CN101504727A - 图像处理设备及其方法 - Google Patents
图像处理设备及其方法 Download PDFInfo
- Publication number
- CN101504727A CN101504727A CNA2009101267131A CN200910126713A CN101504727A CN 101504727 A CN101504727 A CN 101504727A CN A2009101267131 A CNA2009101267131 A CN A2009101267131A CN 200910126713 A CN200910126713 A CN 200910126713A CN 101504727 A CN101504727 A CN 101504727A
- Authority
- CN
- China
- Prior art keywords
- training
- boundary
- heart
- myocardial
- data
- 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
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
位置指定单元在诊断图像中的心肌边界上指定对应于参考三角形的各个顶点的三个诊断位置,计算单元对于多个训练图像的每一个,将三个训练位置与三个诊断位置进行匹配,并且将诊断图像与训练心肌区域边界数据相比较,以获得相似性,以及输出单元输出具有最高相似性的训练心肌区域边界数据。
Description
相关申请的交叉引用
本申请是基于2008年1月31日提交的日本专利申请2008-21456并要求其优先权,其全文通过引用并入本文。
技术领域
本发明涉及一种图像处理设备,一种图像处理方法以及图像处理程序。
背景技术
用于识别心肌区域的分节(segmentation)技术和轮廓提取技术是一种支持心脏疾病诊断的重要的图像处理技术。
在JP-A 2000-217818(KOKAI)中,公开了一种使用心脏的横截面图像中的环形位置作为解剖学特征来提取左心室轮廓的方法。
在JP-A 10-99334(KOKAI)中,描述了一种使用解剖学特征例如环面或乳头肌来调整轮廓的方法。
然而,当通过左心室的短轴图像来实施心肌的分节(或者轮廓的提取)时,存在不能使用解剖学特征的情况。取决于短轴图像的横截面位置,存在图像中不包括可能为解剖学特征的乳头肌的情况。在这种情况下,不能使用解剖学特征。由于个体差异,乳头肌本身的位置是不同的,因此其并不是可信赖的特征。在这样的情况下,无法使用解剖学特征实施心肌分节。
如上所述的,相关技术具有这样的问题:存在不能使用解剖学特征实施心肌分节的情况。
发明内容
为了解决上述问题,本发明的一个目的是提供一种图像处理设备及其方法,即使当图像上没有呈现解剖学特征时也能进行心肌分节。
根据本发明的实施例,提供一种图像处理设备,包括:词典,被设置成存储训练(training)数据,该训练数据是有关训练心脏的多个训练图像的每一个的数据,并且包括训练心脏的训练心肌区域边界数据,该训练心肌区域边界数据是对应于在该训练心脏的心肌边界上指定的三个训练位置的数据,并且这三个训练位置与预定参考三角形的三个顶点的位置有关;图像输入单元,被设置成输入诊断心脏的诊断图像;位置指定单元,被设置成在诊断图像中的诊断心脏的心肌边界上,指定与参考三角形的各个顶点相对应的三个诊断位置,以类似于参考三角形的相似图形;计算单元,被设置成通过对于相应多个训练图像将三个训练位置与三个诊断位置进行匹配,并将诊断图像与训练心肌区域边界数据相比较,来获得相似性;以及输出单元,被设置成输出与诊断心脏的心肌边界数据具有最高相似性的训练心肌区域边界数据。
根据本发明的另一方面,还提供了一种图像处理设备,包括:词典,被设置成存储训练数据,该训练数据是有关训练心脏的多个训练图像的每一个的数据,并且包括该训练心脏的训练心肌区域边界数据,该训练心肌区域边界数据是对应于在该训练心脏的心肌边界上指定的两个训练位置的数据,并且这两个训练位置与预定参考直线的两端的位置有关;图像输入单元,被设置成输入诊断心脏的诊断图像;位置指定单元,被设置成在诊断图像中的诊断心脏的心肌边界上,指定与参考直线相对应的两个诊断位置;计算单元,被设置成通过将两个训练位置与所述两个诊断位置进行匹配,并将诊断图像与训练心肌区域边界数据相比较,来获得相似性;以及输出单元,被设置成输出与诊断心脏的心肌区域边界数据具有最高相似性的训练心肌区域边界数据。
根据本发明,甚至能通过不具有清晰解剖学特征的横截面图像进行心肌分节。
附图说明
图1是显示根据本发明的第一实施例的图像处理设备的设置的框图;
图2是显示其操作的流程图;
图3是用于解释当创建词典时心脏的短轴图像中的三点规范(specification)的图;
图4是用于解释心脏的短轴图像中的三点规范的图;
图5是用于解释当用户特意输入心脏的短轴图像中的心脏的姿态时三点规范的图;
图6是用于解释根据第二实施例同时提取心肌轮廓以及部分区域的边界位置的图;
图7是用于解释根据变型,心脏的长轴横截面图像中的三点规范的示例的图;
图8是用于解释根据第三实施例的心脏的短轴图像中的两点规范的图。
具体实施方式
(第一实施例)
在此参考图1-图5,将描述根据本发明的第一实施例的作为心肌分节设备的图像处理设备10。
图1是显示根据第一实施例的被设置以实施心脏分析的图像处理设备10的框图。图像处理设备10可以包括:图像输入单元22,被设置成接受图像的输入;存储器24,被配置成存储图像;显示单元26,被配置成显示图像;位置指定单元12,被配置成在图像上指定位置;姿态估算单元14,被配置成使用所指定的位置来估算图像上的心脏的姿态;第一计算单元16,被配置成使用预先获知的训练数据来提取内部和外部心肌边界的形状;输出单元18,被配置成输出已分节的边界形状数据;以及词典20,被配置成存储所述训练数据。
可以通过使用,例如通用计算机设备作为基础硬件来实现图像处理设备10。换言之,通过使安装在该计算机设备上的处理器执行程序从而实现位置指定单元12、姿态估算单元14、第一计算单元16、以及输出单元18。此时,可以通过预先在该计算机设备中安装该程序来实现图像处理设备10。也可以通过在需要时在存储介质如CD-ROM中存储该程序或者通过网络分发该程序并在该计算机设备中安装该程序,来实现图像处理设备10。通过在需要时使用内存、或者集成在计算机设备中或外挂在计算机设备上的硬盘、或者例如CD-R、CD-RW、DVD-RAM、DVD-R的存储介质,来实现存储器。
现在参考图1和图2,将描述图像处理设备10的操作。图2是显示图像处理设备10的操作的流程图。
在此将描述训练过程。在词典20中训练所述训练数据的过程被作为心肌分节的预过程来实施。训练所述训练数据的过程不必在心肌分节时进行。
位置指定单元12也用作在训练时使用的用于训练的位置指定单元12,第一计算单元16也用作在训练时用于训练的计算单元。
以下将描述训练所述训练数据的过程的步骤。
首先,确定参考三角形,该参考三角形显示在心肌边界上指定的三点的位置关系。
该参考三角形是根据作为提取目标的心肌的形状的横截面类型来指定的。
随着观察的横截面位置的不同,心肌的形状不同。例如,在短轴横截面图像(其中心肌的形状接近圆形)的情况下,通过指定正三角形作为参考三角形,将顶点毫无偏差地布置在圆周上,并由此有效提升了精确度。
在长轴横截面图像的情况下,通过指定等腰三角形或者锐角三角形作为参考三角形,从而覆盖了心肌的两端,并由此有效提升了精确度。
以这样的方式,通过随着横截面类型切换参考三角形,从而提升了效率。
随后,用户准备训练心脏的多个训练图像。接着,用户使用位置指定单元12,在各个训练图像中的训练心肌区域边界上,指定三个训练位置,即,三角形的顶点的位置,以使其类似于参考三角形的相似图形。在图3中,显示了在短轴横截面图像中参考三角形为正三角形的情形。
在这种情况下,用户在训练图像中的训练心肌边界上指定三个点的位置,以使其与正三角形类似。这三点的位置不必为解剖学特征。
随后,第一计算单元16使用与各个训练图像中的至少三个训练位置相对应的训练心肌区域边界数据,并且准备该训练数据以存储在词典20中。
第一计算单元16获得坐标变换表达式,坐标变换表达式使得训练图像中的三个训练位置与预定的标准化三角形的顶点的位置重叠。术语“标准化三角形”的概念与所述参考三角形不同。它是为了便于通过当获得这些图像的相似性时将在此后描述的诊断图像和训练图像标准化而进行比较产生的概念。该标准化三角形由在虚拟标准化坐标系中呈现的三个坐标位置构成,并且其形状不必为所述参考三角形的相似图形,而可以为不同的形状。所述坐标变换表达式是将训练图像坐标系转换为标准化坐标系的表达式。
接下来,第一计算单元16通过坐标变换表达式将训练图像中的训练轮廓形状数据的坐标标准化,并且获知所述轮廓形状。
对于所述轮廓形状的训练,例如,可以使用通用的主动形状模型(见T.F.Cootes,C.J.Taylor,D.H.Cooper和J.Graham的“Active shape′models-theirtraining and application”,Computer Vision and Image Understanding,61(1):38-59,Jan.1995)。
在主动形状模型中,轮廓形状的分布和轮廓附近的图像的亮度分布(profile)被获知作为训练轮廓形状数据。
在轮廓形状的分布的训练中,例如,对矢量分布的主要分量进行分析,其中,表示轮廓的顶点的坐标数据被设置,并且将具有大的特征值的高级(superior)形状矢量存储在词典20中作为轮廓形状数据。
在图像的亮度分布的训练中,例如,分析在垂直于所述轮廓的直线上的图像亮度数据的分布(亮度分布)的主要分量,并且将分析结果存储在词典20中作为亮度分布。
在上述的训练过程中,对多个训练图像的每一个,参考通过位置指定单元12指定的三个点实施轮廓形状的训练,从而创建训练数据。换言之,实施还包括图像中的心肌的姿态的分布的轮廓训练。
第一计算单元16将所创建的训练数据存储在词典20中,并且将其用于心肌分节过程,如下所述的那样。
接下来,描述心肌分节的步骤。
首先,通过图像输入单元22将诊断心脏的诊断图像存储在存储器24中(图2中的步骤1)。诊断图像可以从医疗图像诊断设备例如超声波诊断设备、X-rayCT设备、或者MRI设备输入,或者可以输入存储在图像服务器等中的图像作为输入。
存储在存储器24中的诊断图像显示在显示单元26上(图2中的步骤2)。
用户使用位置指定单元12同时参考所显示的诊断图像,在诊断心脏的心肌边界上指定三个诊断位置(图2中的步骤3)。要指定的三个诊断位置被设置成与心肌边界上的预定参考三角形的相似图形类似。
例如,存在在诊断图像中的心脏的短轴图像中解剖学特征不清晰的情况,如图4所示。在这样的情况下,用户指定心肌边界的最高点和除最高点外的两点,例如,以约120度的角度。
还存在解剖学特征不清楚,但是用户可以大致确定短轴图像的旋转姿态的情况,如图5所示。在这样的情况下,用户指定三点,其中输入的这三点(参考三角形的顶点)被旋转以匹配旋转的角度。
当输入这三个诊断位置时,可以调整位置指定单元12以在显示单元26上显示图标,以用作用于输入的位置关系的指导(guide)。例如,位置指定单元12显示图4中显示的Y形或者三角形图标,用于指导三点的大致角度。因此,用户容易实现根据三角形的位置关系的输入。
这三个诊断点的位置关系可以通过心肌边界上的诊断图像的图像坐标系中的最高位置、最低位置、最右位置和最左位置中的一个、以及心肌边界上的另两个点来指定,以获得与参考三角形的相似图形类似的位置关系。例如,在许多情况下,当经胸廓(transthoracically)获得超声波图像时,心脏的大致姿态在一定的恒定条件下,从而在图像的上部出现心脏的前壁。在这样的情况下,通过如上所述的对位置关系的确定,获得进一步的稳定的心肌分节。
接着,姿态估算单元14获得坐标变换表达式,坐标变换表达式使得在诊断图像中指定的三个诊断位置与用于训练的标准化坐标系的标准化三角形的顶点的位置相重叠。
例如通过从三个诊断位置的坐标与标准化三角形的顶点坐标之间的关系来计算仿射变换矩阵,获得所述坐标变换表达式。
通过从三个诊断位置的坐标与标准化三角形的顶点坐标之间的关系,计算位置、比例、旋转的参数,从而获得所述坐标变换表达式。
这意味着,姿态估算单元14计算坐标变换表达式以获得姿态,例如诊断图像上的心肌的位置、比例以及旋转角度(图2中的步骤4)。
第一计算单元16从训练图像中提取由位置指定单元12指定的诊断图像中的三个诊断位置、诊断图像、以及心肌边界轮廓(图2中的步骤5)。以下描述主动形状模型。
首先,第一计算单元16将词典20中的其中一个训练数据的训练轮廓形状数据转换为诊断图像上的坐标。通过标准化三角形的各个顶点的位置、以及通过姿态估算单元14获得的坐标变换表达式的反向转换,来实施所述转换。
随后,第一计算单元16获得诊断图像中的轮廓周围的亮度分布与训练轮廓形状数据的亮度分布之间的相似性。
随后,第一计算单元16对与存储在词典20中的多个训练图像有关的所有轮廓形状数据重复同样的过程。
然后,第一计算单元16从词典20中的训练数据中,搜索在轮廓形状的分布范围内具有最高亮度分布相似性的轮廓形状数据。
随后,第一计算单元16提取具有最高相似性的轮廓形状数据,作为代表诊断图像中的诊断心脏的心肌边界轮廓的数据。
最后,输出单元18输出所提取的轮廓形状数据(图2中的步骤6)。
如进一步描述的,根据第一实施例,根据用户的输入,即使当诊断图像上的解剖学特征不清楚时,通过使用利用三个训练位置以及通过指定这三个点的位置的轮廓提取的轮廓形状的训练,获得心肌分节的满意结果。因此,根据第一实施例,在例如指定感兴趣的区域的用户操作的简化方面,获得了显著的进步。
(第二实施例)
现在参考图6,描述根据第二实施例的图像处理设备10。
根据第二实施例,通过指定三个点的位置,还通过在训练心肌轮廓形状时事先训练心肌部分区域边界的位置,同时获得心肌分节和部分区域边界的位置指定(见图6)。
术语“心肌部分区域”代表解剖学上使用的区域,并且包括,例如被称为“心底前壁”或者“心底后壁”的区域。
现在描述训练过程。
对于心肌轮廓形状的训练过程,使用训练轮廓形状数据、训练图像以及训练部分区域边界位置数据。
以与第一实施例相同的方式,用户使用位置指定单元12,对于训练心脏的多个训练图像的每一个,指定三个训练位置以便与指定的参考三角形的相似图形类似。
随后,第一计算单元16获得坐标变换表达式,坐标变换表达式使得三个训练位置与标准化三角形的顶点的位置相重叠。然后,第一计算单元16通过坐标变换表达式,转换训练轮廓形状数据和训练部分区域边界位置数据的坐标。然后,第一计算单元16一起获知轮廓形状和部分边界位置。
更具体地,轮廓形状数据和部分边界位置数据也是顶点坐标数据。因此,第一计算单元16作为矢量排列坐标数据,并使用其用于训练。通过训练创建的训练数据包括轮廓形状数据(轮廓形状的分布和亮度分布)以及部分区域边界位置数据。
随后,将描述心肌分节。
第一计算单元16根据通过位置指定单元12指定的三个诊断位置、诊断图像以及词典20中的训练数据,提取心肌边界轮廓和心肌部分区域边界的位置。
首先,如第一实施例,第一计算单元16获得坐标变换表达式,该坐标变换表达式使得指定的三个诊断位置与训练时所使用的标准化三角形的顶点的位置相重叠。
然后,第一计算单元16通过坐标反向变换表达式,将训练数据中的轮廓形状数据转换为诊断图像上的坐标。
随后,第一计算单元16评估诊断图像中的轮廓周围的亮度分布与词典20中的亮度分布之间的相似性。
随后,第一计算单元16对于多个训练图像中的每一个,实施同样的过程。
然后,第一计算单元16在词典20中的训练数据中的轮廓形状的分布范围内,搜索具有最高亮度分布相似性的轮廓形状数据。从而,第一计算单元16能提取心肌边界轮廓。
然后,第一计算单元16读取与所提取的轮廓形状成对存储的部分区域边界位置数据,以便获取部分区域边界的位置。
在这样的设置中,根据第二实施例,通过指定相同的三个点的位置,还通过预先训练心肌部分区域边界的位置,同时获得心肌分节和部分区域边界的位置指定。因此,根据第二实施例,在例如指定感兴趣的区域的用户操作的简化方面,获得了进一步显著的进步。
(第三实施例)
现在参考图8,描述根据第三实施例的图像处理设备10。
在第三实施例中,通过使用参考直线而不是参考三角形,在轮廓上指定两点的位置,实施心肌分节。
将主要描述图像处理设备10与上述实施例不同的点。
将描述预先实施的训练处理。
在该训练处理中,指定参考直线,该参考直线指示穿过指定在心肌边界上的两个点的直线的倾斜度。例如,当指定轮廓上的最高点和最低点时,参考直线被确定为垂直直线。
首先,当对于训练心脏的多个训练图像的每一个设置参考直线以穿过训练心肌区域的估计重心时,贯穿心肌区域的边界的两点(即,在参考直线两端的点)被用作所述两个训练位置。因此,用户通过位置指定单元12,指定这两个点(见图8)。这两个训练位置不必为解剖学特征。
随后,第一计算单元16至少使用这两个训练位置和训练心肌区域边界数据,并且准备训练数据。第一计算单元16使用这两个训练位置的坐标,以获取使这两点之间的距离为标准化直线上的单位长度的坐标变换表达式,实施标准化过程以获知轮廓形状,以及创建词典20的训练数据。
术语“标准化直线”的概念与参考三角形相同,与参考直线不同。标准化直线的概念是为了当获取这些图像的相似性时便于通过标准化诊断图像(稍后描述)和训练图像来进行比较而产生的。该标准化直线由存在于虚拟标准化坐标系中的两个坐标位置构成。
随后,将描述心肌分节。
首先,当预定参考直线设置在心肌区域的估计重心时,用户使用位置指定单元12,指定贯穿心肌边界的两个诊断位置。
随后,第一计算单元16获得坐标变换表达式,该坐标变换表达式使所述两个点之间的距离对应于标准化直线上的单位长度。
然后,第一计算单元16通过坐标反向变换表达式,将训练数据中的轮廓形状数据转换为诊断图像上的坐标。
随后,第一计算单元16获得诊断图像中的轮廓周围的亮度分布与训练数据的亮度分布之间的相似性。
然后,第一计算单元16从训练数据中搜索在轮廓形状的分布范围内具有最高亮度分布相似性的训练图像的轮廓形状。因此,第一计算单元16提取心肌边界轮廓。
在这样的设置中,根据第三实施例,在训练过程中,形状中变化的宽度增大,并因此通过使用直线作为参考图形并通过两个点的输入实施心肌分节,精确性较差。然而相反地,可以减少要指定的点的数目。根据第三实施例,通过少量的输入获得心肌分节,即,在横截面图像中不存在解剖学特征的情况下,还是两个点。
(变型)
本发明不限于上述的实施例,并且可以在不背离本发明的范围的基础上,在实施阶段中,修改和实施组成部分。而且,通过组合上述实施例公开的多个适当的组成部分,可以获得本发明的各种方式。例如,可以从实施例所公开的所有组成部分中除去某些组成部分。
例如,在对上述实施例的描述中,描述了用于心脏的短轴横截面图像的示例。然而,本发明并不限于短轴横截面图像。例如,对于长轴横截面图像,通过如图7所示的指定三个点,获得了同样的优点。
在这样的情况下,对于心脏的每种横截面类型(长轴横截面图像、短轴横截面图像),可以提供在参考三角形和参考直线之间切换图形的切换单元。
Claims (15)
1.一种图像处理设备,包括:
词典,被设置成存储训练数据,所述训练数据是与训练心脏的多个训练图像的每一个相关的数据,并且包括所述训练心脏的训练心肌区域边界数据,所述训练心肌区域边界数据是与三个训练位置相对应的数据,所述三个训练位置被指定在所述训练心脏的心肌边界上,并且所述三个训练位置与预定参考三角形的三个顶点的位置有关;
图像输入单元,被配置成输入诊断心脏的诊断图像;
位置指定单元,被配置成在所述诊断图像中的诊断心脏的心肌边界上,指定与所述参考三角形的各个顶点相对应的三个诊断位置,以便与所述参考三角形的相似图形类似;
第一计算单元,被配置成通过对于相应多个训练图像将所述三个训练位置和所述三个诊断位置进行匹配,并将所述诊断图像和所述训练心肌区域边界数据进行比较,来获得相似性;以及
输出单元,被配置成输出与所述诊断心脏的心肌区域边界数据具有最高相似性的所述训练心肌区域边界数据。
2.一种图像处理设备,包括:
词典,被设置成存储训练数据,所述训练数据是与训练心脏的多个训练图像的每一个相关的数据,并且包括所述训练心脏的训练心肌区域边界数据,所述训练心肌区域边界数据是与两个训练位置相对应的数据,所述两个训练位置被指定在所述训练心脏的心肌边界上,并且所述两个训练位置与预定参考直线的两端的位置有关;
图像输入单元,被配置成输入诊断心脏的诊断图像;
位置指定单元,被配置成在所述诊断图像中的所述诊断心脏的心肌边界上,指定与所述参考直线相对应的两个诊断位置;
第一计算单元,被配置成通过将所述两个训练位置和所述两个诊断位置进行匹配,并将所述诊断图像和所述训练心肌区域边界数据进行比较,来获得相似性;以及
输出单元,被配置成输出与所述诊断心脏的心肌区域边界数据具有最高相似性的所述训练心肌区域边界数据。
3.根据权利要求1所述的设备,进一步包括:
位置指定单元,被配置成在所述训练心脏的所述心肌边界上指定所述三个训练位置,以便与所述训练图像上的参考三角形的相似图形类似;以及
第二计算单元,被配置成从所述训练图像中提取与所述三个训练位置相对应的所述训练心脏的训练心肌区域边界数据,并且将其存储在所述词典中。
4.根据权利要求2所述的设备,进一步包括:
位置指定单元,被配置成在所述训练心脏的所述心肌边界上指定所述两个训练位置,以便与所述训练图像上的参考直线相对应;以及
第二计算单元,被配置成从所述训练图像中提取与所述两个训练位置相对应的所述训练心脏的训练心肌区域边界数据,并且将其存储在所述词典中。
5.根据权利要求1所述的设备,其中,存储在所述词典中的相应训练数据包括所述训练心脏的心肌轮廓形状数据和心肌部分区域边界数据,并且
所述输出单元基于所述心肌轮廓形状数据和对应于具有最高相似性的所述训练心肌区域边界数据的所述心肌部分区域边界数据,输出所述诊断心脏的心肌部分区域的心肌边界形状和边界位置。
6.根据权利要求2所述的设备,其中,存储在所述词典中的相应训练数据包括所述训练心脏的心肌轮廓形状数据和心肌部分区域边界数据,并且
所述输出单元基于所述心肌轮廓形状数据和对应于具有最高相似性的所述训练心肌区域边界数据的所述心肌部分区域边界数据,输出所述诊断心脏的心肌部分区域的心肌边界形状和边界位置。
7.根据权利要求1所述的设备,其中,当所述诊断图像为心脏的短轴横截面图像时,通过所述位置指定单元指定的所述三个诊断位置为所述诊断图像的图像坐标系中的所述心肌边界上的最高位置、最低位置、最右位置以及最左位置中的一个,以及所述心肌边界上的其它两点。
8.根据权利要求1所述的设备,其中,所述心肌区域边界数据表示内部和外部心肌边界轮廓的形状。
9.相据权利要求2所述的设备,其中,所述心肌区域边界数据表示内部和外部心肌边界轮廓的形状。
10.根据权利要求1所述的设备,包括:切换单元,被配置成对于所述心脏的每一个横截面类型,切换所述参考三角形。
11.根据权利要求2所述的设备,包括:切换单元,被配置成对于所述心脏的每一个横截面类型,切换所述参考直线。
12.一种图像处理方法,包括下列步骤:
在词典中存储训练数据,所述训练数据是与训练心脏的多个训练图像的每一个相关的数据,并且包括所述训练心脏的训练心肌区域边界数据,所述训练心肌区域边界数据是与三个训练位置相对应的数据,所述三个训练位置被指定在所述训练心脏的心肌边界上,并且所述三个训练位置与预定参考三角形的三个顶点的位置有关;
输入诊断心脏的诊断图像;
在所述诊断图像中的诊断心脏的心肌边界上,指定与所述参考三角形的各个顶点相对应的三个诊断位置,以便与所述参考三角形的相似图形类似;
通过对于相应多个训练图像将所述三个训练位置和所述三个诊断位置进行匹配,并将所述诊断图像和所述训练心肌区域边界数据进行比较,来获得相似性;以及
输出与所述诊断心脏的心肌区域边界数据具有最高相似性的所述训练心肌区域边界数据。
13.一种图像处理方法,包括下列步骤:
在词典中存储训练数据,所述训练数据是与训练心脏的多个训练图像的每一个相关的数据,并且包括所述训练心脏的训练心肌区域边界数据,所述训练心肌区域边界数据是与两个训练位置相对应的数据,所述两个训练位置被指定在所述训练心脏的心肌边界上,并且所述两个训练位置与预定参考直线的两端的位置有关;
输入诊断心脏的诊断图像;
在所述诊断图像中的诊断心脏的心肌边界上,指定与所述参考直线相对应的两个诊断位置;
通过将所述两个训练位置和所述两个诊断位置进行匹配,并将所述诊断图像和所述训练心肌区域边界数据进行比较,来获得相似性;以及
输出与所述诊断心脏的心肌区域边界数据具有最高相似性的所述训练心肌区域边界数据。
14.一种存储在计算机可读介质中的图像处理程序,该程序实现下列功能:
在词典中存储训练数据,所述训练数据是与训练心脏的多个训练图像的每一个相关的数据,并且包括所述训练心脏的训练心肌区域边界数据,所述训练心肌区域边界数据是与三个训练位置相对应的数据,所述三个训练位置被指定在所述训练心脏的心肌边界上,并且所述三个训练位置与预定参考三角形的三个顶点的位置有关;
输入诊断心脏的诊断图像;
在所述诊断图像中的诊断心脏的心肌边界上,指定与所述参考三角形的各个顶点相对应的三个诊断位置,以便与所述参考三角形的相似图形类似;
通过对于相应多个训练图像将所述三个训练位置和所述三个诊断位置进行匹配,并将所述诊断图像和所述训练心肌区域边界数据进行比较,来获得相似性;以及
输出与所述诊断心脏的心肌区域边界数据具有最高相似性的所述训练心肌区域边界数据。
15.一种存储在计算机可读介质中的图像处理程序,该程序实现下列功能:
在词典中存储训练数据,所述训练数据是与训练心脏的多个训练图像的每一个相关的数据,并且包括所述训练心脏的训练心肌区域边界数据,所述训练心肌区域边界数据是与两个训练位置相对应的数据,所述两个训练位置被指定在所述训练心脏的心肌边界上,并且所述两个训练位置与预定参考直线的两端的位置有关;
输入诊断心脏的诊断图像;
在所述诊断图像中的诊断心脏的心肌边界上,指定与所述参考直线相对应的两个诊断位置;
通过将所述两个训练位置和所述两个诊断位置进行匹配,并将所述诊断图像和所述训练心肌区域边界数据进行比较,来获得相似性;以及
输出与所述诊断心脏的心肌区域边界数据具有最高相似性的所述训练心肌区域边界数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008021456 | 2008-01-31 | ||
JP2008021456A JP5072625B2 (ja) | 2008-01-31 | 2008-01-31 | 画像処理装置及びその方法 |
JP2008-021456 | 2008-01-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101504727A true CN101504727A (zh) | 2009-08-12 |
CN101504727B CN101504727B (zh) | 2012-11-07 |
Family
ID=40640263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101267131A Expired - Fee Related CN101504727B (zh) | 2008-01-31 | 2009-01-23 | 图像处理设备及其方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8170309B2 (zh) |
EP (1) | EP2085930A3 (zh) |
JP (1) | JP5072625B2 (zh) |
CN (1) | CN101504727B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105282456A (zh) * | 2014-06-11 | 2016-01-27 | 佳能株式会社 | 图像处理方法和图像处理装置 |
JP2017148438A (ja) * | 2016-02-26 | 2017-08-31 | 東芝メディカルシステムズ株式会社 | 医用画像処理装置、超音波診断装置、及び医用画像処理プログラム |
CN109452948A (zh) * | 2017-09-06 | 2019-03-12 | 韦伯斯特生物官能(以色列)有限公司 | 网格拟合算法 |
CN109947394A (zh) * | 2019-03-11 | 2019-06-28 | 湖北工业大学 | 一种基于三角形覆盖的图像二维分形维数计算方法 |
CN117243637A (zh) * | 2023-10-19 | 2023-12-19 | 河北港口集团有限公司秦皇岛中西医结合医院 | 一种超声心动图图像识别方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105103164B (zh) * | 2013-03-21 | 2019-06-04 | 皇家飞利浦有限公司 | 基于视图分类的模型初始化 |
EP3570249A1 (en) | 2018-05-14 | 2019-11-20 | Koninklijke Philips N.V. | Preprocessing medical image data for machine learning |
JP2021085757A (ja) * | 2019-11-27 | 2021-06-03 | 国立大学法人神戸大学 | 顕微鏡による焦点画像群を用いた形状計測方法及び装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5734739A (en) * | 1994-05-31 | 1998-03-31 | University Of Washington | Method for determining the contour of an in vivo organ using multiple image frames of the organ |
JP3406785B2 (ja) | 1996-09-26 | 2003-05-12 | 株式会社東芝 | 心機能解析支援装置 |
US6346124B1 (en) * | 1998-08-25 | 2002-02-12 | University Of Florida | Autonomous boundary detection system for echocardiographic images |
JP3668629B2 (ja) | 1999-01-29 | 2005-07-06 | 株式会社東芝 | 画像診断装置及び画像処理方法 |
US6917826B2 (en) * | 2002-02-01 | 2005-07-12 | Siemens Corporate Research, Inc. | Automatic and quantitative assessment of image quality in SPECT myocardial perfusion imaging |
GB0219408D0 (en) * | 2002-08-20 | 2002-09-25 | Mirada Solutions Ltd | Computation o contour |
US7352888B2 (en) * | 2004-07-30 | 2008-04-01 | Carestream Health, Inc. | Method for computer recognition of projection views and orientation of chest radiographs |
US7876934B2 (en) * | 2004-11-08 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | Method of database-guided segmentation of anatomical structures having complex appearances |
-
2008
- 2008-01-31 JP JP2008021456A patent/JP5072625B2/ja not_active Expired - Fee Related
-
2009
- 2009-01-20 EP EP09250141A patent/EP2085930A3/en not_active Withdrawn
- 2009-01-23 CN CN2009101267131A patent/CN101504727B/zh not_active Expired - Fee Related
- 2009-01-27 US US12/360,277 patent/US8170309B2/en not_active Expired - Fee Related
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105282456A (zh) * | 2014-06-11 | 2016-01-27 | 佳能株式会社 | 图像处理方法和图像处理装置 |
US10311325B2 (en) | 2014-06-11 | 2019-06-04 | Canon Kabushiki Kaisha | Image processing method and image processing apparatus |
JP2017148438A (ja) * | 2016-02-26 | 2017-08-31 | 東芝メディカルシステムズ株式会社 | 医用画像処理装置、超音波診断装置、及び医用画像処理プログラム |
CN109452948A (zh) * | 2017-09-06 | 2019-03-12 | 韦伯斯特生物官能(以色列)有限公司 | 网格拟合算法 |
CN109452948B (zh) * | 2017-09-06 | 2024-04-09 | 韦伯斯特生物官能(以色列)有限公司 | 用于网格拟合的方法和设备 |
CN109947394A (zh) * | 2019-03-11 | 2019-06-28 | 湖北工业大学 | 一种基于三角形覆盖的图像二维分形维数计算方法 |
CN109947394B (zh) * | 2019-03-11 | 2023-03-10 | 湖北工业大学 | 一种基于三角形覆盖的图像二维分形维数计算方法 |
CN117243637A (zh) * | 2023-10-19 | 2023-12-19 | 河北港口集团有限公司秦皇岛中西医结合医院 | 一种超声心动图图像识别方法 |
CN117243637B (zh) * | 2023-10-19 | 2024-04-19 | 河北港口集团有限公司秦皇岛中西医结合医院 | 一种超声心动图图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101504727B (zh) | 2012-11-07 |
JP5072625B2 (ja) | 2012-11-14 |
US20090196474A1 (en) | 2009-08-06 |
JP2009178423A (ja) | 2009-08-13 |
EP2085930A2 (en) | 2009-08-05 |
US8170309B2 (en) | 2012-05-01 |
EP2085930A3 (en) | 2011-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101504727B (zh) | 图像处理设备及其方法 | |
JP5138431B2 (ja) | 画像解析装置および方法並びにプログラム | |
RU2413995C2 (ru) | Способ улучшения последующей обработки изображений с использованием деформируемых сеток | |
CN106340015B (zh) | 一种关键点的定位方法和装置 | |
US8265363B2 (en) | Method and apparatus for automatically identifying image views in a 3D dataset | |
JP3982817B2 (ja) | 画像処理装置および画像処理方法 | |
US8948484B2 (en) | Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition | |
Hernandez-Matas et al. | Retinal image registration under the assumption of a spherical eye | |
CN101542532B (zh) | 用于数据处理的方法、设备和计算机程序 | |
JP2013022463A (ja) | 運動対象輪郭抽出装置、左心室画像分離装置、運動対象輪郭抽出方法及び左心室画像分離方法 | |
CN105303550B (zh) | 图像处理装置及图像处理方法 | |
JP2002306483A (ja) | 医用画像診断装置及びその方法 | |
US11954860B2 (en) | Image matching method and device, and storage medium | |
CN111311655B (zh) | 多模态图像配准方法、装置、电子设备、存储介质 | |
US9198603B2 (en) | Device, method and program for searching for the shortest path in a tubular structure | |
US6289135B1 (en) | Electronic image processing device for the detection of motions | |
CN103294883A (zh) | 用于针对经导管主动脉瓣植入进行介入规划的方法和系统 | |
KR101294858B1 (ko) | 간 문맥의 혈관 구조 정보를 이용한 간 세그먼트 구분 방법 및 장치 | |
US20220207771A1 (en) | Heart Position Estimation | |
CN106910194A (zh) | 心脏心功能磁共振图像中的心内外膜的分割方法 | |
JP2011250811A (ja) | 医用画像処理装置及びプログラム | |
JP2002140689A (ja) | 医用画像処理装置及びその方法 | |
Michiels et al. | Automated MSCT analysis for planning left atrial appendage occlusion using artificial intelligence | |
JP5599683B2 (ja) | 医用画像処理装置、医用画像処理方法 | |
US20160125604A1 (en) | Medical image processing apparatus and medical image processing method |
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 | ||
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20160713 Address after: Japan Tochigi Patentee after: Toshiba Medical System Co., Ltd. Address before: Tokyo, Japan, Japan Patentee before: Toshiba Corp |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121107 Termination date: 20170123 |