CN101675456B - 心脏轮廓繁殖 - Google Patents

心脏轮廓繁殖 Download PDF

Info

Publication number
CN101675456B
CN101675456B CN200880014628XA CN200880014628A CN101675456B CN 101675456 B CN101675456 B CN 101675456B CN 200880014628X A CN200880014628X A CN 200880014628XA CN 200880014628 A CN200880014628 A CN 200880014628A CN 101675456 B CN101675456 B CN 101675456B
Authority
CN
China
Prior art keywords
image
cardiac
cardiac silhouette
image set
silhouette
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.)
Active
Application number
CN200880014628XA
Other languages
English (en)
Other versions
CN101675456A (zh
Inventor
G·L·T·F·豪特瓦斯特
M·布雷沃
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 CN101675456A publication Critical patent/CN101675456A/zh
Application granted granted Critical
Publication of CN101675456B publication Critical patent/CN101675456B/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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • 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
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种用于分析多维心脏图像集的方法，所述多维心脏图像集包括：心脏的第一图像集；以及心脏的第二图像集，其中，对所述第一图像集进行分割，从而得到针对所述第一图像集内的每一图像的相应的第一心脏轮廓；以及对所述第二图像集进行分割，从而得到针对所述第二图像集中的每一图像的相应的第二心脏轮廓；所述方法包括：根据所述第一心脏轮廓和所述第二心脏轮廓为所述第一图像集中的每一图像和所述第二图像集中的每一图像确定生成的心脏轮廓。

Description

心脏轮廓繁殖
技术领域
本发明涉及用于分析多维心脏图像集的方法。
本发明还涉及包括用于处理这样的方法的处理器的计算机服务器。
本发明还涉及一种计算机客户端，其包括使用户能够调用这样的方法的输入机构；用于接收这样的方法的调用结果的接收机构；用于显示所述结果的显示器；以及用于处理所述调用、所接收到的结果和所述显示的处理器。
本发明还涉及用于分析多维心脏图像集的系统。
本发明还涉及包括这样的系统的医学成像工作站。
本发明还涉及由计算机装置加载的计算机程序产品，其包括用于分析多维心脏图像集的指令，其中，所述计算机装置包括处理单元和存储器。
可以采用各种模态，例如，磁共振(MR)、计算机层析成像(CT)和超声(US)执行功能心脏成像。功能心脏图像由多个相态和多个片层构成。此外，通常在所谓的应力检查中执行功能心脏成像，在所述应力检查中，获取安静状态和几个心应力水平上的功能图像。因而，这样的应力检查将得到5维(5D)数据集，必须对所述数据集分割，从而实现定量分析。
背景技术
US 7079674B2公开了采用集成了视觉信息和解剖学约束的轮廓繁殖(propagation)模型对心脏图像分割的系统和方法。所述繁殖模型包括边界分割模型、区域模型和耦合函数的加权积分。
US 5239591公开了一种响应于用户输入的种子轮廓在多相态多片层的心脏磁共振成像研究中提取轮廓的方法，其中，所述种子轮廓标识出了将要在初始图像中提取的轮廓特征，其中，所述初始图像处于中间片层位置和预定的相态位置，即心舒期末。由这一作为用户输入的唯一轮廓的轮廓，通过由图像的最终轮廓为在片层或相态位置上紧密相连的尚未受到处理的图像形成种子轮廓而借助所提取的或最终轮廓的确定结果的自动繁殖序列从每一图像提取轮廓。
在Hautvast等人的“Automatic cardiac contour propagation in short axiscardiac MR images”，In proc.CARS 2005，Elsevier ICS 1281：351-356，2005中描述了另一种半自动心脏轮廓繁殖方法。这里，基于活动轮廓描述了一种自动心脏轮廓繁殖方法。可以采用所述方法利用相邻图像中的信息繁殖与初始人工分割相符的心脏轮廓。可以采用其描绘左心室心内膜、左心室心外膜和右心室心内膜轮廓。
此外，在G.L.T.F.Hautvast，S.Lobregt，M.Breeuwer和F.A.Gerritsen的“Automatic Contour Propagation in Cine Cardiac Magnetic ResonanceImages”，IEEE TMI 25(11)：In press，2006当中，描述了一种针对摄影心脏磁共振图像方面的自动轮廓传输的方法。所述方法由活动轮廓模型构成，所述模型试图通过匹配垂直于所述轮廓的纵剖面(profile)内的灰度值而保持恒定的轮廓环境。因此，所述轮廓相对于邻近的解剖学结构保持恒定的位置，从而使所得到的轮廓反映用户的优先选择。这一点在摄影心脏磁共振图像中尤其重要，因为局部图像特征无法描绘所期望得到的乳头肌附近的轮廓。繁殖结果的准确度受到几个参数的影响。由于这些参数的最佳设置是与应用相关的，因而描述了如何采用完整的析因实验优化参数设置。这样的半自动分割工具能够繁殖在处于转向心脏周期的其他相态的舒张期末(ED)相态的功能图像中人工定义的心脏轮廓。
发明内容
本发明的目的在于提供根据开篇段落的方法，所述方法能够实现通过更为有效的方式繁殖功能图像中的心脏轮廓。为了实现这一目的，所述多维心脏图像集包括：心脏的第一图像集；心脏的第二图像集，其中，对所述第一图像集进行分割，得到针对第一图像集中的每一图像的相应的第一心脏轮廓；并且
对所述第二图像集进行分割，得到针对所述第二图像集中的每一图像的相应的第二心脏轮廓，所述方法包括：根据所述第一心脏轮廓和所述第二心脏轮廓确定生成的针对所述第一图像集中的每一图像和所述第二图像集中的每一图像的心脏轮廓。
本发明基于这样的领会，即，可以采用针对每一图像集自动或人工确定的心脏轮廓自动确定生成的心脏轮廓。尤其是在图像集之间存在关系时，当每一图像集涉及不同水平的心应力时就是这种情况，这时，采用每一图像集的心脏轮廓推导生成的心脏轮廓将得到针对每一图像集的更为准确的心脏轮廓。
在根据本发明的方法的实施例中，心脏的第一图像集和心脏的第二图像集涉及不同水平的心应力。在作为最常发生的心脏病的心脏缺血当中，通往心脏肌肉，即心肌层的血流受到冠状动脉的局部梗塞的阻挡。在早期，这一疾病将导致应力诱发的心室功能紊乱和壁运动异常，可以采用应力测试中的功能心脏成像对其进行评估。可以采用心脏分析来分析在应力检查中获取的图像，这使得对应力诱发的心室功能紊乱和壁运动异常的定量评价成为了可能。
通过从各个应力水平获取适当量的功能图像，利用了图像之间的紧密关系。在安静状态下获取的功能图像中出现的(半)自动计算分割缺陷可能在其他应力水平中再次出现。将一个应力水平上的校正繁殖到其他应力水平上，这样只需对类似的缺陷校正一次。因此，能够更为有效地执行整个分析，同时显著缩短总的分割时间，因为所述方法避免了非常耗时的独立分割或者对所有的应力水平的分割校正。
在根据本发明的方法的实施例中，对第一图像集进一步分割得到进一步相应的第一心脏轮廓；对第二图像集进一步分割得到进一步相应的第二心脏轮廓，所述方法包括：由所述第一心脏轮廓、第二心脏轮廓、进一步第一心脏轮廓和进一步第二心脏轮廓针对所述第一图像集内的每一图像和所述第二图像集内的每一图像确定生成的心脏轮廓。通过针对所述图像集采用不同的分割，所述生成的心脏轮廓将以通过多种方式分割的心脏轮廓为基础，并且变得更加准确。所述对所述第一和第二图像集的进一步分割可以包括用户实施的对得到相应的第一和第二图像心脏轮廓的分割所做的校正。但是，所述进一步分割还可以涉及经用户确认的，即，未经校正的分割。因而，所述对图像集的进一步分割可以包括对分割的确认(即，无校正)或者图像集内的仅一幅图像或者一幅以上的图像中的校正。就所述确认和所述校正这两种情况而言，用户输入确保了可以为所述进一步分割提供高信任度。
在根据本发明的方法的另一实施例中，人工指定所述进一步相应的第一心脏轮廓和/或所述进一步相应的第二心脏轮廓。对所述进一步相应的第一心脏轮廓和/或所述进一步相应的第二心脏轮廓的人工指定允许用户交互，从而(例如)执行对自动指定的校正。由此，处于一个心应力水平上的所述第一或第二图像集中的一幅图像中的编辑可以影响处于其他心应力水平上的图像。因而，可以将在一个指定的应力水平(例如，安静状态)上获得的图像集中的一幅或多幅图像中提供的校正繁殖至在不同的应力水平上获得的其他的心脏图像集中的图像。这为其他图像提供了(比经校正的图像)更好的分割，从而使得在一个以上的应力水平上执行校正变得没有必要。此外，可以获得用于分析图像集的总时间的缩短。
在根据本发明的方法的另一实施例中，所述方法包括通过对所述第一、第二、进一步第一和进一步第二心脏轮廓采用固定权重确定所述生成的心脏轮廓。所述固定权重是一种确定各个心脏轮廓对生成的心脏轮廓的贡献的简单方式。
在根据本发明的方法的另一实施例中，所述方法包括通过对所述第一、第二、进一步第一和进一步第二心脏轮廓采用取决于图像在所述第一和第二图像集中的位置的可变权重确定所述生成的心脏轮廓。所述图像在图像集中的位置决定获取心脏图像的心脏周期时刻。通过这种方式，可以使不同数据集中包含的图像彼此相关，因为它们属于心脏周期内的同一时刻。因此，所述生成的心脏轮廓将变得更加准确。
在根据本发明的方法的另一实施例中，所述方法包括通过对所述第一、第二、进一步第一和进一步第二心脏轮廓采用预定权重确定所述生成的心脏轮廓。例如，可以将这样的预定权重存储在能够快速访问的查询表中，因此缩短了确定生成的心脏轮廓的计算时间。此外，可以为所述进一步轮廓提供更大的权重，尤其是在人工指定所述进一步轮廓的情况下，这是因为可以信任这样的人工指定的进一步轮廓，从而提供经分割的轮廓的更好结果。所述进一步轮廓也可以涉及用户实施的对将图像集分割成第一心脏轮廓的分割的校正或确认。
在根据本发明的方法的另一实施例中，所述方法包括通过对所述第一、第二、进一步第一和进一步第二心脏轮廓采用取决于心脏的自适应权重确定所述生成的心脏轮廓。这样的自适应权重可以是与患者相关的。例如，对于具有相当大的重量的患者而言，不同应力水平的图像之间的差异要大于具有较低体重的患者的相应图像差异。因此，不同应力水平下的相关图像的检测心脏轮廓可能存在更大的差异，生成的心脏轮廓必须将这一点考虑在内。
在根据本发明的方法的另一实施例中，所述方法包括采用所述第一图像集内的第一图像和所述第二图像集中的第二图像之间的距离确定生成的心脏轮廓。可以由所述图像显示的心脏周期的相态表示这一距离。所述图像在不同图像集内的相态内相隔越大，所述距离就会变得越长。采用这一信息是为了使生成的心脏轮廓受益。
在根据本发明的方法的另一实施例中，所述方法包括采用来自所述分割和所述进一步分割的时间信息确定所述生成的心脏轮廓。有利地，所述时间信息涉及心脏周期的特征时段的相对长度，其在较高的应力水平上发生变化。其导致了所述图像在不同的图像集上存在错位。通过在确定生成的心脏轮廓时将这一点考虑在内，所述结果将变得更加准确。
本发明的另一目的在于提供根据开篇段落的能够以更为有效的方式实现功能图像中的心脏轮廓的繁殖的计算机服务器、计算机客户端、系统、医学成像工作站和计算机程序产品。为了实现这一目的：
-所述计算机服务器包括用于处理根据本发明的方法的处理器；
-所述计算机客户端包括：用于使用户调用根据本发明的方法的输入模块；用于接收调用根据本发明的方法所得到的生成的心脏轮廓的接收模块；用于显示所述第一和第二图像集内的生成的心脏轮廓的显示器；以及用于处理所述调用、所接收的结果和显示的处理器；
-所述系统包括：多维心脏图像集，其包括：心脏的第一图像集；以及心脏的第二图像集，其中，对所述第一图像集分割，生成针对所述第一图像集内的每一图像的相应的第一心脏轮廓；并且对所述第二图像集进行分割，生成针对所述第二图像集内的每一图像的相应的第二心脏轮廓，所述系统包括：用于由所述第一心脏轮廓和第二心脏轮廓针对所述第一图像集内的每一图像和所述第二图像集内的每一图像确定生成的心脏轮廓的确定模块
-所述医学成像工作站包括根据本发明的系统；以及
-所述将由计算机装置加载的计算机程序产品包括用于分析多维心脏图像集的指令，所述多维心脏图像集包括心脏的第一图像集；以及心脏的第二图像集，其中，对所述第一图像集进行分割，生成针对所述第一图像集中的每一图像的相应的第一心脏轮廓；并且对所述第二图像集进行分割，生成针对所述第二图像集中的每一图像的相应的第二心脏轮廓，所述计算机装置包括处理单元和存储器，所述计算机程序产品在加载之后为所述处理单元提供了执行下述任务的能力，即，根据所述第一心脏轮廓和第二心脏轮廓为所述第一图像集中的每一图像和所述第二图像集中的每一图像确定生成的心脏轮廓。
根据本发明的系统的实施例，所述心脏的第一图像集和心脏的第二图像集涉及不同的心应力水平。“应力水平”一词是指“心应力水平”的同义词，其含义包括安静状态，从而“两个不同的应力水平”可以是“安静状态”和“不同于安静状态的应力水平”。或者，“两个不同的应力水平”可以是“不同于安静状态的第一应力水平”和“不同于安静状态并且不同于所述第一应力水平的第二应力水平”。在心脏的第一图像集和心脏的第二图像集涉及不同的心应力水平时，所述方法提供了将轮廓从处于心脏的一个应力水平的图像繁殖至心脏的处于另一应力水平的图像的方式，这一点是有利的，因为各个图像明显相关。由此，所述方法提供了对在不同的应力水平上获得的心脏图像集的改进分割。
在根据本发明的系统的另一实施例中，对第一图像集进一步分割得到进一步相应的第一心脏轮廓；对第二图像集进一步分割得到进一步相应的第二心脏轮廓，系统的确定模块被设置为根据所述第一心脏轮廓、第二心脏轮廓、进一步第一心脏轮廓和进一步第二心脏轮廓为所述第一图像集内的每一图像和所述第二图像集内的每一图像确定生成的心脏轮廓。
根据本发明的系统的又一实施例，所述系统进一步包括用于使用户人工指定所述进一步相应的第一心脏轮廓和/或进一步相应的第二心脏轮廓的输入模块。
在适用时，将取得与参考根据本发明的方法描述的相同的益处。应当注意，将心脏的扩张和收缩周期中的各个心脏构造称为相态。此外，将所获得的作为心脏的不同截面图的心脏图像称为片层。“分割”一词旨在表示将数字图象划分成多个区域(像素集合)的过程。可以采用图像分割对图像中的目标和边界(直线、曲线等)定位。图像分割的结果是共同覆盖整个图像的区域的集合，或者是从所述图像提取的轮廓的集合。区域内的像素相对于某一特征或计算特性，例如，颜色、强度或纹理而言是类似的。相邻区域相对于(一个或多个)相同特征存在显著的不同。最后，“繁殖心脏轮廓”旨在表示例如从一个相态到另一个相态，从一个片层到另一个片层，或从一个应力水平到另一个应力水平“对心脏轮廓进行复制和重新整形”或者表示所述操作的组合。
附图说明
通过参考下文所述在附图中给出了图示的实施例，本发明的上述和其他方面将变得显而易见并得到阐释。附图示出了实现本发明的一种方式，不应将其推断为构成限制，其他可能的实施例同样落在权利要求的范围内。
图1示出了处于安静状态下和处于应力下的容量-时间曲线；
图2示出了在功能应力检查中获取的图像的相态-应力矩阵；以及
图3是本发明的方法的流程图。
具体实施方式
图1是示出了处于安静状态下的容量-时间曲线11以及处于心脏应力下的容量-时间曲线12的图示。该图的横轴表示时间，纵轴表示左心室血容量。实线11示意性地表示处于安静状态下的左心室血容量，虚线12表示处于不同于安静状态的应力水平下的左心室血容量。由于和处于应力水平下的心率相比处于安静状态下的心率较低，因而处于安静状态下的人的心脏周期的持续时间比处于不同于安静状态的应力水平下的人的心脏周期的持续时间长。但是，图1的两个曲线11、12已经得到了调整，从而使其长度相同，这样易于比较。从图1可以看出，在安静状态下和不同于安静状态的应力水平下，心脏周期的被称为心室收缩期、心舒期和心房收缩期的特征时段的相对长度是不同的，这引起所述曲线的时间错位。在心室收缩期，心室收缩，从而使心室容积降低。心室收缩期之后是心舒期，在心舒期中，心室松弛，从而使其体积再次增大。接着，在心舒期之后是心房收缩期，在心房收缩期，心房将血液泵送到心室当中，从而使得心室容积进一步增大。
本发明采用了最佳轮廓繁殖，即，在建立图像的(一个或多个)轮廓时适当地考虑了其他图像中的轮廓，从而利用了图像和来自所获取的图像的轮廓之间的关系。现有的半自动分割工具提供了逐相态繁殖心脏轮廓，即，对其进行复制和重新整形的手段。类似地，可以将来自一个压力水平的轮廓直接繁殖至另一水平。但是，出于两个原因，所述繁殖的结果是次最佳的。
首先，如图1所示，在不同应力水平下心脏周期的特征时段的相对长度不同于处于安静状态下的心脏周期的对应特征时段，这实际上导致了时间错位。其次，从一个应力水平到另一应力水平的直接繁殖忽视了目标应力水平的相态之间的关系。
本发明分析了来自不同繁殖路径的多个生成的轮廓，即，为一个图像集中的图像确定生成的轮廓是以所述图像本身和两个或更多图像集中的图像的分割为基础的，并且指示了所述图像本身和两个或更多图像集中的图像的分割的相对重要性或权重。
图2示出了在功能应力检查中获取的图像的相态-应力矩阵。图2是取自25个相态和5个不同的应力水平的图像的集合的图示。可以通过任何适当的模态，例如磁共振(MR)、计算机层析成像(CT)和超声(US)获得所述图像。所述功能心脏图像由多个相态和多个片层构成；但是，在图2中，未示出涉及不同片层的图像。因而，图2所示的图像的集合可以涉及任何通过心脏的片层，而且可以有利地采用多个其他由通过心脏的其他片层的图像构成的集合对所述集合加以补充。在图2中示出了由虚线构成的网格。横向和纵向虚线之间的每一交点对应于一幅图像。但是，为了简单起见在图2中仅示出了所述图像中的一些。同样为了简单起见，在图2中仅示出了25个相态中的九个。应当注意，除了25以外的其他数量或相态也可能是适当的，不应将该数量视为限制本发明。应当注意，可以将图2的相态-应力矩阵中的图像看作是处于不同相态的心脏的五个图像集，其中，所述五个图像集对应于心脏的不同应力水平。或者，心脏的图像集可以涉及取自心脏的搏动周期中的不同片层位置和相态位置的图像的相态-片层矩阵，另一图像集可能涉及取自另一应力水平的图像的对应相态-片层矩阵。
现有的轮廓繁殖工具提供了从图像I0，0繁殖至图像I1，0的手段。相应地，可以沿从图像I0，0到图像I0，1的应力方向繁殖轮廓。对于相态-应力矩阵中的任何图像而言，可以通过按照不同的顺序拼接繁殖而获得多个心脏轮廓。例如，在给定图像I0，0的心脏轮廓的情况下，要想获得图像I10，4的心脏轮廓，能够按照其拼接繁殖的顺序的数量为1001，该数量是采用二项式系数14C10计算的。
根据本发明，将图2的相态-应力矩阵中的图像中的每者分割成相应的心脏轮廓。本发明涉及利用对一些或所有其他图像的分割的了解优化这一初始分割，从而获得最佳心脏轮廓。可以采用各种方法从这样的多个初始心脏轮廓获得最佳心脏轮廓。根据本发明的方法之一采用了对所述轮廓的加权求平均。图像之间的关系决定着用于实施成像的权重。紧密相关的图像将比其他图像获得更高的权重。因此，相邻相态和在相邻的应力水平中最为相像的图像将对分割结果造成最大的影响。
此外，可以在工作流引导的应用当中应用本发明的方法从而计算并繁殖人工轮廓校正。从而为熟练的用户提供了校正和/或确认处于某一应力水平的任何相态上的图像的心脏轮廓的机会。之后，这些校正和/或这些经确认的轮廓将被繁殖至下一应力水平，在该应力水平上，用户将再次获得校正和/或确认心脏轮廓的机会。通过这种方式，俘获并繁殖由用户的校正和/或确认提供的信息。还可以由进一步相应的心脏轮廓表示所述经校正和/或确认的轮廓。
将一个应力水平上的校正和/或确认繁殖到其他应力水平上，这样只需对类似的缺陷校正一次。因此，能够更为有效地执行整个分析，并显著缩短总分割时间。
根据本发明的方法控制了轮廓繁殖。可以将轮廓繁殖定义为任何能够根据轮廓在其他图像中的位置而在一幅图像中对轮廓定位的算法。可以采用各种技术实现轮廓繁殖，所有的这些技术都将采用本发明加以控制。已知的轮廓繁殖算法利用了明确的活动轮廓(也叫做蛇形线)、隐含活动轮廓(也叫做水平集)、图表剪切、动态编程方法、图像配准方法或者前述方法的组合。本发明能够通过类似的方式控制表面繁殖，其中，可以将所述表面繁殖实现为所述方法的3D扩展。
本发明由针对相态-应力矩阵中的图像的多个繁殖结果获得了最佳轮廓繁殖结果，这一点也可以通过多种方式实现。
可以采用第一加权求均值从所述多个分割结果获得单个分割。对于这样的实现而言，可以通过多种方式分配权重。可以针对沿应力方向的繁殖和沿相态方向的繁殖采用固定权重。此外，可以根据在所述相态-应力矩阵中涵盖的距离设置所述权重。稍加完善的方法可以在采用查询表中定义的针对所有繁殖的最佳权重，其中，所述查询表是在训练阶段得到的。还可以通过以自适应的方式确定权重，例如，通过根据轮廓繁殖的质量设置权重而使得所述实现更具有患者针对性。
作为采用由不同繁殖提供的多个轮廓的加权求均值的替代方案，可以采用选择技术获得单个最佳分割。可以通过所述相态-应力矩阵计算最低成本路径。这些路径可以以通过所述矩阵行进的距离为基础，或者再次由轮廓繁殖的质量决定。可以针对每个患者计算这些最低成本路径，但是也可以在训练阶段先验确定这些最低成本路径。
最后，可以利用由所述分割导出的信息通过迭代方法获得更为准确的结果。例如，可以采用由所述分割导出的容量-时间曲线(参考图1)改善各个应力水平之间的时间匹配，其有助于对分割等加以改进。
利用若干初始心脏轮廓确定由每一图像集的每幅图像中的初始心脏轮廓获得的结果或最佳心脏轮廓。如上所述，存在若干种对不同初始心脏轮廓的影响加权的方式。应当注意，这一加权可以涉及图像集合中的所有图像的所有心脏轮廓，或者可以仅采用所述图像中的一些为图像集中的图像确定生成的心脏轮廓。此外，可以为作为进一步分割的例子的经校正的轮廓提供额外的权重，因为其比自动获得的分割更加可靠。
图3是根据本发明的方法100的流程图。所述方法被设置为分析多维心脏图像集。所述心脏图像集包括心脏的第一图像集、心脏的第二图像集，所述心脏优选为同一心脏。所述方法100开始于步骤110，继续至步骤120，其中，针对第一图像集中的每一图像将心脏的第一图像集分割成相应的第一心脏轮廓。在步骤130中，针对第二图像集中的每一图像将心脏的第二图像集分割成相应的第二心脏轮廓。应当注意，尽管将步骤130示为跟在步骤120之后，但是步骤120可以跟在步骤130之后，或者可以同时执行步骤120和步骤130。
在任选的步骤140中，对第一图像集进一步分割，从而得到进一步相应第一心脏轮廓，对第二图像集进一步分割，从而获得进一步相应第二心脏轮廓。可以当作对所述第一图像集和/或所述第二图像集中的一幅或多幅图像中的分割的校正来获得这一进一步分割；所述校正可以由用户通过迭代的方式完成。此外，所述经过进一步分割的轮廓可以包括用户确认的未经校正的轮廓。在用户人工确认或校正轮廓时，可以为这样的经确认或校正的轮廓赋予高信任度。
基于在步骤120、130中获得的分割和在步骤140中获得的进一步分割或校正，所述方法进行至步骤150，在所述步骤中，由所述第一心脏轮廓、第二心脏轮廓、进一步相应第一心脏轮廓和进一步相应第二心脏轮廓获得针对所述第一图像集内的每一图像和所述第二图像集中的每一图像的结果或最佳心脏轮廓。如上所述，可以利用针对同一图像集中的其他图像以及针对其他图像集中的图像的适当权重获得针对每一图像的结果或最佳心脏轮廓。所述权重中的一些可以是零，这样就不会通过将所有的图像考虑在内来获得图像的最佳轮廓。或者，可以采用两图像集中的所有图像来获得图像的最佳轮廓。所述方法结束于步骤160。
例如，可以将本发明应用于在不同水平的药理学诱发应力上实施的多巴酚丁胺应力磁共振(DSMR)、短轴(SA)摄影心脏MR(CMR)扫描。当前以可见的方式完成了对这些扫描的综合分析，但是对这些扫描的综合分析优选由所有应力水平上的心室功能和壁运动的量化构成，这要求描绘所有获取图像中的心肌层。首先，在给定安静状态下的心脏轮廓的情况下获得所有应力扫描的心脏轮廓。可以采用在G.L.T.F.Hautvast等人的“Automatic Contour Propagation in Cine Cardiac Magnetic ResonanceImages”，IEEE TMI 25(11)：1472-1482，2006中描述并证实的轮廓繁殖算法快速、准确地获得处于静止状态下的心脏轮廓，这样只需人工描绘处于静止状态下的ED片层。本发明可以采用下述三个步骤。首先，利用J.V.Hajnal等人的“Medical Image Registration”，CRC Press，2001执行来自不同应力水平的图像之间的仿射配准。接下来，采用G.L.T.F.Hautvast等人的“Automatic Contour Propagation in Cine Cardiac Magnetic ResonanceImages”，IEEE TMI 25(11)：1472-1482，2006的活动轮廓将轮廓从一个应力水平繁殖至另一应力水平。之后，逐相态繁殖生成的心舒期末轮廓。采用V.Chalana等人的“A Methodology for Evaluation of Boundary DetectionAlgorithms on Medical Images”，IEEE TMI 16(5)：642-652，1997中的重复求均值算法(RAA)，借助来自在各个应力水平上的繁殖的结果对这一随着时间的推移实施的繁殖的结果求均值，从而获得随时间推移的相干心脏轮廓。
应当注意，上述实施例旨在对本发明进行举例说明，而不是对其做出限制，并且本领域技术人员能够在不背离权利要求的范围的情况下设计出很多备选的实施例。在权利要求中，不应当任何放置在括号内的附图标记推断为限制所述权利要求。“包括”一词不排除权利要求中列举的元件或步骤以外的元件或步骤的存在。元件前的单数冠词“一”或“一个”不排除存在复数个这样的元件。可以利用包括几个不同元件的硬件，也可以利用适当编程的计算机实现本发明。在列举了几个机构的系统权利要求中，可以在同一个计算机可读软件或同一个硬件内体现这些机构中的几个。在互不相同的从属权利要求中陈述某些措施不表示不能有利地采用这些措施的组合。

Claims (12)

1.一种用于分析多维心脏图像集的方法，所述多维心脏图像集包括：
-与第一应力水平相关的心脏的第一图像集；以及
-与不同于所述第一应力水平的第二应力水平相关的心脏的第二图像集，
其中
对所述第一图像集进行分割，生成针对所述第一图像集中的每一图像的相应的第一心脏轮廓；以及
对所述第二图像集进行分割，生成针对所述第二图像集中的每一图像的相应的第二心脏轮廓，
所述方法包括：
-使用所述第一心脏轮廓和第二心脏轮廓为所述第一图像集中的每一图像以及使用所述第一心脏轮廓和第二心脏轮廓为所述第二图像集中的每一图像确定生成的心脏轮廓。
2.根据权利要求1所述方法，其中，
对所述第一图像集进一步分割，从而生成另外的相应的第一心脏轮廓；以及
对所述第二图像集进一步分割，从而生成另外的相应的第二心脏轮廓，
所述方法包括：
使用所述第一心脏轮廓、第二心脏轮廓、所述另外的第一心脏轮廓和另外的第二心脏轮廓为所述第一图像集中的每一图像以及使用所述第一心脏轮廓、第二心脏轮廓、所述另外的第一心脏轮廓和另外的第二心脏轮廓为所述第二图像集中的每一图像确定生成的心脏轮廓。
3.根据权利要求2所述方法，其中，人工指定所述另外的相应的第一心脏轮廓和/或所述另外的相应的第二心脏轮廓。
4.根据权利要求2或3中的任何一项所述方法，所述方法包括通过对所述第一、第二、另外的第一和另外的第二心脏轮廓采用固定权重确定所述生成的心脏轮廓。
5.根据权利要求2或3中的任何一项所述方法，所述方法包括通过对所述第一、第二、另外的第一和另外的第二心脏轮廓采用取决于在所述第一和第二图像集中的图像的位置的可变权重确定所述生成的心脏轮廓。
6.根据权利要求2或3中的任何一项所述方法，所述方法包括通过对所述第一、第二、另外的第一和另外的第二心脏轮廓采用预定权重确定所述生成的心脏轮廓。
7.根据权利要求2或3中的任何一项所述方法，所述方法包括通过对所述第一、第二、另外的第一和另外的第二心脏轮廓采用取决于所述心脏的自适应权重确定所述生成的心脏轮廓。
8.根据权利要求1到3中的任何一项所述方法，所述方法包括采用所述第一图像集内的第一图像和所述第二图像集中的第二图像之间的距离确定所述生成的心脏轮廓。
9.根据权利要求2或3中的任何一项所述方法，所述方法包括采用来自对所述第一图像集和所述第二图像集的所述分割和所述进一步分割的时间信息确定所述生成的心脏轮廓。
10.一种用于分析多维心脏图像集的装置，所述多维心脏图像集包括与第一应力水平相关的心脏的第一图像集以及与不同于所述第一应力水平的第二应力水平相关的心脏的第二图像集，所述装置包括：
用于对所述第一图像集进行分割，生成针对所述第一图像集中的每一图像的相应的第一心脏轮廓的模块；
用于对所述第二图像集进行分割，生成针对所述第二图像集中的每一图像的相应的第二心脏轮廓的模块；以及
用于使用所述第一心脏轮廓和第二心脏轮廓为所述第一图像集中的每一个图像以及使用所述第一心脏轮廓和第二心脏轮廓为所述第二图像集中的每一图像确定生成的心脏轮廓的模块。
11.根据权利要求10所述装置，还包括，
用于对所述第一图像集进一步分割，得到另外的相应的第一心脏轮廓的模块；
用于对所述第二图像集进一步分割，得到另外的相应的第二心脏轮廓的模块；以及
用于使用所述第一心脏轮廓、第二心脏轮廓、所述另外的第一心脏轮廓和所述另外的第二心脏轮廓为所述第一图像集中的每一图像，以及使用所述第一心脏轮廓、第二心脏轮廓、所述另外的第一心脏轮廓和所述另外的第二心脏轮廓为所述第二图像集中的每一图像确定所述生成的心脏轮廓的模块。
12.根据权利要求11所述装置，其中，所述装置还包括输入模块，其使用户人工指定所述另外的相应的第一心脏轮廓和/或所述另外的相应的第二心脏轮廓。
CN200880014628XA 2007-05-04 2008-04-24 心脏轮廓繁殖 Active CN101675456B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP07107500.6 2007-05-04
EP07107500 2007-05-04
EP07120993 2007-11-19
EP07120993.6 2007-11-19
PCT/IB2008/051582 WO2008135882A2 (en) 2007-05-04 2008-04-24 Cardiac contour propagation

Publications (2)

Publication Number Publication Date
CN101675456A CN101675456A (zh) 2010-03-17
CN101675456B true CN101675456B (zh) 2013-02-13

Family

ID=39745378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200880014628XA Active CN101675456B (zh) 2007-05-04 2008-04-24 心脏轮廓繁殖

Country Status (4)

Country Link
US (1) US9684955B2 (zh)
EP (1) EP2153408B1 (zh)
CN (1) CN101675456B (zh)
WO (1) WO2008135882A2 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012025143A1 (en) * 2010-08-24 2012-03-01 Brainlab Ag Method for modifying a medical data set
US20120113146A1 (en) * 2010-11-10 2012-05-10 Patrick Michael Virtue Methods, apparatus and articles of manufacture to combine segmentations of medical diagnostic images

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5239591A (en) * 1991-07-03 1993-08-24 U.S. Philips Corp. Contour extraction in multi-phase, multi-slice cardiac mri studies by propagation of seed contours between images
US5633951A (en) * 1992-12-18 1997-05-27 North America Philips Corporation Registration of volumetric images which are relatively elastically deformed by matching surfaces
CN1524247A (zh) * 2001-05-17 2004-08-25 О 用于分割磁共振心脏图像中左心室的变化的方法
CN1644160A (zh) * 2005-02-03 2005-07-27 四川大学 分布式心脏图像多维重建与交互可视化方法
US6980682B1 (en) * 2000-11-22 2005-12-27 Ge Medical Systems Group, Llc Method and apparatus for extracting a left ventricular endocardium from MR cardiac images
CN1887223A (zh) * 2006-07-17 2007-01-03 浙江大学 心脏状态的实时趋势动力学特征分析方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6352507B1 (en) * 1999-08-23 2002-03-05 G.E. Vingmed Ultrasound As Method and apparatus for providing real-time calculation and display of tissue deformation in ultrasound imaging
JP2004528068A (ja) * 2001-02-02 2004-09-16 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 血流測定のための解剖学的に対応する位置の自動的な位置合わせ方法及びシステム
US7327862B2 (en) * 2001-04-30 2008-02-05 Chase Medical, L.P. System and method for facilitating cardiac intervention
JP2006061581A (ja) * 2004-08-30 2006-03-09 Toshiba Corp 医用運動解析装置、医用運動解析方法および医用運動解析プログラム
WO2006108177A2 (en) * 2005-04-06 2006-10-12 The Texas A & M University System Device for proactive modulation of cardiac strain patterns
US7689021B2 (en) * 2005-08-30 2010-03-30 University Of Maryland, Baltimore Segmentation of regions in measurements of a body based on a deformable model

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5239591A (en) * 1991-07-03 1993-08-24 U.S. Philips Corp. Contour extraction in multi-phase, multi-slice cardiac mri studies by propagation of seed contours between images
US5633951A (en) * 1992-12-18 1997-05-27 North America Philips Corporation Registration of volumetric images which are relatively elastically deformed by matching surfaces
US6980682B1 (en) * 2000-11-22 2005-12-27 Ge Medical Systems Group, Llc Method and apparatus for extracting a left ventricular endocardium from MR cardiac images
CN1524247A (zh) * 2001-05-17 2004-08-25 О 用于分割磁共振心脏图像中左心室的变化的方法
CN1644160A (zh) * 2005-02-03 2005-07-27 四川大学 分布式心脏图像多维重建与交互可视化方法
CN1887223A (zh) * 2006-07-17 2007-01-03 浙江大学 心脏状态的实时趋势动力学特征分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
G.L.T.F Hautvast等.Automatic cardiac contour propagation in short axis cardiac MR images.《International Congress Series 1281 (2005)》.2005,351-356. *
Gilion Hautvast等.Automatic Contour Propagation in Cine Cardiac Magnetic Resonance Images.《IEEE TRANSACTIONS ON MEDICAL IMAGING》.2006,第25卷(第11期),1472-1482. *

Also Published As

Publication number Publication date
EP2153408A2 (en) 2010-02-17
WO2008135882A2 (en) 2008-11-13
US9684955B2 (en) 2017-06-20
WO2008135882A3 (en) 2008-12-31
US20100135551A1 (en) 2010-06-03
EP2153408B1 (en) 2018-02-21
CN101675456A (zh) 2010-03-17

Similar Documents

Publication Publication Date Title
US10546378B2 (en) System and method of mitral valve quantification
US9524552B2 (en) 2D/3D registration of a digital mouse atlas with X-ray projection images and optical camera photos
Soliman et al. Accuracy and reproducibility of quantitation of left ventricular function by real-time three-dimensional echocardiography versus cardiac magnetic resonance
JP6581104B2 (ja) データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法
US20190313990A1 (en) Machine-learning based contrast agent administration
Hansegård et al. Semi-automated quantification of left ventricular volumes and ejection fraction by real-time three-dimensional echocardiography
JP6400725B2 (ja) 関心領域を区分化するための画像処理機器及び方法
US20030038802A1 (en) Automatic delineation of heart borders and surfaces from images
DE102010000274A1 (de) Verfahren und Vorrichtung zur automatischen Identifizierung von Bildansichten in einem 3D-Datensatz
Soliman et al. Quantification of left ventricular volumes and function in patients with cardiomyopathies by real-time three-dimensional echocardiography: a head-to-head comparison between two different semiautomated endocardial border detection algorithms
JP4138371B2 (ja) 解剖学的特徴位置検出装置並びに記録媒体および被写体構造計測装置並びに記録媒体
JP2009537241A (ja) 誤差適応的な機能的画像化
US20150317799A1 (en) Medical image processing apparatus, method, and program
US9317926B2 (en) Automatic spinal canal segmentation using cascaded random walks
US20150379724A1 (en) Cardiac segmentation with point correspondence
JP2009515585A (ja) ボリュメトリック位置合わせのための方法、システムおよびコンピュータプログラム
CN113196340A (zh) 用于正电子发射断层摄影(pet)的基于人工智能(ai)的标准化摄取值(suv)校正和变化评估
JP2017524404A (ja) 画像をセグメント化するためのパラメータの最適化
CN101675456B (zh) 心脏轮廓繁殖
CN111932467A (zh) 一种图像处理方法及装置
KR102036834B1 (ko) 이미지 처리 방법
Vaassen et al. Real-world analysis of manual editing of deep learning contouring in the thorax region
Lötjönen et al. Evaluation of cardiac biventricular segmentation from multiaxis MRI data: a multicenter study
JP6734073B2 (ja) 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
Di Bella et al. Semiautomatic quantification of left ventricular function by two‐dimensional feature tracking imaging echocardiography. A comparison study with cardiac magnetic resonance imaging

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