CN101529466A - 改进的分割 - Google Patents

改进的分割 Download PDF

Info

Publication number
CN101529466A
CN101529466A CNA2007800398322A CN200780039832A CN101529466A CN 101529466 A CN101529466 A CN 101529466A CN A2007800398322 A CNA2007800398322 A CN A2007800398322A CN 200780039832 A CN200780039832 A CN 200780039832A CN 101529466 A CN101529466 A CN 101529466A
Authority
CN
China
Prior art keywords
data point
computer program
data
mentioned arbitrary
segmentation
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
Application number
CNA2007800398322A
Other languages
English (en)
Inventor
T·比洛
R·维姆科
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN101529466A publication Critical patent/CN101529466A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/12Edge-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20112Image segmentation details
    • G06T2207/20168Radial search
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30068Mammography; Breast
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30096Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

公开了一种计算机程序产品、分割算法、显示图像产品、工作站以及PACS系统,所有这些都允许闭合在失败的分割算法中的孔或缝隙。这是通过以下来实现的:识别未包含在由所述分割算法所识别的数据点的集合中的至少一个数据点,并且得到该数据点周围的多个径向中与在所述分割中的至少一个检测到的数据点相交的径向的百分比的测量值,仅当所计算的径向的百分比高于预定阈值时,才进一步将新识别的数据点包含在所述分割中。在被分割的病灶中的孔或缝隙的问题先前只能通过修改分割算法的步骤或者通过形态学重建来解决,而后一种方法需要使用本身并不适合于大孔的结构元。

Description

改进的分割
技术领域
本发明涉及一种用于对医学数据集进行操作的计算机程序产品,该医学数据集包含多个数据点,并且其中一种算法已经检测出该医学数据集中表示目标对象的数据点的集合。
背景技术
在医学成像领域中,已知存在多种用于对医学图像内的对象进行分割的方法以及能够应用这些方法的计算机程序,例如:“A method forcomputerized assessment of tumor extent in contrast-enhanced MR images ofthe breast”,K G A Gilhuijs et al,Computer-Aided Diagnosis in MedicalImaging,ed.K Doi,H MacMahon,M L Geiger and K R Hoffmann,1999,Elsevier Science;以及“Segmentation Strategies for Breast Tumors fromDynamic MR Images”,Flora Ann Lucas-Quesada et al,JMRI,1996,Volume 6,Number 5:753-763。两篇文献都详述了执行分割的方法,并且在这两种情况中都包含了对胸部病灶(lesion)的分割。还已知的是,多种分割方法都在某种程度上无法分割图像或数据集中明显的整个病灶。现有技术中经常发现,分割结果包含可见的缺陷,例如:在所识别的病灶中心处的孔,在此处例如所述分割未能检测出病灶的坏死区域以及波动;以及在病灶的边缘周围可见的遗漏部分,在此处分割算法未能正确识别出病灶的边缘部分。在“A Fuzzy C-Means(FCM)-Based Approach for Computerized Segmentationof Breast Lesions in Dynamic Contrast-Enhanced MR Images”,Weijie Chen etal,Academic Radiology,Bol.12,No.1,January 2006,63-72中对解决该问题进行了尝试,其中,用通过形态学重建来实现的、并被描述为“孔填充”的步骤完成了所述分割。然而,如在“3D Digital Cleansing UsingSegmentation Rays”,Sarang Lakare et al,Proceedings Visualization 2000,37-44中所述的,形态学重建的步骤,诸如扩张和腐蚀,根据它们的执行顺序,能够被用来填充孔或者去除噪声。然而,还已知的是,形态学重建需要使用结构元(structuring element),并且在对比剂增强(contrast enhanced)病灶检测中有大孔(即,大的坏死)的情况下,大的结构元会使得病灶的外部轮廓失真。
发明内容
本发明的目的是提供一种改进的技术,该技术当用来修补被分割的对象中的孔时,会修补该对象的任何未分割的部分,而不管大小如何。
这是根据本发明来实现的,通过本发明,计算机程序产品被设置为识别未包含在集合中的至少一个数据点,并且得到该数据点周围的多个径向(radial direction)中与在该集合中的至少一个已检测到的数据点相交的径向的百分比的测量值,该计算机程序产品被进一步设置为,在所计算出的径向的百分比高于预定阈值的条件下,将该数据点包含在表示目标对象的已检测到的数据点的集合中。
假设已经发生了某种程度的分割,或者是通过应用完整分割算法或者是通过分割算法的充足步骤,使得能够对所寻找的对象的形状(二维或三维的)实现某种识别,则所述计算机程序产品能够应用于所识别的病灶,以便闭合在该对象的完整分割中的任何缝隙。
在应用本发明的过程中有两个步骤。第一个步骤是对于未分割数据点,换而言之,图像中在已进行的分割过程中已被排除的像素和体素,获得图像数据中的已包含部分对该未分割数据点的包围程度的测量值。
第二个步骤是将该测量值与预定阈值进行比较,并且对于其测量值高于该阈值的任何数据点,将该数据点包含在所述分割中。
这两个步骤一起确保了不仅修补了被分割的病灶的主体中的分割孔,而且还修补了从该病灶的边缘遗漏的部分。
对于受过训练且具有临床知识的观察者来说,当看到分隔处理的输出时,本发明所闭合的孔或缝隙通常在视觉上是非常明显的,但在普通的分割算法中却公认地难以实现包含操作。已经进行了很多工作来设计产生完全表示感兴趣对象或病灶的输出的分割算法,但是在该领域内的大多数工作都集中于对分割算法中的步骤进行修改,照这样,在分割算法的一些应用中成功地修补了孔,但是在其它应用中却不能修补。作为一种替代方案,本发明的计算机程序将分割或多种分割作为输入,并试图完成它。
本发明的程序在应用于对比剂增强肿瘤检测时尤其有效,这是因为应用于这些病灶的检测的分割方法常常是基于阈值的。这样的分割方法包含识别其数值高于特定阈值的所有数据点(即像素或体素)的步骤,并且该步骤常常排除了表示具有低对比剂摄取的组织的数据点。以此方式,应用于对比剂增强肿瘤检测的分割方法常常遗漏肿瘤的中心坏死部分以及非常小的肿瘤厚度的边缘部分。
特别是,研究发现,本发明的程序可以有利地应用于对比剂增强胸部病灶的检测,尽管其也可以应用于其中分割输出包含与未分割的病灶相对应的孔或缝隙的任何病灶分割。
所述计算机程序可以被包含作为在普通分割算法的末端的自动最终步骤,或者可以作为修补程序被提供给用户,在通常应用的分割算法已经产生了具有视觉上明显的孔或缝隙的输出时,可以手动地选择该修补程序来运行。
本发明具有的另一优点在于,其能够用于修补在被分割的病灶的边缘处的孔或缝隙。在分割算法未能包含病灶的边缘部分的情况下,形态学重建并非总是有效的。
有许多方式都能够得到测量值。
本发明是基于对在现有分割步骤中被排除的特定点实际在经历分割的对象内部的程度的测量值。为了针对给定点而对此进行评估,计算该程度的测量值。能够实现该目的的一种特别有利的方式是,从当前讨论的该点向外投射多条射线并且穿过所述数据集。从而,所述多条射线中与被分割的结构相交的射线的百分比就成为对于该点处于对象内部的程度的测量值。为了柔和地闭合未分割区域,选择一个阈值。展现出高于该阈值的程度测量值的所有体素都被认为是在病灶的内部并且被添加到被分割的结构中。
如果所投射的射线按角度放射性地分布在该数据点周围,则该实施例能够产生更为成功的结果。
一个简单的变型是改变操作顺序。作为示例,该变型的一个实施例是,首先在一个方向上投射多条射线并穿过整个体积(volume),并且针对位于与该对象相交的射线上的背景体素而递增计数器,对下一个方向重复该过程等等。这仍然涉及射线投射,但是处理整个体积而不是分别计算单个体积的测量值。
可替换地,在二维图像计算的情况下可以计算圆,或者在三维图像计算的情况下可以计算球面,在任何一种下它们都围绕被排除的点并以其为中心,并且将与已经分割的部分相交的圆周的比例作为测量值。选择最有意义的半径(radius)是有挑战性的,但是例如,一种方案可以为每个数据点的一系列不同半径产生结果,并且根据所有结果的综合而得到测量值,或者根据产生最高比例结果的半径而得到测量值。
为了实现对在每个所选数据点周围的射线的规则性采样的逼近,当在三维数据集中执行计算时可以使用细分的二十面体(icosahedron)。
在一个尤其有优势的实施例中,在所述数据集上逐个点地进行该计算机程序,换而言之,取每个数据点并在移动到下一个数据点之前对当前数据点执行计算。在原理上,可以对整个数据集中的每个未分割的数据点执行本发明的步骤,但是这样的计算强度太大;一种更为有优势的且迭代的方法是,从已经分割的部分的边缘上的数据点开始,根据本发明对这些数据点执行计算,但是直到完成了所有计算才会将它们添加到该分割中。然后,以迭代方式,进一步对与其测量值的计算结果高于阈值的数据点毗连的所有数据点进行计算。如果继续该方法,就会发现,对于一些数据点而言,其测量值的计算结果低于该阈值,并且这些数据点被进一步忽略。该迭代持续进行,直到不存在其测量值的计算结果高于该阈值的数据点为止。然后,其测量值的计算结果确实高于该阈值的所有数据点被添加到分割体积中。
研究发现,有利的是,该阈值取决于应用而处在70%到90%之间。对于用户来说有利的是,能够以交互方式改变该阈值,尤其是在观看修补操作的结果时,在此情况下,研究发现,在其中病灶基本上为圆形的大多数情况下,用户常常选择75%到85%之间的阈值。实际上,研究发现,对于对比剂增强胸部病灶,80%的阈值能够得到最令人满意的结果。
本发明还涉及一种包含本发明的各个步骤的分割算法。这种分割算法的优点在于,其组合了本发明的各个步骤以及能够应用于在分割内产生的任何中间输出分割体积的那些步骤。由此,可以在继续进行分割过程的剩余步骤之前或者在将最终结果显示给用户之前,使用本发明的各个步骤来修补任何孔或缝隙。
本发明还涉及一种被配置为显示从医学成像设备获取的图像的计算机程序产品,包括一种包含本发明的各个步骤的计算机程序产品。这种计算机程序产品的优点在于,其能够用于显示并观看医学图像,并且使用本发明的各个步骤来修补分割算法的输出。
本发明还涉及一种包括一种包含本发明的各个步骤的计算机程序产品的工作站,以及一种包括一种包含本发明的各个步骤的计算机程序产品的PACS系统。这两者的优点在于,其能够用于显示并观看医学图像,并且使用本发明的各个步骤来修补分割算法的输出。
本领域技术人员一旦理解了要实现的各个步骤,就能够按照现有技术中已知的方式来构建实现本发明的各个步骤的计算机程序。
附图说明
将借助以下附图来解释本发明的这些方面和其它方面。
图1示出了适合应用本发明的病灶。
图2示出了在应用本发明之后的同一病灶。
图3示出了本发明如何实现其目的。
具体实施方式
图1示出了以自动确定的阈值来分割的对比度增强胸部病灶101的MR图像。大的坏死核102以及几个由于不均匀的对比剂摄取而遗漏的较小部分103、104、105没有被包含在该分割中。
用于从动态对比剂增强MRI中分割出胸部病灶的大多数方法依赖于强度阈值方法,这是因为病灶具有大的形态学变化。在对病灶进行非均匀增强的情况下,研究发现,现有的分隔过程可能会遗漏病灶的内部部分。
然而,对病灶的这些被遗漏的内部部分进行准确填充使得能够进行准确的体积评价、对外部轮廓的形态学评价以及对比剂摄取的不均匀性的正确量化。手工填充是很耗时的。另外,闭合在被分割的体素的3D集合内被充分包围的部分会遗漏通过隧道与背景相连的所有未增强部分。此外,形态学闭合操作需要给定大小的结构元。为了闭合如以上示例中的甚至更大的坏死核,需要应用大的结构元,这同时会造成病灶的外部轮廓失真。
图2示出了在应用本发明之后的同一病灶。现在所有的孔都被填充。
图3示出了本发明是如何实现其目的的,并且示出了被分割的体积301。如果对于点302、303、304、305,计算在该数据点周围的径向的百分比的测量值,示出了对于点302的测量值的计算结果具有值100%或1,则因此将其包含在所述分割中。在所示的孔中的所有点都会是这种情况。对于点303、304和305的计算结果分别是50%或0.5、75%或0.75以及0.125,并且不将这些点包含在分割结果中。
还发现以下采用区别优先顺序的区域增长形式的过程在限制必须评估测量值的体素数量时尤其适用:
1.对于所有边界体素计算测量值。边界体素的集合包含对于它们处于要被分割的对象内的程度具有最大测量值的体素。
2.如果测量值高于给定阈值,则将相应体素包含在被分割的体素的集合中,反之则终止。
3.更新边界体素的列表,并计算新边界点的内在状态。
4.返回1。
该过程可以应用于2D以及3D中。
本发明提供了一种用于闭合被分割的区域的内部部分的方法,即使是该区域并没有严格地包含在被分割的区域内时也是如此。所提出的方法的工作与被分割的区域的大小和待闭合的孔的大小无关。
一个数据点必然在对象内部从而被包含在被分割的区域中的程度可以由单个连续参数、已分割的对象包围该点的程度的测量值来调整,并且如果希望的话,用户可以通过改变阈值而以交互方法对其进行改变。

Claims (11)

1、一种用于对医学数据集进行操作的计算机程序产品,该医学数据集包含多个数据点,并且其中一种算法已经在该医学数据集中检测到表示目标对象的数据点的集合,其特征在于:
所述计算机程序产品被设置为识别未包含在所述集合中的至少一个数据点,并且得到该数据点周围的多个径向中与所述集合中的至少一个已检测到的数据点相交的径向的百分比的测量值,
并且被进一步设置为,在所计算的径向的百分比高于预定阈值的条件下,将该数据点包含在表示所述目标对象的已检测到的数据点的所述集合中。
2、如权利要求1所述的计算机程序产品,其特征在于,该计算机程序产品被配置为从所识别的数据点向外投射多条射线,并计算与所述集合中的至少一个已检测到的数据点相交的射线的百分比。
3、如权利要求2所述的计算机程序产品,其特征在于,所投射的射线按角度放射性地分布在所述数据点周围。
4、如上述任一权利要求所述的计算机程序产品,其特征在于,识别多个数据点,并且所述多个数据点的识别是在所述数据集上逐点进行的。
5、如权利要求4所述的计算机程序产品,其特征在于,所述多个数据点的识别顺序是从表示所述对象的数据点的所述集合的边缘开始的。
6、如权利要求4所述的计算机程序产品,其特征在于,直到完成了逐点进行数据点识别,才将满足条件标准的数据点包含在已检测到的数据点的所述集合中。
7、如上述任一权利要求所述的计算机程序产品,其特征在于,所述预定阈值处于70%到90%的范围内,优选地处于75%到85%的范围内,并且优选地是值80%。
8、一种分割算法,其包含根据上述任一权利要求所述的方法。
9、一种被配置为显示从医学成像设备获取的图像的计算机程序产品,包含根据上述任一权利要求所述的计算机程序产品。
10、一种工作站,包含根据上述任一权利要求所述的计算机程序产品。
11、一种PACS系统,包含根据上述任一权利要求所述的产品。
CNA2007800398322A 2006-10-25 2007-10-22 改进的分割 Pending CN101529466A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP06122954 2006-10-25
EP06122954.8 2006-10-25

Publications (1)

Publication Number Publication Date
CN101529466A true CN101529466A (zh) 2009-09-09

Family

ID=38847045

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2007800398322A Pending CN101529466A (zh) 2006-10-25 2007-10-22 改进的分割

Country Status (5)

Country Link
US (1) US20100316267A1 (zh)
EP (1) EP2076881A1 (zh)
JP (1) JP2010507438A (zh)
CN (1) CN101529466A (zh)
WO (1) WO2008050280A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012511337A (ja) * 2008-12-09 2012-05-24 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 乳房病変特徴付けのための複数のセグメンテーション結果の概要
JP5844296B2 (ja) * 2012-06-11 2016-01-13 富士フイルム株式会社 放射線画像処理装置および方法
US10984294B2 (en) 2016-12-02 2021-04-20 Koninklijke Philips N.V. Apparatus for identifying objects from an object class

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3004667B2 (ja) * 1988-04-18 2000-01-31 スリーディー、システムズ、インコーポレーテッド Cad/cam立体石版技法用データの変換
US5321770A (en) * 1991-11-19 1994-06-14 Xerox Corporation Method for determining boundaries of words in text
JP3751770B2 (ja) * 1999-07-08 2006-03-01 富士通株式会社 3次元形状生成装置

Also Published As

Publication number Publication date
US20100316267A1 (en) 2010-12-16
WO2008050280A1 (en) 2008-05-02
EP2076881A1 (en) 2009-07-08
JP2010507438A (ja) 2010-03-11

Similar Documents

Publication Publication Date Title
Van Rikxoort et al. Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection
Gao et al. Classification of CT brain images based on deep learning networks
US8509502B2 (en) Spine labeling
US20040175034A1 (en) Method for segmentation of digital images
Yang et al. A two-stage convolutional neural network for pulmonary embolism detection from CTPA images
CN104143190B (zh) Ct图像中组织的分割方法及系统
CN104899926A (zh) 医学图像分割方法和装置
CN104573309A (zh) 用于计算机辅助诊断的设备和方法
US10452948B2 (en) Object identification method in dual-energy CT scan images
DE102005036998B4 (de) Vorrichtung zur automatischen Detektion von Auffälligkeiten in medizinischen Bilddaten
CN103971403A (zh) 3d管状结构的曲线重建的快速呈现
CN103069455A (zh) 用于医学图像的鲁棒分割的器官特异的增强滤波器
CN107633514B (zh) 一种肺结节周边血管量化评估系统及方法
JP6495037B2 (ja) 医用画像処理装置及び医用画像診断装置
CN103562960A (zh) 用于生成图像的图像区域与元素类之间的分配的装置
US9652673B2 (en) Method for identifying calcification portions in dual energy CT contrast agent enhanced scanning image
Wang et al. Pulmonary nodule detection in CT images based on shape constraint CV model
US10115196B2 (en) Method and apparatus for delineating an object within a volumetric medical image
CN110268441B (zh) 获得物体的多个部件的3d模型数据的方法
CN101443813A (zh) 输出造影增强的医学图像数据的计算机程序
CN101529466A (zh) 改进的分割
CN105513055B (zh) Cta图像中分割组织的方法和装置
CN106023144A (zh) 在断层影像中分割股骨的方法
KR101054043B1 (ko) 2차원 의료영상으로부터 3차원 영상을 생성하는 방법
DE112007002348B9 (de) Robuste Segmentierung eines Massenkandidaten in digitalen Mammographiebildern

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20090909