CN101727660A - 对根据1点迪克森重构的脂肪和水图像的鲁棒分类 - Google Patents
对根据1点迪克森重构的脂肪和水图像的鲁棒分类 Download PDFInfo
- Publication number
- CN101727660A CN101727660A CN200910174938A CN200910174938A CN101727660A CN 101727660 A CN101727660 A CN 101727660A CN 200910174938 A CN200910174938 A CN 200910174938A CN 200910174938 A CN200910174938 A CN 200910174938A CN 101727660 A CN101727660 A CN 101727660A
- Authority
- CN
- China
- Prior art keywords
- mri
- image
- types
- image data
- correlation
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
磁共振成像中的Dixon方法生成可包括至少两种组织成分诸如脂肪和水的MRI图像。Dixon方法生成包括两种组织成分和主要是一种组织成分的图像。在T1加权图像中生成第一组织成分的第一分割。所述分割至少与第一和第二Dixon图像相关。具有最高相关性的图像被分配第一组织成分。
Description
相关文件的交叉引用
本申请要求于2008年11月3日提交的美国临时申请No.61/110,615的优先权,其通过引用结合于此。
技术领域
本发明涉及用于图像分类的方法和设备。特别是,本发明涉及基于脂肪和/或水含量对医学MRI图像的分割和分类。
背景技术
MR I系统是公知的。图1示出能够执行作为本发明方面的方法的磁共振成像(MRI)系统100的图示。MRI系统100包括磁体系统112、控制系统120、梯度线圈驱动器130、以及RF线圈驱动器128。磁体系统112包括磁体114、梯度线圈116、以及RF线圈118。控制系统120包括序列控制单元122、数据采集单元126、以及控制序列控制单元22和数据采集单元126的运行的控制器124。控制系统120可以经由任何类型的处理装置-诸如在单个计算装置上或者作为(例如通过LAN)联网在一起的多个计算装置-来实施。控制系统120可以向至少一个显示装置140提供输出信号,该显示装置140可以是用于显示根据本发明的一个或多个方面生成的图像的计算机屏幕。显示装置还可以是生成包含图像的胶片的设备。控制系统120还可以具有输入装置141,该输入装置141可以向所述控制器提供控制命令。控制装置可能是键盘,还可能是鼠标或者跟踪球或者是可以向所述控制器提供命令的任何其它装置。该系统还可以具有多个输入装置。
磁体114包括生成稳定、均匀磁场的电阻或者超导线圈(未示出)。该均匀磁场在待检查对象被置于的扫描空间或区域中生成。例如,如果对象是待检查的人或者患者,则这个人或者这个人待检查的部位被置于扫描区域中。
梯度线圈116生成磁场梯度,该磁场梯度被用于使由磁体114产生的静态磁场的强度在x,y,z方向或者它们的组合上发生梯度变化。梯度线圈驱动器130与梯度线圈116通信,并且向梯度线圈116施加驱动信号以用于生成磁场梯度的目的。
RF线圈驱动器128与RF线圈118通信,并且向RF线圈118传送驱动信号。响应于接收该驱动信号,RF线圈118产生RF激励信号(称为“RF脉冲”),该激励信号用于在正在静态磁场空间内成像的对象的感兴趣区域(例如器官)中生成核素(species)(例如激励原子核)。核素生成由RF线圈118检测到的共振信号。在一些实施例中,使用单独的线圈来检测该共振信号。与RF线圈118通信的数据采集单元126从RF线圈118获取该共振信号(有时称为“回波”)。该共振信号定义在称为“k空间”的二维频域或者傅立叶空间中。数据采集单元126对该共振信号进行采样和数字化,并且将结果信号作为数字数据提供给控制器124以用于存储和/或进一步处理。
控制器124处理该数字数据以获得感兴趣区域的图像。控制器124可以应用各种公知的图像处理技术来构建该图像,该图像可以在与控制器124耦合的显示器140上被看到。该显示器可以例如作为监视器或者诸如CRT或者平板显示器的终端来提供。该显示器也可以是在胶片上创建图像的装置。
序列控制单元122与梯度线圈驱动器130、RF线圈驱动器128和控制器124中的每一个连接。控制器124具有存储器,该存储器存储具有指令的程序,这些指令使序列控制单元116引导将RF脉冲和梯度场从RF线圈118和梯度线圈116输送到感兴趣区域。响应于接收从序列控制单元122提供的控制信号,梯度线圈驱动器130向梯度线圈116提供驱动信号,RF线圈驱动器128向RF线圈118提供驱动信号。关于MRI扫描器的这些和其它细节可以在颁发给Laub等人的、于2007年11月6日发布的美国专利7,292,039中找到,其通过引用结合于此。
应当理解,可以在不同实施例中实现MRI系统部件的实际实施,例如在Siemens MAGNETOM系列的MRI系统中可获得的不同实施例中所表明的那样,并且在此所提供的图示不意欲限制为MRI系统的单个实施例。
在“Dixon W.T.Simple proton spectroscopic imaging.Radiology1984;153:189-194”中,Dixon介绍了一种用于创建只有水的MRI图像和只有脂肪的MRI图像的新图像技术,其全部内容通过引用结合于此。
由Dixon所公开的技术基于在获取图像时自由感应衰减信号(FID)的周期性变化。通过应用不同的回波时间,人们可以获取“脂肪和水总和”的图像以及“脂肪和水之差异”的图像,根据这些图像人们可以确定脂肪图像和水图像。人们可以称最初的Dixon方法为两点方法。两点方法中所重构的图像可能由于磁场强度的不均匀而产生错误。Glover等人在“Glover GH,Schneider E.Three-point Dixon technique fortrue water/fat decomposition with B0 inhomogeneity correction.Magn Reson Med 1991;18:371-383”中提出通过用公知的3点Dixon方法获取三个图像来解决该难题,其全部内容通过引用结合于此。
单点Dixon方法(Single-point Dixon method)也已经公知,例如公开在“Jong Bum Son等人,Concepts in Magnetic Resonance PartB:Magnetic Resonance Engineering,Volume 33B Issue 3,152-162页Published Online:2008年7月10日,Wiley Publications,Single-point Dixon water-fat imaging using 64-channelsingle-echo acquisition MRI.”以及于2008年2月在Journal ofMagnetic Resonance Imaging中由Jingfei Ma发表的″A single-pointDixon technique for fat-suppressed fast 3D gradient-echo imagingwith a flexible echo time ″中,其全部内容通过引用结合于此。
这些Dixon方法能够利用在被束缚的水质子和被束缚的脂肪质子之间所限定的进动时间差,根据MR原始数据来计算纯脂肪和纯水的图像。
因此,一点Dixon方法是成像方法的一个实施例。作为本发明一个或多个方面的将图像区分和分类为脂肪图像或者主要为脂肪的图像、或者区分和分类为水图像或者主要为水的图像的方法和系统可以被应用到不同的MRI采集技术,诸如1点、2点、3点和任意多点Dixon技术,只要可以生成组合的脂肪/水图像,并且可以生成单独的脂肪图像或者主要为脂肪的图像以及单独的水图像或者主要为水的图像中的至少一个。
尽管公知通过Dixon方法将图像数据分离成主要分离但又连接的成分x和y-诸如水和脂肪-的两个不同图像,但是不能直接推断出x是脂肪而y是水。这在由诸如处理器的机器将图像自动识别为脂肪图像或识别为水图像时尤其是这种情况。虽然对于人类操作员来说例如基于背景知识有可能作出图像是脂肪图像的结论,但是自动由机器或由未经训练的操作员来做出这样的结论是困难的。普通的启发式方法(commonheuristics)通常失败。
MR扫描过程获取包含相位和幅度信息的复杂数据。Dixon方法基于相对相位信息,该相对相位信息基于对在限定回波时间由束缚于脂肪的质子和束缚于水的质子之间的不同进动时间导致的限定相位差的假设。由于相位信息的周期性特性和其它效应的叠加,相位信息不是绝对的,这使机器难以自动确定所生成的MRI图像是脂肪图像还是水图像。
Dixon方法能够分离由相邻体素(voxel)连接的成分。如果没有连接,则可能会将一种成分正确地分类而将另一种成分不正确地分类。例如,人们可能拍一张人头部的MRI图像,其中人的手臂在头部的旁边。因为在MRI图像中,手臂中的像素或体素不与头部的像素或体素连接,所以人们可能在头部图像中正确地分配脂肪和水的标签,但是在手臂图像中不正确地分配脂肪和水的标签。
因此,需要新颖的和改进的设备和方法以将基于Dixon方法的图像自动地以鲁棒方式分类到合适的类别中。
发明内容
根据本发明的方面,提供用于根据对象的MRI图像数据对组织类型进行分类的方法和系统。
根据本发明进一步的方面,提供一种用于根据对象的MRI图像数据对组织类型进行分类的方法,所述对象至少包括第一组织类型和第二组织类型,通过处理基本上表示第一组织类型的第一MRI图像数据集合和至少表示第一和第二组织类型的组合的MRI图像数据集合来进行该分类,所述方法包括使用处理器以根据组合的MRI图像数据集合来创建分割,并且确定所述分割和第一MRI图像数据集合之间的第一相关值。
根据本发明再进一步的方面,提供所述方法,其中所述分割中的像素具有高于阈值的强度值。
根据本发明再进一步的方面,所述方法进一步包括:确定阈值相关值,将第一相关值与阈值相关值进行比较,并且基于前述步骤的比较将组织类型分配给第一MRI图像数据集合。
根据本发明再进一步的方面,所述方法进一步包括:确定所述分割和对象的基本上表示第二组织的第二MRI图像数据集合之间的第二相关值。
根据本发明再进一步的方面,所述方法进一步包括:基于第一相关值与第二相关值进行比较的相对值来对第一MRI图像数据集合的组织类型进行分类。
根据本发明再进一步的方面,提供所述方法,其中通过应用Dixon方法生成第一MRI图像数据集合。
根据本发明再进一步的方面,提供所述方法,其中第一组织类型是脂肪组织。
根据本发明再进一步的方面,提供所述方法,其中所述分割是基于灰值的分割。
根据本发明再进一步的方面,提供所述方法,其中通过使用从由期望最大化分割方法和Otsu阈值分割方法构成的组中所选择的方法来执行所述分割。
根据本发明再进一步的方面,提供所述方法,其中分类被应用于与所述对象相关的一个或多个附加对象。
根据本发明的另一方面,提供一种用于根据对象的MRI图像数据对组织类型进行分类的系统,所述对象至少包括第一组织类型和第二组织类型,通过处理基本上表示第一组织类型的第一MRI图像数据集合和至少表示第一和第二组织类型的组合的MRI图像数据集合来进行所述分类,所述系统包括:生成磁共振图像数据的磁共振成像机器;根据用于执行下列步骤的指令来处理所述磁共振数据的处理器,所述步骤包括:根据组合的MRI图像数据集合来创建分割;并且确定所述分割和第一MRI图像数据集合之间的第一相关值。
根据本发明的又一方面,提供一种系统,其中所述分割中的像素具有高于阈值的强度值。
根据本发明的又一方面,系统进一步包括指令以用于确定阈值相关值;将第一相关值与阈值相关值进行比较;并且基于前述步骤的比较将组织类型分配给第一MRI图像数据集合。
根据本发明的又一方面,系统进一步包括指令以用于确定所述分割和对象的基本上表示第二组织的第二MRI图像数据集合之间的第二相关值。
根据本发明的又一方面,系统进一步包括指令以用于基于第一相关值与第二相关值进行比较的相对值来对第一MRI图像数据集合的组织类型进行分类。
根据本发明的又一方面,提供一种系统,其中通过应用Dixon方法生成第一MRI图像数据集合。
根据本发明的又一方面,提供一种系统,其中第一组织类型是脂肪组织。
根据本发明的又一方面,提供一种系统,其中所述分割是基于灰值的分割。根据本发明的又一方面,提供所述系统,其中通过使用从由期望最大化分割方法和Otsu阈值分割方法构成的组中所选择的方法来执行所述分割。
根据本发明的又一方面,提供一种系统,其中分类被应用于与所述对象相关的一个或多个附加对象。
附图说明
图1是MRI系统的图示;
图2是MRI T1加权图像;
图3是根据Dixon方法生成的MRI图像;
图4是根据Dixon方法生成的另一MRI图像;
图5是图2图像的灰度直方图;
图6是基于灰度对图2图像的分割;
图7是多成分脂肪/水分类的图示;
图8是根据本发明方面的分类步骤的图示;
图9是根据本发明方面的进一步分类步骤的图示;
图10是根据本发明方面的进一步分类步骤的图示;
图11是根据本发明方面的多成分分类步骤的图示;以及
图12示出根据本发明一个或多个方面的用于执行在此所述步骤的计算机系统。
具体实施方式
在此提供新颖的方法和设备以用于将与至少一个成分有关的MRI图像数据从与至少两个成分有关的MRI图像数据中分割出来,其中所述至少两个成分包括所述至少一个成分。出于本公开的目的,主要由脂肪质子形成的MRI图像被称为脂肪图像。该图像也可以被称为对诸如脂肪的成分的Dixon分割。如果该成分是脂肪的话,该图像也可以被称为Dixon脂肪分割。同样的也应用于水图像。出于本公开的目的,可包括一点、两点、三点和多点方法在内的所有Dixon方法假设都至少生成组合的成分图像,诸如组合的脂肪和水图像。
在至少两种成分的质子生成组合图像的一般情况下,假设Dixon方法将生成这些成分的组合图像,而这些成分需要被分离成各个成分的Dixon分割图像。
可以基于Dixon原理根据特定的MR采集来重构纯脂肪和纯水的图像。通过利用束缚在脂肪中的质子与束缚在水中的质子以不同频率进动的事实来计算这些图像。对于限定的回波时间,这导致相位上的特别差异,该特别差异可以被Dixon分割方法和算法利用来分离为主要具有脂肪或水含量的图像区域。
如在上面所解释的,2点Dixon分割根据在脂肪和水信号之间具有0度和180度差的双回波扫描来为每个体素计算来自脂肪和水的部分信号份额(contribution)。1点Dixon分割根据具有180度相位差的扫描来计算大部分为脂肪的体素和大部分为水含量的体素。然而,由于例如由场的不均匀性所导致的叠加的相位偏移,很难分类哪个是脂肪信号、哪个是水信号,并且经常导致错误分类的图像。
Dixon图像是MRI图像数据的补充集合,例如Dixon脂肪图像和Dixon水图像,在组合的意义上来说,这些Dixon图像示出原MR图像的内容。
T1加权图像是MRI图像,其中图像对比度主要由纵向弛豫时间(relaxation times)确定,该纵向弛豫时间通过束缚到特定分子的质子从激励状态返回到平衡状态所需要的时间来限定。T1加权MRI成像的方面在现有技术中公知,并且例如在2003年9月23日发布的、颁发给Iriguchi等人的美国专利6,624,632中公开,其全部内容通过引用结合于此,并且在″Magnetic Resonance Imaging:Physical Principles andSequence Design″,E.Mark Haacke(作者),Robert W.Brown(作者),Michael R.Thompson(作者),Ramesh Venkatesan,Wiley-Liss,1999”中有所公开,其全部内容通过引用也结合于此。脂肪是一种通常提供较高信号并且在T1造影剂MR图像上会呈现亮色的物质。水原子核具有较长的T1时间,并因此通常在T1加权MR图像中提供较低强度的信号。
根据本发明的方面,从对象生成组合的水/脂肪图像,如图2所示。然后,根据本发明的进一步的方面,1点Dixon图像重构产生2个分割的图像,其中之一是脂肪图像,而另一个是水图像。在图3中示出与图2相关的第一成分图像的示例;在图4中示出与图2相关的第二成分图像的示例。
虽然已知两种成分是水和脂肪,但是可能不知道第一种成分是水还是脂肪以及第二种成分是脂肪还是水。
根据本发明的方面,在重构的幅度图像中根据基于简单灰值强度的分割来执行基本的脂肪分割。这例如可以由T1加权扫描来完成,这可以在双造影剂扫描(dual contrast scan)中作为附加回波来扫描,如图2所示。在一个实施例中,可选择具有最强T1权重的造影剂。在进一步的实施例中,可使用不同于最强T1权重的其它合适造影剂。
粗略分割例如可以是基于(多类别)Otsu阈值或者基于高斯混合模型的期望最大化的阈值分割,如图5所示。图5示出图2的T1加权图像的直方图500。已知脂肪具有比水更高(亮)的强度。人们可以选择或者计算阈值501,超过该阈值501,所有像素都可被假设为脂肪像素。在一个实施例中,用户可以选择阈值。在进一步的实施例中,诸如Otsu分割,可以通过该分割方法来确定阈值。其它实施例也是有可能的,例如通过基于强度级的分布来确定阈值。
图6示出通过只选择在该阈值强度上和/或高于该阈值强度的像素对图2进行的粗略分割。只使用粗略分割可能不够精确。组合两种方法产生对图2的T1加权图像的更加鲁棒的脂肪分割。
根据本发明的方面,在重构的幅度图像中根据基于简单灰值强度的分割来执行基本的脂肪分割。这例如可以由T1加权扫描来完成,这可以在双造影剂扫描中作为附加回波来扫描,如图2所示。在实际中,可选择具有最强T1权重的造影剂。在进一步的实施例中,可使用不同于最强T1权重的其它合适造影剂。
粗略分割例如可以是基于多类别Otsu阈值或者基于高斯混合模型的期望最大化的阈值分割,如图5所示。这些和其它分割方法在现有技术中已知并且可以在图像处理方面的教科书中找到说明,诸如Rafael C.Gonzalez,Richard E.Woods:Digital Image Processing。Addison-Wesley,Reading Mass 1992。ISBN 0-201-50803-6,其全部内容通过引用结合于此。
图5示出图2的T1加权图像的直方图500。已知在T1加权MR图像中,脂肪通常具有比水更高(亮)的强度。人们可以选择或计算阈值501,超过该阈值501,所有像素都可被假设为脂肪像素。图6示出通过只选择在该阈值强度上和/或高于该阈值强度的像素对图2进行的粗略分割。只使用粗略分割可能不够精确。组合两种方法产生对图2的T1加权图像的更加鲁棒的脂肪分割。图6是使用图5的阈值直方图对图2进行的粗略分割。
为了根据本发明的方面分类出图3或图4的哪个图像是脂肪图像,检查这些图像中之一与图6基于直方图的粗略分割之间的相似性。具有最大相似性的图像应当被确定为脂肪图像。
可以用不同方式来限定相似性。例如可以使用图像-诸如图3或图4的图像-与图6的图像之间的交叉相关,表示为:
另一(以及甚至更简单的)可能性是使用根据二元掩模(binarymask)的分割,并且将该二元掩模逐个像素地与Dixon图像中对应像素的标准化值相乘。
对于这些测量中的任何一个,与实际脂肪图像的相似性总是明显地比与水图像的相似性更高。
诸如计算机的机器可以容易地确定图6与图3的图像的相似性或相关性最高,而与图4的图像的相似性或相关性最低。
Dixon方法也往往混淆不同组织类型的连接成分。人们也可以对图像应用用于确定连接成分是脂肪成分还是水成分的方法,其中通过Dixon方法在MRI图像中获取并处理对象的不同部分。例如,人们可以获取连接成分的MRI图像(组合的和单独的脂肪和水图像)并对这些图像进行正确分类。作为说明性的示例,人们可以获取一个人的一个或多个MRI图像,其中这个人的手臂与头部平行地伸展。这在图7的图示中示出。假设这个人的图像是从这个人上方的观察点拍取的,则图像700是头部708与右手臂707和左手臂709的T1加权图像的基于强度的分割。假设人们还通过使用Dixon方法之一生成单独的脂肪图像和水图像:图像701和704针对右手臂,图像703和706针对左手臂,而图像702和705针对头部。可生成组合的Dixon脂肪分割710和组合的Dixon水分割711。然而,图像703和706已经被错误分类。
根据进一步的方面,人们可以通过执行脂肪和水图像的每个连接成分与最适于粗略脂肪分割的完整图像(例如,具有最强T1权重的图像)的灰度级分割之间的相关来正确地对图像中的各个连接成分进行分类。
水和脂肪分割中的各个成分将被与可以是粗略分割的灰色强度级分割相关联。这些是同一图像的各个连接成分。当人们试图找到右手臂的分类时,人们可以将值0或背景提供给脂肪或水图像的位于“匹配区域”之外的部分,例如具有左手臂和头部的区域可被考虑为0。人们也可以将相关限制到感兴趣区域。
图8示出右手臂Dixon图像701和704与分割图像700的相关性。步骤801示出701和700之间的高相关性,该高相关性表明是脂肪图像701。步骤802示出704和700之间的低相关性,该低相关性表明是水图像。图9示出对头部702和705的脂肪和水图像的相似处理。步骤901示出高相关性,而步骤902示出低相关性,这表明702是头部的脂肪图像,而705是水图像。
这里指出,使用了术语高相关性和低相关性。基于经验,人们可能对于什么被认为是高相关值以及什么被认为是低相关值设定阈值。利用这样的阈值,人们可对单个相关立刻确定出分类结果。如果图像的相关生成高相关值,则该图像是脂肪图像,而该图像的配对图像则必然是水图像。例如,人们可通过确定分割的自相关值来推导分割的阈值。人们还可以通过例如将在分割中高于阈值的值施加给像素来产生修改过的自相关值。然后,人们可以使用该自相关或修改过的自相关作为阈值以用于确定交叉相关性是“高”还是“低”。
在进一步的实施例中,人们可能没有清楚的阈值。在这种情况下,人们必须为脂肪图像和水图像确定相关值,即便机器事先不知道实际分类是什么。第一相关可生成相关值,该相关值高于第二相关的相关值。在这种情况下,具有较高相关值的图像是脂肪图像,而具有较低相关值的图像是水图像。在这种情况下,人们应当将“高相关性”解释为“至少两个相关值的较高相关值”,而将“低相关性”解释为“至少两个相关值的较低相关值”。
人们可以如在图10中所示那样为左手臂图像703和706执行相关。图像703与700具有低相关性,因此是水图像,而图像706具有高相关值,因此是脂肪图像。
脂肪和水图像701,702,703,704,705和706可以被正确地设置在脂肪图像1101和水图像1102中。示出最初被错误分类为水图像的图像706现在被正确地显示为脂肪图像,而703是水图像的一部分。
因此,提供了一种用于确定单独生成的MRI图像应当与多成分MRI扫描有关地被分配给哪个成分的方法。
在此提供的说明性示例应用于水和脂肪图像的分割。人们也可以将Dixon方法应用于分割具有不同进动频率的其它组织类型,虽然脂肪和水可能是最大量和最普遍的。因此,本发明的方面不只限于将具有脂肪组织的图像与具有通常被称为水图像的图像分割开来并进行分类。尤其考虑通过使用本发明的方面对具有其它组织类型的图像进行分割和/或分类。
分割和/或分类系统
作为本发明的方面所提供的图像分类方法可以由图12所示的系统来执行。该系统被提供有表示图像数据的数据1201。这种图像数据可以是由例如图1所示的MRI机器所提供的MRI数据。MRI数据可存储在存储器1209中。图像数据可由存储器1209在输入端1206上提供给处理器1203。执行本发明方法的指令集或程序可存储在可提供给处理器1203进行检索以装载来执行的指令存储器1202中。从1202中检索到并装载到处理器1203上以用于执行的指令集可被应用于由处理器1203从存储器1209获得以用于处理的图像数据。图像-诸如分割过的和/或配准过(registered)的图像-可被输出给装置1204。这样的装置例如可以是诸如计算机屏幕的显示器。处理器可以是专用硬件。然而,处理器也可以是CPU或者GPU或者可以执行1202的指令的任何其它计算装置。可提供输入装置1205-如鼠标或者跟踪球或者其它输入装置-以允许用户例如将前景和/或背景种子(foreground and/or background seed)放置在例如被提供在显示器1204上的图像中以用于由处理器处理。输入装置还可被用于开始或者停止处理器上的指令。因此,图12所示的系统通过实施和使用在此公开的、作为可以由处理器所执行的指令的方法来提供一种用于MRI图像分类的设备或系统。
在此,术语像素也意欲涵盖术语体素。在此所提供的设备和方法应用于分割、配准并处理2D和3D图像数据。像素是可以显示在图像中的图片元素。像素也是表示图像中的强度、灰度级或颜色值的数据元素。可将像素设置为2D或3D矩阵中的数据元素。可由处理器来处理像素或其数据。
在此的脂肪图像意欲指如下磁共振数据图像:该图像表示基本上由脂肪构成的组织,例如用于单点Dixon分割的第一实施例中的大约50%或更多。在进一步的实施例中,脂肪图像是其中像素表示70%或更多脂肪组织的图像。在进一步的用于多点Dixon方法的实施例中,脂肪图像在此意欲指如下磁共振数据图像:在该图像中,体素值表示MR图像中源于被束缚于脂肪的质子的信号部分。
下述参考文献一般描述了本发明的背景技术,并据此通过引用结合于此:
[1]Dixon W.T.Simple proton spectroscopic imaging.Radiology 1984;153:189-194;
[2]Glover GH,Schneider E.Three-point Dixon technique fortrue water/fat decomposition with B0 inhomogeneity correction.Magn Reson Med 1991;18:371-383;
[3]Ma J.Breath-hold water and fat imaging using a dual-echotwo-point Dixon technique with an efficient and robustphase-correction algorithm.Magn Reson Med 2004;52:415-419;
[4]Coombs BD,Szumowiski J,Coshow W.Two-point Dixontechnique for water-fat signal decomposition with B0inhomogeneity correction.Magn Reson Med 1997;38:884-889;
[5]Jong Bum Son et al,Concepts in Magnetic Resonance PartB:Magnetic Resonance Engineering,Volume 33B Issue 3,152-162页,Published Online:10Jul 2008,Wiley Publications,Single-point Dixon water-fat imaging using 64-channelsingle-echo acquisition MRI;
[6]Jingfei Ma,A single-point Dixon technique forfat-suppressed fast 3D gradient-echo imaging with a flexible echotime,Journal of Magnetic Resonance Imaging,Feb 2008;
[7]Rafael C.Gonzalez,Richard E.Woods:Digital ImageProcessing.Addison-Wesley,Reading Mass 1992;以及
[8]E.Mark Haacke(作者),Robert W.Brown(作者),MichaelR.Thompson(作者),Ramesh Venkatesan,Magnetic ResonanceImaging:Physical Principles and Sequence Design″,Wiley-Liss,1999.
虽然已经示出、说明并指出了应用到本发明优选实施例的本发明的基本新颖性特征,但是应该理解,本领域技术人员可以在所示出方法和系统的形式和细节方面以及在其运行方面做出各种省略和替代以及改变而不脱离本发明的精神。因此,本发明只被限于所附权利要求所表明的范围。
Claims (20)
1.一种用于根据对象的MRI图像数据来对组织类型进行分类的方法,所述对象至少包括第一组织类型和第二组织类型,通过处理基本上表示第一组织类型的第一MRI图像数据集合和至少表示第一和第二组织类型的组合的MRI图像数据集合来进行所述分类,所述方法包括使用处理器以:
根据组合的MRI图像数据集合来创建分割;并且
确定所述分割和第一MRI图像数据集合之间的第一相关值。
2.根据权利要求1所述的方法,其中所述分割中的像素具有高于阈值的强度值。
3.根据权利要求1所述的方法,进一步包括:
确定阈值相关值;
将第一相关值与阈值相关值进行比较;并且
基于前述步骤的比较将组织类型分配给第一MRI图像数据集合。
4.根据权利要求1所述的方法,进一步包括:
确定所述分割和对象的基本上表示第二组织的第二MRI图像数据集合之间的第二相关值。
5.根据权利要求4所述的方法,进一步包括:
基于第一相关值与第二相关值进行比较的相对值来对第一MRI图像数据集合的组织类型进行分类。
6.根据权利要求1所述的方法,其中通过应用Dixon方法生成第一MRI图像数据集合。
7.根据权利要求1所述的方法,其中第一组织类型是脂肪组织。
8.根据权利要求1所述的方法,其中所述分割是基于灰值的分割。
9.根据权利要求1所述的方法,其中通过使用从由期望最大化分割方法和Otsu阈值分割方法构成的组中所选择的方法来执行所述分割。
10.根据权利要求1所述的方法,其中分类被应用于与所述对象相关的一个或多个附加对象。
11.一种用于根据对象的MRI图像数据来对组织类型进行分类的方法,所述对象至少包括第一组织类型和第二组织类型,通过处理基本上表示第一组织类型的第一MRI图像数据集合和至少表示第一和第二组织类型的组合的MRI图像数据集合来进行所述分类,所述系统包括:
生成磁共振图像数据的磁共振成像机器;
根据用于执行下列步骤的指令来处理所述磁共振数据的处理器:
根据组合的MRI图像数据集合来创建分割;并且
确定所述分割和第一MRI图像数据集合之间的第一相关值。
12.根据权利要求11所述的系统,其中所述分割中的像素具有高于阈值的强度值。
13.根据权利要求11所述的系统,进一步包括指令以执行:
确定阈值相关值;
将第一相关值与阈值相关值进行比较;并且
基于前述步骤的比较将组织类型分配给第一MRI图像数据集合。
14.根据权利要求11所述的系统,进一步包括指令以执行:
确定所述分割和对象的基本上表示第二组织的第二MRI图像数据集合之间的第二相关值。
15.根据权利要求14所述的系统,进一步包括指令以执行:
基于第一相关值与第二相关值进行比较的相对值来对第一MRI图像数据集合的组织类型进行分类。
16.根据权利要求11所述的系统,其中通过应用Dixon方法生成第一MRI图像数据集合。
17.根据权利要求11所述的系统,其中第一组织类型是脂肪组织。
18.根据权利要求11所述的系统,其中所述分割是基于灰值的分割。
19.根据权利要求11所述的系统,其中通过使用从由期望最大化分割方法和Otsu阈值分割方法构成的组中所选择的方法来执行所述分割。
20.根据权利要求11所述的系统,其中分类被应用于与所述对象相关的一个或多个附加对象。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11061508P | 2008-11-03 | 2008-11-03 | |
US61/110615 | 2008-11-03 | ||
US12/467614 | 2009-05-18 | ||
US12/467,614 US8064674B2 (en) | 2008-11-03 | 2009-05-18 | Robust classification of fat and water images from 1-point-Dixon reconstructions |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101727660A true CN101727660A (zh) | 2010-06-09 |
CN101727660B CN101727660B (zh) | 2015-02-11 |
Family
ID=42131460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910174938.4A Active CN101727660B (zh) | 2008-11-03 | 2009-11-03 | 对根据1点迪克森重构的脂肪和水图像的鲁棒分类 |
Country Status (2)
Country | Link |
---|---|
US (1) | US8064674B2 (zh) |
CN (1) | CN101727660B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103608693A (zh) * | 2011-04-21 | 2014-02-26 | 皇家飞利浦有限公司 | 具有用于脂肪抑制的化学位移编码的对比度增强磁共振血管造影 |
CN104106096B (zh) * | 2012-02-17 | 2017-09-22 | 先进穆阿分析公司 | 层析图像中的器官的分类方法 |
CN110785674A (zh) * | 2017-03-20 | 2020-02-11 | 皇家飞利浦有限公司 | 使用参考灰度值的图像分割 |
CN112285623A (zh) * | 2019-07-25 | 2021-01-29 | 西门子(深圳)磁共振有限公司 | 磁共振成像水脂图像分离方法、装置及磁共振成像系统 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2557334C2 (ru) * | 2010-06-24 | 2015-07-20 | Конинклейке Филипс Электроникс Н.В. | Динамическая контрастная улучшенная мр визуализация с реконструкцией сжатого измерения |
WO2012106706A2 (en) * | 2011-02-04 | 2012-08-09 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Hybrid physical-virtual reality simulation for clinical training capable of providing feedback to a physical anatomic model |
US9204817B2 (en) | 2012-04-19 | 2015-12-08 | General Electric Company | Attenuation correction in positron emission tomography using magnetic resonance imaging |
CN102764125A (zh) * | 2012-07-20 | 2012-11-07 | 华东师范大学 | 基于磁共振图像人体腹部脂肪体积的半自动量化方法 |
DE102012213551A1 (de) * | 2012-08-01 | 2014-02-06 | Siemens Aktiengesellschaft | Verfahren zur bewegungsgemittelten Schwächungskorrektur und Magnetresonanz-Anlage |
WO2015036895A1 (en) * | 2013-09-16 | 2015-03-19 | Koninklijke Philips N.V. | Mri using a modified dixon sequence with reduction of fold-over artifacts |
US9311570B2 (en) * | 2013-12-06 | 2016-04-12 | Kabushiki Kaisha Toshiba | Method of, and apparatus for, segmentation of structures in medical images |
US9367924B2 (en) * | 2014-05-06 | 2016-06-14 | Siemens Aktiengesellschaft | Method and system for segmentation of the liver in magnetic resonance images using multi-channel features |
DE102015202062A1 (de) * | 2015-02-05 | 2016-08-11 | Siemens Healthcare Gmbh | Rekonstruktion von Magnetresonanzbilddaten für mehrere chemische Substanzarten bei Multi-Echo-Bildgebungsverfahren |
KR101623310B1 (ko) | 2015-06-18 | 2016-05-20 | 경희대학교 산학협력단 | 자기공명을 이용한 전기 물성 촬영 장치 및 그 방법 |
EP3726240A1 (en) | 2019-04-19 | 2020-10-21 | Koninklijke Philips N.V. | Automated detection of water-fat swaps in dixon magnetic resonance imaging |
GB2617371A (en) * | 2022-04-06 | 2023-10-11 | Perspectum Ltd | Method and apparatus for characterization of breast tissue using multiparametric MRI |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1801214A (zh) * | 2005-11-18 | 2006-07-12 | 厦门大学 | 基于数字化虚拟器官的肿瘤图像信息处理装置与处理方法 |
CN1818972A (zh) * | 2005-01-28 | 2006-08-16 | 西门子共同研究公司 | 剪接医学图像数据集的系统和方法 |
CN1956007A (zh) * | 2005-10-24 | 2007-05-02 | 中国科学院自动化研究所 | 基于局部和全局区域不相似性度量的变分分割方法 |
CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6245027B1 (en) * | 1998-04-10 | 2001-06-12 | Noam Alperin | Method of measuring intracranial pressure |
US6466014B1 (en) * | 2000-08-29 | 2002-10-15 | Ge Medical Systems Global Technology Company, Llc | Suppression of fat signals in MR water images produced in Dixon imaging |
JP3497826B2 (ja) * | 2001-01-12 | 2004-02-16 | シーメンス アクチエンゲゼルシヤフト | 磁気共鳴撮像装置 |
US7720267B2 (en) * | 2005-07-15 | 2010-05-18 | Siemens Medical Solutions Usa, Inc. | Method and apparatus for classifying tissue using image data |
US7292039B1 (en) * | 2006-08-21 | 2007-11-06 | Siemens Medical Solutions Usa, Inc. | Contrast enhancement in magnetic resonance imaging |
US8331634B2 (en) * | 2006-09-26 | 2012-12-11 | Siemens Aktiengesellschaft | Method for virtual adaptation of an implant to a body part of a patient |
EP1913870A1 (en) * | 2006-10-19 | 2008-04-23 | Esaote S.p.A. | Apparatus for determining indications helping the diagnosis of rheumatic diseases and its method |
US8706188B2 (en) * | 2008-06-04 | 2014-04-22 | The Board Of Trustees Of The Leland Stanford Junior University | Automatic segmentation of articular cartilage from MRI |
-
2009
- 2009-05-18 US US12/467,614 patent/US8064674B2/en active Active
- 2009-11-03 CN CN200910174938.4A patent/CN101727660B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1818972A (zh) * | 2005-01-28 | 2006-08-16 | 西门子共同研究公司 | 剪接医学图像数据集的系统和方法 |
CN1956007A (zh) * | 2005-10-24 | 2007-05-02 | 中国科学院自动化研究所 | 基于局部和全局区域不相似性度量的变分分割方法 |
CN1801214A (zh) * | 2005-11-18 | 2006-07-12 | 厦门大学 | 基于数字化虚拟器官的肿瘤图像信息处理装置与处理方法 |
CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
Non-Patent Citations (2)
Title |
---|
赵志峰, 张尤赛: "医学图像分割综述", 《华东船舶工业学院学报(自然科学版)》 * |
邱明,张二虎: "医学图像分割方法", 《计算机工程与设计》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103608693A (zh) * | 2011-04-21 | 2014-02-26 | 皇家飞利浦有限公司 | 具有用于脂肪抑制的化学位移编码的对比度增强磁共振血管造影 |
CN103608693B (zh) * | 2011-04-21 | 2017-09-08 | 皇家飞利浦有限公司 | 具有用于脂肪抑制的化学位移编码的对比度增强磁共振血管造影 |
CN104106096B (zh) * | 2012-02-17 | 2017-09-22 | 先进穆阿分析公司 | 层析图像中的器官的分类方法 |
CN110785674A (zh) * | 2017-03-20 | 2020-02-11 | 皇家飞利浦有限公司 | 使用参考灰度值的图像分割 |
CN110785674B (zh) * | 2017-03-20 | 2022-09-16 | 皇家飞利浦有限公司 | 医学成像系统、操作医学成像系统的方法及计算机可读介质 |
CN112285623A (zh) * | 2019-07-25 | 2021-01-29 | 西门子(深圳)磁共振有限公司 | 磁共振成像水脂图像分离方法、装置及磁共振成像系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101727660B (zh) | 2015-02-11 |
US8064674B2 (en) | 2011-11-22 |
US20100111390A1 (en) | 2010-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101727660B (zh) | 对根据1点迪克森重构的脂肪和水图像的鲁棒分类 | |
Neher et al. | Fiberfox: facilitating the creation of realistic white matter software phantoms | |
US7505806B2 (en) | Fiber rendering apparatus | |
US10794979B2 (en) | Removal of image artifacts in sense-MRI | |
US10379189B2 (en) | Simultaneous magnetic resonance angiography and perfusion with nuclear magnetic resonance fingerprinting | |
EP3093677A1 (en) | Time-domain mri | |
US20100142785A1 (en) | Positive contrast mr susceptibility imaging | |
US10761167B2 (en) | System and method for generating a magnetic resonance fingerprinting dictionary using semi-supervised learning | |
US10598747B2 (en) | System and method for simultaneous multislice magnetic resonance fingerprinting with variable radio frequency encoding | |
CN109791186A (zh) | 对磁共振指纹期间的b0偏共振场的直接测量 | |
CN112292606A (zh) | 在磁共振成像中跟踪图像质量 | |
US11131733B2 (en) | System and method for magnetic resonance fingerprinting with non-locally sequential sampling of k-space | |
KR20160011012A (ko) | 자기 공명 영상 장치 및 그 제어 방법 | |
Dhollander | From diffusion to the diffusion tensor | |
Hakky et al. | Application of basic physics principles to clinical neuroradiology: differentiating artifacts from true pathology on MRI | |
US9964620B2 (en) | Visual indication of the magic angle in orthopedic MRI | |
US10859653B2 (en) | Blind source separation in magnetic resonance fingerprinting | |
US10908247B2 (en) | System and method for texture analysis in magnetic resonance fingerprinting (MRF) | |
Zhang et al. | Multimodality neurological data visualization with multi-VOI-based DTI fiber dynamic integration | |
Küstner et al. | An easy-to-use image labeling platform for automatic magnetic resonance image quality assessment | |
JP6873134B2 (ja) | Senseイメージングにおける画像アーチファクトの除去 | |
Neher et al. | Fiberfox: an extensible system for generating realistic white matter software phantoms | |
Ayaz et al. | Brain MR image simulation for deep learning based medical image analysis networks | |
Brillat-Savarin et al. | 3.0 T prostate MRI: Visual assessment of 2D and 3D T2-weighted imaging sequences using PI-QUAL score | |
Lee et al. | Exploring generalization capacity of artificial neural network for myelin water 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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220125 Address after: Erlangen Patentee after: Siemens Healthineers AG Address before: Munich, Germany Patentee before: SIEMENS AG |
|
TR01 | Transfer of patent right |