CN101510307A - 处理医学图像数据的方法以及记录和处理其的磁共振设备 - Google Patents

处理医学图像数据的方法以及记录和处理其的磁共振设备 Download PDF

Info

Publication number
CN101510307A
CN101510307A CNA2009100041231A CN200910004123A CN101510307A CN 101510307 A CN101510307 A CN 101510307A CN A2009100041231 A CNA2009100041231 A CN A2009100041231A CN 200910004123 A CN200910004123 A CN 200910004123A CN 101510307 A CN101510307 A CN 101510307A
Authority
CN
China
Prior art keywords
tomographic image
layer
image
tomographic
cut apart
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
Application number
CNA2009100041231A
Other languages
English (en)
Other versions
CN101510307B (zh
Inventor
卡梅尔·海斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Medical Ag
Original Assignee
Siemens AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of CN101510307A publication Critical patent/CN101510307A/zh
Application granted granted Critical
Publication of CN101510307B publication Critical patent/CN101510307B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/541—Control of apparatus or devices for radiation diagnosis involving acquisition triggered by a physiological signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/567—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution gated by physiological signals, i.e. synchronization of acquired MR data with periodical motion of an object of interest, e.g. monitoring or triggering system for cardiac or respiratory gating
    • G01R33/5673—Gating or triggering based on a physiological signal other than an MR signal, e.g. ECG gating or motion monitoring using optical systems for monitoring the motion of a fiducial marker
    • 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
    • G06T7/12—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
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/54—Control of the diagnostic device
    • A61B8/543—Control of the diagnostic device involving acquisition triggered by a physiological signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • G06T2207/20116—Active contour; Active surface; Snakes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Animal Behavior & Ethology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Optics & Photonics (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Power Engineering (AREA)
  • Pulmonology (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种用于处理逐层地对结构成像的医学图像数据的方法，其中图像数据对至少几层分别包括多幅层图像。该方法包括分割层图像中的结构和确定在层图像中代表性的点的位置。此外，基于在层图像中代表性的点的位置建立至少一个层图像组。

Description

处理医学图像数据的方法以及记录和处理其的磁共振设备
技术领域
本发明涉及一种处理医学图像数据的方法以及一种可以用来记录和处理医学图像数据的磁共振设备。
背景技术
对于检查对象的器官的检查来说，借助成像来显示该器官通常是有帮助的。对于心室的检查，磁共振(MR)断层成像是一种合适的方法，并且研究已经表明，用该成像技术比用其它成像技术可以对心室的体积和质量进行更加可以重复的和更精确的测量。例如，在心室功能的MR成像中在一个确定的时间段上记录二维的图像，这些图像以短的时间间隔(例如40ms)显示心脏的运动。这些图像可以在检查对象屏住呼吸期间或者在检查对象自由呼吸期间被记录。此外，可以通过触发来开始磁共振信号的记录，例如心电图(EKG)触发的记录，或者可以没有触发地记录磁共振信号。对于分析从所记录的磁共振信号重建的图像数据来说，必须分割图像数据中的左心室。
存在许多用于在磁共振图像中分割左心瓣膜的方法。例如，可以用组合边缘、区域和形状信息的方法来分割左心室(M.P.Jolly，“Combining Edge，Regionand Shape Information to Segment the Left Ventricle in Cardiac MR Images”，Proc.Medical Image Computing and Computer-Assisted Intervention，The Netherlands，2001，482-490)。另一常规的方法使用显示左心室的几何形状的三维有限元模型，并将该模型与由使用者输入的点组合，以便得到对左心室的边界的估计(A.A.Yong et al.，“Left Ventricular Mass and Volume：Fast Calculation withGuide-Point Modeling on MR Images”，Radiology 2000；216：597-602)。在M.Kaus等人的“Automated segmentation of the left ventricle in cardiac MRI”，MedicalImage Analysis，2004；8：245-254中使用了形变模型，用以全自动化地进行心肌分割。然而，前面所描述的方法具有以下将要描述的几个主要缺陷。
由于检查对象在记录一个时间序列的层图像期间很难屏住呼吸，由此心室功能的可靠检查以及特别是对诸如体积的参数的分析通常变得困难。为了避开这个问题，可以在检查对象自由呼吸期间记录心脏功能的磁共振图像。对于这样的记录可用的技术有实时成像、呼吸触发、自触发(Eigentriggerung)(例如基于MR图像数据)或者“导航波-门控法(Navigator-Gating)”，其中，确定由呼吸引起的运动，然后针对该运动校正图像数据。例如，实时图像是在短的时间段例如60ms内记录的完整图像。对于心血管功能的检查来说这样的成像技术越来越重要，因为这样的成像技术提供对医学诊断足够质量的图像，其中这些图像是在检查对象自由呼吸期间对其所记录的。特别是对屏住呼吸有困难的患者来说，这样的技术是具有优势的。然而，用常规的方法不能分割在检查对象呼吸期间没有呼吸触发而记录的这样的图像数据以用于定量的分析。合适方法的缺乏主要是由于缺少用于对齐在不同的呼吸位置所记录的不同层的可靠的图像配准工具或者说图像处理工具。常规的图像配准方法计算量非常大并且常常导致图像数据的改变，例如通过内插，这同样是有缺陷的。
一个避开该问题的常规解决方案是所谓的“导航波-门控法”，在该方法中所谓的图像数据的配准原则上是不必要的(D.C.Peters et al.，“2D CardiacFunction during Free-breating with Navigators”，Proc.International Society forMagnetic Resonance in Medicine 2007，3860)。然而，在该技术中用于记录图像数据的时间远大于在实时成像中对相同体积的记录持续时间(例如，在导航波-门控法中是10分钟而对实时记录来说是2分钟)。
发明内容
因此，本发明要解决的技术问题是，提供一种可以用来分割对自由呼吸的检查对象所记录的图像数据中的结构的改进的方法，以及一种用于实施该方法的磁共振设备。
本发明要解决的另一个技术问题是，提供一种用于定量处理这样的图像数据的改进的方法。
按照本发明的一个方面，提供了一种用于处理逐层地对结构成像的医学图像数据的方法，其中，图像数据对至少几层分别包括多幅层图像。该方法包括以下步骤：自动分割层图像中的结构；对于在其中分割了结构的多幅层图像，分别自动确定在一幅层图像中代表在该层图像中分割的结构的点的位置；以及通过对多个层分别基于在层图像中代表性的点的位置将一幅层图像归入层图像组来自动建立至少一个层图像组。
利用这样的方法可以产生在其中分割了结构的层图像组，并且该层图像组由此可以被用于进一步的分析，例如对结构的功能性参数的分析。例如对于特定数量的层，图像数据分别包括相同数量的层图像，并且在每幅层图像中分割结构和计算代表性的点，然后基于该点从每个层中选择一幅层图像用于建立层图像组。层图像的这样的归类是具有优势的，因为可以根据代表性的点从不同的层中选择例如关于被记录了图像数据的检查对象的呼吸阶段相匹配的层图像。在分割结构时例如通过在各幅层图像中计算围绕结构的轮廓来计算分割区域。通常在二维中进行层图像中的结构分割，因为层图像主要显示通过结构的截面，并且由此也可以被称为截面图。可以根据层图像组的二维分割区域计算三维分割体积。
可以考虑代表了所分割的结构的不同点。例如层图像中代表性的点可以是层图像中所分割的结构的重心。因此，在分割结构时例如可以计算分割区域或者分割面积，并且使用这样的区域的或者这样的面积的几何重心作为代表性的点。特别是对具有特别几何特征的结构来说，基于在各个层图像中分割的结构的重心，将层图像归入层图像组是具有优势的，因为即使在对呼吸着的检查对象所记录的层图像中，也可以获得在其中依次的层图像关于结构的位置互相匹配的层图像组。该方法不需要图像数据的改变或者费事的和大计算量的图像数据的内插。与通常的“图像配准”(在该图像配准中选择一幅图像作为参考，其它图像则通过修改而与该图像“配准”)相比，此处描述的方法不需要图像数据的这种修改。图像配准方法对刚性结构，例如对检查对象的头部是合适的，但是其对软组织不合适，特别是在结构运动时，例如在跳动的心脏和附加的呼吸情况下。该方法对检查对象的左心室的分割是特别有利的，因为其具有这样的几何形状：在该几何形状中心室的短轴截面图像中的重心位于一个轴上。
按照本发明的一种实施方式，在处理之前或在处理期间在检查对象自由呼吸期间对该检查对象记录医学图像数据。医学图像数据优选地由磁共振设备记录，例如通过探测磁共振信号然后从这些信号中重建图像数据。然而，也可以考虑利用其它成像方法来记录图像数据，例如计算机断层成像或者超声成像方法，其中优选地采用逐层地对结构成像的方法。利用按照本发明的方法处理这些图像数据是特别具有优势的，因为即使检查对象自由呼吸，也可以三维地分割图像数据中的结构。检查对象的自由呼吸导致图像数据中结构的位移，但是该位移可以通过基于代表性的点建立层图像组来补偿。
可以给每个层图像分配一个时间戳，该时间戳给出相对于先前的触发事件的层图像的记录时刻。触发事件的发生例如可以在使用矢量心电图(VKG)、心电图(EKG)和/或脉冲触发装置的条件下被确定。在此，图像数据对于每层优选包括至少两个层图像的时间序列，其中，在触发事件之后记录每个时间序列。特别具有优势的是，一个时间序列的层图像具有20至100ms之间的时间间隔。在50至70ms之间的时间间隔是特别具有优势的。同样具有优势的是，对于每一层来说，图像数据包括层图像的依次的时间序列，其在对其记录图像数据的检查对象的至少两个呼吸周期的时间间隔之上延伸。在记录层图像的一个时间序列时优选地根据检查对象的EKG的R尖峰进行触发。因此，例如可以如下地获得图像数据：对预定数量的层的每层在一个预定的时间间隔上，或者对预定数量的触发事件的每个触发事件记录预定数量的层图像。通过将时间戳与触发事件对应，保证了用同一时间戳例如心跳的同一个周期来形成所有的层图像。层图像的一个时间序列在该例子中在一次心跳上延伸，也就是，从一个触发事件到下一个触发事件。在此，以数量级为60ms的时间间隔记录层图像被视为实时记录。例如用10秒对一层记录层图像，其中可以为这些层图像分配另一个绝对时间戳，该绝对时间戳给出相对于记录的开始的时间。在此，在至少两个呼吸周期的时间间隔上从一层中记录层图像具有如下优势：图像数据包括在不同的位置对结构成像的层图像，该不同的位置是由于呼吸产生的胸腔运动所导致。利用这样采集的图像数据通常可以找到包括具有基本上一致的代表性点的层图像的图像数据组。优选地，仅将具有基本上相同的时间戳的层图像归入一个层图像组。由此保证了一个层图像组例如仅包括来自心跳周期的同一阶段的层图像。在此，可以对每个时间戳建立至少一个层图像组。由此可以对触发事件之后不同的阶段分割结构，由此可以采集结构的在时间上的改变。因为在此处描述的实施方式中对每层和对每个时间戳呈现多幅层图像，因此还可以对一个时间戳建立多于一个层图像组，例如呼吸周期的不同阶段的层图像组。如果作为结构在图像数据中对左心室成像，则例如可以从针对每个时间戳的层图像组(在这些层图像组中分割了左心室)中，确定心跳周期的不同阶段中的心室的体积改变。
在本发明的一种实施方式中，目标是获得相应于一个心跳周期的层图像组的时间上的序列。具有优势的是，对每层仅使用来自同一时间序列(或者说心跳周期)的层图像，因为它们在生理学上相关联。
可以如下地建立层图像组，即，对每层选择一个时间序列。时间序列的选择又可以基于代表性的点进行，其中，为该选择例如仅使用每个时间序列的第一层图像的代表性的点。然后对每层可以由所选择的时间序列的各个层图像形成时间上依次的层图像组。在此，优选地基于时间戳来进行该归类。
可以基于时间序列的第一图像或时间序列的一个或多个其余的图像，来寻找代表性的点的间隔尽可能小的在不同层中的时间序列。
例如，由于如下的原因可以进行图像的这种归类，即，在一次心跳期间由于呼吸引起的心脏的位移仅仅是很小的。
层图像到层图像组的归类也可以在记录图像数据期间进行。例如，在记录下一个紧接着的层的层图像期间，将一层的层图像归入层图像组。由此在图像数据的记录结束时就已经有一个或多个层图像组供使用，其中还可以对它们进行后处理，以便改进根据代表性的点将层图像归入层图像组。
可以按照不同的方式分割图像数据中的结构。例如可以计算围绕在层图像中的结构的轮廓以确定分割区域。在层图像中对结构的分割优选地包括利用主动轮廓方法计算围绕结构的轮廓。不同的“主动轮廓”方法是专业人员公知的，例如“Snakes”或者其它基于梯度或边缘的主动轮廓方法，在此不再详细讨论。对围绕层图像中结构的轮廓的计算例如可以通过在结构的边界上设置标记点并且计算在这些标记点之间的曲线段来进行。然而结构的自动分割是具有优势的。该分割例如可以在使用在M.Kaus等人的“Automated segmentation of the leftventricle in cardiac MRI”，Medical Image Analysis，2004；8：245-254或者在C.Xu和J.L Prince的“Snakes，Shapes，and Gradient Vector Flow”，IEEE Transactions onImage Processing，1998；7(3)：359-369中描述的方法的条件下来进行。
在一种实施方式中，对层图像中的结构的分割包括基于在时间上依次的层图像中的结构的改变，确定层图像中的结构的初始分割区域。根据时间上依次的层图像例如可以建立变化图像，在该变化图像中对比时间上发生变化的主要的结构。在此，初始分割区域的确定可以包括基于变化图像使用第一阈值以建立具有成像的结构的二值图像。此外，该确定还包括基于成像的结构的形状、关系和/或位置识别初始分割区域。还可以基于变化图像的和以及基于第二阈值来计算结构的二值掩模。确定这样的二值图像或者二值掩模是具有优势的，因为它们粗略给出层图像中主要运动的结构的位置。为了确定初始分割区域，例如可以分析图像的一个时间序列，并且在使用图像减影和统计分析的条件下可以识别层图像中运动的结构。为了将其它运动的结构与例如左心室的结构进行区分，可以使用在二值图像中发现的结构的特征，例如图像中结构的形状特征如圆度、不同结构的关系，以及位置特征。对于左心室，假定其表示位于图像中心附近的圆形的对象。由此，在每幅层图像中对结构确定一个初始分割区域。初始分割区域也可以用W.Soergel和V.Vaerman，SPIE：Med.Imag.1997；3034；333-344中描述的方法来确定。分割区域的粗略位置确定可以一次性地对一层的每个时间序列或仅对一个时间序列进行。
如果已经确定了分割区域的粗略位置，则可以将初始轮廓变形，以便与层图像中的结构的边缘对齐。在此，优选地在层图像中基于初始分割区域确定初始轮廓。为了确定初始轮廓可以使用如在M.P.Jolly，“Combining Edge，Regionand Shape Information to Segment the Left Ventricle in Cardiac MR Images”，Proc.Medical Image Computing and Computer-Assisted Intervention，The Netherlands，2001，482-490中描述的方法。为了确定初始轮廓例如可以将结构的模型与初始分割区域匹配，其中在呈现三维模型的情况下可以为层图像获得二维模型，方法是用一个平面截取三维模型。为了确定初始轮廓也可以使用相邻层图像的已经确定的轮廓，例如来自相邻的层的层图像的或者是前面时刻的层图像的已经确定的轮廓。初始分割区域的边缘也可以简单地用椭圆形或者其它几何形状来近似。
优选地，将用于分割结构的初始轮廓用主动轮廓方法与层图像中的结构的边缘匹配。优选地用M.P Jolly，Proc.MICCAI，2001中描述的方法来变形或者匹配初始轮廓。局部形变过程这样进行，即，将轮廓与层图像中的结构的边缘对齐。优选地，至少两次应用在该出版物中描述的方法。由此可以保证了，进行轮廓与待分割的结构的尽可能精确的匹配。这样计算层图像中围绕结构的轮廓以及分割区域是特别具有优势的，因为该计算可以全自动地进行。通过确定初始分割区域可以避免在轮廓与层图像中的结构的纯匹配方法中产生的缺陷。这些方法通常不能考虑例如在心脏的成像中呈现的可变图像强度。也就是说，在此首先进行层图像中待分割的结构的粗略位置确定，基于该位置确定可以确定初始轮廓，然后将该轮廓与结构的边缘匹配。
此外，还可以对所计算的轮廓的形状和位置进行一致性检验。例如对层图像中结构的分割包括检验一个时间序列的相邻层图像中轮廓的位置和形状的区别，其中，如果确定该区别超过了预定的边界值则进行轮廓的匹配。为了匹配轮廓首先使用在WO 2006/083588 A1中描述的方法。根据阈值和强度变化例如在心脏的成像中可以对相邻的层图像确定不同的初始分割区域。为了与结构的边缘匹配，对初始轮廓的进一步计算可以在相邻的层图像中依次产生不同的轮廓，其中，在轮廓之间的偏差可能大于由于心脏的运动而期望的轮廓之间的差别。在这种情况下具有优势的是，校正轮廓，以便保证时间上相邻的层图像的轮廓之间的一致性。轮廓的一致性检验还可以关于一层的所有层图像进行。比较轮廓，以便检验轮廓的位置和形状的一致性，并且必要时，也就是在确定不一致的情况下，可以进行轮廓的传播(Progagieren)或者匹配，例如用在WO2006/083588 A1中描述的方法。
在另一种实施方式中，对一层的层图像中的结构的分割还可以如下进行，即，首先分割层图像的第一时间序列中的结构，例如通过将初始计算的轮廓与层图像中的结构的边缘匹配。在同一层的下一时间序列中，可以通过将第一时间序列的轮廓与第二时间序列的层图像中的结构匹配来分割层图像中的结构。这具有如下优势，对于第二时间序列不必确定初始分割区域。第一时间序列的轮廓实际上被用作初始轮廓，并且与第二时间序列的层图像中的结构的边缘匹配。由此，减小对于分割结构来说所需要的计算量并且实现了时间节省。但是，该方法不太适合在时间序列之间结构显著改变其位置的情况。
通常，在分割之后在每幅层图像中结构的形状和位置是已知的。按照本发明的另一种实施方式，根据层图像中分割的结构的形状和位置来确定层图像中代表性的点的位置。分割的结构在层图像中例如通过以面积形式的分割区域来表示，其中该面积的几何重心可以作为代表性的点来计算。然而，还可以考虑确定其它的代表性的点作为重心，例如通过对分割的结构的不同区域进行加权，或者通过对分割的结构的图像信息进行处理。优选地，对用于计算代表性的点的方法的选择取决于待分割的结构，例如取决于待分割的器官的形状。根据分割的结构的形状和位置来确定位置是特别有优势的，因为由此可以将层图像合适地归入到层图像组，利用该合适的归类可以保证，在层图像组的层图像之间的结构的位置只是无关紧要地改变。
按照本发明的一种实施方式这样进行该归类，使得层图像组的层图像的代表性的点的横向距离最小化。在此，横向距离是层图像平面中的距离。层图像组对每一层优选地正好包含一幅层图像，其中，每幅层图像与沿着垂直于层图像平面的轴(例如被定义为z轴)的另一轴向位置相应。此处提到的横向方向和z轴不能与在磁共振断层成像中常用的横向方向和z轴混淆，在那里它们给出垂直于或者平行于B0场的方向。更确切地说，此处提到的层图像的平面可以具有与B0场预定的夹角。层图像的平面中的坐标例如可以用x和y来表示。然后，将层图像这样归入到层图像组，使得层图像平面(也就是x/y平面)中的代表性的点的距离尽可能小。优选地，一个层图像组的层图像的代表性的点的位置基本一致。
在另一种实施方式中，建立至少两个层图像组，其中将层图像这样归入到层图像组，使得在单个层图像组中层图像的代表性的点的横向距离最小化。也就是说，可以建立多个层图像组，并且优选地对不同的时间戳分别建立至少两个层图像组。然后这样进行归类，使得在一个层图像组中层图像的代表性的点在横向方向上尽可能互相靠近。如已经提到的那样，可以在记录图像数据期间进行该归类，例如通过将所记录的一层的层图像直接归类到层图像组中。一幅层图像到层图像组的归类，可以根据该层图像中代表性的点的位置和来自相邻层的层图像中的代表性的点的位置来进行。如果在记录图像数据期间进行该归类，则基于来自相邻层的层图像的这样的归类是具有优势的。但是，在这样的归类过程中会产生在一个层图像组内代表性的点的位移。
按照另一种实施方式，层图像到多个层图像组的归类可以通过迭代的分类方法来进行，该方法这样将层图像归类到层图像组，使得每个层图像组中的代表性的点的距离最小化。这样的方法可以被用于在记录图像数据之后处理图像数据。然而，该方法也可以被用于对在使用相邻层图像的代表性的点的条件下建立的层图像组进行重新分类。这样，可以校正在一个层图像组内部的代表性的点的位置的偏差，该偏差可能由于仅比较相邻层图像的代表性的点的位置所产生。
可以考虑分类层图像的或者建立层图像组的替换方式。例如，还可以根据轴、例如待分割的结构的对称轴来对齐层图像的代表性的点。由此，可以用所描述的方法，基于在检查对象呼吸期间对检查对象所记录的图像数据，来分割不同的结构。通过层图像的归类或者分类，实现一个层图像组的层图像中的分割的结构基本上位于同一位置(横向位置)。该方法的特别优势在于，可以自动地建立该层图像组，尽管层图像中的结构的位置例如由于呼吸而改变。与图像配准的方法相比此处不进行图像数据的改变，这使得一方面图像数据的质量和可信度得到改进，并且由此另一方面仅需要更小的计算能力和更少的时间花费。
作为替换，在该方法中可以仅建立一个或者建立多个层图像组，并且可以舍弃没有归类到任何层图像组中的剩余的层图像。然而，也可以将所有记录的层图像归类到层图像组中。具有优势的是，建立比对一层所记录的层图像少的层图像组，因为这样可以舍弃如下的层图像：在这些层图像中代表性的点的位置与在层图像组中已经存在的层图像的不一致。如果实施该方法来分割左心室，则一个层图像组的层图像的分割的心室的重心例如可以位于沿着从二尖瓣(Mitralherzklappe)的开口到心尖(Apex)的轴。
优选地，如下扩展该方法，使得根据在至少一个层图像组中分割的结构确定涉及该结构的功能的参数。在所述结构是检查对象的左心室的一种实施方式中，根据在至少一个层图像组中分割的心室来确定涉及左心室功能的参数。例如，可以根据在至少一个层图像组中分割的心室，来确定心室的体积、射血分数(Auswurffraktion)和/或从心室射出的血容量。使用相应于一个心跳周期中不同阶段或者时刻的层图像组，对于计算功能性参数是特别具有优势的。不仅可以进行左心室的质量计算和体积计算，而且还可以测量心室的壁运动。在使用按照本发明的方法时，不仅可以获得心跳周期的不同阶段的数据组，而且可以获得相应于心跳周期的相同阶段但是呼吸周期的不同阶段的层图像组。此处，还可以分析涉及呼吸活动的功能性参数。
为了分析，例如在使用辛普森方法、矩形方法、或者数值积分方法的条件下来计算层图像中分割的结构的面积或者分割的结构的体积。这样的用于计算分割的结构的面积或者体积的数值方法，对于专业人员来说是公知的，对此不再详细讨论。使用这样的用于面积计算或者体积计算的方法是具有优势的，因为可以保证快速和精确的计算。按照本发明的一种实施方式，对至少一个层图像组，通过对每一幅层图像根据层厚和该层图像中分割的结构的面积来计算相应的层中的所分割的结构的层体积、并且将该层图像组的多个层图像的分割的结构的层体积相加，来计算结构的体积。层的高度或者层厚一般地从图像数据中已知并且通常在记录磁共振数据期间被确定。利用简单的方法(例如前面描述的积分方法)可以进行对分割区域的面积的计算。从分割区域的面积和层厚中可以计算层图像组的单个层的层体积，并且对这些层体积求和产生所分割的结构的体积。于是，这样计算的具有不同时间戳的层图像组的体积例如可以被用来计算体积随时间的改变。按照这种方式可以无需大的时间开销地来进行对层图像组的分析。
然而，也可以按照另一种方式从图像数据组的层图像中计算随时间变化的体积。按照本发明的另一个方面，利用以下步骤来处理逐层地对结构成像的医学图像数据，其中图像数据对至少几层分别包括多个层图像：分割层图像中的结构以确定分割区域；根据各个分割区域和层厚，对在其中分割了结构的多个层图像的每一个确定结构的层体积；通过对来自在其中分割了结构的每一层的层图像的层体积求平均，对每一层计算结构的至少一个平均层体积；以及通过对来自在其中分割了结构的每一层的结构的各个层体积求和来确定结构的至少一个平均体积。优选地，利用前面描述的方法分割层图像中的结构。此外，可以为每个层图像分配一个时间戳，该时间戳相对于前面的触发事件给出层图像的记录时刻。对每一层可以确定结构的多个平均层体积，方法是对不同的时间戳分别对基于来自具有相同时间戳的层的层图像的各个层体积求平均。可用于确定时间戳的触发事件已经在前面被描述。在此，对每一层优选地计算相同数目的平均层体积，其中，一层的平均层体积具有不同的时间戳。此时，对于不同的时间戳可以分别确定结构的一个平均体积，其中，对于一个时间戳可以通过对来自对相应的时间戳所计算的每一层的平均层体积求和来确定平均体积。由此可以获得结构的平均体积的一个时间序列。在此，可以自动地实施该方法，并且只需要很少的时间开销和很小的计算能力。优选地，所述结构是左心室，其中，从左心室的平均体积中对于不同的时间戳确定射血分数或者从心室射出的血容量。例如，可以通过比较心室体积的时间序列的最小和最大体积来进行对射出的血容量的确定。前面所描述的方法的步骤，特别是涉及记录图像数据、分割层图像中的结构和分析在层图像中所分割的结构的步骤，可以与此处所描述的方法及其实施方式进行组合，以及反过来。
按照本发明的另一个方面，提供了一种用于记录和处理医学图像数据的磁共振设备，其具有用于记录磁共振图像组的记录单元和从所记录的磁共振图像组中重建逐层地对结构成像的图像数据的计算单元，其中，图像数据对至少几层分别包括多个层图像，其中这样构造计算单元，使得其实施以下步骤：分割层图像中的结构；对在其中分割了结构的多个层图像，分别确定层图像中代表了在层图像中所分割的结构的点的位置；以及通过对多个层分别根据层图像中代表性的点的位置来将一幅层图像归类到至少一个层图像组，来建立该层图像组。计算单元也可以被设置在与磁共振设备分离的、与磁共振设备功能性相连的计算机系统中。可以利用这样的磁共振设备在记录磁共振数据期间或者在记录磁共振数据结束之后处理层图像。用这样的磁共振设备可以分割在图像数据中的结构，而无需使用者干预，并且无需改变图像数据。此外，按照一种实施方式，磁共振设备被构造来实施上面所描述的方法中的一种。
此外，提供了一种具有计算机程序的计算机程序产品，该计算机程序在计算机系统中实施时执行上面所描述的方法中的一种。该计算机程序例如可以包含执行上面所描述的方法中的一种的或者执行上面所描述的方法中的一种的一部分的程序代码段。此外，还提供了一种具有在其上存储了电子可读的控制信息的电子可读的数据载体，这样构造该控制信息，使得其在计算机系统中使用数据载体时可以实施上面所描述的方法中的一种。这样的数据载体例如可以在常规的磁共振设备的计算机系统中被使用，由此可以利用这样的一种磁共振设备来实施上面所描述的方法中的一种。该计算机系统也可以与磁共振设备分开提供并且与该磁共振设备功能上相连。
可以组合本发明的上面提到的方面和实施方式的特征。特别是，这些特征不仅可以被用于描述的组合中，而且还可以被用于其它组合中或者单独被使用，而不脱离本发明的范围。
附图说明
下面对照附图对本发明作进一步说明。
图1示出了磁共振设备的示意图，
图2示出了心脏的四腔心切面(4-Kammer-Blick)，在其中规划磁共振数据的记录，
图3是利用磁共振设备进行层图像的EKG触发的记录的示意图，
图4示出了按照本发明方法的一种实施方式的流程图，
图5是在层图像中结构的分割的示意图，
图6是对不同的层并且依次根据一定数量的触发事件所记录的图像数据的结构的示意图，
图7示出了在按照其时间戳排列了层图像之后的图像数据的结构的示意图，
图8示出了被包含在相应于不同时间戳的不同的层图像组中的层图像的示意图，
图9示出了按照本发明方法的另一种实施方式的流程图，
图10示出了按照本发明的另一方面的一种实施方式的流程图。
具体实施方式
图1示意性地示出了磁共振设备，利用该磁共振设备可以对检查对象的待检查区域记录图像数据组。这样的磁共振设备100具有用于产生极化场B0的磁铁101。检查对象(在此是受检人102)在卧榻103上被移入磁铁中，如通过箭头104示意性表示的。此外，磁共振设备还具有用于产生磁场梯度的梯度系统105，该磁场梯度被用于成像和位置编码。为了激励在主场中产生的极化，设置了高频线圈装置106，其将高频场入射到受检人102中，以便将磁化从平衡位置偏转。为了控制磁场梯度设置了梯度单元107，并且为了控制入射的高频(HF)脉冲设置了HF单元108。控制单元109中央地控制磁共振设备，其中成像源的选择同样可以在控制单元109中进行。通过输入单元110操作人员可以选择序列方案(Sequenzprotokoll)并且输入和修改在显示器111上显示的成像参数。磁共振设备的一般工作原理对专业人员是公知的，从而不需对一般的组件进行详细的描述。此外，磁共振设备还具有计算机单元112，在该计算机单元中例如可以对所记录的磁共振信号进行重建以产生图像数据。计算单元112还可以被用来在记录磁共振信号期间或之后处理这些图像数据。可以借助感应线圈从检查区域113记录磁共振信号，该感应线圈或者可以集成在磁共振设备的HF系统中或者可以作为分离的元件被定位在检查区域的附近。通过利用梯度系统105提供层选择梯度，例如可以从检查区域113的一层中记录磁共振信号，并且利用计算单元112可以从这些信号重建层图像，该层图像在显示器111上被显示给磁共振设备的使用者。通过提供不同的梯度，例如层选择梯度、相位编码梯度和频率编码梯度，可以记录磁共振信号，从这些磁共振信号可以重建检查对象的结构的多个不同视图。
MR设备的记录单元例如可以包括梯度单元107、HF单元108、高频脉冲装置106、梯度系统105和磁铁101，以及其它感应线圈(未示出)。
用触发单元114来触发对磁共振信号的记录。该触发例如可以通过EKG触发装置来进行，这在图1中通过EKG电极115表示。在探测到触发信号时触发单元114启动控制单元109，开始预定的成像序列。对每一层可以记录多个这样的成像序列。此外，在不同层上进行该记录，从而图像数据对不同层分别包括多个层图像。
图2示出，可以如何来规划对这样的图像数据组的记录。在以下的例子中特别以检查对象的左心室为例描述图像数据的记录和图像数据的分割。图2示出了检查对象的心脏的层图像，其中该表示是所谓的四腔心切面，在该四腔心切面中可见四个心室。在此以纵剖面图显示左心室201，也就是，其纵轴位于图平面。为了记录左心室的图像数据具有优势的是，记录垂直于心室的纵轴的截面图，该纵轴从心尖(Apex)202到二尖瓣的开口203延伸。在图2的四腔心切面中表示出截平面204，对这些截平面分别要记录一幅层图像。截平面204垂直于纸平面延伸并且由于这个原因被表示为线。对这样的截平面所记录的层图像被称为短轴图像，因为在该短轴图像中在一个心室的短轴或者说横向轴位于其中的平面中成像通过心室的一个截面。优选对每一层沿着心室的该主轴记录多个层图像。一般地可以假设，对心跳周期的每一个任意的阶段通过左心室的短轴截面的重心位于该主轴上。然而例如由于呼吸的原因，在依次的心跳周期期间该主轴的位置和取向会改变。但是在记录图像数据时心脏位置的这样的移动可以用以下描述的方法来补偿。
图3示意性地示出，如何从不同层进行图像数据的记录。优选地，对每一层对检查对象的至少两个呼吸周期记录图像数据。图像数据的记录通过磁共振信号的记录和层图像的重建来进行。图3示出心电图301的变化，该变化被相对于时间轴302记录。EKG具有R尖峰303。在第一层中在第一时间序列期间记录第一层图像304。在此根据R尖峰303触发该记录。一个时间序列包括在一个触发事件之后并且在出现随后的触发事件之前所记录的层图像。对于第一层在第一层图像304之后记录另一层图像(未示出)，这用EKG曲线和时间轴的断裂来表示。第一层的第一时间序列包括在具有时间戳T1至T4的预定的时刻记录的层图像310至313。在此，时间戳T1至T4给出层图像的记录相对于触发事件在时间上的间隔。从第二层记录第二层图像305。来自该第二层的层图像的第一时间序列包括层图像320至323。这些层图像在如层图像310至313的同一相对时刻被记录。为此同样为层图像分配基本上相同的时间戳T1至T4。由于硬件造成的延迟、值的精确度等等，在不同时间序列的或层的时间戳之间会出现轻微的差别。可能会出现直至±5ms的时间戳之间的差别。典型地该差别为±2.5ms。可以同样地对待在来自同一层的第二时间序列期间所记录的层图像。在(优选地在检查对象的两个呼吸周期上)记录了一组时间序列之后，继续下一层。图3对第二层同样仅示出一个时间序列，这还是通过时间轴和EKG曲线的断裂来表示。第三层图像306又在触发事件302之后在相对时刻T1至T4被记录。第三层的第一时间序列包括层图像330至333。在图3中为清楚起见对一个时间序列仅示出四幅层图像。然而，在经过一个心跳周期延伸的一个时间序列期间优选以60ms的间隔记录图像。由此，在每分钟75次心跳的心跳频率情况下一个时间序列近似地包括13幅层图像。层图像的这样的记录可以称为实时记录。例如每层在10秒上进行记录，从而对每层记录12.5个时间序列。很清楚的是，此处提到的值仅仅是表示例子，并且在所记录的层图像之间可以使用其它记录时间或者时间间隔。为层图像分配时间戳和一个附加的时间戳，该附加的时间戳给出相对于来自相应的层的层图像的记录开始的持续时间。
图4示出了按照本发明方法的一种实施方式的流程图。在第一步骤401中，访问图像数据。这例如可以在记录图像数据时进行，或者在记录了图像数据组之后进行。图像数据例如由磁共振设备100提供。图像数据对检查对象的结构逐层地成像，并且对于每一层包括多个层图像。在下一步骤402中，在层图像中分割结构。在层图像中分割结构的可能的方式在以下参考图5描述。
例如，在步骤402之后对每一层呈现多个在其中分割了结构的层图像。由于在心跳周期期间心脏的运动和通过呼吸引起的胸腔运动，结构的位置(在这种情况下是左心室的位置)在层图像中会移动。如果将每一层的所有首先记录的层图像综合成一个层图像组，则结构的位置在单个层图像中不一致，因为层图像例如是在呼吸周期的不同阶段被记录的。为此，在步骤403中，在每一幅层图像中为分割的结构确定代表性的点的位置。例如，基于借助数值方法的分割区域，确定在一幅层图像中的分割的结构的重心的位置。然而，也可以选择基于分割的区域的其它特征所确定的其它的点作为代表性的点。在下一个步骤404中，根据代表性的点的位置进行层图像到层图像组的归类。在此，分别将来自每个平面的一幅层图像归类到一个层图像组中。如果对于每个平面记录同样多的层图像，则可以建立同样多的层图像组。然而也可以建立较少的层图像组，并且可以舍弃这样的层图像，即在这些层图像中代表性的点的位置偏离层图像组中的代表性的点的位置。可以考虑用于为层图像组选择层图像的不同方法。例如可以这样来选择层图像，使得其代表性的点基本上位于一条线上。以左心室为例，这优选是从心尖到二尖瓣开口延伸的线。对于层图像的这样的对应来说，例如可以为数据组选择这样的层图像，即对于这些层图像来说在平面中的代表性的点的位置尽可能互相靠近。因此对于每个层图像组来说，代表性的点的横向距离可以被最小化。这例如可以通过迭代搜索方法来进行。层图像到层图像组的归类在以下参考图8详细描述。
利用上面描述的方法建立层图像组可以被称为刚性图像配准，因为此处对层图像不应用转换，而是保持层图像基本上不变。相邻层图像的一致通过该归类或者说搜索方法来实现。由此，该方法在计算时间和计算能力方面的开销都很小。
图5示出了在一幅层图像中对结构进行分割的示意图。图5a示出了层图像501，其中对一个通过检查对象的胸腔的截面成像。层图像501示出通过心脏502的一个截面，以及其它结构503。心脏502具有左心室504和右心室505。在这个例子中，左心室504是要分割的结构。由于心跳，左心室的图像在一个时间序列的依次的图像中发生改变。为了定位心脏，分析这样一个时间序列的层图像。例如，应用图像减影和减影图像的统计分析，以便产生给出在图像中主要运动的结构的位置的二值图像。在图5b中示出了变化图像(Varianzbild)的例子，在该变化图像中以相对固定结构的高的对比度显示时间上发生变化的结构。这样的变化图像例如可以利用例如在Soergel和V.Vaerman，SPIE：Med.Imag.1997；3034；333-344中描述的方法从层图像的一个时间序列中来计算。通过使用阈值可以将这样的图像转换为二值图像。阈值方法是一般公知的，并且例如可以根据是否其强度超过或者低于阈值来将图像像素置为值0或者1。变化图像506示出了在应用阈值方法之前的心脏502。如果其它变化的结构在该时间序列的层图像中被成像，则这些结构也会出现在变化图像506中。在将变化图像506转换为二值图像之后然后在二值图像中识别左心室。例如根据结构的圆度、关系和位置，这样的识别在二值图像中是可能的。左心室一般地被识别为位于图像中心附近的圆形的对象。由此可以区别左心室和在二值图像中被成像的其它结构。图5c示出了这样的二值图像，在该二值图像中左心室504作为初始结构510被识别。此外，为了区别左心室和在二值图像中被成像的其它结构，还可以建立掩模，在该掩模中例如分析来自多个层的二值图像，其中心脏基本上可以被识别为在所有层中被成像的结构。当呈现来自多个层的图像数据时，这样的可选的附加步骤是有意义的。用这样的掩模可以将不属于心脏的结构在二值图像中滤除。然后可以在成像了左心室504的二值图像507中确定初始轮廓508。初始轮廓例如可以在使用心脏模型的条件下被确定，或者在使用来自相邻层的轮廓或者在使用简单的几何形状例如圆形或椭圆形的条件下被确定。然而，优选为了确定初始轮廓可以使用在M.P.Jolly，Proc.MICCAI，2001以及在WO 2006/083588 A1中描述的方法。例如，在层图像的直方图中识别局部最大值，根据该局部最大值进行层图像的基于区域的分割。根据该结果和在层图像中的梯度确定左心室的初始边界。
然后，基于初始轮廓对时间序列的单个图像进行分割。对于每一幅层图像通过形变将初始轮廓与在层图像中成像的左心室的边缘匹配。为此可以使用主动轮廓方法，例如“Snakes”，并且优选使用在M.P.Jolly，Proc.MICCAI，2001以及在WO 2006/083588 A1中描述的方法。基于左心室的初始位置确定，例如在图5c的二值图像507中，还可以使用分割左心室的其它方法，例如在M.Kaus等人的“Automated segmentation of the left ventricle in cardiac MRI”，MedicalImage Analysis.2004；8：245-254中描述的“Deformable Shape Models(可变形的形状模型)”方法，或者在C.Xu和J.L.Prince的“Snakes，Shapes，and GradientVector Flow”，IEEE Transactions on Image Processing，1998；7(3)：359-369中描述的“Gradient Vector Flow(梯度矢量流)”方法。图5d示出了通过形变来匹配初始轮廓的结果。匹配的轮廓509位于左心室504的边缘并且定义了一个分割区域。例如可以通过如下来将轮廓与心室504的壁匹配：以相对周围的图像点的对比度来对心室的壁成像，由此在该区域存在层图像中的较高的梯度，根据该梯度可以进行初始轮廓的匹配。然而在这样的匹配中具有优势的是，例如引入涉及形状的限制，从而通过形变，轮廓与左心室的形状不会偏差太大。为了进一步改进分割，还可以两次应用在M.P.Jolly，Proc.MICCAI，2001中描述的方法。
在分割了一个时间序列的每幅图像之后，还可以进行该时间序列的相邻层图像的一致性检验。在直接相邻的层图像中成像的结构仅具有微小的改变。由此，可以比较相邻轮廓的形状和位置并且检验一致性。如果形状和位置的偏差超过了预定值，则可以进行轮廓的校正。轮廓的这样的校正例如可以通过轮廓传播(Konturpropagation)或者轮廓繁殖(Konturfortpflanzung)或者例如在WO2006/083588 A1中描述的轮廓匹配来进行。通过这样的措施改进了分割的可靠性。在分割了一层的所有时间序列的所有图像之后，又可以比较轮廓以便保证轮廓的位置和形状在该层上的一致性。如果需要又可以如上所述进行轮廓匹配。对每一个不同的层重复进行分割和必要时的检验和匹配。
作为替换，仅对每一层的第一时间序列进行待分割的结构的自动粗略位置确定和在单个层图像中的结构的分割。对各个层的其余时间序列利用轮廓传播方法或者轮廓繁殖方法来计算轮廓。在此，轮廓与待分割的结构的边缘的匹配可以用上面描述的一种方法来进行。由此可以减少对一层的所有层图像的分割的计算开销。
由于心脏运动和呼吸周期，上面描述的用于分割结构的措施是特别具有优势的，因为在每个时间序列中自动确定结构的位置。此外，还进行初始轮廓与结构边缘的匹配，由此保证了精确的分割。因此，该方法特别适合于分割对自由呼吸的检查对象所记录的图像数据中的结构。
以下参考图6-8详细描述层图像到层图像组的归类。图6示出了图像数据的结构。对第一层610，图像数据包括时间序列611、612和613。可以存在其它的时间序列，但是在图6中没有示出。时间序列包括具有时间戳T1至T4的各个层图像。每个时间序列在触发事件603之后被记录，该触发事件例如是EKG中的R尖峰的出现。对于第二层620，图像数据同样包括时间序列621、622和623，其还是包括具有时间戳T1至T4的各个层图像。图像数据可以包括第三层630和任意的其它层，以及对每一层包括任意的其它时间序列。一个时间序列也可以包括远大于四幅层图像。
在图像数据的实时记录中对一层来说，图像数据还可以连续地被记录，其中将触发事件用于开始记录。然后根据其它触发事件将时间戳分配给对该层所记录的层图像。根据该连续的记录，一层的不同时间序列的层图像还可以具有不同的时间戳。
为了说明，在图7中将每层的层图像按照其时间戳排列。所有具有时间戳T1的层图像位于用T1表示的列中。时间戳给出层图像的记录相对于前面的触发事件在时间上的间隔。以下还是假设，分割检查对象的心脏的左心室，并且根据EKG的R尖峰进行记录触发。由此从心跳周期的相同阶段所记录的层图像位于在图7中示出的每一列中。对于在后面建立层图像组来说，有意义的是，仅选出具有相同时间戳的层图像，因为心脏在不同的阶段具有不同的体积，并且因此在混杂的时间戳情况下不可能进行有意义的体积计算。对第一层610还是示出两个时间序列611和612，其包括层图像710至713以及714至717。在第一时间序列611的第一层图像710中示出以轮廓形式的分割的结构702以及为分割的结构702所确定的代表性的点703。在图7中的其它层图像711至717和720至727中，同样示出了在这些图像中分割的结构和为该分割的结构所确定的代表性的点，然而为清楚起见没有用附图标记来表示它们。一般地一个时间序列相应于一个心跳周期。由于这个原因，分割的左心室的面积在第一时间序列的层图像710至713中发生改变。图7和图8的示例性表示的周期首先示出心脏收缩期(体积减小)，紧接着示出舒张期(体积增大)。例如由于心脏体积的减小在层图像711和712中的面积减小，紧接着在层图像713中面积又增大。此外，在第一时间序列611的层图像中分割的结构的位置发生移动，这例如通过检查对象的呼吸引起。因为呼吸周期和心跳周期以不同的频率重复，所以分割的结构在具有相同时间戳的层图像中位于不同的位置。例如，分割的结构在层图像710和714中具有相同的面积，但是其位置发生移动。在第二层620的第一时间序列621和第二时间序列622的层图像中可以看到同样的情况。特别是第二层的第一时间序列中的结构的位置与第一层的第一时间序列中的结构的位置不一致，由此不可能进行层图像到层图像组的简单的归类。但是，因为对每个时间戳对每一层呈现多幅层图像，所有可以这样来分类层图像，使得分割的结构的位置在互相对应的层图像中基本上一致。这样的归类或者分类根据代表性的点703来进行。借助于代表性的点可以将层图像简单和快速地归类到层图像组。例如，在每幅层图像中代表性的点的位置被确定为X像素位置/Y像素位置。然后，由第一层的第一时间戳的一幅或多幅层图像形成层图像组，随后将具有第二层的时间戳T1的层图像这样归入该层图像组，使得该层图像组的层图像中的代表性的点的X位置/Y位置的距离尽可能小。例如将第二层620的层图像720归入包含第一层610的层图像714的层图像组，因为在层图像714中的代表性的点比层图像710中的代表性的点更靠近在层图像720中的代表性的点。即，对于每个层图像组使得在层图像平面中的代表性的点的距离最小化。例如通过将每个层图像组中的代表性的点的横向距离最小化的迭代的分类方法可以进行该归类。但是作为替换，例如还可以确定围绕每个代表性的点的区域，其中将其代表性的点位于已经归入层图像组的层图像的区域的层图像归入该层图像组。第一被归入的层图像例如可以被用作参考图像，并且随后的层图像根据该参考图像的代表性的点被归类。但是作为替换，还可以根据来自相邻层的层图像来进行该归类。在记录层图像期间已经进行该归类的情况下这点是特别具有优势的。因为依次记录各层，所以在记录每一层期间已经可以找到空间上一致的代表性的点，并且可以连续地改进该归类，直到最后一层被记录。
图8示例性地示出了将图7的层图像至层图像组的归类。在图8中对时间戳T1建立两个层图像组S1.1和S1.2，以及对第二时间戳T2建立层图像组S2.1和S2.2。自然可以对多于两个时间戳建立层图像组，并且对每个时间戳同样可以建立多于两个层图像组。每个层图像组优选地包含来自每一层的层图像。为清楚起见在图8中对于每个层图像组仅示出了来自两层610和620的层图像。对于时间戳T1基于来自第一层610的层图像710以及714建立第一层图像组S1.1以及第二层图像组S1.2。将来自第二层的层图像724归入第一层图像组S1.1，因为在层图像710和724的平面中的代表性的点之间的距离比层图像710和720的代表性的点之间的距离要小。层图像720同样根据代表性的点的位置被归入层图像组S1.2。具有时间戳T2的层图像类似地被归入层图像组S2.1、S2.2，等等。优选地，为每个时间戳至少建立一个层图像组。按照这种方式获得不同的层图像组，在这些层图像组中各个层图像中的结构的分割区域的位置一致。因此，从这样的层图像组可以对通过时间戳给出的心跳周期的阶段进行结构的体积确定，以及对分割的结构的三维重建。在图8中对于具有时间戳T1的层图像组S1.1和具有时间戳T2的层图像组S2.1示出了这种重建的示意图。由于在相对时刻T1和T2之间结构的体积改变，重建的结构801具有比重建的结构802大的体积。如果对一个时间戳建立了多个层图像组，则使用者可以为以后的分析选择合适的层图像组，例如在其中各个层图像的代表性的点之间的距离最小化的层图像组。但是，在按照其代表性的点这样分类层图像的情况下也可能会出现某一层图像不能被归入层图像组中，例如当代表性的点的位置与层图像组中的其它层图像的代表性的点偏差很多时。这些不合适的层图像例如可以独立地被存储或者被舍弃。相应地具有优势的是，不是对为一层所记录的每一个时间序列都建立层图像组。
也可以例如通过仅仅将每个时间序列的第一图像的代表性的点用于归类，来按照时间序列的方式进行该归类。在此，为每一层选择一个时间序列，并且具有所选择的时间序列的相同时间戳的层图像分别形成一个层图像组。
在对一个时间戳所建立的层图像组中，分割的结构可以位于不同位置。这些不同的位置例如是通过检查对象的呼吸周期而造成的。因此，通过选择特定的层图像组可以选择对相应于呼吸周期的特定阶段的结构的分割。由此，利用所描述的方法同样可以获得关于在呼吸周期的过程中的结构的改变的信息。在每层足够数量(例如10至20个)的时间序列的记录中，通常可以建立在其中不同层图像的代表性的点基本上一致的图像数据组。由此对每一层记录大量的层图像对建立层图像组是具有优势的。尽管检查对象在记录图像数据期间自由呼吸，用所描述的方法仍可以三维地分割结构并且进行体积计算。与常规的方法相比，在此不需要层图像的改变或者转换。也不需要在使用呼吸触发的条件下记录图像数据。可以全自动地进行分割和层图像到层图像组的归类。其它的优点是该方法的速度和对计算能力的小的要求。
在建立层图像组之后例如可以将其存储在数据载体上。然后为了分析而处理该层图像组。作为替换，也可以在将层图像归入层图像组期间已经进行分析，例如通过计算在层图像中分割的结构的层体积。
图9示出了按照本发明方法的一种替换实施方式的流程图。在第一步骤901中，记录检查对象的检查区域的概略图。为此，例如将检查对象定位于磁共振设备中，并且连接必要的触发设备和监控设备。然后，记录图像数据以便在检查对象的胸腔中定位心脏。作为概略图例如可以记录心脏的四腔心切面。这也可以用实时成像或者“CINE”MRT成像来进行。在下一个步骤902中，基于四腔心切面为图像数据规划记录序列。例如规划记录预定数量的短轴层图像，也就是那些成像左心室的短轴的层图像，作为在四腔心切面中的一堆平行截面。如在图2中看出的，该堆优选地从二尖瓣直到心尖。
在下一个步骤903中，建立用于记录来自第一层的层图像的参数。该建立优选地由磁共振设备基于在步骤902中进行的规划来实施。此时，在一个预定的时间间隔上记录层的层图像。首先，在步骤904中发生触发事件，例如确定EKG中的R尖峰脉冲的出现。接着在步骤905中，进行一个时间序列的层图像的记录，其中，这些层图像优选地互相具有一个预定的时间的间隔，例如60ms。在步骤906中，这些层图像分别被分配一个给出相对于触发事件的其记录时刻的时间戳。如果在逻辑判断907中还没有达到预定的记录持续时间，则随后根据在步骤904中的下一个触发事件在步骤905中又记录下一时间序列的层图像。这点一直进行直到达到预定的记录持续时间，然后在步骤908中，分割在层图像中成像的结构。作为替换，可以在触发事件904之后连续地记录时间序列的层图像。然后触发事件仅被用于确定时间戳。由此对每一层仅一次触发该记录。
在分割了层图像中的结构之后，在步骤909中，确定每一幅层图像中的所分割的区域的重心。所分割的区域的几何重心可以用常规的方法来确定，对该常规方法此处不作进一步讨论。在下一个步骤910中，将层图像归入层图像组。一般地通过搜索在层图像组中其它已经分割的层中的最一致的重心来进行该归类。但是，在记录第一层时对预定数量的层图像建立层图像组，其中对每一个时间戳至少建立一个层图像组。例如，对那些在其中代表性的点尽可能靠近层图像的中心的层图像建立层图像组。于是，该首先被归入的层图像构成对来自其它层的层图像的进一步归类的基础。在下一个步骤911中，计算和显示参数。例如可以对该层确定所分割的结构的体积、或者在该层中的结构的体积改变、或者已经归入一个层图像组的层图像的累积体积。此外，还可以在显示器上显示层图像本身或者待分割的结构的部分重建。通过显示在层图像中分割的区域例如可以使得磁共振设备的使用者可以可视地检验该分割的质量。还可以计算左心室的射血分数的估计并且将该估计和分割后的层图像一起显示给使用者。随着对来自其它层的层图像的记录可以连续地改进该估计。
在逻辑判断912中检验是否记录了最后一层。如果不是，则前进到步骤903，在该步骤中优选自动地由磁共振设备设置用于记录下一层的参数。在步骤904至907中，又记录多个时间序列的层图像。在步骤908中分割了结构并且在步骤909中确定了每个所分割的区域的重心之后，在步骤910中将层图像归类到层图像组中。此时通过比较在所建立的层图像组中的层图像中所确定的重心与所记录的层图像的重心并且将其归入相应的层图像组来进行该归类。该过程一直进行，直到在步骤912中确定记录了最后一层。作为替换，还可以在利用步骤908至911处理最后一层的层图像期间就已经利用步骤903至907进行下一层的记录。由此可以实现进一步的时间节省。
在步骤913中，进行层图像到层图像组的归类的检验以及必要时的匹配。由此，可以进一步改进在层图像组中分割的区域的一致。也可以在记录下一层期间就已经进行对归类的这样的检验和匹配，从而可以连续地改进该归类。在步骤914中，计算待分割的结构的所需的特征。属于这样的特征的例如有结构的体积、例如根据相对于触发事件的时间间隔可以给出的结构的体积改变、以及类似的特征，例如在左心室的情况下是射出的血量或者对心室运动的分析。当然，还可以计算所分割的结构的其它特征或者参数，在此不作全面的提及。这种全面的分析特别是可以如下来进行：用所描述的方法可以产生大量的层图像组，在这些层图像组中例如在心跳周期和/或呼吸周期的不同阶段分割了结构。在步骤915中，与所分割的层图像一起或者与对分割的结构的重建一起显示分析的结果。对不同的时间戳呈现层图像组，特别地还使得可以建立分割的结构的动画，其例如可以形象说明结构的体积改变。在步骤914中的特征计算例如可以通过几何的方法，例如矩形方法或者改进的辛普森方法来进行。结构的体积例如可以如下来量化：将结构划分为多个部分体积，并且将这些部分体积相加，其中考虑了层图像的分辨率和层之间的距离。
图10示出了按照本发明的另一方面的一种实施方式的流程图。在第一步骤1001中，访问逐层地将结构成像的图像数据。在步骤1002中，在层图像中分割该结构。在此，可以如参考图5所描述地那样进行该分割。在步骤1003中，对每一幅层图像确定分割的结构的层体积。例如可以利用数值方法计算分割的结构的面积。根据所计算的面积和各个层图像所来自的那一层的高度或者说层厚，可以对分割的结构确定层体积。图像数据可以具有上面描述的结构，在该结构中对每一层呈现层图像的多个时间序列，其中为每一幅层图像分配一个时间戳。在步骤1004中，对每一层中具有相同时间戳的层图像的层体积求平均值。由此，对每一层确定相同数量的平均层体积，其中该数量等于时间戳的数量。然后在步骤1005中，通过将来自每一层具有相同时间戳的平均层体积相加，对每个时间戳确定结构的平均体积。由此，例如在一个心跳周期上确定结构的体积在时间上的变化。在步骤1006中，可以从这样确定的取决于时间的体积中确定结构的特征。除了别的之外，由此可以按照简单的方式确定结构的在时间上的体积改变，以及例如从心室射出的血量。然后在步骤1007中，将该结果与层图像以及在其中所分割的结构一起显示。类似于在图9中示出的方法，图10的方法也可以在记录图像数据期间用磁共振设备来实施。在步骤1003以及1004中，对层体积以及平均层体积的确定例如可以在记录一层的层图像期间进行。同样地，层图像和对每一幅层图像所确定的分割区域可以直接在完成的分割之后或者在随后的时刻被显示在显示器上。
参考图10所描述的方法使得可以快速和简单地处理所记录的图像数据。(例如在图像配准中的)层图像的改变或者转换，是不必要的。由此，相比用于体积确定的常规的方法，该方法更快并且计算强度更小。此外，通过具有相同时间戳的层体积的平均实现了高的精度，即使图像数据是对自由呼吸的检查对象记录的。
参考附图所描述的方法仅仅是本发明的实施例，并且应该清楚的是，本发明不被这些实施例所限制。还可以组合参考不同实施方式所描述的特征。例如在图10中描述的对层体积和平均层体积的确定，可以与参考图4和图9所描述的层图像到层图像组的归类同时地来进行或者跟随其后进行。

Claims (37)

1.一种用于处理逐层地对结构成像的医学图像数据的方法，其中，所述图像数据对至少几层分别包括多幅层图像，包括以下步骤：
-自动地分割层图像中的所述结构；
-对于在其中分割了该结构的多幅层图像，分别自动地确定在一幅层图像中代表在该层图像中所分割的结构的点的位置；以及
-通过对多个层分别基于在一幅层图像中代表性的点的位置将该层图像归类到层图像组，来自动地建立至少一个层图像组。
2.根据权利要求1所述的方法，其中，如下进行所述归类：使得一个层图像组的各个层图像的代表性的点的横向距离最小化。
3.根据权利要求1所述的方法，其中，建立至少两个层图像组，并且其中，将层图像如下归入到层图像组：使得在单个层图像组中各个层图像的代表性的点的横向距离最小化。
4.根据权利要求1所述的方法，其中，一幅层图像到层图像组的归类，根据该层图像中代表性的点的位置和来自相邻层的层图像中的代表性的点的位置来进行。
5.根据权利要求1所述的方法，其中，层图像到多个层图像组的归类可以通过迭代的分类方法来进行，该方法这样将层图像归类到层图像组，使得每个层图像组中的代表性的点的距离最小化。
6.根据权利要求1所述的方法，其中，在处理之前或在处理期间，在检查对象自由呼吸期间对该检查对象记录医学图像数据。
7.根据权利要求1所述的方法，其中，给每个层图像分配一个时间戳，该时间戳给出相对于先前的触发事件的该层图像的记录时刻。
8.根据权利要求7所述的方法，其中，仅将具有基本上相同的时间戳的层图像归入一个层图像组。
9.根据权利要求7所述的方法，其中，对每个时间戳建立至少一个层图像组。
10.根据权利要求1所述的方法，其中，所述图像数据对每层包括层图像的至少两个时间序列，其中，在触发事件之后记录每个时间序列。
11.根据权利要求10所述的方法，其中，一个时间序列的层图像具有20至100ms之间的时间间隔，并且其中，对每一层来说，图像数据包括层图像的依次的时间序列，其在对其记录图像数据的检查对象的至少两个呼吸周期的时间间隔上延伸。
12.根据权利要求10所述的方法，其中，对每层基于时间序列的一幅层图像的代表性的点选择一个时间序列，并且其中，对每层由所选择的时间序列的各个层图像形成时间上依次的层图像组。
13.根据权利要求7所述的方法，其中，所述触发事件的发生在使用矢量心电图、心电图和/或脉冲触发装置的条件下被确定。
14.根据权利要求1所述的方法，其中，在记录图像数据期间进行层图像到层图像组的归类。
15.根据权利要求1所述的方法，其中，在层图像中对所述结构的分割包括利用主动轮廓方法计算围绕所述结构的轮廓。
16.根据权利要求1所述的方法，其中，在层图像中对所述结构的分割包括基于在时间上依次的层图像中的该结构的改变，在层图像中确定该结构的初始分割区域。
17.根据权利要求16所述的方法，其中，所述初始分割区域的确定，包括基于变化图像使用第一阈值以建立具有成像的结构的二值图像，以及包括基于成像的结构的形状、关系和/或位置识别所述初始分割区域。
18.根据权利要求16所述的方法，其中，在层图像中对所述结构的分割包括基于所述初始分割区域确定初始轮廓。
19.根据权利要求18所述的方法，其中，为了分割所述结构用主动轮廓方法将所述初始轮廓与层图像中的结构的边缘匹配。
20.根据权利要求19所述的方法，其中，所述图像数据对每一层至少具有层图像的两个时间序列，其中，通过将所述初始轮廓与层图像中的结构的边沿匹配来分割第一时间序列的层图像中的结构，并且通过将第一时间序列的轮廓与第二时间序列的层图像中的结构匹配来分割至少另一个时间序列的层图像中的结构。
21.根据权利要求1所述的方法，其中，在层图像中对所述结构的分割包括检验一个时间序列的相邻层图像中轮廓的位置和形状的区别，其中，如果确定该区别超过了预定的边界值则进行轮廓的匹配。
22.根据权利要求1所述的方法，其中，基于层图像中所分割的结构的形状和位置来自动地确定层图像中代表性的点的位置。
23.根据权利要求1所述的方法，其中，所述层图像中代表性的点是层图像中所分割的结构的重心。
24.根据权利要求1所述的方法，其中，根据在至少一个层图像组中所分割的结构确定涉及该结构的功能的参数。
25.根据权利要求1所述的方法，其中，所述结构是检查对象的左心室。
26.根据权利要求25所述的方法，其中，根据在至少一个层图像组中所分割的心室来确定心室的体积、射血分数和/或从心室射出的血容量。
27.根据权利要求1所述的方法，其中，在使用辛普森方法、矩形方法、或者数值积分方法的条件下，计算层图像中所分割的结构的面积或者所分割的结构的体积。
28.根据权利要求1所述的方法，其中，对至少一个层图像组，通过对每一幅层图像根据层厚和该层图像中所分割的结构的面积来计算相应的层中的所分割的结构的层体积、并且将该层图像组的多个层图像的所分割的结构的层体积相加，来计算所述结构的体积。
29.一种用于处理逐层地对结构成像的医学图像数据的方法，其中，所述图像数据对至少几层分别包括多幅层图像，包括以下步骤：
-自动地分割层图像中的结构以确定分割区域；
-根据各个分割区域和层厚，对在其中分割了结构的多幅层图像的每一幅自动地确定结构的层体积；
-通过对来自在其中分割了结构的每一层的层图像的层体积求平均，对该每一层自动地计算结构的至少一个平均层体积；以及
-通过对来自在其中分割了结构的每一层的结构的各个层体积求和，来自动地确定结构的至少一个平均体积。
30.根据权利要求29所述的方法，其中，利用根据权利要求15或16所述的方法来分割所述结构。
31.根据权利要求29所述的方法，其中，为每个层图像分配一个时间戳，该时间戳给出相对于先前的触发事件的层图像的记录时刻，并且其中，通过基于来自具有相同时间戳的层的层体积，对不同的时间戳分别求一个平均层体积，来对每一层确定结构的多个平均层体积。
32.根据权利要求31所述的方法，其中，对不同的时间戳分别确定结构的一个平均体积，其中，对一个时间戳通过将来自对相应的时间戳所计算的每一层的平均层体积求和来确定该平均体积。
33.根据权利要求32所述的方法，其中，所述结构是左心室，并且其中，从左心室的平均体积对不同的时间戳确定射血分数或者从心室射出的血容量。
34.一种用于记录和处理医学图像数据的磁共振设备，具有用于记录磁共振图像组的记录单元和从所记录的磁共振图像组中重建逐层地对结构成像的图像数据的计算单元，其中，所述图像数据对至少几层分别包括多幅层图像，其中这样构造该计算单元，使得其实施以下步骤：
-分割在层图像中的结构；
-对在其中分割了结构的多幅层图像，分别确定一幅层图像中代表了在该层图像中所分割的结构的点的位置；以及
-通过对多个层分别根据层图像中代表性的点的位置将一幅层图像归类到层图像组，来建立至少一个层图像组。
35.根据权利要求33所述的磁共振设备，其中，所述磁共振设备被构造为用于实施根据权利要求1-32中任一项所述的方法。
36.一种具有计算机程序的计算机程序产品，该计算机程序在计算机系统中实施时执行以下步骤：
-分割包括在医学图像数据中的层图像中的结构，其中，所述医学图像数据逐层地对结构成像并且对至少几层分别包括多幅层图像；
-对在其中分割了结构的多幅层图像，分别确定一幅层图像中代表了在该层图像中所分割的结构的点的位置；以及
-通过对多个层分别根据层图像中代表性的点的位置将一幅层图像归类到层图像组，来建立至少一个层图像组。
37.一种具有在其上存储了电子可读的控制信息的电子可读的数据载体，这样构造该控制信息，使得其在计算机系统中使用数据载体时可以实施以下步骤：
-分割包括在医学图像数据中的层图像中的结构，其中所述医学图像数据逐层地对结构成像并且对至少几层分别包括多幅层图像；
-对在其中分割了结构的多幅层图像，分别确定一幅层图像中代表了在该层图像中所分割的结构的点的位置；以及
-通过对多个层分别根据层图像中代表性的点的位置将一幅层图像归类到层图像组，来建立至少一个层图像组。
CN200910004123.1A 2008-02-12 2009-02-12 处理医学图像数据的方法以及记录和处理其的磁共振设备 Active CN101510307B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102008008601A DE102008008601B4 (de) 2008-02-12 2008-02-12 Verfahren zur Verarbeitung von medizinischen Bilddaten zur schichtweisen Abbildung einer Struktur bei freier Atmung
DE102008008601.0 2008-02-12

Publications (2)

Publication Number Publication Date
CN101510307A true CN101510307A (zh) 2009-08-19
CN101510307B CN101510307B (zh) 2014-07-09

Family

ID=40873901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200910004123.1A Active CN101510307B (zh) 2008-02-12 2009-02-12 处理医学图像数据的方法以及记录和处理其的磁共振设备

Country Status (3)

Country Link
US (1) US8315447B2 (zh)
CN (1) CN101510307B (zh)
DE (1) DE102008008601B4 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103293500A (zh) * 2012-03-02 2013-09-11 西门子公司 用于生成基于磁共振的层照片的方法
CN107209241A (zh) * 2015-02-06 2017-09-26 皇家飞利浦有限公司 磁共振图像的自动分组
CN109642934A (zh) * 2016-06-22 2019-04-16 优瑞技术公司 磁共振体积成像
CN110192886A (zh) * 2019-05-29 2019-09-03 明峰医疗系统股份有限公司 一种动态调用呼吸门控的重建方法
CN113081052A (zh) * 2021-03-31 2021-07-09 陕西省肿瘤医院 一种超声扫描目标的体积数据的处理方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8406496B2 (en) * 2008-07-29 2013-03-26 Siemens Aktiengesellschaft Method and system for left ventricle detection in 2D magnetic resonance images
US8340385B2 (en) * 2008-12-05 2012-12-25 Siemens Aktiengesellschaft Method and system for left ventricle detection in 2D magnetic resonance images using ranking based multi-detector aggregation
JP5412242B2 (ja) * 2009-11-05 2014-02-12 伸治 久米 超音波断層画像の処理装置
DE102010014211A1 (de) * 2010-04-08 2011-10-13 Siemens Aktiengesellschaft Auswertungsverfahren für eine Folge von Bilddatensätzen mit zweifacher elastischer Verzerrung der Bilddatensätze
CN102890823B (zh) 2011-07-19 2016-04-27 株式会社东芝 运动对象轮廓提取及左心室图像分割方法和装置
WO2013040546A1 (en) * 2011-09-16 2013-03-21 University Of Pittsburgh - Of The Commonwealth Noncontact electrophysiological measurement and imaging of the heart
US20140341449A1 (en) * 2011-09-23 2014-11-20 Hamid Reza TIZHOOSH Computer system and method for atlas-based consensual and consistent contouring of medical images
US8885907B2 (en) * 2011-11-07 2014-11-11 The Texas A&M University System Emission computed tomography for guidance of sampling and therapeutic delivery
DE102012222411B4 (de) * 2012-12-06 2014-07-17 Siemens Aktiengesellschaft Automatisierte Bestimmung eines einen Untersuchungsbereich betreffenden Aufnahmevolumens zur Aufnahme eines Magnetresonanzdatensatzes
KR20150002284A (ko) 2013-06-28 2015-01-07 삼성전자주식회사 병변 검출 장치 및 방법
CN104361556B (zh) 2014-10-22 2017-11-28 华为技术有限公司 一种图像合成方法和图像芯片以及图像设备
US10595826B2 (en) 2016-12-01 2020-03-24 Siemens Medical Solutions Usa, Inc. Heart rate assistance for phase determination in echocardiography
EP3574836A1 (en) * 2018-05-30 2019-12-04 Koninklijke Philips N.V. Temporally gated three-dimensional imaging
JP7188051B2 (ja) * 2018-12-18 2022-12-13 コニカミノルタ株式会社 医用画像管理システム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1194132A (zh) * 1996-11-01 1998-09-30 通用电气公司 心脏图的快速分段
JP2002330961A (ja) * 2001-03-09 2002-11-19 Hitachi Medical Corp Ｘ線ｃｔ装置
CN1526121A (zh) * 2001-06-20 2004-09-01 �ʼҷ����ֵ������޹�˾ 重构高分辨率三维图像的方法
WO2005024722A2 (en) * 2003-09-09 2005-03-17 The Board Of Trustees Of The University Of Illinois Fast hierarchical tomography methods and apparatus
US6961454B2 (en) * 2001-10-04 2005-11-01 Siemens Corporation Research, Inc. System and method for segmenting the left ventricle in a cardiac MR image
US20060203955A1 (en) * 2003-04-10 2006-09-14 Thomas Kohler Computer tomography method for a periodically moving object

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1061474A1 (de) * 1999-06-17 2000-12-20 VAMP Verfahren und Apparate der Medizinischen Physik GmbH Computertomograph mit objektbezogener Bewegungsartefaktreduktion und Extraktion der Objektbewegungsinformation (Kymogramm)
US7400757B2 (en) * 2001-10-04 2008-07-15 Siemens Medical Solutions Usa, Inc. System and method for segmenting the left ventricle in a cardiac image
WO2006103594A2 (en) 2005-04-01 2006-10-05 Koninklijke Philips Electronics N.V. A method, a system and a computer program for segmenting a structure in a dataset
DE102007028270B4 (de) * 2007-06-15 2013-11-14 Siemens Aktiengesellschaft Verfahren zur Segmentierung von Bilddaten zur Erkennung einer Leber
US8144957B2 (en) * 2008-01-30 2012-03-27 Siemens Medical Solutions Usa, Inc. Medical image data processing and feature identification system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1194132A (zh) * 1996-11-01 1998-09-30 通用电气公司 心脏图的快速分段
JP2002330961A (ja) * 2001-03-09 2002-11-19 Hitachi Medical Corp Ｘ線ｃｔ装置
CN1526121A (zh) * 2001-06-20 2004-09-01 �ʼҷ����ֵ������޹�˾ 重构高分辨率三维图像的方法
US6961454B2 (en) * 2001-10-04 2005-11-01 Siemens Corporation Research, Inc. System and method for segmenting the left ventricle in a cardiac MR image
US20060203955A1 (en) * 2003-04-10 2006-09-14 Thomas Kohler Computer tomography method for a periodically moving object
WO2005024722A2 (en) * 2003-09-09 2005-03-17 The Board Of Trustees Of The University Of Illinois Fast hierarchical tomography methods and apparatus

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MARIE-PIERRE JOLLY: "Combining Edge, Region, and Shape Information to Segment the Left Ventricle in Cardiac MR Images", 《MICCAI 2001，LNCS》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103293500A (zh) * 2012-03-02 2013-09-11 西门子公司 用于生成基于磁共振的层照片的方法
CN103293500B (zh) * 2012-03-02 2017-05-17 西门子公司 用于生成基于磁共振的层照片的方法
CN107209241A (zh) * 2015-02-06 2017-09-26 皇家飞利浦有限公司 磁共振图像的自动分组
CN107209241B (zh) * 2015-02-06 2020-02-07 皇家飞利浦有限公司 磁共振图像的自动分组
CN109642934A (zh) * 2016-06-22 2019-04-16 优瑞技术公司 磁共振体积成像
CN110192886A (zh) * 2019-05-29 2019-09-03 明峰医疗系统股份有限公司 一种动态调用呼吸门控的重建方法
CN110192886B (zh) * 2019-05-29 2022-12-23 明峰医疗系统股份有限公司 一种动态调用呼吸门控的重建方法
CN113081052A (zh) * 2021-03-31 2021-07-09 陕西省肿瘤医院 一种超声扫描目标的体积数据的处理方法

Also Published As

Publication number Publication date
CN101510307B (zh) 2014-07-09
DE102008008601B4 (de) 2010-07-29
DE102008008601A1 (de) 2009-08-20
US8315447B2 (en) 2012-11-20
US20090214090A1 (en) 2009-08-27

Similar Documents

Publication Publication Date Title
CN101510307B (zh) 处理医学图像数据的方法以及记录和处理其的磁共振设备
CN102551718B (zh) 磁共振成像装置
US8107703B2 (en) Quantitative real-time 4D stress test analysis
JP7163278B2 (ja) Ｍｒｉのストレイン測定値による心機能の迅速な定量評価
Moireau et al. Sequential identification of boundary support parameters in a fluid-structure vascular model using patient image data
US7567696B2 (en) System and method for detecting the aortic valve using a model-based segmentation technique
US8659603B2 (en) System and method for center point trajectory mapping
US8577441B2 (en) System and method for image based physiological monitoring of cardiovascular function
US8487933B2 (en) System and method for multi-segment center point trajectory mapping
CN103608845A (zh) 呼吸运动确定装置
KR20150132191A (ko) 시뮬레이션 정확도 및 성능을 위한 이미지 품질 평가
US20160066795A1 (en) Stenosis therapy planning
CN102194049A (zh) 诊断辅助设备和冠状动脉分析方法
US11864945B2 (en) Image-based diagnostic systems
US11872019B2 (en) MRI-derived strain-based measurements and related image data acquisitions, image data processing, patient evaluations and monitoring methods and systems
JP2015512292A (ja) マルチプルイメージデータループを獲得して分析する方法及びシステム
WO2010020933A2 (en) Processing cardiac data for personalized aha diagram
Tustison et al. Pulmonary kinematics from image data: a review
US20120008833A1 (en) System and method for center curve displacement mapping
Haber et al. Using tagged MRI to reconstruct a 3D heartbeat
Tautz et al. Exploration of Interventricular Septum Motion in Multi-Cycle Cardiac MRI.
US20240197262A1 (en) Methods and Systems for Intramyocardial Tissue Displacement and Motion Measurement
EP3895621A1 (en) Method for gating in tomographic imaging system
Odunmbaku-Mansell et al. Alternative formats
Nash Sensitivity of Myocardial Stiffness Estimates to Inter-observer Variability in LV Geometric Modelling

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
TR01 Transfer of patent right

Effective date of registration: 20220114

Address after: Erlangen

Patentee after: Siemens Healthineers AG

Address before: Munich, Germany

Patentee before: SIEMENS AG

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240902

Address after: German Phu F Haim

Patentee after: Siemens Medical AG

Country or region after: Germany

Address before: Erlangen

Patentee before: Siemens Healthineers AG

Country or region before: Germany

TR01 Transfer of patent right