CN101689301B - 在ct图像数据中检测出血性卒中 - Google Patents

在ct图像数据中检测出血性卒中 Download PDF

Info

Publication number
CN101689301B
CN101689301B CN2008800206581A CN200880020658A CN101689301B CN 101689301 B CN101689301 B CN 101689301B CN 2008800206581 A CN2008800206581 A CN 2008800206581A CN 200880020658 A CN200880020658 A CN 200880020658A CN 101689301 B CN101689301 B CN 101689301B
Authority
CN
China
Prior art keywords
candidate region
skull
acute
unit
described candidate
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
CN2008800206581A
Other languages
English (en)
Other versions
CN101689301A (zh
Inventor
K·梅茨
T·比洛
S·扬
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 CN101689301A publication Critical patent/CN101689301A/zh
Application granted granted Critical
Publication of CN101689301B publication Critical patent/CN101689301B/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
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/12—Devices for detecting or locating foreign bodies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/501—Clinical applications involving diagnosis of head, e.g. neuroimaging, craniography
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Abstract

本发明涉及一种被布置为以两个阶段在非对比增强CT图像中勾画急性脑内血肿的系统(100)。由提取单元(110)执行的第一阶段使用对图像数据灰度值的分析以便提取候选区域。所述候选区域可以包括急性血肿和具有相似灰度值的其他区域，所述其他区域例如为在颅骨的骨性结构和脑的界面上的部分容积效应所产生的区域。由分类单元(120)执行的新颖的第二阶段分析所述候选区域的空间特征，例如大小、形状以及与颅骨骨骼的连通性。使用所述候选区域的空间特征提高了将所述候选区域分类为真或假急性血肿的正确性。

Description

在CT图像数据中检测出血性卒中
技术领域
本发明涉及协助医师作出医学诊断的领域，更具体而言涉及协助医师在CT图像数据中检测出血性卒中的领域。
背景技术
卒中是美国和西方国家中排在心肌梗死和癌症之后的第三大死亡原因，并且是致残的首要原因。除了个人生活质量的急剧下降，卒中还有明显的社会经济影响，即每个卒中幸存者每年将花费3.5至5.0万美元。
考虑到这些事实，人们强烈需要对卒中患者进行有效治疗。在过去十年间，针对急性缺血性卒中患者进行有关药物再通治疗和神经保护剂治疗的研究已经显示出很好的结果。然而，这类治疗必须在卒中发作后一段短暂的时间(时窗)内实施。六个小时之后，治疗的相对风险将超过它的益处。尽管当将该治疗施于患有急性缺血性卒中的患者时是有帮助的，但当将其施于诸如出血性卒中的急性脑出血患者，或对脑出血处置的事件时又是相当危险的。
脑出血患者存在的时间压力和危险结果这两者都需要基于适当的成像和图像阅读技术对卒中快速作出合格的鉴别诊断。然而，由于掌握这些技术的医学专家非常少，因此目前仅有3-4％的急性缺血性卒中患者被施以像静脉溶栓之类的适当治疗。
在CT成像中，急性出血性卒中的特点是病程中变化的典型灰度值特征。在急性期，卒中区域被描绘为高密度，即相对更明亮的区域，而慢性出血性卒中呈现为低密度，即相对更暗的区域。这些典型的灰度值需要像阈值分割、聚类分析和区域生长这样的图像处理方法。
可在http://ieeexplore.ieee.org/iel2/463/6617/00262976.pdf？arnumber＝262976获得的题为“Image Analysis and 3-D Visualization of IntracerebralBrain Hemorrhage”(2007年5月28日)的文章中，Dhawan等人提出了一种基于CT图像检测脑内出血的半自动方法。K均值聚类算法将整幅图像细分为前景和背景。在生成的二进制图像上，用户为后续的区域生长算法选择适当的种子点，该区域生长算法勾画出脑内出血。
M.Matesin等人在一篇题为“A rule-based approach to stroke lesionanalysis from CT images”(Image and Signal Processing and Analysis，2001年，第219-223页)的文章中介绍了一种更加自动的基于规则的方法。在该文献中，使用所提取区域的图像特征将图像划分为背景、颅骨、脑脊液、灰/白质以及卒中，所述图像特征例如为亮度和相对于脑的对称轴的对称性。关于脑的对称轴不对称的卒中区域被作者标记为低密度。这些假设对缺血性卒中可能是对的，但不能正确地描述急性血肿。
发明内容
有利的是，获得一种能够协助医师基于非对比增强CT图像对卒中患者作出鉴别诊断的系统。
为了更好地解决该问题，在本发明的一方面提供了一种用于在非对比增强CT图像数据中识别急性血肿的系统，所述系统包括：
-提取单元，其用于基于对图像数据的灰度值的第一分析来提取被怀疑是急性血肿的候选区域；以及
-分类单元，其用于基于对候选区域的空间特征的第二分析而将候选区域分类为阳性或阴性急性血肿。
这样将所述系统布置为分两个阶段在非对比增强CT图像中勾画急性脑内血肿。由提取单元执行的第一阶段依赖于对图像数据的灰度值的第一分析以便提取候选区域。所述候选区域可能包括急性血肿和具有相似灰度值的其他区域两者，所述其他区域例如为在颅骨的骨性结构和脑的界面上由部分容积效应所生成的区域。由分类单元执行的新颖的第二阶段依赖于对所述候选区域的空间特征的第二分析，所述空间特征例如为候选区域的大小、形状以及与颅骨骨骼的连通性。使用所述候选区域的空间特征提高了将所述候选区域分类为真或假急性血肿的正确性。因而，所述系统有助于对由所述提取单元提取的所述候选区域进行更加可靠的分类。这有助于卒中专家和特别是非卒中专家达成正确的诊断并制订有效的治疗方案。此外，所述系统并不要求使用造影剂获得的CT图像数据。
在所述系统的实施例中，所述提取单元包括：
-颅骨单元，其用于提取颅骨区域；
-脑单元，其用于基于所提取的颅骨区域来提取脑区域；以及
-血肿单元，其用于在所述脑区域内提取候选区域。
提取所述颅骨区域可以很容易基于颅骨骨骼的灰度值而实现。脑区域的提取可以很容易基于由颅骨所界定的区域内的脑组织的灰度值而实现。提取所述脑区域内的候选区域可以很容易基于急性血肿的灰度值而实现。
在所述系统的实施例中，所述分类单元包括：
-拓扑单元，其用于计算所述候选区域的拓扑特征；和/或
-几何单元，其用于计算所述候选区域的几何特征；以及
-判别单元，其用于基于所述候选区域的拓扑特征和/或几何特征对所述候选区域进行分类。
基于所计算出的所述候选区域内颅骨的拓扑特征和/或几何特征，所述判别单元可以更好地将所述候选区域分类为急性血肿。任选地，所计算出的拓扑特征和/或几何特征可以被所述判别单元用于识别急性颅内血肿、急性硬膜下血肿、急性硬膜外血肿或部分容积效应。
在所述系统的实施例中，所述候选区域的拓扑特征和/或几何特征是基于所述候选区域的平均灰度值的基于距离直方图计算出来的。首先，计算出脑的欧几里德距离图。第二，使用所述距离图计算出包括在离散距离间隔上的平均灰度值的基于距离直方图。该距离直方图提供了可视化和确定候选区域类型的简单方式。
本领域技术人员应当可以领会到，所述系统的上述实施例中的任意两个或更多个实施例可以以任意有用的方式进行组合。
在本发明的另一方面，根据本发明的所述系统包含在图像采集设备中。
在本发明的另一方面，根据本发明的所述系统包含在工作站中。
在本发明的另一方面，提供了一种在非对比增强CT图像数据中识别急性血肿的方法，所述方法包括：
-提取步骤，其用于基于对图像数据的灰度值的第一分析来提取被怀疑是急性血肿的候选区域；以及
-分类步骤，其用于基于对所述候选区域的空间特征的第二分析而将所述候选区域分类为阳性或阴性急性血肿。
在本发明的另一方面，提供了一种用于在非对比增强CT图像数据中识别急性血肿的装置，所述装置包括：
-用于基于对图像数据的灰度值的第一分析，提取被怀疑是急性血肿的候选区域的模块；以及
-用于基于对候选区域的空间特征的第二分析，将候选区域分类为阳性或阴性急性血肿的模块，用于分类的所述模块包括：
-用于计算所述候选区域的拓扑特征和/或计算所述候选区域的几何特征的模块；以及
-用于基于所述候选区域的所述拓扑特征和/或所述几何特征对所述候选区域进行分类的模块。
基于所提供的说明书本领域技术人员可以对图像采集设备、工作站、方法和/或计算机软件产品作出与对所述系统所作的修改和变更相对应的修改和变更。
附图说明
本发明的这些方面及其他方面将从下文参考附图所描述的实施方式和实施例中变得显然，并将参考这些实施方式和实施例进行阐述，在附图中：
图1示意性地示出了所述系统的示例性实施例的方框图；
图2示出了头和脑的灰度值分布图；
图3示出了示例性的基于距离直方图；
图4示出了所述方法的示例性实施例的流程图；
图5示意性地示出了图像采集设备的示例性实施例；以及
图6示意性地示出了所述工作站的示例性实施例。
在所有附图中使用相同的附图标记表示相似的部件。
具体实施方式
图1示意性地示出了用于在非对比增强CT图像数据中识别急性血肿的系统100的示例性实施例的方框图，所述系统包括：
-提取单元110，其用于基于对图像数据的灰度值的第一分析来提取被怀疑是急性血肿的候选区域；以及
-分类单元120，其用于基于对候选区域的空间特征的第二分析而将候选区域分类为阳性或阴性急性血肿。
系统100的示例性实施例还包括下列单元：
-颅骨单元111，其用于提取颅骨区域；
-脑单元112，其用于基于所提取的颅骨区域来提取脑区域；以及
-血肿单元113，其用于在所述脑区域内提取候选区域；
-拓扑单元121，其用于计算所述候选区域的拓扑特征；
-几何单元122，其用于计算所述候选区域的几何特征；以及
-判别单元123，其用于基于所述候选区域的拓扑特征和几何特征对所述候选区域进行分类；
-用户接口165，其用于与所述系统100的用户通信；以及
-存储器单元170，其用于存储数据。
在系统100的实施例中有三个针对输入数据的输入连接器181、182和183。第一输入连接器181被布置为接收来自数据存储器件的数据，所述数据存储器件例如(但不限于)为硬盘、磁带、闪速存储器或光盘。第二输入连接器182被布置为接收来自用户输入装置的数据，所述用户输入装置例如(但不限于)为鼠标或触摸屏。第三输入连接器183被布置为接收来自诸如键盘的用户输入装置的数据。将所述的输入连接器181、182和183连接至输入控制单元180。
在系统100的实施例中有两个针对输出数据的输出连接器191和192。第一输出连接器191被布置为将数据输出到诸如硬盘、磁带、闪速存储器或光盘的数据存储器件。第二输出连接器192被布置为将数据输出到显示装置。输出连接器191和192经由输出控制器190接收相应的数据。
本领域技术人员应当理解，有很多种方式可以将输入装置连接至系统100的输入连接器181、182和183并且将输出装置连接至系统100的输出连接器191和192。这些方式包括(但不限于)有线连接和无线连接、数字网络，其中，所述数字网络例如(但不限于)为局域网(LAN)和广域网(WAN)、因特网、数字电话网和模拟电话网。
在系统100的实施例中，系统100包括存储器单元170。系统100被布置为经由输入连接器181、182和183中的任意输入连接器接收来自外部装置的输入数据并且将接收到的数据存储到存储器单元170。将输入数据装载到存储器单元170允许系统100的各单元快速存取相关数据部分。所述输入数据可以包括(例如)图像数据。所述存储器单元170可以实现为诸如(但不限于)随机存取存储器(RAM)芯片、只读存储器(RPM)芯片和/或硬盘驱动器和硬盘的装置。所述存储器单元170还可以被布置为存储输出数据。所述输出数据可以包括(例如)CT图像数据，所述CT图像数据包括对被分类于真急性血肿的候选区域的勾画。所述存储器单元170也可被布置为经由存储器总线175从系统100的各单元接收数据并将数据传送到系统100的各单元，所述系统100的各单元包括提取单元110、分类单元120、颅骨单元111、脑单元112、血肿单元113、拓扑单元121、几何单元122、判别单元123、控制单元160以及用户界面165。所述存储器单元170还被布置为经由输出连接器191和192中的任意输出连接器而使外部装置获得所述输出数据。将来自系统100的各单元的数据存储到存储器单元170可以有利地提高系统100的各单元的性能以及输出数据从系统100的各单元到外部装置的传送速率。
或者，系统100可以不包括存储器单元170和存储器总线175。系统100所使用的输入数据可以由至少一个连接在系统100的各单元上的外部装置提供，所述外部装置例如为外部存储器或处理器。类似地，由系统100所产生的输出数据可以被提供给至少一个连接在系统100的各单元上的外部设备，所述外部装置例如为外部存储器或处理器。系统100的各单元可以被布置为经由内部连接或经由数据总线接收来自彼此的数据。
在系统100的实施例中，系统100包括用于控制系统100的工作流程的控制单元160。所述控制单元可以被布置成接收来自系统100的各单元的控制数据并将控制数据提供给系统100的各单元。例如，在由提取单元110提取出候选区域之后，提取单元110可以被布置为将控制数据“候选区域被提取出”传递给控制单元160，并且控制单元160可以被布置为将控制数据“对候选区域进行分类”提供给分类单元120，由此要求分类单元120对所述候选区域进行分类。或者，可以在系统100的另一个单元中实现控制功能。
在系统100的实施例中，系统100包括用于与系统100的用户进行通信的用户界面165。用户界面165可以被布置为获取用户输入，所述用户输入例如为请求显示由图像数据计算出的视图或者用于提取颅骨的以Hounsfield单位(HU)为单位的阈值。本领域技术人员应当理解，在系统100的用户界面165中有利地可以实现更多的功能。
图2示出了头和脑的灰度值分布图。左侧的分布图24是头的分布图并且对应于CT图像数据切片21中沿间隔22排列的体素。该分布图可以识别出三种区域：对应于灰度值大于颅骨阈值T颅骨1133HU的颅骨区域、对应于灰度值小于颅骨阈值T颅骨并大于脑阈值T脑500HU的脑区域、以及对应于灰度值小于脑阈值T脑的背景区域。右侧的分布图25是脑的分布图并且对应于CT图像数据切片21中沿间隔23排列的体素。该分布图可以识别出脑内的两个组织类别：对应于灰度值小于血肿阈值T血肿1080HU的正常脑组织以及对应于灰度值大于血肿阈值T血肿的候选区域。为了使得所确定的区域在空间上一致，可以使用区域生长方法。此外，可以使用各种滤波算子，例如使用形态学算子，对图像数据进行预处理和/或后处理。
本领域技术人员应当理解，阈值可以基于对一组训练图像的专家评估而凭经验进行确定。实际的阈值将依赖于该组训练图像和专家评估，并且实际的阈值可以不同于前面所描述的值。可以以类似的方式定义和识别对应于(例如)肿瘤、运动伪影和钙化的更多区域以及描述这些区域的阈值。
提取单元110被布置成基于对图像数据的灰度值的第一分析提取被怀疑是急性血肿的候选区域。所述第一分析可能涉及使用区域生长和阈值比较。将种子的连接分量，包括具有介于血肿阈值T血肿和颅骨阈值T颅骨之间的灰度值的体素的分量提取为候选区域。
急性脑内血肿必然发生在颅骨包绕的脑内。该事实可以用于改善提取策略。在系统100的实施例中，所述提取单元包括用于提取颅骨区域的颅骨单元111、用于基于所提取的颅骨区域来提取脑区域的脑单元112以及用于在脑区域内提取候选区域的血肿单元113。首先，应用区域生长方法来提取颅骨区域。假设颅骨周围没有能提供相似灰度值的其他对象，由来自图像体积边界的投射射线自动提取所述种子。如果射线撞击到在给定灰度值范围内并且具有大于3mm的延展范围的对象，所述灰度值范围例如为大于T颅骨，那么在该对象中设置种子。所述颅骨单元确定界定出颅骨区域的颅骨的二元掩膜。
在颅骨单元111已经提取了颅骨区域之后，将脑单元112布置为使用区域生长方法提取脑区域。此处所述种子可以是颅骨的中心，例如，质心或几何中心。将所述种子的连接分量，包括具有介于脑阈值T脑和颅骨阈值T颅骨之间的灰度值的体素的分量提取为脑区域。
在脑单元112已经提取了脑区域之后，将血肿单元113布置为在脑区域内提取候选区域集合。这是通过识别脑区域内具有大于血肿阈值T血肿的灰度值的体素来完成的。所识别的体素的连接性分量集合为候选区域集合。
不幸的是，在骨性结构和脑的界面上的部分容积效应提供与急性血肿相似的灰度值。因此，候选区域集合可以包括大量由部分容积效应产生的假阳性。特别地，很难从部分容积效应中判别出发生在颅骨-脑界面上的急性硬膜下和硬模外血肿。
分类单元120被布置为基于对候选区域空间特征的第二分析而将候选区域分类为阳性或阴性急性血肿。在实施例中，主要的判别标准是同时出现拓扑特征“连接在骨上”和几何特征“垂直于颅骨表面延展范围”。拓扑单元121被布置为计算候选区域与颅骨之间的距离。几何单元122被布置为计算候选区域的尺寸。判别单元123被布置为基于候选区域的连通性和尺寸而对候选区域进行分类。如果候选区域与颅骨之间的距离小于距离阈值，则候选区域接近颅骨。如果垂直于这样的候选区域的颅骨表面的延展范围大于尺寸阈值，则将候选区域分类为急性硬膜下或硬模外血肿。否则，将这样的候选区域分类为部分容积效应。如果候选区域不接近颅骨，即，如果候选区域与颅骨之间的距离大于或等于距离阈值，则将候选区域分类为急性颅内血肿。
或者，在实施例中，分类单元120被布置为计算和分析基于距离直方图。首先，计算脑的欧几里得距离图。脑的欧几里得距离图为脑的多个点中的每一个点分配该点到颅骨的欧几里得距离。将脑的多个点的各点基于他们到颅骨的距离赋予进行分组(bin)。组间隔(bin interval)例如可以是长度1mm。为每一候选区域和每一组，计算各点的灰度值的平均值。这样得到典型的包括尖峰的基于距离直方图，其对于每个组间隔具有几乎相同的平均灰度值，大约为1100HU，但其具有不同的尖峰分布模式。
图3示出了示例性的基于距离直方图。由直接连接到骨性结构的窄峰来描述部分容积效应，如图表31所示。将界定出始于0mm的距离并止于4mm的距离的尖峰的候选区域分类为部分容积效应，即阴性急性血肿。阳性急性血肿要么与任何骨骼没有连接，如图表32所示，要么在连接到颅骨上时显示为相对更宽的尖峰，如在图表33中图示说明的。
本领域技术人员应当理解，各种方法以及大量的拓扑特征和/或几何特征可能有助于对候选区域进行分类。所述的方法和特征被用于阐明本发明但一定不能解释为对权利要求范围的限制。
本领域技术人员还应当理解，所述系统可以被布置为基于多维数据，例如基于二维或三维图像数据来提取候选区域并对候选区域进行分类。
本领域技术人员还应当理解，本文所描述的系统100可能是对于协助医师作出医学诊断，特别是从医学图像数据中提取信息并解释医学图像而言非常有价值的工具。
本领域技术人员还应当理解，系统100也可能有其他的实施例。尤其是，有可能重新定义所述系统的各单元并重新分配他们的功能。
系统100的各单元可以使用处理器来实现。通常，在软件程序产品的控制下执行他们的功能。在运行期间，通常将所述软件程序产品装载到像RAM这样的存储器中，并且由所述存储器运行。所述程序可以从诸如ROM、硬盘或者磁和/或光存储器的后台存储器上装载，或者可以经由像因特网这样的网络进行装载。任选地，专用集成电路可提供所述的功能。
图4示出了用于在非对比增强CT图像数据中识别急性血肿的方法400的示例性实施例的流程图。方法400开始于提取步骤410，所述提取步骤410用于基于对图像数据灰度值的第一分析来提取被怀疑是急性血肿的候选区域。在提取步骤410之后，方法400继续到分类步骤420，所述分类步骤420用于基于对候选区域的空间特征的第二分析而将候选区域分类为阳性或阴性急性血肿。在分类步骤之后，所述方法400结束。
在所示出的实施例中，提取步骤410压缩了如下步骤：颅骨步骤411、脑步骤412以及血肿步骤413。提取步骤410开始于用于提取颅骨区域的颅骨步骤411。在颅骨步骤之后，提取步骤410继续到脑步骤412，所述脑步骤412用于基于所提取的颅骨区域来提取脑区域。在脑步骤412之后，提取步骤410继续到用于在脑区域内提取候选区域的血肿步骤413。
在所示出的实施例中，分类步骤420包括拓扑步骤421、几何步骤422以及判别步骤423。分类步骤420开始于用于计算候选区域的拓扑特征的拓扑步骤421。在拓扑步骤421之后，分类步骤420继续到用于计算候选区域的几何特征的几何步骤422。在几何步骤422之后，分类步骤420继续到用于基于候选区域的拓扑特征和几何特征而对候选区域进行分类的判别步骤423。
方法400中各步骤的顺序并不是强制的，本领域技术人员在不脱离本发明意指的构思的情况下，可以改变一些步骤的顺序或者执行一些步骤而同时使用线程模型、多处理器系统或多进程。任选地，本发明的方法400的两个或更多个步骤可以合并成一个步骤。任选地，本发明的方法400的一个步骤可以被拆分为多个步骤。
图5示意性地示出了使用系统100的图像采集设备500的示例性实施例，图像采集设备500包括CT图像采集单元510、输入连接器501以及输出连接器502，所述图像采集单元510经由内部连接与系统100相连接。该布置有利地提高了图像采集设备500的性能，从而为所述图像采集设备500提供了系统100的有利性能。
图6示意性地示出了工作站600的示例性实施例。所述工作站包括系统总线601。处理器610、存储器620、磁盘输入/输出(I/O)适配器630以及用户界面(UI)640被可操作地连接到系统总线601上。磁盘存储装置631被可操作地耦合到磁盘I/O适配器630。键盘641、鼠标642以及显示器643被可操作地耦合到UI 640上。本发明的实现为计算机程序的系统600被存储在磁盘存储装置631上。工作站600被布置为装载所述程序并将数据输入到存储器620以及在处理器610上执行所述程序。用户可以使用键盘641和/或鼠标642向工作站600输入信息。所述工作站被布置为将信息输出到显示器设备643和/或磁盘631上。本领域技术人员应当理解，本领域知晓工作站600有大量的其他实施方式，并且应当理解，本实施例的目的在于阐明本发明但一定不能解释为将本发明限制为这一具体实施例。
应当注意到，上述实施例阐述而非限制本发明，并且本领域技术人员在不脱离权利要求书范围的情况下将能够设计出替代实施例。在权利要求书中，任何置于括号内的附图标记不应解释为对权力要求的限制。词语“包括”并不排斥存在权利要求书或说明书中没有列举出的元件或步骤。在元件前面的词语“一”或“一个”并不排斥存在多个此类元件。本发明可以实现为包括多干分立元件的硬件和经编程的计算机。在列举了若干单元的系统权利要求中，这些单元中的若干个可以具体化为同一个软件或硬件。使用词语第一、第二和第三等并不指示任何顺序。这些词语应解释为名字。

Claims (7)

1.一种用于在非对比增强CT图像数据中识别急性血肿的系统(100)，所述系统包括：
-提取单元(110)，其用于基于对所述图像数据的灰度值的第一分析来提取被怀疑是所述急性血肿的候选区域；以及
-分类单元(120)，其用于基于对所述候选区域的空间特征的第二分析而将所述候选区域分类为阳性或阴性急性血肿，所述分类单元(120)包括：
-拓扑单元(121)，其用于计算所述候选区域与颅骨之间的距离；和/或
-几何单元(122)，其用于计算所述候选区域的尺寸；以及
-判别单元(123)，其用于基于所述候选区域与颅骨之间的所述距离和/或所述候选区域的所述尺寸对所述候选区域进行分类。
2.如权利要求1所述的系统(100)，其中，所述提取单元(110)包括：
-颅骨单元(111)，其用于提取颅骨区域；
-脑单元(112)，其用于基于所提取的颅骨区域来提取脑区域；以及
-血肿单元(113)，其用于在所述脑区域内提取所述候选区域。
3.如权利要求1所述的系统(100)，其中，所述候选区域与颅骨之间的所述距离和/或所述候选区域的所述尺寸是基于所述候选区域的平均灰度值的基于距离直方图计算出来的。
4.如权利要求1所述的系统(100)，其中，所述分类单元被布置为将所述候选区域分类为急性颅内血肿、急性硬模下血肿、急性硬模外血肿、或部分容积效应。
5.一种包括如权利要求1所述的系统(100)的图像采集设备(500)。
6.一种包括如权利要求1所述的系统(100)的工作站(600)。
7.一种用于在非对比增强CT图像数据中识别急性血肿的装置，所述装置包括：
-用于基于对所述图像数据的灰度值的第一分析来提取怀疑是所述急性血肿的候选区域的模块；以及
-用于基于对所述候选区域的空间特征的第二分析而将所述候选区域分类为阳性或阴性急性血肿的模块，用于分类的所述模块包括：
-用于计算所述候选区域与颅骨之间的距离和/或计算所述候选区域的尺寸的模块；以及
-用于基于所述候选区域与颅骨之间的所述距离和/或所述候选区域的所述尺寸对所述候选区域进行分类的模块。
CN2008800206581A 2007-06-20 2008-06-17 在ct图像数据中检测出血性卒中 Active CN101689301B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP07110672 2007-06-20
EP07110672.8 2007-06-20
PCT/IB2008/052381 WO2008155718A2 (en) 2007-06-20 2008-06-17 Detecting haemorrhagic stroke in ct image data

Publications (2)

Publication Number Publication Date
CN101689301A CN101689301A (zh) 2010-03-31
CN101689301B true CN101689301B (zh) 2013-09-25

Family

ID=40032452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2008800206581A Active CN101689301B (zh) 2007-06-20 2008-06-17 在ct图像数据中检测出血性卒中

Country Status (5)

Country Link
US (1) US9159127B2 (zh)
EP (1) EP2158575B1 (zh)
JP (1) JP5200101B2 (zh)
CN (1) CN101689301B (zh)
WO (1) WO2008155718A2 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011158135A1 (en) 2010-06-14 2011-12-22 Koninklijke Philips Electronics N.V. Tissue classification
US8634626B2 (en) * 2010-06-29 2014-01-21 The Chinese University Of Hong Kong Registration of 3D tomography images
US8467585B2 (en) * 2010-10-21 2013-06-18 Genenal Electric Company Methods and apparatus to analyze computed tomography scan data
US10681080B1 (en) 2015-06-30 2020-06-09 Ntt Research, Inc. System and method for assessing android applications malware risk
US10462159B2 (en) 2016-06-22 2019-10-29 Ntt Innovation Institute, Inc. Botnet detection system and method
US10652270B1 (en) 2016-06-23 2020-05-12 Ntt Research, Inc. Botmaster discovery system and method
US10644878B2 (en) 2016-06-24 2020-05-05 NTT Research Key management system and method
US10163040B2 (en) * 2016-07-21 2018-12-25 Toshiba Medical Systems Corporation Classification method and apparatus
US10758188B2 (en) 2016-09-19 2020-09-01 Ntt Innovation Institute, Inc. Stroke detection and prevention system and method
US10887324B2 (en) 2016-09-19 2021-01-05 Ntt Research, Inc. Threat scoring system and method
US10389753B2 (en) 2017-01-23 2019-08-20 Ntt Innovation Institute, Inc. Security system and method for internet of things infrastructure elements
US11757857B2 (en) 2017-01-23 2023-09-12 Ntt Research, Inc. Digital credential issuing system and method
US10489905B2 (en) 2017-07-21 2019-11-26 Canon Medical Systems Corporation Method and apparatus for presentation of medical images
CN109712122B (zh) * 2018-12-14 2021-02-19 强联智创（北京）科技有限公司 一种基于头颅ct影像的评分方法及系统
US11544844B2 (en) 2019-07-25 2023-01-03 Canon Medical Systems Corporation Medical image processing method and apparatus
CN111127427B (zh) * 2019-12-24 2022-12-23 强联智创（北京）科技有限公司 一种基于颅脑影像数据的对称轴/对称面提取方法及系统
TWI767188B (zh) 2020-02-13 2022-06-11 國立中央大學 基於電腦斷層成像分析腦組織成分的系統及其運作方法
CN111445457B (zh) * 2020-03-26 2021-06-22 推想医疗科技股份有限公司 网络模型的训练方法及装置、识别方法及装置、电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1907225A (zh) * 2005-08-05 2007-02-07 Ge医疗系统环球技术有限公司 用于脑内出血损伤分割的方法和设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2263063C (en) 1999-02-26 2004-08-10 Skye Pharmatech Incorporated Method for diagnosing and distinguishing stroke and diagnostic devices for use therein
US7037267B1 (en) 1999-11-10 2006-05-02 David Lipson Medical diagnostic methods, systems, and related equipment
US6792302B2 (en) 2001-02-21 2004-09-14 Universite De Lausanne Method and apparatus for determining treatment for stroke
AUPR358701A0 (en) * 2001-03-07 2001-04-05 University Of Queensland, The Method of predicting stroke evolution
WO2004040437A1 (en) 2002-10-28 2004-05-13 The General Hospital Corporation Tissue disorder imaging analysis
EP1893091A4 (en) * 2005-05-27 2010-11-03 Agency Science Tech & Res BRAIN PICTURE SEPARATION FROM CT DATA
CN101466311B (zh) * 2006-06-13 2012-01-11 Ge医疗系统环球技术有限公司 用于脑出血分割的方法和设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1907225A (zh) * 2005-08-05 2007-02-07 Ge医疗系统环球技术有限公司 用于脑内出血损伤分割的方法和设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
聂生东等.基于模糊K-近邻规则的多谱磁共振脑图像分割方法的研究.《中国生物医学工程学报》.2002,第21卷(第5期),P471-P476. *

Also Published As

Publication number Publication date
US20100183211A1 (en) 2010-07-22
EP2158575A2 (en) 2010-03-03
CN101689301A (zh) 2010-03-31
US9159127B2 (en) 2015-10-13
EP2158575B1 (en) 2018-04-11
JP2010530270A (ja) 2010-09-09
WO2008155718A2 (en) 2008-12-24
JP5200101B2 (ja) 2013-05-15
WO2008155718A3 (en) 2009-02-12

Similar Documents

Publication Publication Date Title
CN101689301B (zh) 在ct图像数据中检测出血性卒中
Vijay et al. An efficient brain tumor detection methodology using K-means clustering algoriftnn
Xue et al. Chest x-ray image view classification
US9959617B2 (en) Medical image processing apparatus and breast image processing method thereof
Tripathy et al. Unified preprocessing and enhancement technique for mammogram images
US10127660B2 (en) Radiomic features on diagnostic magnetic resonance enterography
Matesin et al. A rule-based approach to stroke lesion analysis from CT brain images
US8331641B2 (en) System and method for automatically classifying regions-of-interest
Cahoon et al. Breast cancer detection using image processing techniques
US20190378607A1 (en) System and method for patient privacy protection in medical images
Giri et al. Breast cancer detection using image processing techniques
Fathima et al. Automatic detection of tumor subtype in mammograms based On GLCM and DWT features using SVM
CN109635669A (zh) 图像分类方法、装置及分类模型的训练方法、装置
Dobrescu et al. Diagnosis of breast cancer from mammograms by using fractal measures
Davis et al. Diagnosis & classification of brain hemorrhage
Raman et al. Review on mammogram mass detection by machinelearning techniques
Shelke et al. Automated segmentation and detection of brain tumor from MRI
Sood et al. Classification and pathologic diagnosis of gliomas in mr brain images
Johny et al. Breast cancer detection in mammogram using fuzzy C-means and random forest classifier
Li et al. A hybrid approach to detection of brain hemorrhage candidates from clinical head ct scans
Miao et al. CoWRadar: Visual Quantification of the Circle of Willis in Stroke Patients.
Meng et al. Fuhrman grade classification of clear-cell renal cell carcinoma using computed tomography image analysis
Hentschke et al. Detection of cerebral aneurysms in MRA, CTA and 3D-RA data sets
Eqbal et al. Medical Image Feature Extraction Using Wavelet Transform
Kowsalya et al. An integrated approach for detection of masses and macro calcification in mammogram images using dexterous variant median fuzzy c-means algorithm

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