也能够识别息肉。在此方面,计算从文献已知的Zernike系数。这些几何描述符已用于识别大型图像数据库中的物体图像。这些参数使得识别给定形状的物体而不考虑其大小和定向成为可能。这些特定的对称属性使得Zernike系数对于研究其形状通常为球状,但在大小方面可从几毫米到超过一厘米不等且在空间具有任何定向的息肉的形态特别有用。
表征体素的所有参数表示已分析以便将体素分类的大量信息,从而区分可能是息肉部分的区域中的体素与健康组织区域中的体素。
体素的分类是一个多维识别问题,可通过使用神经网络和/或其它统计分类器解决。
根据本发明的过程由图3所示类型的系统执行,该系统包括已知类型的计算机化工作站100,具有处理器子系统110、显示装置120、键盘130、鼠标140及用于连接到本地网络(网络总线)150的装置。备选,处理系统可以是具有处理器子系统和外围本地或远程输入/输出装置的分布式类型(未示出)。工作站100或分布式系统旨在处理在磁盘160上存储或者从网络访问、能够显示所述过程并且能够在显示器120上显示结果的处理和计算程序组或模块。这些设置被认为是本领域的技术人员已熟知,并且因为它们本身对于实现和理解本发明的目的无关,所以在此将不进一步描述。
当然,本发明的原理保持不变,而在不脱离如所附权利要求定义的本发明保护范围的情况下,构造的实施例和细节可与已只以非限制性示例方式描述和示出的内容有广泛的不同。
Claims (19)
1.一种用于自动识别解剖结构中异常的过程,包括以下操作:
-采集(10)能够形成在观察中的至少一个解剖结构的三维表示的患者身体至少一个部分的多个二维图像,
-在可能包含异常的所述三维表示中将关注区域分割(20),
-基于预定形态参数,从所述分割的区域选择(30,40)可能属于所述表示的解剖结构中异常的体积图像元素(体素),
-根据预定的接近度标准,将体素区域聚结(60)成分析单元,以及
-将所述体素分类(70)为属于异常的可疑元素或不属于异常的元素,
其特征在于通过基于所述选择的体素的空间密度分布将所述体素集合在一起来执行将所述体素区域聚结(60)成分析单元的所述阶段。
2.如权利要求1所述的过程,其中所述关注区域包括结肠组织的内表面,并且解剖结构中的所述异常包括所述结肠的癌前病变。
3.如权利要求2所述的过程,其中所述二维图像是使用放射诊断技术获得的患者身体的横向横截面图像。
4.如权利要求3所述的过程,包括采集计算机化层析检查图像数据,通过所述数据,所述关注区域的分割是基于比较与所述图像元素有关的X射线辐射吸收强度值。
5.如权利要求4所述的过程,其中所述形态参数包括形状指数(SI)和曲度(CV)。
6.如权利要求5所述的过程,其中所述形状指数(SI)和所述曲度(CV)是通过迭代使用Deriche滤波器、使用所述图像的第一和第二偏导数计算、基于所述分割的结肠组织所述表面的主曲率而计算得出。
7.如权利要求5或6所述的过程,其中位于对应预定的值范围之间的形状指数(SI)和曲度(CV)所表征的体素被选择为可能属于异常。
8.如权利要求5到7任一项所述的过程,其中通过将所述分割的区域细分成相邻的分析体积而计算所述形态参数。
9.如前面权利要求任一项所述的过程,包括在所述分割的区域中选择(40)可能属于所述所示解剖结构中异常的体素后,围绕选择的体素增长(50)区域的阶段。
10.如权利要求9所述的过程,其中通过使用滞后技术、从其形状指数(SI)和曲度(CV)位于扩大的值范围内的周围体素进行选择,从而执行围绕所述选择的体素增长(50)区域的所述阶段。
11.如前面权利要求任一项所述的过程,包括将位于参考分析单元的块体中心的预定距离内、与所述参考分析单元重叠或相邻的分析单元合并。
12.如权利要求11所述的过程,其中通过等于所述块体中心与属于在研究中的所述分析单元的所述表面体素之间最大距离的增长半径所控制的球面增长,将所述分析单元扩展到组织的相邻体素。
13.如权利要求12所述的过程,其中如果将所述组织体素与所述块体中心结合的所述分割越过的至少所述体素之一属于所述结肠腔,则组织体素不添加到所述分析单元。
14.如权利要求11、12或13所述的过程,其中通过合并分析单元获得的分析宏单元扩展到包括位于与基于在所述分析宏单元边缘的所述表面体素计算得出的支持平面平行的平面上的表面体素。
15.如前面权利要求任一项所述的过程,其中通过添加从在所述聚结阶段期间结合鉴别的所述表面体素的线性分割所越过的所述组织体素中选择的组织体素,将所述分析单元从所述结肠所述表面扩展到相邻组织。
16.如权利要求4到15任一项所述的过程,其中基于对应的X射线辐射吸收强度,选择所述分割的区域中可能属于所述解剖结构中异常的所述体素。
17.如权利要求4到15任一项所述的过程,其中基于结构特征属性,选择所述分割的区域中可能属于所述解剖结构中异常的所述体素。
18.一种用于自动识别解剖结构中异常的处理系统(100-160),所述处理系统(100-160)设计用于实现如权利要求1到17任一项所述过程。
19.一种能够由处理系统(100-160)执行的处理程序或程序组,所述处理程序或程序组包括用于实现如权利要求1到17任一项所述自动识别解剖结构中异常的过程的一个或多个代码模块。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ITTO2006A000223 | 2006-03-24 | ||
IT000223A ITTO20060223A1 (it) | 2006-03-24 | 2006-03-24 | Procedimento e sistema per il riconoscimento automatico di anomalie preneoplastiche in strutture anatomiche, e relativo programma per elaboratore |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101449291A true CN101449291A (zh) | 2009-06-03 |
Family
ID=38541519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007800183848A Pending CN101449291A (zh) | 2006-03-24 | 2007-03-22 | 自动识别解剖结构中癌前异常的过程和系统及对应的计算机程序 |
Country Status (7)
Country | Link |
---|---|
US (1) | US8107702B2 (zh) |
EP (1) | EP2005391A2 (zh) |
JP (1) | JP2009531117A (zh) |
CN (1) | CN101449291A (zh) |
CA (1) | CA2647420A1 (zh) |
IT (1) | ITTO20060223A1 (zh) |
WO (1) | WO2007110820A2 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103069455A (zh) * | 2010-07-30 | 2013-04-24 | 皇家飞利浦电子股份有限公司 | 用于医学图像的鲁棒分割的器官特异的增强滤波器 |
CN103561631A (zh) * | 2011-09-08 | 2014-02-05 | 奥林巴斯医疗株式会社 | 图像处理装置和图像处理方法 |
CN110033042A (zh) * | 2019-04-15 | 2019-07-19 | 青岛大学 | 一种基于深度神经网络的直肠癌环周切缘mri图像自动识别方法及系统 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081697B (zh) * | 2009-11-27 | 2013-12-11 | 深圳迈瑞生物医疗电子股份有限公司 | 一种在超声成像空间中定义感兴趣容积的方法及其装置 |
CN101823908B (zh) * | 2010-03-29 | 2013-05-08 | 天津师范大学 | 废胶粒在调节垃圾堆肥酸碱性方面的应用 |
US20120051609A1 (en) * | 2010-08-27 | 2012-03-01 | Gopal Biligeri Avinash | System and method for analyzing and visualizing local clinical features |
JP6841609B2 (ja) | 2015-07-10 | 2021-03-10 | 3スキャン インコーポレイテッド | 組織学的染色の空間的多重化 |
WO2017042812A2 (en) * | 2015-09-10 | 2017-03-16 | Magentiq Eye Ltd. | A system and method for detection of suspicious tissue regions in an endoscopic procedure |
EP3533031B1 (en) * | 2016-10-25 | 2023-08-16 | Koninklijke Philips N.V. | A method and apparatus for segmenting a two-dimensional image of an anatomical structure |
EP3445048A1 (en) | 2017-08-15 | 2019-02-20 | Holo Surgical Inc. | A graphical user interface for a surgical navigation system for providing an augmented reality image during operation |
EP3470006B1 (en) | 2017-10-10 | 2020-06-10 | Holo Surgical Inc. | Automated segmentation of three dimensional bony structure images |
EP3608870A1 (en) | 2018-08-10 | 2020-02-12 | Holo Surgical Inc. | Computer assisted identification of appropriate anatomical structure for medical device placement during a surgical procedure |
EP3751516B1 (en) * | 2019-06-11 | 2023-06-28 | Holo Surgical Inc. | Autonomous multidimensional segmentation of anatomical structures on three-dimensional medical imaging |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7043064B2 (en) * | 2001-05-04 | 2006-05-09 | The Board Of Trustees Of The Leland Stanford Junior University | Method for characterizing shapes in medical images |
EP2793189B1 (en) * | 2001-10-03 | 2016-11-02 | Retinalyze A/S | Assessment of lesions in an image |
WO2003034176A2 (en) * | 2001-10-16 | 2003-04-24 | The University Of Chicago | Computer-aided detection of three-dimensional lesions |
WO2003046833A2 (en) * | 2001-11-24 | 2003-06-05 | Image Analysis, Inc. | Automatic detection and quantification of coronary and aortic calcium |
US7236620B1 (en) * | 2002-06-24 | 2007-06-26 | Icad, Inc. | Computer-aided detection methods in volumetric imagery |
US7260250B2 (en) * | 2002-09-30 | 2007-08-21 | The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services | Computer-aided classification of anomalies in anatomical structures |
US20050152588A1 (en) * | 2003-10-28 | 2005-07-14 | University Of Chicago | Method for virtual endoscopic visualization of the colon by shape-scale signatures, centerlining, and computerized detection of masses |
US20060018549A1 (en) * | 2004-07-20 | 2006-01-26 | Jianming Liang | System and method for object characterization of toboggan-based clusters |
-
2006
- 2006-03-24 IT IT000223A patent/ITTO20060223A1/it unknown
-
2007
- 2007-03-11 US US12/294,187 patent/US8107702B2/en not_active Expired - Fee Related
- 2007-03-22 WO PCT/IB2007/051012 patent/WO2007110820A2/en active Application Filing
- 2007-03-22 CA CA002647420A patent/CA2647420A1/en not_active Abandoned
- 2007-03-22 EP EP07735225A patent/EP2005391A2/en not_active Withdrawn
- 2007-03-22 CN CNA2007800183848A patent/CN101449291A/zh active Pending
- 2007-03-22 JP JP2009502287A patent/JP2009531117A/ja active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103069455A (zh) * | 2010-07-30 | 2013-04-24 | 皇家飞利浦电子股份有限公司 | 用于医学图像的鲁棒分割的器官特异的增强滤波器 |
CN103069455B (zh) * | 2010-07-30 | 2017-05-24 | 皇家飞利浦电子股份有限公司 | 用于医学图像的鲁棒分割的器官特异的增强滤波器 |
CN103561631A (zh) * | 2011-09-08 | 2014-02-05 | 奥林巴斯医疗株式会社 | 图像处理装置和图像处理方法 |
CN103561631B (zh) * | 2011-09-08 | 2016-01-13 | 奥林巴斯株式会社 | 图像处理装置和图像处理方法 |
CN110033042A (zh) * | 2019-04-15 | 2019-07-19 | 青岛大学 | 一种基于深度神经网络的直肠癌环周切缘mri图像自动识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CA2647420A1 (en) | 2007-10-04 |
JP2009531117A (ja) | 2009-09-03 |
US20090252393A1 (en) | 2009-10-08 |
EP2005391A2 (en) | 2008-12-24 |
WO2007110820A3 (en) | 2008-08-28 |
WO2007110820A2 (en) | 2007-10-04 |
US8107702B2 (en) | 2012-01-31 |
ITTO20060223A1 (it) | 2007-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101449291A (zh) | 自动识别解剖结构中癌前异常的过程和系统及对应的计算机程序 | |
Wang et al. | A multi-view deep convolutional neural networks for lung nodule segmentation | |
Valente et al. | Automatic 3D pulmonary nodule detection in CT images: a survey | |
US8111896B2 (en) | Method and system for automatic recognition of preneoplastic anomalies in anatomic structures based on an improved region-growing segmentation, and commputer program therefor | |
CN104751178B (zh) | 基于形状模板匹配结合分类器的肺结节检测装置及方法 | |
Dehmeshki et al. | Automated detection of lung nodules in CT images using shape-based genetic algorithm | |
Choi et al. | Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images | |
US8023710B2 (en) | Virtual colonoscopy via wavelets | |
Wang et al. | Reduction of false positives by internal features for polyp detection in CT‐based virtual colonoscopy | |
CA2583886C (en) | Method for detecting polyps in a three dimensional image volume | |
US20090123049A1 (en) | Nodule Detection | |
CN110853011B (zh) | 用于肺结节检测的卷积神经网络模型的构建方法 | |
CN109363698A (zh) | 一种乳腺影像征象识别的方法及装置 | |
US20060153451A1 (en) | System and method for detecting ground glass nodules in medical images | |
CN110838114B (zh) | 肺结节检测方法、装置及计算机存储介质 | |
US20100260390A1 (en) | System and method for reduction of false positives during computer aided polyp detection | |
Camarlinghi | Automatic detection of lung nodules in computed tomography images: training and validation of algorithms using public research databases | |
Li et al. | Deep learning of mammary gland distribution for architectural distortion detection in digital breast tomosynthesis | |
Choi et al. | Computer-aided detection (CAD) of breast masses in mammography: combined detection and ensemble classification | |
Yao et al. | Employing topographical height map in colonic polyp measurement and false positive reduction | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans | |
JP2003502723A (ja) | 統計的湾曲解析を用いた三次元形状計測 | |
Chowdhury et al. | A statistical approach for robust polyp detection in CT colonography | |
Li et al. | Automatic detecting and recognition of casts in urine sediment images | |
Govyadinov | Segmentation, Analysis and Visualization of Large Microvascular Networks in the Mouse Brain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090603 |