CN101933045A - 短轴后期增强心脏mri的自动3d分割 - Google Patents
短轴后期增强心脏mri的自动3d分割 Download PDFInfo
- Publication number
- CN101933045A CN101933045A CN2009801036281A CN200980103628A CN101933045A CN 101933045 A CN101933045 A CN 101933045A CN 2009801036281 A CN2009801036281 A CN 2009801036281A CN 200980103628 A CN200980103628 A CN 200980103628A CN 101933045 A CN101933045 A CN 101933045A
- Authority
- CN
- China
- Prior art keywords
- image
- template
- criterion function
- criterion
- function
- 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
- G06T7/149—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
Abstract
本发明涉及一种用于在从一切片图像数据计算出的图像中描绘解剖结构的系统(200),该系统(200)包括:划分单元(210),用于将图像划分成多个图像部分,每个图像部分绘示解剖结构的一部分;以及适配单元(220),基于准则函数并基于所述准则函数的计算值要满足的准则将模板适配到所述图像,所述准则函数是模板参数和图像值以及它们在图像中的相对位置的函数,其中基于所述多个图像部分定义所述准则函数。具有基于所述多个图像部分定义的准则函数允许每个图像部分之内对准则函数的最佳贡献的计算。在存在瘢痕组织的情况下,对于在一切片LEMR短轴体图像数据中提取心肌轮廓线,这被证明尤其有用。本发明能够优化对心肌层中包括瘢痕组织的图像部分的处理。
Description
技术领域
本发明涉及图像分割,更具体而言涉及在从一切片图像数据计算出的图像中描绘解剖结构,还涉及在图像数据中描绘解剖结构。
背景技术
心脏-肌肉-组织-生存能力评估对于心脏病发作之后的手术和治疗规划而言是必不可少的。具体而言,在判断患者是否可以受益于血管再生过程时,有生存力的心肌层比例是一项主要因素。除了估计左心室厚度和变厚之外,还可以利用对比度增强成像技术,尤其是后期增强磁共振(LEMR),以高空间分辨率对正常、缺血和无生存力的区域进行可视化。为了定位和量化无生存力的组织,第一步包括,在LEMR短轴(SA)体数据的每个切片(通常在10到12个切片)中描绘心内膜和心外膜轮廓线(换言之,对心肌层进行分割),在手动进行这一操作时,这是单调而耗时的任务。然而,自动心肌层分割是挑战性的,且很少在当前商业产品中实现。设计一种自动方法来描绘心内膜和心外膜轮廓线是困难的,主要因为造影剂在缺血和无生存力的区域中的积累导致了心肌层组织的不均匀性。
图1示出了从一切片LEMR SA图像数据计算出的图像。第一幅图片11示出了没有心肌轮廓线的图像。第二幅图片12示出了由专家手动绘制的具有心肌轮廓线的图像。难以定位心肌层内部的血池110和异常组织120之间的边界。瘢痕区域120呈现为白色,而健康部分130是暗的,且周围器官从灰色变为暗色。此外,白色区域的边界常常显得非常模糊,尤其是如果它们非常接近血池时,这使得正确定位心内膜特别困难。于是,面临的挑战是从纹理化环境中提取出像心肌层这样的结构,这种结构可能包含暗色和白色区域。
在E.Dikici、T.O′Donnell、R.Setser和R.D.White的文章“Quantification of delayed enhancement MR images”,Proc.of the 7th International Conference on Medical Image Computing and Computer-Assisted Intervention(MICCAI’04),LNCS Series,Vol.3216,Springer,pp.250-257,2004中描述了用于分割LEMR SA图像的自动分割算法。
发明内容
有利的是提供一种备选方案,用于在存在瘢痕组织的情况下在一切片LEMR短轴体图像中描绘心肌轮廓线,这对于在使用各种图像采集模态采集的图像中描绘其他结构也是有用的。
于是,在一方面中,本发明提供了一种用于在从一切片图像数据计算出的图像中描绘解剖结构的系统,所述系统包括:
-划分单元,用于将所述图像划分成多个图像部分,每个图像部分绘示所述解剖结构的一部分;以及
-适配单元,用于基于准则函数并基于所述准则函数的计算值要满足的准则将模板适配到所述图像,所述准则函数是模板参数和图像值以及它们在图像中的相对位置的函数,
其中基于所述多个图像部分定义所述准则函数。
换言之,准则函数取决于图像至多个部分的划分。例如,准则函数可以包括这样的项,该项取决于平均灰度值或取决于图像一部分中包括的像素的灰度值方差。具有基于多个图像部分定义的准则函数允许计算图像的每个部分中对准则函数值的最佳贡献。例如,在一实施例中,贡献可以基于在该部分区域中探测到的心肌组织的类型。准则函数可以包括取决于所探测组织的类型的项。如果探测到第一类型组织,将与第一类型组织对应的项布置为对准则函数的值有贡献。如果探测到第二类型组织,将与第二类型组织对应的项布置为对准则函数的值有贡献。已经证实,在存在瘢痕组织的情况下,这对于在一切片LEMR短轴体图像数据中提取心肌轮廓线尤其有用。本发明能够优化对心肌层中包括瘢痕组织的图像的部分的处理。还可以将本发明用于分割利用各种图像采集模态采集的其他正常或病理解剖结构。
在系统的实施例中,适配单元还被布置用于在所述多个图像部分的一图像部分中探测解剖结构的异常组织,并且准则函数包括在所述图像部分中探测到所述异常组织时对准则函数有贡献的项。例如,可以基于与模板交叠的图像的一部分的平均亮度或像素值方差来探测解剖结构的异常组织。准则函数可以包括与位于图像的一部分中的异常组织对应的项。在图像划分的部分中探测到异常组织时,可以布置这样的项以对准则函数的值有贡献。
在系统的实施例中,适配所述模板是基于利用贪婪搜索算法搜索所述准则函数满足准则条件的模板参数值。这种选择在计算复杂性和对初始条件的灵敏度之间提供了良好的折衷。例如,贪婪搜索算法比梯度下降算法更鲁棒且比动态规划算法复杂性更小。有利地,使用贪婪搜索算法允许使用不可微分的准则函数。
在系统的实施例中,模板是由外部和内部闭合轮廓线定义的闭合带。闭合带模板对于对心肌层的心外膜和心内膜轮廓线是有用的。
在系统的实施例中,所述划分为类饼划分。以左心室中心为中心的类饼划分适于描绘可以由闭合轮廓线描画的心肌层和其他解剖结构。
在实施例中,该系统还包括配准单元,用于将表面模型与多个模板配准,其中每个模板适配到从一切片图像数据计算出的图像,且其中至少一个模板由所述系统200的所述适配单元220适配。该系统还被布置用于利用系统的适配单元对至少一个模板进行最佳适配的有利事实,在图像数据中描绘解剖结构。
在系统的实施例中,配准单元包括:
-仿射变换单元,用于将表面模型与多个模板进行仿射配准,由此生成经仿射配准的表面模型;
-局部变形单元,用于对经仿射配准的表面模型与多个模板进行局部非仿射配准,由此生成经局部配准的表面模型;以及
-细化单元,用于将经局部配准的表面模型适配到图像数据。
使用仿射配准继而进行非仿射配准,提高了由配准单元采用的方法的鲁棒性。任选地,仿射变换可以限于刚性变换。表面模型的细化对于对异常组织附近的表面模型进行最后调节是重要的。
在另一方面中,本发明提供了一种用于在从一切片图像数据计算出的图像中描绘解剖结构的方法,所述方法包括:
-划分步骤,用于将图像划分成多个图像部分,每个图像部分绘示解剖结构的一部分;以及
-适配步骤,用于基于准则函数并基于准则函数的计算值要满足的准则将模板适配到图像,准则函数是模板参数和图像值以及它们在图像中的相对位置的函数,
其中基于该多个图像部分定义准则函数。
在另一方面中,本发明提供了一种要被计算机装置加载的计算机程序产品,该计算机程序产品包括用于在从一切片图像数据计算出的图像中描绘解剖结构的指令,该计算机装置包括处理单元和存储器,该计算机程序产品在被加载之后为所述处理单元提供执行下述任务的能力:
-将图像划分成多个图像部分,每个图像部分绘示解剖结构的一部分;以及
-基于准则函数并基于准则函数的计算值要满足的准则将模板适配到所述图像,准则函数是模板参数和图像值以及它们在图像中的相对位置的函数,
其中基于多个图像部分定义准则函数。
在本发明的另一方面中,根据本发明的系统包含于图像采集设备当中。
在本发明的另一方面中,根据本发明的系统包含于工作站中。
本领域的技术人员将认识到,可以通过任何被认为有用的方式组合两个或更多本发明的上述实施例、实施方式和/或方面。
在本说明书的基础上,本领域技术人员能够执行对图像采集设备、工作站、方法和/或计算机程序产品的修改和变化,其中所述修改和变化对应于对所述系统的修改和变化。
本领域的技术人员将认识到,该方法可以应用于通过各种采集模态采集的多维图像数据,例如2维(2D)、3维(3D)或4维(4D)图像,该各种采集模态例如,但不限于标准X射线成像、计算机断层摄影(CT)、磁共振成像(MRI)、超声(US)、正电子发射断层摄影(PET)、单光子发射计算机断层摄影(SPECT)和核医学(NM)。
附图说明
从下文描述的实施方式和实施例并参考附图,本发明的这些和其他方面将变得显而易见并得到阐明,其中:
图1示出了没有和具有由专家手动绘制的心肌轮廓线的从一切片LEMR SA图像数据计算出的图像;
图2示意性地示出了系统的示范性实施例的方框图;
图3图示说明了闭合的带状模板;
图4图示说明了将图像示范性分割到四个象限中;
图5图示说明了由系统一个实施例对心肌轮廓线进行的自动分割结果;
图6图示说明了由系统另一个实施例对心肌轮廓线进行的自动分割结果;
图7示出了方法的示范性实施方式的流程图;
图8示意性地示出了图像采集设备的示范性实施例;以及
图9示意性地示出了工作站的示范性实施例。
在所有的附图中采用相同的附图标记表示类似的部分。
具体实施方式
图2示意性地示出了系统200的示范性实施例的方框图,该系统200用于在从一切片图像数据计算出的图像中描绘解剖结构,系统200包括:
-划分单元210,用于将图像划分成多个图像部分,每个图像部分绘示解剖结构的一部分;以及
-适配单元220,用于基于准则函数并基于准则函数的计算值要满足的准则将模板适配到图像,准则函数是模板参数和图像值以及它们在图像中的相对位置的函数,
其中基于该多个图像部分定义准则函数。
系统200的示范性实施例还包括下述单元:
-配准单元230,用于将表面模型与多个模板配准,其中每个模板适配到从一切片图像数据计算出的图像,且其中至少一个模板由系统200的适配单元220适配;
-控制单元260,用于控制系统200中的工作流程;
-用户接口265,用于与系统200的用户通信;以及
-存储单元270,用于存储数据。
在系统200的实施例中,配准单元230包括:
-仿射变换单元232,用于将表面模型与多个模板进行仿射配准,由此生成经仿射配准的表面模型;
-局部变形单元234,用于对经仿射配准的表面模型与多个模板进行局部非仿射配准,由此生成经局部配准的表面模型;以及
-细化单元236,用于将经局部配准的表面模型适配到图像数据。
在系统200的实施例中,存在三个用于输入数据的输入连接器281、282和283。将第一输入连接器281布置用于接收来自数据存储器件的数据,该数据存储器件例如,但不限于,硬盘、磁带、闪速存储器或光盘。将第二输入连接器282布置用于接收来自用户输入装置的输入,所述用户输入装置例如,但不限于,鼠标或触摸屏。将第三输入连接器283布置用于接收来自诸如键盘的用户输入装置的数据。输入连接器281、282和283连接到输入控制单元280。
在系统200的实施例中,存在两个用于输出数据的输出连接器291和292。将第一输出连接器291布置用于向诸如硬盘、磁带、闪速存储器或光盘的数据存储器件输出数据。将第二输出连接器292布置用于向显示装置输出数据。输出连接器291和292经由输出控制单元290接收相应的数据。
本领域的技术人员将理解,存在很多方式将输入装置连接到系统200的输入连接器281、282和283,将输出装置连接到系统200的输出连接器291和292。这些方式包括但不限于有线和无线连接、诸如但不限于局域网(LAN)和广域网(WAN)的数字网络、因特网、数字电话网和模拟电话网。
在系统200的实施例中,系统200包括存储单元270。将系统200布置用于经由输入连接器281、282和283中的任一个接收来自外部装置的输入数据,并将所接收到的输入数据存储到存储单元270内。将输入数据加载到存储单元270中允许系统200的单元快速访问相关数据部分。例如,输入数据可以包括图像数据和模板。任选地,输入数据还可以包括表面模型。可以通过诸如但不限于,随机存取存储器(RAM)芯片、只读存储器(ROM)芯片以及/或者硬盘驱动器和硬盘的装置实现存储单元270。还可以将存储单元270布置用于存储输出数据。例如,根据本发明输出数据可以包括适配到所述一切片图像数据的模板。任选地,输出数据还可以包括经配准的表面模型。还可以布置存储单元270以经由存储总线275从系统200的各单元接收数据和/或向其提供数据,这些单元包括划分单元210、适配单元220、配准单元230、仿射变换单元232、局部变形单元234、细化单元236、控制单元260和用户接口265。还将存储单元270布置用于使输出数据能够经由任何输出连接器291或292为外部装置所用。将来自系统200的各单元的数据存储在存储单元270内可以有利地提高系统200的各单元的性能以及从系统200的各单元向外部装置传输输出数据的速率。
或者,系统200可以不包括存储单元270和存储总线275。可以通过连接至系统200的单元的至少一个外部装置(诸如外部存储器或处理器)提供由系统200使用的输入数据。类似地,可以将系统200产生的输出数据提供给连接至系统200的各单元的至少一个外部装置,例如,外部存储器或处理器。可以将系统200的各单元布置用于经由内部连接或者经由数据总线接收彼此的数据。
在系统200的实施例中,系统200包括用于控制系统200中工作流程的控制单元260。可以将控制单元布置用于接收来自系统200的各单元的控制数据以及向所述单元提供控制数据。例如,在将模板适配到从第一切片图像数据计算出的图像之后,可以布置适配单元220以向控制单元260提供控制数据“模板被适配到图像”,并且可以布置控制单元260以向适配单元220提供控制数据“将模板适配到从第二切片图像数据计算出的图像”。可以由适配单元220执行从第一和第二切片来计算图像。备选地,可以在系统200中的另一单元,例如在适配单元220中实现控制功能。
在系统200的实施例中,系统200包括用于与系统200的用户通信的用户接口265。可以布置用户接口265以接收用于从在系统200中可用的一组模板中选择用于适配到图像的模板的用户输入,或用于划分图像的用户输入。用户接口还可以提供用于向用户呈现经适配模板的视图的器件。任选地,用户接口可以接收用于选择系统的工作模式,例如,用于选择准则函数的几个项的用户输入。本领域的技术人员将理解,可以在系统200的用户接口265中有利地实现更多功能。
现在将参考描绘LEMR SA图像数据中的心外膜和心内膜轮廓线和表面,来描述本发明的实施例。本领域的技术人员将认识到,该系统对于分割CT或MR扫描中的其他结构也是有用的,该其他结构包括,但不限于肝脏、胰脏和血管。
在本发明的实施例中,适于对心肌层建模的模板是如图3所图示的闭合带。使用尽可能少的节点利用内插样条来实现该模板,以减少模型参数的数量。在实施例中,使用8个节点定义样条参数。使用更多节点来定义模板参数以计算时间为代价提高了计算的精确度。使用样条产生了最优的平滑解。此外,与逼近函数和控制点相反,基于内插的函数和节点的具体选择提高了算法稳定性和优化策略的一致性。在P.Brigger、J.Hoeg和M.Unser的论文“B-Spline Snakes:A Flexible Tool for Parametric Contour Detection”,IEEE Transactions on Image Processing,Vol.9,No.9,pp.1484-1496,2000中描述了使用样条在图像中描绘轮廓线。更具体而言,将心肌层模型化为带状结构30,带状结构30由虚拟中心线31构成,虚拟中心线31包括多个节点(由点示意性地示出)并由宽度参数(由箭头示意性地图示)描述。中心线和宽度都是参数离散集(xi,yi,wi)的连续样条内插,其中xi,yi表示在图像坐标系中中心线的第i个节点坐标,而wi是在中心线的第i个节点处带的宽度。在这种表示的优点中,包括心外膜301和心内膜302之间的自然耦合以及采样的灵活性。可以使用快速样条滤子以任何希望的精度对轮廓线采样,如由M.Unser、A.Aldroubi和M.Eden的“B-spline Signal Processing;Part 1-Theory”,IEEE Transactions on Signal Processing,Vol.41,No.2,pp.821-832,1993中描述的。
在本发明的实施例中,将适配单元220布置用于探测心肌层、估计左心室的轴并对在图像中的模板进行初始化。任选地,系统200可以包括用于执行每项任务的分立单元,例如,探测单元、轴估计单元和模板初始化单元。将系统200布置用于鲁棒地探测短轴切片图像中的心肌层,以便定义用于几何模板的初始位置。这是通过三个步骤来实现的:第一,在每个切片上探测表现为暗环的心肌层;第二,从这些探测估计左心室轴;最后,从心肌层探测和轴估计来估计模型的鲁棒初始化。
为了探测短轴切片图像上的心肌层,在本发明的实施例中使用Hough变换。例如,在P.V.C.Hough的原始论文,美国专利3,069,654,1962“Method and means for recognizing complex patterns”中描述了Hough变换。调节Hough变换以探测环形形状。由于心肌层表现为暗环,可以将其探测为对图像与对暗环建模的径向对称的内核的卷积的最佳响应。这一内核的径向分布由偏移环半径的高斯型曲线的拉普拉斯算符给出,其宽度直接与心肌层的预期厚度相关。在傅里叶域中在径向坐标上计算卷积,这对应于针对每个角频率将图像变换乘以内核的解析汉克尔变换。例如,在Bracewell,R.的“The Hankel Transform”,The Fourier Transform and Its Applications,3rd ed.New York:McGraw-Hill,pp.244-250,1999中描述了汉克尔变换。这种操作是一维的,因此非常快。取逆变换并针对各种环半径重复该过程,最好的卷积响应最后限定了用于初始化可变形模板的最佳中心和半径。
从每切片图像上探测的最佳暗环的中心鲁棒地估计左心室的轴。这是利用最小中值平方法实现的,其包括界外值舍弃步骤,以便不考虑可能的虚假心肌层探测。例如在P.J.Rousseeuw、A.M.Leroy的文章Robust regression and outlier detection,John Wiley & Sons,Inc.,New York,NY,1987中描述了这种方法。
最后,如下为每切片图像定义几何模板的初始位置。如果从环探测知道了所探测最佳心肌层中心靠近左心室轴和当前切片的交点,并且如果其半径与预定义的模板半径类似,则利用探测的最佳中心和半径对模板进行初始化。否则,模板的初始中心是轴与当前切片的交叉部,半径是利用抛物线半径模型从探测的最佳环计算得到的。
在本发明的实施例中,准则函数是描述闭合带模板的能量的能量函数。该能量函数包括内部能量项和外部能量项。在模板几何结构不变形且与基于先验知识的典型模板形状相同时,内部能量项达到最小值。在模板变形使得模板的某些部分与图像中探测的某些特征交叠时,外部能量项达到最小值。准则条件是能量函数达到最小值。
作为内部和外部能量项的一部分、补充或与之组合,能量函数的其他可能项包括,但不限于涉及以下内容的项:
-圆度:中心线31不应偏离圆过多。可能的选择是使用中心线曲率关于其平均值的偏离的度量,因为圆具有恒定曲率。
-规则性:沿中心线31的宽度变化应当是有限的。这确保了轮廓线之间的适当耦合。可能的选择再次是宽度变量关于其平均值的偏差度量。
-血池的均质性:除了乳头肌之外,血池应当是均质的。可能的选择是在排除直方图最下部分以考虑到乳头肌的可能存在之后内部区域的方差。
-心肌层均质性:如果组织是正常的,心肌层区域应当是均匀分布且暗色的,否则是白色的。
-心内膜对比度:血池应当在局部显示出比心肌层更高的亮度,这可以由沿法线到心内膜轮廓的1D对比度滤子(filter)(例如,基于高斯滤波器的一阶导数定义的)之和来度量。
-心外膜对比度:根据周围的器官,心外膜应当显示出正、负或脊状对比度。这可以由沿心外膜的法线的1D脊对比度滤子(例如基于高斯滤子的二阶导数定义的)之和来度量。
-心肌层对比度:心肌层的平均亮度应当小于血池的平均亮度。
在实施例中,准则函数是准则函数项的加权和。权重是用户指定的算法参数。
备选地或附加地,准则函数可以是作用于模板的力场,准则条件可以是力场基本为零。
前一种准则函数和条件是基于整个图像定义的,对不同种类的图像,例如电影心脏MR图像是有用的。不过,对于LEMR SA图像数据而言,这些条件不足以获得心肌轮廓线的可靠自动描绘,必须要有基于图像的各部分限定的特征。这些特征目的是在心肌层中存在瘢痕(白色区域)时找到图像分割任务的鲁棒解决方案。
在本发明的实施例中,将图像划分到四个象限Q1、Q2、Q3和Q4中。图4图示说明了图像的这种示范性划分。四个象限的位置是由左心室中心41和右心室中心42的位置确定的。在本发明的实施例中,右心室的中心的确定基于以下操作:选择与左心室血池具有相同亮度的圆形模板和位于心肌层外部的环形区域中的图像之间的最佳相关。象限划分心肌层并将模板初始化成四个部分。可以基于划分定义准则函数的项。基于解剖学知识将对比度项适配到象限。例如,在Q1中,预计心肌层比周围器官(右心室)更暗,而在Q3中,周围器官为肺,也是暗的,尽管脂肪的薄片常常是可见的。在Q2和Q4中,脊滤子是有用的,因为在心肌层外部薄的暗和亮组织交替出现。于是,并非在整个心肌层中计算准则项,而是在每个象限中独立计算每一项。这允许算法在需要时探测异常组织,从而控制适配过程。值得指出的是,尽管心肌层的划分界定了心肌层的不同部分,但这些部分连接到由划分限定的相邻部分并与该部分交互作用。
备选地,可以由系统200的划分单元210采用另一种划分图像的方法,该方法是随机的或基于图像分析,例如使用目标探测或分割。值得指出的是,所提出的图像划分不需要导致将例如心脏的解剖结构划分成被识别的子结构,例如心室和心房。划分的目的是定义准则函数的更多项,每个项在结构一部分上具有其域,以获得更多细节,从而实现更大精度。
在本发明的实施例中,在每个象限中进行几次测试,以便探测潜在的瘢痕或缺血区域。例如,如果有如下情况则探测到异常组织:
-象限内部的心肌层平均亮度与血池平均亮度相比更高。
-心肌层灰度级相对于预计异常组织值(例如255)的累积差异低于相对于预计健康心肌层值(例如0)的累积亮度差异。
-如果心肌层象限内部的局部梯度低,这意味着该区域是均质的,则证实了这一测试。
在本发明的实施例中,如果在象限中探测到瘢痕,通过以下方式适配象限中的准则函数项:
-由于瘢痕呈现为白色而正常心肌层为暗色,所以瘢痕比周围器官更亮;因此,沿着边界的预计对比度是变化的(例如从0到255)。
-出于同样原因,心肌层内部的均质性被定义为相对于预计异常组织值(例如255)而非预计健康心肌层值(例如0)的累积差异(或相对于其的偏差)。
也可以将这种测试并入准则函数的项中,例如,作为这一项中的因子。如果测试值为1(真),那么该项将对准则函数有贡献。如果测试值为0(假),那么该项将不对准则函数有贡献。
在本发明的实施例中,可以由以下能量函数给出准则函数F:
F(p,I)=Fs(C,w)+Fc(Ci,Co,I)+Fr(M,B,I),
其中:
-p是包括模板参数的参数矢量,pi=((xi,yi,wi)且w是包括描述中心线节点坐标的宽度wi的宽度矢量;
-C,Ci和Co分别是闭合带模板的中心线、内轮廓线和外轮廓线;
-I是图像,即向图像各位置分配亮度的图;而
-M和B分别是由闭合带状模板在图像中的放置限定的心肌层和血池区域。
第一项Fs(C,w)是模板形状项,且为内部能量项。例如,
第二项Fc(Ci,Co,I)是轮廓线项,布置用于将心外膜和心内膜壁吸引到图像梯度的优选位置。可以将其表示为
第三项Fr(M,B,I)为区域项。血池灰度级应当是均匀分布的。而且,正常心肌层组织是暗色的,而异常心肌层组织是亮的,这导致与血池之间强的全局对比度。因此区域项为:
现在将描述异常组织探测。为此,在模板变形之前对从一切片LEMRSA图像数据计算出的图像进行预处理:利用期望值-极大值算法估计亮度分布混合,允许伸展亮度范围,以使图像的最暗和最亮部分饱和。这些区域分别对应于健康和异常组织,结果预计它们表现为新范围中最小亮度和最大亮度的均匀区域。然后,对于心肌层的每个部分Mi=M∩Qi,如果满足以下三个条件,则探测到潜在的瘢痕或缺血区域:
-象限内部的心肌层平均亮度与血液平均亮度相比更高:
-心肌层部分Mi内部的局部梯度大小之和低。
在实施例中,准则函数不是模板参数(xi,yi,wi)(其中i是中心线上的节点索引)的可微分函数,具体地这是因为内部区域直方图的非线性排除以将乳头肌计入考虑。因此,通常的梯度下降法不是用于最小化的适当选项。此外,任何梯度下降方案都具有内在局限,即对局部极小值非常敏感。优化方案是基于贪婪算法,仅依赖于直接准则计算。这种选择在计算复杂性和对初始条件的灵敏度之间提供了良好的折衷。所采用的优化方案比梯度下降方案更加鲁棒,比动态规划复杂性更小,动态规划是用于对基于样条的模型进行全局优化的传统选择。可以通过以下迭代算法描述贪婪优化策略:
重复
(A)逐个访问每个节点,
-在预定范围内进行第i个节点参数(xi,yi,wi)值的搜索,
-移动到给出最低能量的所找到的最佳位置,
(B)沿着中心线(滑动)重新采样和移动节点以增大旋转和参数化不变性。
直到找到稳定状态。
图5图示说明了系统200的一个实施例对心肌轮廓线进行的自动分割结果。所示的示范性图像包含各种异常组织:大的白色透壁瘢痕、小的心内膜下瘢痕、分散或模糊的白色区域。白色区域正确地包括在经分割的心肌层之内。结果令人满意但沿着难以分割的图像边界残余一些轻微的不精确性。这些不精确性通常与心肌层的异常厚度对应,如果从肌肉中排除瘢痕心肌层就过薄,如果分割结果包括周围结构心肌层厚度则过大。为了减少这些不精确性并获得心肌层的3D表面模型,需要对LEMR SA图像数据进行进一步处理。为了解决这个问题,在实施例中,该系统包括配准单元230,用于将3D表面模型与多个模板配准,其中通过系统200的适配单元220将每个模板适配到从一切片图像数据计算出的图像。描绘图像的电影MR序列中的心外膜和心内膜表面可以获得适当的表面模型。
通常在采集示出了沿着心搏周期心肌层的运动的电影MR序列之后大约20分钟进行LEMR检查。在这20分钟期间,患者不会在台子上移动。结果,可以从电影序列提取的所有解剖学信息都是用于分割LEMR体积的有用先验知识。具体而言,通过如下方式在图像的整个电影序列(其中,每幅图像与心搏周期的相位对应)上获得心肌层的分割:
-在与心搏周期舒张期结尾阶段对应的图像中的分割心肌层,例如,使用与LEMR SA图像的情况相同的方式。分割所述舒张期结尾的MR图像不需要图像划分;
-向电影序列的舒张期结尾阶段应用分割结果,由此分割序列的每幅图像,例如如在Hautvast,G.;Lobregt,S.;Breeuwer,M.& Gerritsen,F.的Automatic contour propagation in cine cardiac magnetic resonance images,IEEE Transactions on Medical Imaging,2006,25,1472-1482中所述。最后,对于每个阶段,获得两个3D表面模型,例如描述心内膜和心外膜的多边形网。这些表面模型包含有价值的形状和厚度信息。
为了利用这种信息,可以将系统200布置用于例如通过读取图像的DICOM属性来自动选择与所采集的LEMR SA图像数据对应的阶段,并将对应的3D表面模型用作先验信息。然而,即使患者在电影和LEMR检查之间不移动,她/他也可能放松或在不同程度上深呼吸。因此,不能将从电影阶段提取的模型表面直接与LEMR SA图像叠加,从而必需要有配准步骤。备选地,本发明的系统200可以使用以任何其他方式获得的适当表面模型。
在系统的一个实施例中,系统200还被布置用于进一步将表面模型和多个模板配准,其中由系统200的适配单元220将每个模板适配到从一切片图像数据计算出的图像。
这是通过两个步骤实现的:
-刚性或仿射变换向着经适配的模板吸引表面模型。计算导致表面模型和模板堆栈间最佳匹配的变换并将其应用于表面模型。
-根据模板位置和图像的灰度级,局部细化表面模型。对模板的心外膜轮廓线有更大置信度,模板的心外膜轮廓线通常比模板的心内膜轮廓线更精确。表面模型提供的厚度信息用于向局部变形添加耦合约束。在轮廓线附近搜索白色像素,从而恢复可能在模板适配期间丢失的白色区域。相继地应用这些操作是重要的,因为仿射变换得到鲁棒的结果,而局部细化是在假设表面模型在全局得到良好定位的情况下调节它们的位置。因此,仅使用局部细化不会得到最佳结果。
在本发明的实施例中,使用仿射到局部策略进行变形:首先,找到给出网和轮廓线堆栈之间最佳配合而不改变网的几何结构的仿射变换;然后定义施加在每个网顶点的特定力F3D。力F3D考虑了网的原始形状(Fint)、与适当2D轮廓线的距离(Fcont)和心肌层厚度(Fth):
F3D=Fint+Fcont+Fth
最后,通过用测试图像亮度的力(FI)取代轮廓线吸引力来对网进行局部细化,该测试图像亮度的力(FI)用于确保瘢痕,即亮区域包括在最终的心肌轮廓线之内,获得以下力:
F3D细化=Fint+FI+Fth.
心肌层分割的结果包括心外膜和心内膜表面模型。此外,心外膜和心内膜表面与每切片LEMR SA图像数据的相交部在每幅从切片计算出的图像中定义了改善的心外膜和心内膜轮廓线。
通过将利用我们的自动方法获得的轮廓线与专家提供的手绘轮廓线进行比较,已经在27个体积的数据库上定量评估了该方法的性能,该数据库包含各种类型的异常组织,包括但不限于大的白色透壁瘢痕、小的心内膜下瘢痕、分散模糊的白色区域。手动和自动轮廓线之间的平均误差大约为1.5个像素。图6图示说明了由系统200的实施例对心肌轮廓线进行自动分割的结果。第一列包括将模板适配到由从不同患者采集的图像数据的切片计算出的图像的结果。箭头表示适配仍然可以被改善的区域。第二排图像图示说明了从心肌表面的经配准的表面模型导出的轮廓线。第三列示出了由专家手动分割的结果。对于成功围绕正常和异常心肌层部分的轮廓线而言,该分割的质量良好。该结果允许例如通过描绘每幅图像中的瘢痕组织以及计算所述瘢痕组织的面积来可靠地评估无生存力组织的百分比。
本领域的技术人员将认识到,系统200可以是用于在医生工作的很多方面辅助其的有价值工具。
本领域技术人员还将理解,系统200的其他实施例也是可能的。除此之外,还有可能重新定义系统的单元,以及重新分配其功能。尽管所述的实施例应用于医疗图像,不涉及医疗应用的系统其他应用也是可能的。
可以使用处理器实现系统200的各单元。通常,在软件程序产品的控制下之下执行他们的功能。在执行过程中,通常将软件程序产品加载到类似RAM的存储器内,并从该处执行所述软件程序产品。可以从诸如ROM、硬盘或者磁和/或光存储器的后台存储器加载所述程序,或者可以通过诸如因特网的网络加载所述程序。任选地,专用集成电路可以提供所描述的功能。
图7示出了方法700的示范性实现的流程图,方法700在从一切片图像数据计算出的图像中描绘解剖结构。方法700开始于放置步骤705,用于对图像中的模板进行初始化。在方法700的实施方式中,放置步骤705包括用于估计左心室轴的轴估计步骤7052、用于探测心肌层的探测步骤7054和用于确定模板在图像中的初始位置的初始化步骤7056。在放置步骤705之后,方法700继续到划分步骤710,用于将图像划分成多个图像部分,例如象限,每个图像部分绘示解剖结构的一部分。在划分步骤710之后,方法700继续到适配步骤720,用于基于准则函数并基于准则函数的计算值要满足的准则将模板适配到图像,准则函数是模板参数和图像值以及它们在图像中的相对位置的函数,其中准则函数是基于多个图像部分定义的。在适配步骤730之后,方法700继续到配准步骤730,用于将表面模型与多个模板配准,其中每个模板适配到在方法700的适配步骤720中从一切片图像数据计算出的图像。在方法700的实施方式中,配准步骤包括仿射变换步骤732,用于将表面模型与多个模板进行仿射配准,由此生成经仿射配准的表面模型,接着是局部变形步骤234,用于将经仿射配准的表面模型与多个模板进行局部非仿射配准,由此生成经局部配准的表面模型,接着是细化步骤736,用于将经局部配准的表面模型适配到图像数据。配准步骤730之后,方法700结束。
在不背离本发明意指的理念的情况下,本领域技术人员可以改变一些步骤的顺序或者采用线程模型、多处理器系统或多个过程同时执行一些步骤。任选地,可以将本发明的方法的两个或更多步骤结合到一个步骤当中。任选地,可以将本发明的方法的步骤拆分成多个步骤。
图8示意性地示出了采用系统200的图像采集设备800的示范性实施例,所述图像采集设备800包括经由内部连接与系统200连接的CT图像采集单元810、输入连接器801和输出连接器802。这一布置有利地提高了图像采集设备800的能力,即,为所述图像采集设备800提供了系统200的有利能力。
图9示意性地示出了工作站900的示范性实施例。工作站包括系统总线901。将处理器910、存储器920、磁盘输入/输出(I/O)适配器930和用户接口(UI)940操作性连接至系统总线901。将磁盘存储装置931操作性耦合至磁盘I/O适配器930。将键盘941、鼠标942、显示器943操作性耦合至UI 940。将作为计算机程序实现的本发明的系统200存储到磁盘存储装置931中。工作站900布置用于将所述程序和输入数据加载到存储器920中,并在处理器910上执行所述程序。用户能够使用键盘941和/或鼠标942向工作站900输入信息。所述工作站布置用于向显示装置943和/或向磁盘931输出信息。本领域的技术人员将理解,现有技术中已知有很多工作站900的其他实施例,实施例的目的是图示说明本发明,绝不应被解释为将本发明限制到该具体实施例。
应当注意,上述实施例旨在对本发明进行图示说明,而不是对其做出限制,并且本领域技术人员能够在不背离随附权利要求的范围的情况下设计出备选的实施例。在权利要求中,不应当将任何放置在括号内的附图标记解读为限制权利要求。“包括”一词不排除权利要求或说明书中未列举的元件或步骤的存在。元件前的单数冠词不排除存在复数个这样的元件。可以利用包括几个分立元件的硬件,也可以利用经编程的计算机实现本发明。在列举了几个单元的系统权利要求中,可以由同一个硬件或软件体现这些单元中的几个。第一、第二、第三等词语的使用不表示任何顺序排列。可以将这些词语解释为名称。
Claims (11)
1.一种用于在从一切片图像数据计算出的图像中描绘解剖结构的系统(200),所述系统(200)包括:
-划分单元(210),用于将所述图像划分成多个图像部分,每个图像部分绘示所述解剖结构的一部分;以及
-适配单元(220),用于基于准则函数并基于所述准则函数的计算值要满足的准则将模板适配到所述图像,所述准则函数是模板参数和图像值以及它们在图像中的相对位置的函数,
其中,基于所述多个图像部分定义所述准则函数。
2.根据权利要求1所述的系统(200),其中,所述适配单元(220)还布置用于在所述多个图像部分中的一图像部分中探测所述解剖结构的异常组织,并且所述准则函数包括当在所述图像部分中探测到所述异常组织时对所述准则函数有贡献的项。
3.根据权利要求1所述的系统(200),其中,适配所述模板是基于使用贪婪搜索算法搜索使所述准则函数满足准则条件的模板参数值。
4.根据权利要求1所述的系统(200),其中,所述模板是由外部和内部闭合轮廓线定义的闭合带。
5.根据权利要求1所述的系统,其中,所述划分为类饼划分。
6.根据权利要求1所述的系统(200),还包括配准单元(230),用于将表面模型与多个模板配准,其中,每个模板适配到从一切片图像数据计算出的图像,且其中至少一个模板由所述系统(200)的所述适配单元(220)进行适配。
7.根据权利要求6所述的系统(200),其中,所述配准单元(230)包括:
-仿射变换单元(232),用于将所述表面模型与所述多个模板进行仿射配准,由此生成经仿射配准的表面模型;
-局部变形单元(234),用于将所述经仿射配准的表面模型与多个模板进行局部非仿射配准,由此生成经局部配准的表面模型;以及
-细化单元(236),用于将所述经局部配准的表面模型适配到所述图像数据。
8.一种在从一切片图像数据计算出的图像中描绘解剖结构的方法(700),所述方法(700)包括:
-划分步骤(710),用于将所述图像划分成多个图像部分,每个图像部分绘示所述解剖结构的一部分;以及
-适配步骤(720),用于基于准则函数并基于所述准则函数的计算值要满足的准则将模板适配到所述图像,所述准则函数是模板参数和图像值以及它们在图像中的相对位置的函数,
其中,基于所述多个图像部分定义所述准则函数。
9.一种包括根据权利要求1所述的系统(200)的图像采集设备(800)。
10.一种包括根据权利要求1所述的系统(200)的工作站(900)。
11.一种要被计算机装置加载的计算机程序产品,其包括用于在从一切片图像数据计算出的图像中描绘解剖结构的指令,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被加载之后为所述处理单元提供执行下述任务的能力:
-将所述图像划分成多个图像部分,每个图像部分绘示所述解剖结构的一部分;以及
-基于准则函数并基于所述准则函数的计算值要满足的准则将模板适配到所述图像,所述准则函数是模板参数和图像值以及它们在图像中的相对位置的函数,
其中,基于所述多个图像部分定义所述准则函数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP08305012 | 2008-01-31 | ||
EP08305012.0 | 2008-01-31 | ||
PCT/IB2009/050301 WO2009095837A2 (en) | 2008-01-31 | 2009-01-26 | Automatic 3-d segmentation of the short-axis late-enhancement cardiac mri |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101933045A true CN101933045A (zh) | 2010-12-29 |
CN101933045B CN101933045B (zh) | 2012-12-05 |
Family
ID=40673964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009801036281A Active CN101933045B (zh) | 2008-01-31 | 2009-01-26 | 短轴后期增强心脏mri的自动3d分割 |
Country Status (6)
Country | Link |
---|---|
US (1) | US8509506B2 (zh) |
EP (1) | EP2238573A2 (zh) |
JP (1) | JP5438029B2 (zh) |
CN (1) | CN101933045B (zh) |
RU (1) | RU2503061C2 (zh) |
WO (1) | WO2009095837A2 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240226A (zh) * | 2013-06-20 | 2014-12-24 | 上海联影医疗科技有限公司 | 一种心脏图像的配准方法 |
CN106910194A (zh) * | 2015-12-22 | 2017-06-30 | 上海联影医疗科技有限公司 | 心脏心功能磁共振图像中的心内外膜的分割方法 |
CN109886992A (zh) * | 2017-12-06 | 2019-06-14 | 深圳博脑医疗科技有限公司 | 用于分割mri图像中异常信号区的全卷积网络模型训练方法 |
CN109903269A (zh) * | 2019-01-24 | 2019-06-18 | 刘星宇 | 确定脊柱横断面图像的异常类型的方法及计算设备 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2238573A2 (en) * | 2008-01-31 | 2010-10-13 | Koninklijke Philips Electronics N.V. | Automatic 3-d segmentation of the short-axis late-enhancement cardiac mri |
CN102656607B (zh) * | 2009-12-16 | 2015-11-25 | 皇家飞利浦电子股份有限公司 | 使用计划收集来发展新的优化的目标 |
JP5610129B2 (ja) * | 2010-03-26 | 2014-10-22 | 富士通株式会社 | 3次元テンプレート変形方法、装置及びプログラム |
US9020216B2 (en) * | 2010-07-28 | 2015-04-28 | Varian Medical Systems, Inc. | Knowledge-based automatic image segmentation |
EP2609569B1 (en) * | 2010-08-24 | 2017-04-26 | Brainlab AG | Method for modifying a medical data set |
US9367913B2 (en) | 2010-09-17 | 2016-06-14 | Koninklijke Philips N.V. | Choosing anatomical variant model for image segmentation |
US9129363B2 (en) | 2011-07-21 | 2015-09-08 | Carestream Health, Inc. | Method for teeth segmentation and alignment detection in CBCT volume |
US8842904B2 (en) * | 2011-07-21 | 2014-09-23 | Carestream Health, Inc. | Method for tooth dissection in CBCT volume |
JP6537981B2 (ja) * | 2013-02-28 | 2019-07-03 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 複数の三次元ビューからの大きな対象のセグメンテーション |
CN105074773B (zh) * | 2013-03-28 | 2019-08-06 | 皇家飞利浦有限公司 | 改善脑部扫描中的对称性 |
US9402549B2 (en) | 2013-11-27 | 2016-08-02 | General Electric Company | Methods and apparatus to estimate ventricular volumes |
CN105814605B (zh) * | 2013-12-10 | 2019-09-24 | 皇家飞利浦有限公司 | 对解剖结构的基于模型的分割 |
US10235750B2 (en) * | 2014-02-27 | 2019-03-19 | Agency For Science, Technology And Research | Segmentation of cardiac magnetic resonance (CMR) images using a memory persistence approach |
US9996935B2 (en) * | 2014-10-10 | 2018-06-12 | Edan Instruments, Inc. | Systems and methods of dynamic image segmentation |
WO2016120225A1 (en) * | 2015-01-28 | 2016-08-04 | Koninklijke Philips N.V. | Finite element modeling of anatomical structure |
US20160377717A1 (en) * | 2015-06-29 | 2016-12-29 | Edan Instruments, Inc. | Systems and methods for adaptive sampling of doppler spectrum |
CN106251304B (zh) * | 2015-09-11 | 2019-09-17 | 深圳市理邦精密仪器股份有限公司 | 动态图像分段系统和方法 |
US10290109B2 (en) * | 2015-12-22 | 2019-05-14 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for cardiac image segmentation |
DE102016202085B3 (de) * | 2016-02-11 | 2017-02-16 | Siemens Healthcare Gmbh | Verfahren, Magnetresonanzanlage und elektronisch lesbarer Datenträger zur Narbenquantifizierung im Myokard |
EP3549100B1 (en) | 2016-11-29 | 2021-03-03 | Koninklijke Philips N.V. | Heart segmentation methodology for cardiac motion correction |
RU178086U1 (ru) * | 2017-07-10 | 2018-03-22 | Светлана Георгиевна Горохова | Автоматизированное устройство для диагностики заболеваний сердца |
CN111281387B (zh) * | 2020-03-09 | 2024-03-26 | 中山大学 | 基于人工神经网络的左心房与心房瘢痕的分割方法及装置 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3069654A (en) | 1960-03-25 | 1962-12-18 | Paul V C Hough | Method and means for recognizing complex patterns |
RU2069853C1 (ru) * | 1992-01-13 | 1996-11-27 | Сергей Сумбатович Шахиджанов | Способ радиационного исследования внутренней структуры объектов |
EP0602730B1 (en) | 1992-12-18 | 2002-06-19 | Koninklijke Philips Electronics N.V. | Registration of Volumetric images which are relatively elastically deformed by matching surfaces |
RU2169525C1 (ru) * | 2000-01-20 | 2001-06-27 | Институт прикладной физики РАН | Способ диагностики in vivo патологической зоны в слоистой системе биологического органа эпителий-подлежащая соединительная ткань |
JP3816445B2 (ja) * | 2000-12-05 | 2006-08-30 | 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 | 心臓の心筋を位置確認する方法及びその潅流パラメーターを決定する方法 |
JP3902765B2 (ja) | 2001-05-17 | 2007-04-11 | シーメンス コーポレイト リサーチ インコーポレイテツド | Mr心臓画像における左心室のセグメンテーションに対する様々なアプローチ |
US6961454B2 (en) | 2001-10-04 | 2005-11-01 | Siemens Corporation Research, Inc. | System and method for segmenting the left ventricle in a cardiac MR image |
US7400757B2 (en) * | 2001-10-04 | 2008-07-15 | Siemens Medical Solutions Usa, Inc. | System and method for segmenting the left ventricle in a cardiac image |
US6628743B1 (en) * | 2002-11-26 | 2003-09-30 | Ge Medical Systems Global Technology Company, Llc | Method and apparatus for acquiring and analyzing cardiac data from a patient |
US7206449B2 (en) * | 2003-03-19 | 2007-04-17 | Mitsubishi Electric Research Laboratories, Inc. | Detecting silhouette edges in images |
JP2006524092A (ja) | 2003-04-24 | 2006-10-26 | 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 | 非侵襲性左心室容積決定 |
JP2006527619A (ja) * | 2003-06-16 | 2006-12-07 | 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 | 時系列イメージにおけるイメージセグメンテーション |
US20050226521A1 (en) * | 2004-03-31 | 2005-10-13 | Chipworks Inc. | Method and apparatus for producing a 3-D model of a semiconductor chip from mosaic images |
JP2008513087A (ja) * | 2004-09-23 | 2008-05-01 | 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 | 患者の心臓からの画像を処理するための装置、ソフトウェア及び方法 |
US7724929B2 (en) | 2005-10-17 | 2010-05-25 | Siemens Medical Solutions Usa, Inc. | System and method for myocardium segmentation in realtime cardiac MR data |
EP2041721B1 (en) * | 2006-07-05 | 2016-09-07 | Philips Intellectual Property & Standards GmbH | Prediction of cardiac shape by a motion model |
US7869664B2 (en) * | 2007-06-21 | 2011-01-11 | F. Hoffmann-La Roche Ag | Systems and methods for alignment of objects in images |
EP2238573A2 (en) * | 2008-01-31 | 2010-10-13 | Koninklijke Philips Electronics N.V. | Automatic 3-d segmentation of the short-axis late-enhancement cardiac mri |
JP5672147B2 (ja) * | 2011-05-24 | 2015-02-18 | コニカミノルタ株式会社 | 胸部診断支援情報生成システム |
-
2009
- 2009-01-26 EP EP09705273A patent/EP2238573A2/en not_active Withdrawn
- 2009-01-26 JP JP2010544828A patent/JP5438029B2/ja not_active Expired - Fee Related
- 2009-01-26 WO PCT/IB2009/050301 patent/WO2009095837A2/en active Application Filing
- 2009-01-26 CN CN2009801036281A patent/CN101933045B/zh active Active
- 2009-01-26 US US12/864,515 patent/US8509506B2/en active Active
- 2009-01-26 RU RU2010136336/08A patent/RU2503061C2/ru active
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240226A (zh) * | 2013-06-20 | 2014-12-24 | 上海联影医疗科技有限公司 | 一种心脏图像的配准方法 |
CN104240226B (zh) * | 2013-06-20 | 2017-12-22 | 上海联影医疗科技有限公司 | 一种心脏图像的配准方法 |
CN106910194A (zh) * | 2015-12-22 | 2017-06-30 | 上海联影医疗科技有限公司 | 心脏心功能磁共振图像中的心内外膜的分割方法 |
CN109886992A (zh) * | 2017-12-06 | 2019-06-14 | 深圳博脑医疗科技有限公司 | 用于分割mri图像中异常信号区的全卷积网络模型训练方法 |
CN109903269A (zh) * | 2019-01-24 | 2019-06-18 | 刘星宇 | 确定脊柱横断面图像的异常类型的方法及计算设备 |
Also Published As
Publication number | Publication date |
---|---|
US20100303328A1 (en) | 2010-12-02 |
WO2009095837A3 (en) | 2009-10-08 |
WO2009095837A2 (en) | 2009-08-06 |
CN101933045B (zh) | 2012-12-05 |
RU2503061C2 (ru) | 2013-12-27 |
JP2011510733A (ja) | 2011-04-07 |
EP2238573A2 (en) | 2010-10-13 |
JP5438029B2 (ja) | 2014-03-12 |
RU2010136336A (ru) | 2012-03-10 |
US8509506B2 (en) | 2013-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101933045B (zh) | 短轴后期增强心脏mri的自动3d分割 | |
Zheng et al. | 3-D consistent and robust segmentation of cardiac images by deep learning with spatial propagation | |
CN102138161B (zh) | 长轴后期增强心脏mri的分割 | |
JP6993334B2 (ja) | 自動化された心臓ボリュームセグメンテーション | |
Jolly | Automatic segmentation of the left ventricle in cardiac MR and CT images | |
EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
Huang et al. | An image-based comprehensive approach for automatic segmentation of left ventricle from cardiac short axis cine mr images | |
Mahapatra | Cardiac image segmentation from cine cardiac MRI using graph cuts and shape priors | |
Montagnat et al. | Anisotropic filtering for model-based segmentation of 4D cylindrical echocardiographic images | |
US10210612B2 (en) | Method and system for machine learning based estimation of anisotropic vessel orientation tensor | |
US8948484B2 (en) | Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition | |
Üzümcü et al. | Time continuous tracking and segmentation of cardiovascular magnetic resonance images using multidimensional dynamic programming | |
US20090202150A1 (en) | Variable resolution model based image segmentation | |
RU2669680C2 (ru) | Инициализация модели на основе классификации видов | |
Queiros et al. | Fast left ventricle tracking using localized anatomical affine optical flow | |
Kronman et al. | A geometric method for the detection and correction of segmentation leaks of anatomical structures in volumetric medical images | |
Lei et al. | Echocardiographic image multi‐structure segmentation using Cardiac‐SegNet | |
Lötjönen et al. | Evaluation of cardiac biventricular segmentation from multiaxis MRI data: a multicenter study | |
Böttger et al. | Application of a new segmentation tool based on interactive simplex meshes to cardiac images and pulmonary MRI data | |
Bersvendsen et al. | Semiautomated biventricular segmentation in three-dimensional echocardiography by coupled deformable surfaces | |
US10417764B2 (en) | System and methods for diagnostic image analysis and image quality assessment | |
Butakoff et al. | Left-ventricular epi-and endocardium extraction from 3D ultrasound images using an automatically constructed 3D ASM | |
Brandt et al. | Segmentation of echocardiographic image sequences using spatio-temporal information | |
Wan et al. | Variational reconstruction of left cardiac structure from CMR images | |
Dangi et al. | Automatic LV feature detection and blood-pool tracking from multi-plane TEE time series |
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 |