CN101548296A - 解剖树的自动化分层拆分 - Google Patents

解剖树的自动化分层拆分 Download PDF

Info

Publication number
CN101548296A
CN101548296A CNA2007800223864A CN200780022386A CN101548296A CN 101548296 A CN101548296 A CN 101548296A CN A2007800223864 A CNA2007800223864 A CN A2007800223864A CN 200780022386 A CN200780022386 A CN 200780022386A CN 101548296 A CN101548296 A CN 101548296A
Authority
CN
China
Prior art keywords
point
bifurcation
subtree
tree structure
points
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
CNA2007800223864A
Other languages
English (en)
Other versions
CN101548296B (zh
Inventor
R·维姆科
T·比洛
R·奥普弗
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 CN101548296A publication Critical patent/CN101548296A/zh
Application granted granted Critical
Publication of CN101548296B publication Critical patent/CN101548296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T2207/20156—Automatic seed setting
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

一种用于对与解剖树结构(12)有关的数据集进行拆分的方法包括：在树结构内确定多个种子点(24)；确定沿着该树结构从多个种子点(24)中的每一个到多个其他点(14)中的每一个的路径(20)的长度；确定从多个种子点(24)中的每一个到多个其他点(14)中的每一个的欧几里得距离(26)；基于所确定的长度(20)和距离(26)，将种子点(24)与表示该种子点是根点的似然度的度量相关联；将树结构(12)的根点识别为与用于表示相应种子点是根点的似然度的最大度量相关联的种子点(24)；以及基于根点来确定主要分叉点(64)。

Description

解剖树的自动化分层拆分
技术领域
本发明涉及一种用于对数据集表示的解剖树结构进行拆分的方法，该数据集标识了解剖树结构中的多个点。本发明还涉及一种系统以及一种计算程序产品。
背景技术
WO 03/034337公开了一种用于对对象数据集进行分析的方法，在该对象数据集中出现了具有多个分支(branch)和分叉(bifurcation)的管状结构，其中，所述对象数据集分配数据值给多维空间的位置，该数据值与待检查的对象相关，并且其中，对沿着所述管状结构的分支的所述管状结构的分叉的位置进行标记，每个分支和分叉具有唯一的标记。当特别地为了实现全自动脉管跟踪，特别是针对病人脑中的脉管结构使用该方法时，为了提高精确度，提出下列步骤：在该管状结构的感兴趣的分支或分叉中或者附近选择起始点；对在所述起始点周围包含球体以及经过该球体中心的平面的探针进行定向，从而使该平面经过所述起始点；调整探针的方向，从而使该平面垂直于该管状结构，并且使该球体的中心处于该管状结构的中心轴上；从而通过使用该球体内的表面顶点，根据沿着分支的分叉的最靠近位置的标记来标记所述表面顶点，其中仅具有与感兴趣分支或分叉的标记或沿着感兴趣分支的下一个分叉或末端的标记相等的标记的表面顶点用于调整探针的方向。
已知的方法以作为定量脉管分析算法中的处理步骤，来提供分支和分叉的标记过程。
发明内容
本发明的目标是提供一种用于检查解剖树结构的改进方法。通过提供一种包含以下步骤的方法来实现该目标：查找表示该解剖树结构的主流入和/或主流出的根点(48)；
基于所述根点，查找对所述解剖树结构中的两个主子树进行约束的主要分叉点(64)；以及
在所述主要分叉点处对所述解剖树结构进行拆分。
所述数据集可以由用于标识解剖树结构中的多个点的数据集来表示。所述多个点是多维空间中的点，通常是三维空间，因为人体本质上是三维的。例如，如果将三维数据集投影到二维平面上，则二维空间也适用。例如，当包含时间维度时，四维空间也适用。
如下文所说明的，主要分叉点连接两个主子树。通过首先查找根点然后查找主要分叉点，就可以识别出在每个分叉点处的相关子树，这对确定关于分叉点的重要性而言是非常重要的。这两个主子树很有可能具有特定解剖含义，例如所述子树可以供给不同的器官或同一器官的不同叶。
根点通常在识别主要分叉点中扮演重要的角色。能够分层次地确定多个主要分叉点，这时更靠近根点的主要分叉点通常在分层中比进一步远离根点的主要分叉点更高。
主要分叉点可以用作拆分点，用于在具有解剖含义的某个位置上对分层树进行拆分。例如，可以将脉管树拆分为多个部分，每个部分供给器官(例如，肾或肺)的不同叶。在表示支气管树的树结构的情况下，可以使用主要分叉点来识别支气管树的多个部分，各个部分传递空气到肺的不同叶。本发明使得临床医生用户更易于区分该树的各个重要部分，因为拆分点已经被自动指示出。
在一个实施例中，查找根点的步骤包括：
在树结构内选择多个种子点(24)；
计算沿着所述树结构从所述多个种子点(24)中的每一个到多个其他点(14)中的每一个的路径(20)的长度；
计算从所述多个种子点(24)中的每一个到所述多个其他点(14)中的每一个的距离(26)；
基于所确定的长度(20)和距离(26)，针对每个种子点(24)计算表示该种子点是所述根点的似然度的度量；以及
基于与表示相应种子点是所述根点的似然度的最大度量相关联的种子点(24)，识别所述树结构(12)的所述根点。
这种查找根点的方式利用了以下认知，即，从根点到任何其他点的路径平均起来比任何两个随机点之间的路径短。
在一个实施例中，识别根点的步骤包括：
查找所述树结构中最靠近与表示相应种子点是所述根点的似然度的最大度量相关联的种子点(24)的叶子；以及
将所述叶子识别为所述根点。
这里，叶子是树结构的端点。最靠近该种子点的叶子可以被视为这样的叶子：该叶子到该种子点的路径与其到树结构中的任何其他叶子的路径相比更短或至多相等。
在本发明的一个实施例中，将根点识别为与用于表示相应种子点是根点的似然度的最大度量相关联的种子点(24)。这在计算上更有效率。
一个实施例包括：识别一组候选种子点，该组候选种子点受与根据所述表示似然度的度量当前最有可能是根点的种子点之间的距离所约束；
从该组候选种子点中选择用以包含在所述多个种子点中的点(30)；以及
减少所述距离。
可以使用任何启发式优化方法来查找所述最大可能的根点。优化方法的示例是模拟退火。
在一个实施例中，查找主要分叉点的步骤包括：
识别解剖树结构的多个分叉点(64)；
针对每个所识别的分叉点(64)，计算与所述树结构(66)的一部分相关的度量，其中，所述树结构(66)的该部分不包含所述根点(48)并且受到相应分叉点(64)约束；以及
将所述主要分叉点(64)识别为所述多个分叉点之中具有最大相关度量的分叉点。
通过对树结构中受到不包括根点在内的主要分叉点约束的该部分进行分析来查找主要分叉点。分叉点的重要性可以相对于根点来确定。与树结构的一部分相关的度量可以包括在树结构的该部分内的脉管的体积或长度。还可以包括其他值，例如在树结构的该部分内的分叉数量。
一个实施例包括，针对所述多个分叉点之中的每个分叉点，
对在该分叉点处连接的多个子树(60，62)进行区分；
计算所述多个子树中的每一个的尺寸；
将与所述树的该部分相关的度量计算为所述多个子树中各个子树的尺寸之中的最小值。
主要分叉点一般地将树结构分为至少两个相对较大的子树。包括所述多个子树中各个子树的尺寸之中的最小值会避免仅将较小的子树从较大的子树分离的分叉被错误地识别为主要分叉。
在一个实施例中，对解剖树结构进行拆分的步骤包括：
对在所述主要分叉点(64)处连接的多个子树(60，62)进行区分；以及
绘制所述树结构，以便可以由人来区分出所述多个子树中的至少一个子树。
例如通过把主要分叉点作为用于进一步计算处理步骤的输入，来实现其他方式的拆分，所述进一步计算处理步骤例如为诸如在主要分叉点处连接的两个子树的体积之类的定量值的计算和显示。
该方法有利地适用于由主要分叉所分离的子树的可视化。这可以包括一次仅绘制一个子树、或在不同绘制区域中绘制两个子树、和/或使用不同颜色和/或纹理来绘制每个子树。这使得更易于查看子树或者对例如器官的叶进行可视化。在脉管分析程序包中可以应用该方法以及处理步骤。例如，在识别出主要分叉之后，脉管分析程序包内的脉管分析工具可能应用于所识别的多个子树中的一个。
一个实施例包括：使用户能够选择解剖树结构的子树；以及
仅考虑所述多个分叉点之中位于所选择的子树内的分叉点，将另一主要分叉点识别为所述多个分叉点之中具有最大相关度量的分叉点。
这是一种用于快速识别出解剖树结构中的特定部分的简便方法。
在一些实施例中，所述树结构表示人体和/或动物体的脉管树和/或支气管树。
本发明适用于在人体解剖中出现的任何类型的解剖树结构。本发明同样适用于在动物或植物中出现的任何类型解剖树结构。
在一个实施例中，所述数据集与三维图像体数据集相关，所述体数据集是借助于计算机断层成像、磁共振成像、3D-X-射线和/或超声成像所得到的。
一个实施例包括：根点查找装置，其用于查找表示所述解剖树结构的主流入和/或主流出的根点；
主要分叉点查找装置，其用于基于所述根点，查找对所述解剖树结构中的两个主子树进行约束的主要分叉点；以及
拆分装置，其用于在所述主要分叉点处对所述解剖树结构进行拆分。
一个实施例包括用于使得计算机系统执行上述方法的指令。
附图说明
将参考附图进一步阐明和说明本发明的这些和其他方面，其中：
图1和2说明了在查找根点时所涉及的几个方面；
图3说明了一些候选根点；
图4-7说明了在分叉点处连接的一些子树；
图8示出了图示出根据本发明的方法的几个步骤的流程图；以及
图9是本发明实施例的图。
具体实施方式
脉管应当理解为用于传导身体流体的管状结构，换句话说，是在身体内运载流体，特别是运载血液或淋巴液的输送管。在这种意义上，脉管的具体示例是动脉、静脉、和支气管。
在各个实施例的解释中，所提到的一些技术和短语为3D图像分析领域的技术人员所熟知。例如，树结构典型地包括分支(branch)。所述分支在交叉点(bifurcation point)处连接起来。分支的不在交叉点处连接的端点可以被称为叶子。树中的一个点定义为根点。在表示例如管状结构的解剖树的情况下，所述根点表示该结构的主流入和/或主流出。一种用于识别这样的根点的方法是对在该结构中的多个不同点处的管直径进行比较；主流入和/或主流出通常具有最大直径。下面公开了一种用于识别根点更可靠的方法。子树是作为一个更大树结构中一部分的树结构。用于表示解剖树结构中的多个点的数据集可以以几种方式来提供。一种表示这样的数据集的方法是借助于为体元素(体素)分配数值的体数据集。典型地，对用于表示脉管的部分的体素和表示其他组织的体素分配不同(范围)的值。用于表示解剖树结构的另一方法是借助于由位于脉管和其他组织之间的边界上的多个离散3D点构成的一个列表。这已知是一种脉管的表面表示方法。其他表示方法还可以结合本发明来使用，如本领域技术人员所理解的。
区域增长或体素增长一般是在分割和图像分析中使用的已知技术。其还可用于创建体素或3D点的排序。该技术还可用于根据预定的标准来识别体素的一个子集。体素增长算法典型地以包含一个或多个种子体素的集合开始。以连续的顺序将更多体素添加到该集合里。仅添加符合预定标准的体素。通常，主要的标准是待添加的体素是已在该集合中的体素的邻居，并且待添加的体素是脉管的一部分。体素V1的邻居定义为在体素V1的k-邻域中的体素V2。体素V1的26-邻域定义为在面上或边缘上与V1连接的26个体素构成的集合。可以使用例如8-邻域来代替26-邻域，8-邻域包含在面上与V1连接的8个体素。在具有优先级排列的体素增长中，按照特定顺序添加符合标准的体素。在使用最小步行距离(walking distance)优先级的体素增长中，添加体素的顺序是由从种子体素经由在子集中已经被面和/或边缘连接的体素到待添加的体素之间的最短路径的长度定义的。
用于将一个给定的树拆分成两个主要分支的一种方法的实施例包括两个主要部分：查找树的根，以及相对于该根来查找树的主要分叉。
第一步，查找树的根按下列进行。可以通过随机过程或基于用户输入来选择多个种子点。可替换地，将树结构中的所有体素都包括在所述多个种子点中。如果有一些关于树结构的先验知识可用，则可以基于关于根点位置的假设来选择所述种子点。优选地，要选择靠近根点的种子点。针对所述多个种子点中的每一个种子点，计算表示该点是树根的似然度的代价函数。从该种子点开始，开始进行体素增长直到整个结构的所有体素都已经被访问为止。优选地，将具有优先级排列的、使用最低步行距离优先级的体素增长用来应对数据结构中的可能循环。这定义了沿着树结构从树结构中的种子点到其他多个点中的每一个点的路径长度。用于计算沿着树结构从种子点到其他多个点中的每一个点的路径长度的其他方法为本领域的技术人员所熟知。对于多个体素，将步行距离与更短或相等的飞程(flightdistance)(欧几里得距离)做比较，并计算该种子点的代价函数如下：
cost＝∑(dwalk-dflight)
该代价函数与该种子点相关联，作为表示该种子点是根点的似然度的度量。特别是当多个分支几乎呈放射状散开时，对于解剖树的根而言，代价函数变为最小，而对于远离该树的分支的种子点而言，该代价函数变得很大，这是因为要使用相对于飞程路线的很强的偏离才能达到该树中的许多点。因此，将根点识别为在所述多个种子点之中与最大度量相关联的种子点。
原则上，可以通过针对树结构的每个体素来计算代价函数并且查找具有最小代价函数的点，来确定树的根。这相当于将所有体素都包含在所述多个种子点中。优选实施例使用下列方案来减少所需要的计算次数。该实施例使用了一种类似模拟退火的方法。将起始点(可能是随机的)作为种子点包含在所述多个种子点中，并且计算该起始点的代价函数。然后，选择与当前最佳点相距(最多)为步行距离h的一个随机点。将所选择的点作为种子点包含在所述多个种子点中，并且计算该点的代价函数。如果该代价函数的值更小，则将该新点采纳为新的当前最佳点。对于在距离h处的随机点的这种测试重复一定次数。然后逐步降低距离h，并且重复尝试随机点的过程。整个过程以较高的距离h开始，例如，该距离为树尺寸的一半，然后当h小于所期望的空间精确度时停止。因此，在该过程期间逐步确定了所述多个种子点，而不是从一开始就确定。与模拟退火相关的几个方案变体以及在该过程中可以用来替代模拟退火的其他非线性优化方法为本领域的技术人员所熟知。
第二步，在第一步之后查找树的主要分叉。以作为种子点的根点开始，开始进行(优选地具有优先级排列的、采用最低步行距离优先级的)体素增长，直到已经访问了该树结构的所有脉管体素为止。在优选实施例中，第一步中的体素增长的结果用于避免不必要的计算。
以一个空的集合开始，以在体素增长过程中所计算的步行距离递减的顺序，逐个添加体素(见图4-6)。这可以通过形成体素的箱式排序(bin-sorted)列表来以有效的方式实现。添加到该集合中的每个体素与一个类相关联。如果要添加的体素在该集合中至少一个体素的邻域中，则与其相关联的类与那个体素相同，否则就创建一个新的类。只要新添加的体素在与不同类相关联的至少两个体素的邻域中，就可以说该体素合并了两个之前分离的类，并且将该体素识别为分叉点。这两个合并的类形成了该树结构中的不包括根点并受相应分叉点约束的部分。树结构的该部分不包括根点，这是因为这些体素是按照在体素增长过程中所计算的它们到根点的距离从最高距离开始来进行选择的。树结构的该部分受到分叉点的约束，这是因为该部分仅包含与根点的距离比分叉点自身与根点的距离更大的体素。
将一个度量与分叉点相关联，该度量与树结构中的不包含根点并受到相应分叉点约束的部分相关。
因为分叉点所合并的每个类表示不同的子树，因此就可以对在该分叉点处连接的多个子树进行区分。计算与多个子树中的每个子树相关联的尺寸。主子树可以例如具有相对较大的尺寸。例如，可以使用子树中的体素数量来作为该子树中的尺寸，或者可以使用子树中分叉的数量。然后将与该分叉点相关联的度量计算为多个子树中各个子树的尺寸之中的最小值。换句话说，将这两个合并的类之中较小的一个的尺寸与该分叉点相关联，m＝MIN(v1，v2)，并且形成新的合并类。
当已经将所有体素合并为单个类时，将主要合并者(即主要分叉点)确定为具有最大相关度量m＝MIN(v1，v2)的那一个。该最大-最小-原理确保了不会将合并到较大分支的较小分支作为主要分叉。
将参考附图1-7和图8的流程图(以步骤100开始并以步骤114结束)进一步解释这些和其他实施例。当一个对象在多个附图中出现时，使用了同一参考数字来标识它。图1和2说明了在该算法中用于查找根点的几个步骤。解剖树结构(12)通常表示人体器官或人体中的管状结构。这样的管状结构以几种形式(包括动脉、静脉、支气管、和淋巴管)出现在人和动物体中。所述管状结构用于向器官和从器官传输流体(包括液体和气体)以及在器官内分布流体。解剖树结构通常可以拆分成几个子树结构。在许多情况下，通过单个子树或较少数量的子树来为器官或器官的叶服务。在这种和其他情况下，为了实现医疗诊断和治疗计划的目的，对这些子树单独地进行可视化具有医学实用性。为了提高临床工作流程，有利的是自动识别子树，而不需要用户交互或使用最少的用户交互。为此，识别树的根，并且相对于该根点来确定拆分点。所述拆分点标识了解剖树结构中(潜在)重要的子树的根点。
在优选实施例中，通过迭代地计算与种子点(10)相关联的代价函数值来确定根点(24)。例如，可以采用下列方式中的一种(或者其组合)来确定种子点(步骤102)：
每个体素都是种子点。
多个种子点沿着管状结构(12)均匀分布。
所有分叉点(18)都是种子点。
所有端点(19)都是种子点(优选地)。
可以作为体素增长算法(还已知为区域增长或前端传播(frontpropagation))，来确定分叉点和端点。只要前端拆分为两个前端(不是连接的体素)，就检测到了分叉。只要前端不能再增长，就检测到了端点。分叉点和端点检测的几个精细化方法已为本领域的技术人员所熟知。在不是由体素而是由另外一个表示方法来表示管状结构的情况下，仍可以选择种子点，例如，可分析地采用上述的多种方法中的一种。
在另外一个实施例中，如图3所说明的，基于所计算的先前种子点的代价函数值，来迭代地选择(步骤106和102)种子点(30，32)。优选地，将新的种子点选择为靠近这样的先前种子点：该先前种子点的相关代价函数表示该点是合适的根点的高似然度。例如可以使用模拟退火算法。
代价函数可以计算如下(步骤104)。确定沿着解剖树结构(12)从种子点(10)到另一个点(14)的(最短)路径(16)。将该最短路径(16)的长度与从种子点(10)到所述另一个点(14)的距离(11)做比较。例如可以以这两个值的差或商来实现该比较。针对多个其他点(14)重复该过程。所述“其他点”可从解剖树结构中选择并在算法运行期间保持不变。例如，可以使用每个体素来作为“其他点”，或者所述其他点可以按照与种子点的选择相类似的方式进行选择。
对该比较的结果进行组合(例如通过加法或乘法)，来确定表示该种子点是根点的似然度的度量。针对多个种子点确定该度量，从而可以将最终的根点识别为(在步骤107中)与表示相应种子点是根点的似然度的最大度量相关联的种子点(24)。
在识别出根点之后，下一步骤是确定主要分叉(拆分点)。在相对简单的实施例中，将根点(24)确定为主要分叉点。在附图4-7中说明了一个更高级的实施例。通过对分叉点下面的子树(66)进行分析来确定分叉点(64)是否是主要分叉点。相对于树结构(66)中的不包含根点(48)并受到分叉点(64)约束的部分来确定该子树(66)。这就得到了与分叉点是主要分叉点的似然度相关的度量。针对多个分叉点(在步骤108中选择的)计算该度量(在步骤110中)，并且将与最大度量相关联的分叉识别为主要分叉点。例如，可以基于子树中的分叉数量或基于子树的复杂性度量，来计算该度量。
在优选实施例中，对在分叉点(64)处连接的多个子树(60，62)进行区分。仅评估不包含种子点的子树。这种意义上的子树可以定义为例如该树的受到该树的分叉点(64)和端点(也称为“叶子”)约束的部分。与尺寸相关的值与每个子树相关联。可以将多个与尺寸相关的值中最小的一个作为与分叉点(步骤110)相关联的度量。针对所有相关的分叉点(步骤112和108)重复该过程。例如，在与分叉45相关联的度量的计算中涉及子树44和46。在与分叉55相关联的度量的计算中涉及子树50和52。在与分叉64相关联的度量的计算中涉及子树60和62。最后，在与分叉75相关联的度量的计算中涉及子树70和72。
在步骤113中，具有最大相关度量的分叉点识别为主要分叉点：
Figure A200780022386D00141
这里，Bp是主要分叉点，m(B)是与分叉点B相关联的度量，并且subtr1(B)和subtr2(B)是受到分叉B约束的至少两个子树。该最大-最小公式确保了仅从主树70分离出较小的侧分支72的分叉点75不会被选择为主要分叉点。而是将分离出两个大的子树60和62的分叉点64选择为主要分叉点。
在本发明的实施例中，绘制装置用于绘制解剖树结构，例如用于医疗工作站以便由医师进行进一步分析。有利的是，执行绘制以使得一个人能够区分出多个子树中的至少一个子树。然后，用户可以提供输入，以识别在先前所检测的主要分叉点之一处连接的多个子树之一中的第二主要分叉点。不必再次计算种子点，因为其对于任何第二主要分叉点来说还是有效的。还有，如果在计算了m(B)之后已经将其存储，就不必再次计算。可以将与用户所选择的子树中的分叉相关联的度量做比较，并且可以在具有最大相关度量的分叉点处拆分子树。
图9说明了包含在本发明实施例中的硬件元件。通信端口95用于从PACS系统或从医疗成像模态，例如CT或MRI接收图像数据。图像数据由处理器92处理并且将所处理的和/或原始的数据暂时存储在存储器91中。显示器93用于绘制数据。如果数据具有解剖树结构，则通过使得处理器92应用合适的指令可能应用所述的方法。在显示器93上绘制解剖树，并且例如医师可以借助于用户输入94指示需要进一步检查的部分。用户可以例如使用鼠标设备来点击解剖树结构中的可用部分，或者用户可以选择许多预先计算的主子树中的一个。处理器通过突出显示解剖树结构的可用部分和/或移除解剖树结构的不可用部分，来应用合适的拆分。处理器还可以被设置为用于查找所述的根点和/或主要分叉点。
应当理解，本发明还延伸到计算机程序，特别是载体上或载体内的计算机程序，其用于实现本发明。程序可以是以源代码、目标代码、诸如部分编译形式的代码中间源和目标代码的形式、或者在根据本发明的方法实现中使用的任何其他适合的形式。载体可以是能携带该程序的任何实体或设备。例如，载体可以包括存储介质，诸如ROM，例如CD ROM或半导体ROM，或者磁记录介质，例如软盘或硬盘。此外，载体还可以是可传输的载体，例如电或光信号，其可以通过电缆或光缆或无线电或其他手段来传送。当程序以这样的信号来实现时，载体可能由这样的缆线或其他设备或手段组成。可替换地，载体可以是嵌入有程序的集成电路，该集成电路用于执行相关的方法或者在相关方法的执行中使用。
应当注意，上述实施例说明了而不是限制本发明，并且本领域技术人员能设计许多可替换的实施例而不偏离所附权利要求的范围。在权利要求中，位于括号内的任何引用符号不应该理解为限制本权利要求。使用动词“包括”以及其变化形式并不排除除了权利要求所陈述的元件或步骤之外还存在其他元件或步骤。在元件之前的冠词“一”并不排除存在多个这样的元件。借助于包括几个不同元件的硬件以及借助于适当编程的计算机，可以实现本发明。在列举出的几个装置的设备权利要求中，这些装置中的几个可以通过同一个硬件来实现。仅有的事实是，在相互不同的相关权利要求中引用的措施并不表示这些措施的组合不能用来获得便利。

Claims (13)

1、一种用于对数据集表示的解剖树结构(42)进行拆分的方法，该数据集标识了所述解剖树结构中的多个点，该方法包括：
查找表示所述解剖树结构的主流入和/或主流出的根点(48)；
基于所述根点，查找对所述解剖树结构中的两个主子树进行约束的主要分叉点(64)；以及
在所述主要分叉点(64)处对所述解剖树结构进行拆分。
2、如权利要求1所述的方法，其中，所述查找根点的步骤包括：
在所述树结构内选择多个种子点(24)；
计算沿着所述树结构从所述多个种子点(24)中的每一个到多个其他点(14)中的每一个的路径(20)的长度；
计算从所述多个种子点(24)中的每一个到所述多个其他点(14)中的每一个的距离(26)；
基于所确定的长度(20)和距离(26)，针对每个种子点(24)计算表示该种子点是所述根点的似然度的度量；以及
基于与表示相应种子点是所述根点的似然度的最大度量相关联的种子点(24)，识别所述树结构(12)的所述根点。
3、如权利要求2所述的方法，其中，所述识别所述根点的步骤包括：
查找所述树结构中最靠近与表示相应种子点是所述根点的似然度的最大度量相关联的种子点(24)的叶子；以及
将所述叶子识别为所述根点。
4、如权利要求2所述的方法，进一步包括：
识别一组候选种子点，该组候选种子点受与根据所述表示似然度的度量、当前最有可能是根点的种子点之间的距离所约束；
从该组候选种子点中选择用以包含在所述多个种子点中的点(30)；以及
减少所述距离。
5、如权利要求1所述的方法，其中，所述查找主要分叉点的步骤包括：
识别所述解剖树结构中的多个分叉点(64)；
针对每个所识别的分叉点(64)，计算与所述树结构(66)的一部分相关的度量，其中，所述树结构(66)的该部分不包含所述根点(48)并且受到相应分叉点(64)约束；以及
将所述主要分叉点(64)识别为所述多个分叉点之中具有最大相关度量的分叉点。
6、如权利要求5所述的方法，进一步包括针对所述多个分叉点之中的每个分叉点：
对在该分叉点处连接的多个子树(60，62)进行区分；
计算所述多个子树中的每一个的尺寸；
将与所述树的该部分相关的度量计算为所述多个子树中各个子树的尺寸之中的最小值。
7、如权利要求1所述的方法，其中，所述对所述解剖树结构进行拆分的步骤包括：
对在所述主要分叉点(64)处连接的多个子树(60，62)进行区分；以及
绘制所述树结构，以便可以由人来区分出所述多个子树中的至少一个子树。
8、如权利要求7所述的方法，进一步包括：
使用户能够选择所述解剖树结构的子树；以及
仅考虑所述多个分叉点之中位于所选择的子树内的分叉点，将另一主要分叉点识别为所述多个分叉点之中具有最大相关度量的分叉点。
9、如权利要求1所述的方法，其中，所述树结构表示人体或动物体的脉管树。
10、如权利要求1所述的方法，其中，所树结构表示人体或动物体的支气管树。
11、如权利要求1所述的方法，其中，所述数据集与三维图像体数据集相关，所述体数据集是借助于计算机断层成像、磁共振成像、3D-X-射线和/或超声成像所得到的。
12、一种用于对数据集表示的解剖树结构(42)进行拆分的系统，该数据集标识了所述解剖树结构中的多个点，该系统包括：
根点查找装置，其用于查找表示所述解剖树结构的主流入和/或主流出的根点(48)；
主要分叉点查找装置，其用于基于所述根点，查找对所述解剖树结构中的两个主子树进行约束的主要分叉点(64)；以及
拆分装置，其用于在所述主要分叉点(64)处对所述解剖树结构进行拆分。
13、一种计算机程序产品，包括使得计算机系统执行如权利要求1所述方法的指令。
CN2007800223864A 2006-06-16 2007-06-11 解剖树的自动化分层拆分 Active CN101548296B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP06115588 2006-06-16
EP06115588.3 2006-06-16
PCT/IB2007/052192 WO2007144815A2 (en) 2006-06-16 2007-06-11 Automated hierarchical splitting of anatomical trees

Publications (2)

Publication Number Publication Date
CN101548296A true CN101548296A (zh) 2009-09-30
CN101548296B CN101548296B (zh) 2013-04-24

Family

ID=38832188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2007800223864A Active CN101548296B (zh) 2006-06-16 2007-06-11 解剖树的自动化分层拆分

Country Status (5)

Country Link
US (1) US8315963B2 (zh)
EP (1) EP2036040B1 (zh)
JP (1) JP5918923B2 (zh)
CN (1) CN101548296B (zh)
WO (1) WO2007144815A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102420850A (zh) * 2011-11-08 2012-04-18 东软集团股份有限公司 一种资源调度方法及系统

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5661283B2 (ja) * 2006-11-20 2015-01-28 コーニンクレッカ フィリップス エヌ ヴェ 生体構造ツリー構造の表示に係るシステム、作動方法及びコンピュータ可読記憶媒体
US9629571B2 (en) 2007-03-08 2017-04-25 Sync-Rx, Ltd. Co-use of endoluminal data and extraluminal imaging
US8781193B2 (en) 2007-03-08 2014-07-15 Sync-Rx, Ltd. Automatic quantitative vessel analysis
WO2009153794A1 (en) 2008-06-19 2009-12-23 Sync-Rx, Ltd. Stepwise advancement of a medical tool
US9375164B2 (en) 2007-03-08 2016-06-28 Sync-Rx, Ltd. Co-use of endoluminal data and extraluminal imaging
US11197651B2 (en) 2007-03-08 2021-12-14 Sync-Rx, Ltd. Identification and presentation of device-to-vessel relative motion
US11064964B2 (en) 2007-03-08 2021-07-20 Sync-Rx, Ltd Determining a characteristic of a lumen by measuring velocity of a contrast agent
US9968256B2 (en) 2007-03-08 2018-05-15 Sync-Rx Ltd. Automatic identification of a tool
JP5639764B2 (ja) 2007-03-08 2014-12-10 シンク−アールエックス，リミティド 運動する器官と共に使用するイメージング及びツール
US10716528B2 (en) 2007-03-08 2020-07-21 Sync-Rx, Ltd. Automatic display of previously-acquired endoluminal images
US9974509B2 (en) 2008-11-18 2018-05-22 Sync-Rx Ltd. Image super enhancement
US11064903B2 (en) 2008-11-18 2021-07-20 Sync-Rx, Ltd Apparatus and methods for mapping a sequence of images to a roadmap image
US9144394B2 (en) 2008-11-18 2015-09-29 Sync-Rx, Ltd. Apparatus and methods for determining a plurality of local calibration factors for an image
US8855744B2 (en) 2008-11-18 2014-10-07 Sync-Rx, Ltd. Displaying a device within an endoluminal image stack
US10362962B2 (en) 2008-11-18 2019-07-30 Synx-Rx, Ltd. Accounting for skipped imaging locations during movement of an endoluminal imaging probe
US9095313B2 (en) 2008-11-18 2015-08-04 Sync-Rx, Ltd. Accounting for non-uniform longitudinal motion during movement of an endoluminal imaging probe
US9101286B2 (en) 2008-11-18 2015-08-11 Sync-Rx, Ltd. Apparatus and methods for determining a dimension of a portion of a stack of endoluminal data points
JP5559642B2 (ja) * 2010-08-30 2014-07-23 富士フイルム株式会社 手術支援装置、手術支援方法および手術支援プログラム
CA2770022A1 (en) * 2011-03-03 2012-09-03 The Governors Of The University Of Alberta Systems and methods for efficient top-k approximate subtree matching
EP2723231A4 (en) 2011-06-23 2015-02-25 Sync Rx Ltd LUMINAL BACKGROUND CLEANING
GB2501532A (en) * 2012-04-26 2013-10-30 Ibm Bounding a metric for data mining on compressed data vectors
CA2875346A1 (en) 2012-06-26 2014-01-03 Sync-Rx, Ltd. Flow-related image processing in luminal organs
EP2883208B1 (en) 2012-08-13 2021-02-17 Koninklijke Philips N.V. Tubular structure tracking
US9471989B2 (en) * 2013-06-03 2016-10-18 University Of Florida Research Foundation, Inc. Vascular anatomy modeling derived from 3-dimensional medical image processing
US9754367B2 (en) * 2014-07-02 2017-09-05 Covidien Lp Trachea marking
JP6053736B2 (ja) * 2014-09-12 2016-12-27 富士フイルム株式会社 ３次元オブジェクト分割出力装置およびその応用
JP6080267B2 (ja) * 2014-09-12 2017-02-15 富士フイルム株式会社 ３次元オブジェクト分割出力装置およびその応用
CN105608687B (zh) * 2014-10-31 2019-01-08 东芝医疗系统株式会社 医用图像处理方法和医用图像处理装置
US9860057B2 (en) * 2014-12-23 2018-01-02 Intel Corporation Diffie-Hellman key agreement using an M-of-N threshold scheme
KR101977294B1 (ko) * 2015-06-05 2019-05-10 서울대학교산학협력단 전산유체역학을 이용한 기관지 분석 방법 및 그 장치
KR20180082114A (ko) * 2017-01-10 2018-07-18 삼성메디슨 주식회사 대상체의 초음파 영상을 디스플레이하는 방법 및 장치
KR101979906B1 (ko) * 2017-11-07 2019-05-20 포항공과대학교 산학협력단 3차원 트리 구조 이미지의 형태 분석 시스템 및 방법

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6754376B1 (en) 2000-11-22 2004-06-22 General Electric Company Method for automatic segmentation of medical images
US6845260B2 (en) * 2001-07-18 2005-01-18 Koninklijke Philips Electronics N.V. Automatic vessel indentification for angiographic screening
ATE481694T1 (de) 2001-10-16 2010-10-15 Koninkl Philips Electronics Nv Verfahren zur auswahl von ästen für das ausrichten von sonden
DE10162272A1 (de) * 2001-12-19 2003-07-10 Philips Intellectual Property Verfahren zur Unterstützung der Orientierung im Gefäßsystem
US7813549B2 (en) 2003-12-08 2010-10-12 Koninklijke Philips Electronics N.V. Image segmentation in a volume data set
DE102004027709B4 (de) * 2004-06-07 2006-08-10 Siemens Ag Verfahren der virtuellen Endoskopie zur medizinischen 3D-Bilddarstellung und -verarbeitung, Computertomografiegerät, Arbeitsstation und Computerprogrammprodukt
EP1761897A1 (en) * 2004-06-22 2007-03-14 Koninklijke Philips Electronics N.V. Displaying a tracheobronchial tree
US7599535B2 (en) * 2004-08-02 2009-10-06 Siemens Medical Solutions Usa, Inc. System and method for tree-model visualization for pulmonary embolism detection
US7583829B2 (en) * 2004-09-13 2009-09-01 Siemens Medical Solutions Usa, Inc. Method and apparatus for embolism analysis
CN1765322A (zh) * 2004-09-13 2006-05-03 西门子共同研究公司 栓塞分析方法和设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102420850A (zh) * 2011-11-08 2012-04-18 东软集团股份有限公司 一种资源调度方法及系统
CN102420850B (zh) * 2011-11-08 2014-06-18 东软集团股份有限公司 一种资源调度方法及系统

Also Published As

Publication number Publication date
WO2007144815A3 (en) 2009-06-11
EP2036040B1 (en) 2017-04-19
JP2009539540A (ja) 2009-11-19
CN101548296B (zh) 2013-04-24
US8315963B2 (en) 2012-11-20
EP2036040A2 (en) 2009-03-18
US20090177444A1 (en) 2009-07-09
JP5918923B2 (ja) 2016-05-18
WO2007144815A2 (en) 2007-12-21

Similar Documents

Publication Publication Date Title
CN101548296B (zh) 解剖树的自动化分层拆分
CN102246206B (zh) 血管分析
JP5478171B2 (ja) 冠動脈画像データの分類のための方法及び装置
US7804990B2 (en) System and method for labeling and identifying lymph nodes in medical images
US9406141B2 (en) Segmentation of a structure
JP6333583B2 (ja) 解剖学的ランドマーク及び臨床的オントロジー（ｏｎｔｏｌｏｇｙ）を用いて血管樹形図等を作成する医用画像処理装置及び方法
Preuss et al. Using quantitative imaging for personalized medicine in pancreatic cancer: a review of radiomics and deep learning applications
Ørting et al. A survey of crowdsourcing in medical image analysis
US20210296004A1 (en) Inference Transparency System for Image-Based Clinical Decision Support Systems
CN104169967A (zh) 纤维神经结构的定位
Lawonn et al. A geometric optimization approach for the detection and segmentation of multiple aneurysms
Rabaan et al. Artificial intelligence for clinical diagnosis and treatment of prostate cancer
Corradini et al. Challenges in the use of artificial intelligence for prostate cancer diagnosis from multiparametric imaging data
CN109416944A (zh) 使用本体论的评估决策树
Sathianathen et al. Automatic segmentation of kidneys and kidney tumors: The KiTS19 international challenge
Rist et al. Bifurcation matching for consistent cerebral vessel labeling in CTA of stroke patients
Logullo et al. Artificial intelligence in lung cancer diagnostic imaging: a review of the reporting and conduct of research published 2018–2019
Kim et al. Effects of Path-Finding Algorithms on the Labeling of the Centerlines of Circle of Willis Arteries
Nadeem et al. An iterative method for airway segmentation using multiscale leakage detection
Khosravi et al. Machine Learning and Deep Learning in Cardiothoracic Imaging: A Scoping Review
Altinok et al. Model based dynamics analysis in live cell microtubule images.
Cid et al. Making sense of large data sets without annotations: analyzing age-related correlations from lung CT scans
Kiraly et al. Novel method and applications for labeling and identifying lymph nodes
Golodetz Zipping and unzipping: the use of image partition forests in the analysis of abdominal CT scans
Doyle et al. A Survey of Crowdsourcing in Medical Image Analysis

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