CN101861601A - 疾病的计算机辅助检测(cad) - Google Patents

疾病的计算机辅助检测(cad) Download PDF

Info

Publication number
CN101861601A
CN101861601A CN200880116140A CN200880116140A CN101861601A CN 101861601 A CN101861601 A CN 101861601A CN 200880116140 A CN200880116140 A CN 200880116140A CN 200880116140 A CN200880116140 A CN 200880116140A CN 101861601 A CN101861601 A CN 101861601A
Authority
CN
China
Prior art keywords
disease
probability
position dependent
analysis
dependent probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN200880116140A
Other languages
English (en)
Inventor
C·洛伦茨
J·冯贝格
T·比洛
R·维姆克
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 CN101861601A publication Critical patent/CN101861601A/zh
Pending legal-status Critical Current

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
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

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

Abstract

本发明涉及用于在来自诸如MRI或CT的成像模态的医学图像行数据集(20)上对例如肺部肿瘤的疾病执行计算机辅助检测(CAD)的方法。起初，使用解剖学模型执行医学图像数据集(20)的分割。之后，针对疾病的特点分析经分割的数据，以得到分析数据(25)的集合，最后，相对于所述疾病评估分析数据(25)的集合。这些步骤中的至少一个包括将所述疾病的位置相关概率(P_r)作为输入。本发明的优势在于可以执行更有效的计算，这是由于在例如肺的患者部分的特定区域中的分析程度可以被调整或者修改到该区域中疾病的概率水平。因此能够提高计算速度并且由此根据医学图像分析，可以更有效地找到诸如癌症的疾病，特别是肺部的癌结节。

Description

疾病的计算机辅助检测(CAD)
背景技术
本发明涉及用于分析从以下医学成像模态获得的医学图像数据集的方法，所述医学成像模态诸如计算机断层摄影(CT)、磁共振成像(MRI)、正电子断层摄影(PET)、单光子发射计算机断层摄影(SPECT)、超声扫描以及旋转血管造影以及其他医学成像模态。本发明还涉及对应的计算机系统和对应的计算机程序产品。
发明背景
近年来，包括如计算机断层摄影(CT)或磁共振成像(MRI)等的模态的医学成像的发展用于改进各种类型的疾病的检测，所述疾病类型特别地是癌症肿瘤。医学成像中的这一进步导致了大量的医学图像数据，要对所述医学图像数据进行仔细分析和评估以从中获取可靠的诊断结果。医学图像的这一分析阶段甚至对于例如放射学家的经过专门训练的人员而言也是花费时间的。接受过医学成像分析训练的专家也是宝贵资源，这使得医学成像分析成为诊断过程的可能瓶颈。
因此，越来越需要计算机辅助检测(CAD)以帮助放射学家找到并识别所获得的医学图像数据中的可能疾病。应该强调，CAD系统并不是(至少现在不是)意欲取代放射学家而仅仅是在图像分析过程中对他们进行支持或引导。另外，对于一些疾病来说，使用CAD的优势也是有疑问的，因此，在将CAD系统用于疾病时应该非常小心。特别地，在应用CAD系统之前，应该很好地理解并优选地控制接收器操作特性(ROC)。
US 2005/0200763公开了对CT图像集中的肺结节进行检测和分类的这样的计算机辅助方法。起初，执行肺和食管的分割以识别在其中搜寻潜在肺结节的CT图像的区域。对肺进行处理以识别肺的左侧和右侧，并且将肺的每一侧分为包括上部、中部和下部子区域以及中心、中间和外周子区域的子区域。计算机分析每个肺区域以检测和识别表示在纵膈上或纵膈附近的血管的三维脉管树。之后，计算机检测附着到肺壁或者到脉管树的对象以确定这些对象没有被排除作为潜在结节的可能。此后，计算机执行在CT图像中的合适区域上的像素相似性分析，以检测潜在的结节并使用潜在结节的特征执行一个或多个专家分析技术以确定每个潜在结节是否是肺结节。此后，计算机在一个或多个专家分析技术中使用诸如推测(speculation)特征、生长特征等的其他特征将每个所检测到的结节分类为良性的或恶性的，可能地，结节被赋予良性或恶性的特定概率。之后，计算机向放射专家显示检测和分类结果以帮助放射专家解释患者的CT检查。
然而，为了执行这一方法，必须要提供相当大的计算能力，这可能限制所公开的CAD方法的扩展。由于计算能量是有限的，需要对所需计算进行简化的方法以便获得实际工作的CAD系统。
在US 2005/0200763中公开的方法的另一劣势为从检测理论已知的接收器操作特性(ROC)的定点操作。还要进行灵敏度和特异性之间的折衷，但是，这会引起不希望的大量的假阳性(FP)，或者，更严重地，假阴性。
因此，用于分析医学图像数据集的改进的方法将是有利的，并且特别地，更有效和/或可靠的方法将是有利的。
发明内容
因此，本发明优选地试图单独地或者以任何形式组合地减轻、降低或消除上述缺陷的一个或多个。特别地，可以将提供用于针对疾病的可能性更容易和/或更快地分析医学图像数据集的方法作为本发明的目的。
因此，通过提供用于分析医学图像数据集的方法意欲在本发明的第一方面获得上述目的和若干其他目的，所述方法包括如下步骤：
a)使用解剖学模型分割医学图像数据集；
b)针对疾病的特点分析经分割的数据，得到分析数据的集合；以及
c)相对于所述疾病评估分析数据的集合，
其中，上述步骤a)、b)和c)中的至少一个包括将疾病的位置相关概率(P_r)作为输入。
本发明特别地，但非排他地，有利于获得改进的计算机辅助检测(CAD)方法，便于执行更有效的计算，这是由于在例如肺的患者部分的特定区域中的分析程度可以被调整或者修改到该区域中疾病的概率水平。因此，通过应用本发明，能够提高计算速度并且由此根据医学图像分析，可以更有效地找到诸如癌症的疾病，特别是肺部的癌结节。
应该注意到，本发明应用位置或区域相关概率作为在医学图像中可能的患病结构的计算机辅助检测的特定部分中的输入。位置相关概率为可以通过如下方式获得的先验概率，所述方式为医学期刊、非常确实的医学统计、权威的软件和其他可靠资源。一个示例为J.J.Nigro等人的“PREVALENCE AND LOCATION OF NODAL METASTASES IN DISTALESOPHAGEAL DENOCARCINOMA  CONFINED TO THE WALL：IMPLICATIONS FOR THERAPY”，The Journal of Thoracic andCardiovascular Surgery Volume 117，Number 1。区域相关概率的应用不与如下事实相混淆，来自对医学图像中例如，肺中的结节的可疑对象的评估步骤中的一些CAD方法得到所述可疑对象为恶性或良性的某一概率作为结果为或者输出。因此，例如，在US 2005/0200763公开的CAD方法可以使用分类器例程将恶性可能性分配给肺中的候选结节。然而，这是所述方法的最初结果或最终结果，并且不应该被用作输入以简化CAD处理过程中的随后计算。
在本发明的背景下，还应该理解词语“疾病”要被更广泛地理解，并且特别地包括如下情况：被检查的组织的异常结构为非恶性的，即：所述异常结构可以为良性的。一个示例为查找良性肿瘤，所述肿瘤也为在本发明的背景中的“疾病”。
任选地，使用解剖学模型分割医学图像数据集的步骤a)可以包括将疾病的位置相关概率(P_r)作为输入。因此，取决于位置相关概率(P_r)的水平，分割分辨率可以为细致的或粗糙的。特别地，由于疾病的位置相关概率(P_d)在一个或多个区域中低于预定阈值，因此医学图像数据集的一个或多个区域可以不被分割，从而排除了具有非常低的概率的区域，以便简化了进一步的处理和计算。
任选地，针对疾病的特点分析经分割的数据，得到分析数据的集合的步骤b)可以包括将所述疾病的位置相关概率(P_r)作为输入。特别地，可以应用位置相关概率(P_r)以改变计算机辅助检测(CAD)方法或算法的接收器操作特征(ROC)的操作点。概率水平(P_r)可以确定改变的方向。因此，在一个实施例中，例如，如果特异性应在相对高P_r的区域增加，依赖于疾病的位置相关概率(P_r)，所执行的分析的特异性可以增加。可替代地，依赖于疾病的位置相关概率(P_r)，所执行的分析的灵敏度将增加。因此，对于相对低的P_r区域，灵敏度可以增加。
任选地，相对于所述疾病评估分析数据的集合的步骤c)可以包括将疾病的位置相关概率(P_r)作为输入。因此，使用例如贝叶斯网络对例如结节的统计学分类可以具有针对该特定区域的P_r作为输入。
在一个实施例中，疾病可以为肿瘤，并且相应的位置相关概率(P_r)可以为在该位置具有肿瘤的概率(P_r_肿瘤)。在那种情况下，具有肿瘤的位置相关概率(P_r_肿瘤)可以与肿瘤为恶性的概率(P_r_肿瘤_恶性)和/或肿瘤为良性的概率(P_r_肿瘤_良性)相结合。因此，例如，相对于肺中的肿瘤引入两个水平的概率。类似地，可以将多个水平的概率引入本发明的教导中。
优选地，可以从位置相关概率的参考数据库中获得疾病的位置相关概率(P_r)。数据库可以转而基于文献资源、标准工作等。数据库可以基于远程。可能地，位置相关概率的参考数据库可以为内在固件。
在一个实施例中，疾病的位置相关概率(P_r)还可以取决于被检查的患者的特点。因此，P_r可以取决于如下患者特征：年龄、性别、习惯(尤其吸烟习惯或其他增加危险的行为)，以及已知的增加或降低引发特定疾病的概率的其他特点。
在另一实施例中，疾病的位置相关概率(P_r)可以与取决于所应用的CAD方法而找到疾病的概率(P_CAD)相结合。这样的关于CAD方法的知识可能需要以所讨论的CAD方法进行广泛的测验和/或有关所讨论的CAD方法的经验。一旦得到这样的知识，在本发明的背景下其可以被相对容易地使用。
在另一实施例中，疾病的位置相关概率(P_r)可以与取决于成像模态而找到疾病的概率(P_IM)相结合，所述成像模态用于获得医学图像数据集。这可能是例如针对CT中的束缺乏(beam starvation)或金属伪影，或者MRI中的运动误差带等的概率。
在优选实施例中，可以将一个或多个疾病的位置相关概率(P_r)与医学图像一起显示给例如放射专家的用户。可以在屏幕上对用户指示P_r值，但是，其也可以是与之相结合的值或者从其中得出的值。
在第二方面，本发明涉及布置为分析医学图像数据集的计算机系统，所述系统包括：
-分割器件，其用于使用解剖学模型分割医学图像数据集；
-分析器件，其用于针对疾病的特点分析经分割的数据，以得到分析数据的集合；以及
-评估器件，其用于相对于所述疾病评估分析数据的集合；
其中，将分割器件、分析器件以及评估器件中的至少一个布置为接收疾病的位置相关概率(P_r)作为输入。
在第三方面，本发明涉及一种计算机程序产品，其适于实现一种包括至少一台计算机的计算机系统，所述至少一台计算机具有与其连接的数据存储器件。
本发明的这一方面特别地，但非排他地，是有利的，这是因为本发明可以由计算机程序产品实现，当被下载或上传到计算机系统上时，所述计算机程序产品使得计算机系统执行本发明的操作。这样的计算机程序产品可以在任何一种计算机可读介质上提供，或者通过互联网提供。
本发明的单个方面中的每个可以与任一其他方面相结合。从以下结合所描述的实施例的描述中，本发明的这些方面和其他方面将变得明显。
附图说明
现在将结合附图更详细地描述本发明的各方面。附图示出了本发明的一种实施方式，并且不应该将其理解为限制落入所附权利要求的范围内的其他可能实施例。
图1为针对本发明的一个实施例的组合的成像模态和计算机系统的示意性图示；
图2为根据本发明的实施例的方法步骤的示意性流程图；
图3为接收器操作特性(ROC)曲线；
图4为示出假阳性(FP)结节候选者的患者的横截面CT图像；
图5为示出真结节(TP)的患者的横截面CT图像；
图6为根据本发明的方法的示意性流程图。
具体实施方式
图1为针对本发明的一个实施例的组合的成像模态和计算机系统1的示意图。计算机系统1被布置为对从医学成像模态IM获得的医学图像数据集20执行CAD，所述医学成像模态诸如计算机断层摄影(CT)、磁共振成像(MRI)、正电子断层摄影(PET)、单光子发射计算机断层摄影(SPECT)、超声扫描以及旋转血管造影或任何其他医学成像模态。从模态IM到单元12的传输可以经由专用连接器件11(近程或远程，可能地，经由因特网)或者通过无线传输。
计算机系统1的单元12被布置为在医学图像数据集20上执行疾病的计算机辅助检测(CAD)。分割器件13被提供用于使用解剖学模型分割医学图像数据集20，所述模型优选地为增广模型(augmented model)。用于医学成像分割中的一般参考，读者可以参照C.Xu，D.Pham和J.L.Prince，“Medical Image Segmentation Using Deformable Models，”Handbook ofMedical Imaging，Volume 2：Medical Image Processing and Analysis，pp.129-174，由J.M.Fitzpatrick和M.Sonka编辑，SPIE Press，May 2000，在这里将其以参考的方式全部合并入本文。
另外，在单元12中提供了用于针对疾病的特点分析经分割的数据的分析器件14，所述分析得到分析数据25的集合，即：疾病的候选者。另外，评估器件15用于相对于疾病评估分析数据25的集合。可以通过技术人员可用的任何种类的专家算法执行分析数据25的评估，所述专家算法诸如为贝叶斯网络、人工神经网络(ANN)、基于模糊逻辑的网络等。
使用本发明的原理，分割器件13、分析器件14以及评估器件15中的至少一个被布置为如单元12中所示出的接收疾病的位置相关概率P_r作为其处理的输入。随后经由专用连接器件16(近程或远程，可能地，经由因特网)或者通过无线传输将最终和/或最初结果传递到通用用户界面(UI)17，在所述界面处放射学家或经过类似训练的人员可以从由本发明提供的改进的CAD处理获益。
对于可能的适用范围，可以向接受医学训练的用户示出个体化的通用患者模型，或者所述模型的各方面，用于验证或者为了便于报告(例如，用于病变定位限定的自动描述或图片生成)。潜在地，也可以将诸如局部可变病变概率的附属元信息向临床医生示出用于诊断支持。
图2为根据本发明的实施例的方法步骤的示意性流程图，其用于在医学图像数据集20上执行疾病(也包括非恶性的异常结构)的计算机辅助检测(CAD)，数据集20如上所述地从成像模态IM中获得。在使用与被检查的患者相关的解剖学模型对医学图像数据集20进行分割之后，可以将医学图像数据集20划分为若干区域，其中，每个区域具有疾病的相关联的位置相关概率P_r。
仅出于图示的原因，图2中的区域的数量为四个，20a、20b、20c和20d，分别具有相关联的概率P_a、P_b、P_c和P_d。当然，区域的数量可以调整为所获得的概率的数量；概率的数量越大，数据集20被划分得越细。假定区域20d中的概率P_d低于预定限制，例如，1％，可以将该区域20d排除在分割和/或任何进一步分析和评估以外。这在图2的b部分中象征性地示出，其中，区域20d被叉掉。
在针对疾病的特点分析经分割的数据期间，没有对区域20d进行研究，因而导致CAD处理的简化。分析也可以调整为区域相关概率P_r。因此，计算机辅助检测的内部参数可以通常直接或者间接地取决于这些概率。同样，用于分析的网格或栅格可以取决于所述概率而更加粗糙或更加细致。所述分析得到分析数据25的集合，即：疾病的候选者。在图2中，将其象征性地指示为圆形，例如肿瘤，但是，分析数据25的外部形状当然可以为任何种类。
在图2的部分c中所示的最后一步中，相对于所述疾病执行对分析数据25的集合的评估。通常，对于给定分析数据25，相对于疾病的评估可以为阳性POS或阴性NEG。根据本发明，发现候选者25的区域20b中的疾病的概率P_b被主动地用作评估处理中的输入。因此，概率P_b可以例如被用于贝叶斯网络中的一个或多个节点中的输入，所述贝叶斯网络用于相对于疾病评估疾病候选者25。
图3为用于二进制分类器系统的接收器操作特性(ROC)曲线，纵坐标为灵敏度SENS，横坐标为一减去特异性1-SPEC，本发明特别适于修正计算机辅助检测(CAD)方法的接收器操作特性300(ROC)。因此，可以施加位置相关概率P_r以改变计算机辅助检测(CAD)算法的接收器操作特性300(ROC)的当前操作点303a。因此，依赖于位置相关概率P_r，通过沿箭头302移动，可以提高所执行的分析的特异性SPEC，得到新的操作点303c。当例如用于找到特定区域中的疾病的概率P_r高时，特异性被提高。
可替代地，依赖于位置相关概率，通过沿箭头301移动，可以提高所执行的分析的灵敏度SENS，得到另一操作点303b。因此，对于低P_r区域，灵敏度可以被提高。注意到这可以通过改变CAD算法的内部参数实际地实施；通常不可能针对特定CAD算法位移整条曲线300。因此，本发明可以提供在ROC曲线300上的操作点303a的改变的方向，本发明不改变ROC曲线300自身。
图4为示出假阳性(FP)结节候选者(如由实箭头所示)的患者的横截面CT图像。仅从几何学上，这一假阳性候选者(纵膈的门脉管分支)看起来是肿块，并且大小是真实的。这可能是FP的范畴，其可以仅由解剖学知识排除，例如，以区域相关概率P_r的形式，而不是仅由形状特征。使用典型脉管位置和大小的解剖学知识，这一FP可以被如此检测到，并使用本发明的原理进行抑制。
图5为示出如由实箭头所示的真结节(真阳性，TP)的患者的横截面CT图像，即：如具有与图4相比类似的几何外形的纵膈处的真结节/病变的反例。使用具有非疾病结构的概率的本发明的变形来确定真结节更为可能，这是由于解剖学模型不预测脉管在该区域的可能性。
图6为用于在从参照图1的成像模态IM获得的医学图像数据集20上执行对疾病的计算机辅助检测(CAD)的方法的流程图，所述方法包括如下步骤：
a)使用解剖学模型分割医学图像数据集20；
b)针对疾病的特点分析经分割的数据，得到分析数据25的集合；以及
c)相对于所述疾病评估分析数据25的集合，其中，上述步骤a)、b)和c)中的至少一个包括将疾病的位置相关概率P_r作为输入。
本发明可以借助于硬件、软件、固件以及上述部件的任意组合来实施。本发明或其一些特征也可以被实施为在一个或多个数据处理器和/或数字信号处理器上运行的软件。
本发明的实施例的单个元件可以以任何适当的方式，诸如以单个单元、多个单元或作为单独功能单元的一部分，物理上、功能上和逻辑上实施。本发明可以在单个单元中实施，或者在不同单元和处理器之间物理上和功能上分布。
尽管已经结合特定实施例对本发明进行了描述，但是不应该将其解释为以任何方式限制于所示示例。按照所附权利要求书解释本发明的范围。在权力要求的背景下，术语“包括”或“包含”不排除其他可能元件或步骤。同样，提及诸如“一”或“一个”等的参考不应该被解释为排除多个。在权利要求中相对于附图中所示出的元件而使用附图标记不应该被解释为限制本发明的范围。另外，在不同权利要求中提到的单独的特征也可以被有利地进行组合，并且，在不同权利要求中提及这些特征不排除这些特征的组合是不可能的并且是有利的。

Claims (17)

1.一种用于分析医学图像数据集(20)的方法，所述方法包括以下步骤：
a)使用解剖学模型分割所述医学图像数据集(20)，
b)针对疾病的特点分析经分割的数据，得到分析数据(25)的集合，以及
c)相对于所述疾病评估所述分析数据(25)的集合，
其中，上述步骤a)、b)和c)中的至少一个包括将所述疾病的位置相关概率(P_r)作为输入。
2.根据权利要求1所述的方法，其中，使用解剖学模型分割所述医学图像数据集的步骤a)包括将所述疾病的位置相关概率(P_r)作为输入。
3.根据权利要求2所述的方法，其中，由于在所述医学图像数据集(20)的一个或多个区域(20d)中的所述疾病的所述位置相关概率(P_r)低于预定阈值而导致所述一个或多个区域没有被分割。
4.根据权利要求1所述的方法，其中，针对所述疾病的特点分析经分割的数据，得到分析数据的集合的步骤b)包括将所述疾病的位置相关概率(P_r)作为输入。
5.根据权利要求4所述的方法，其中，应用所述位置相关概率(P_r)来改变计算机辅助检测(CAD)的接收器操作特性(ROC)的操作点(303a)。
6.根据权利要求4所述的方法，其中，依赖于所述疾病的所述位置相关概率(P_r)而提高所执行的分析的特异性。
7.根据权利要求4所述的方法，其中，依赖于所述疾病的所述位置相关概率(P_r)而提高所执行的分析的灵敏度。
8.根据权利要求1所述的方法，其中，相对于所述疾病评估所述分析数据的集合的步骤c)包括将所述疾病的位置相关概率(P_r)作为输入。
9.根据权利要求1所述的方法，其中，所述疾病为肿瘤，并且对应的位置相关概率(P_r)为在该位置具有肿瘤的概率(P_r_肿瘤)。
10.根据权利要求9所述的方法，其中，将具有肿瘤的所述位置相关概率(P_r_肿瘤)与所述肿瘤为恶性的概率(P_r_肿瘤_恶性)和/或为良性的概率(P_r_肿瘤_良性)相结合。
11.根据权利要求1所述的方法，其中，从位置相关概率的参考数据库中获得所述疾病的所述位置相关概率(P_r)。
12.根据权利要求1所述的方法，其中，所述疾病的所述位置相关概率(P_r)还取决于被检查患者的特点。
13.根据权利要1所述的方法，其中，将所述疾病的所述位置相关概率(P_r)与取决于被施加的CAD方法而找到所述疾病的概率(P_CAD)相结合。
14.根据权利要求1所述的方法，其中，将所述疾病的所述位置相关概率(P_r)与取决于用于获得所述医学图像数据集的所述成像模态而找到所述疾病的概率(P_IM)相结合。
15.根据权利要求1所述的方法，其中，将所述疾病的一个或多个位置相关概率(P_r)与医学图像一起显示给用户。
16.一种布置为分析医学图像数据集(20)的计算机系统，所述系统包括：
-分割器件(13)，其用于使用解剖学模型分割所述医学图像数据集(20)，
-分析器件(14)，其用于针对疾病的特点分析经分割的数据，得到分析数据(25)的集合，以及
-评估器件(15)，其用于相对于所述疾病评估所述分析数据(25)的集合，
其中，所述分割器件(13)、所述分析器件(14)以及所述评估器件(15)中的至少一个被布置为接收所述疾病的位置相关概率(P_r)作为输入。
17.一种计算机程序产品，其适于使得包括至少一台计算机的计算机系统具有与其连接以根据权利要求1控制计算机系统的数据存储器件。
CN200880116140A 2007-11-14 2008-11-06 疾病的计算机辅助检测(cad) Pending CN101861601A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP07120708 2007-11-14
EP07120708.8 2007-11-14
PCT/IB2008/054632 WO2009063363A2 (en) 2007-11-14 2008-11-06 Computer-aided detection (cad) of a disease

Publications (1)

Publication Number Publication Date
CN101861601A true CN101861601A (zh) 2010-10-13

Family

ID=40639247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200880116140A Pending CN101861601A (zh) 2007-11-14 2008-11-06 疾病的计算机辅助检测(cad)

Country Status (5)

Country Link
US (1) US20100266173A1 (zh)
EP (1) EP2208183B1 (zh)
JP (1) JP5661468B2 (zh)
CN (1) CN101861601A (zh)
WO (1) WO2009063363A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648178A (zh) * 2018-04-17 2018-10-12 杭州依图医疗技术有限公司 一种影像结节检测的方法及装置

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2208183B1 (en) * 2007-11-14 2018-05-02 Koninklijke Philips N.V. Computer-aided detection (cad) of a disease
CN101877059A (zh) * 2010-03-17 2010-11-03 张立彬 人体热断层成像(ttm)全息计算机辅助分析、诊断与健康风险评估技术
US8951200B2 (en) 2012-08-10 2015-02-10 Chison Medical Imaging Co., Ltd. Apparatuses and methods for computer aided measurement and diagnosis during ultrasound imaging
WO2014042678A1 (en) * 2012-09-13 2014-03-20 The Regents Of The University Of California System and method for automated detection of lung nodules in medical images
CN105726052B (zh) * 2016-01-28 2018-11-23 上海市肺科医院 一种获取浸润性病灶概率的方法及系统
EP3467770B1 (en) * 2017-10-05 2022-11-23 Siemens Healthcare GmbH Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium
DE102018216864B4 (de) * 2018-10-01 2020-04-09 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur Lungenuntersuchung
US11263749B1 (en) 2021-06-04 2022-03-01 In-Med Prognostics Inc. Predictive prognosis based on multimodal analysis

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5020A (en) * 1847-03-20 Brussels loom
US10026A (en) * 1853-09-20 Improvement in turbines
JP2955873B2 (ja) * 1989-08-10 1999-10-04 富士写真フイルム株式会社 画像処理装置
US5289374A (en) * 1992-02-28 1994-02-22 Arch Development Corporation Method and system for analysis of false positives produced by an automated scheme for the detection of lung nodules in digital chest radiographs
JPH07323024A (ja) * 1994-06-01 1995-12-12 Konica Corp 画像診断支援装置
US6141437A (en) * 1995-11-22 2000-10-31 Arch Development Corporation CAD method, computer and storage medium for automated detection of lung nodules in digital chest images
JP4573957B2 (ja) 2000-07-04 2010-11-04 キヤノン株式会社 画像制御装置、画像制御方法及びテレビ受信機
US7058210B2 (en) * 2001-11-20 2006-06-06 General Electric Company Method and system for lung disease detection
US7324842B2 (en) * 2002-01-22 2008-01-29 Cortechs Labs, Inc. Atlas and methods for segmentation and alignment of anatomical data
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
US20030165262A1 (en) 2002-02-21 2003-09-04 The University Of Chicago Detection of calcifications within a medical image
US7499578B2 (en) * 2002-10-18 2009-03-03 Cornell Research Foundation, Inc. System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans
US7283652B2 (en) * 2002-11-27 2007-10-16 General Electric Company Method and system for measuring disease relevant tissue changes
JP2004351100A (ja) * 2003-05-30 2004-12-16 Konica Minolta Medical & Graphic Inc 医用画像処理システム及び医用画像処理方法
DE10357205A1 (de) * 2003-12-08 2005-07-14 Siemens Ag Verfahren zur Erzeugung von Ergebnis-Bildern eines Untersuchungsobjekts
US7305111B2 (en) * 2004-01-30 2007-12-04 University Of Chicago Automated method and system for the detection of lung nodules in low-dose CT images for lung-cancer screening
CN101061509B (zh) * 2004-11-19 2010-10-27 皇家飞利浦电子股份有限公司 用于医疗成像数据内的肿瘤边界的自动检测和分割的系统和方法
EP2208183B1 (en) * 2007-11-14 2018-05-02 Koninklijke Philips N.V. Computer-aided detection (cad) of a disease

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648178A (zh) * 2018-04-17 2018-10-12 杭州依图医疗技术有限公司 一种影像结节检测的方法及装置

Also Published As

Publication number Publication date
WO2009063363A3 (en) 2009-07-30
EP2208183A2 (en) 2010-07-21
JP5661468B2 (ja) 2015-01-28
US20100266173A1 (en) 2010-10-21
JP2011502682A (ja) 2011-01-27
EP2208183B1 (en) 2018-05-02
WO2009063363A2 (en) 2009-05-22

Similar Documents

Publication Publication Date Title
CN101861601A (zh) 疾病的计算机辅助检测(cad)
Naqi et al. Multistage segmentation model and SVM-ensemble for precise lung nodule detection
JP4354737B2 (ja) 多重エネルギ画像による計算機支援診断
US20220319008A1 (en) Automated tumor identification and segmentation with medical images
US20220254023A1 (en) System and Method for Interpretation of Multiple Medical Images Using Deep Learning
Bae et al. Pulmonary nodules: automated detection on CT images with morphologic matching algorithm—preliminary results
US7515743B2 (en) System and method for filtering a medical image
JP6267710B2 (ja) 医用画像中の肺結節を自動検出するためのシステム及び方法
Sakthisaravanan et al. OPBS-SSHC: outline preservation based segmentation and search based hybrid classification techniques for liver tumor detection
Taşcı et al. Shape and texture based novel features for automated juxtapleural nodule detection in lung CTs
US9014456B2 (en) Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules
Mattonen et al. Imaging texture analysis for automated prediction of lung cancer recurrence after stereotactic radiotherapy
US20120053446A1 (en) Voting in image processing
JP2005526583A (ja) 車輪状投影分析を用いた肺結節検出
Dodia et al. Recent advancements in deep learning based lung cancer detection: A systematic review
US9547896B2 (en) Lesion classification apparatus, and method of modifying lesion classification data
Xiao et al. A cascade and heterogeneous neural network for CT pulmonary nodule detection and its evaluation on both phantom and patient data
Faisal et al. Computer assisted diagnostic system in tumor radiography
EP2863360B1 (en) Multimodality image segmentation of volumetric data sets
Gupta et al. Texture and Radiomics inspired Data-Driven Cancerous Lung Nodules Severity Classification
WO2022178329A1 (en) Methods and related aspects for classifying lesions in medical images
EP4202955A1 (en) A system and method for processing medical images
Gomathi et al. Computer aided medical diagnosis system for detection of lung cancer nodules: a survey
CN112292691B (zh) 用于使用深度学习提高癌症检测的方法与系统
Park et al. Separation of left and right lungs using 3D information of sequential CT images and a guided dynamic programming 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
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20101013