CN102007515B - 用于对肺动脉进行分割的方法和系统 - Google Patents

用于对肺动脉进行分割的方法和系统 Download PDF

Info

Publication number
CN102007515B
CN102007515B CN2009801136843A CN200980113684A CN102007515B CN 102007515 B CN102007515 B CN 102007515B CN 2009801136843 A CN2009801136843 A CN 2009801136843A CN 200980113684 A CN200980113684 A CN 200980113684A CN 102007515 B CN102007515 B CN 102007515B
Authority
CN
China
Prior art keywords
section
blood vessel
bronchus
subtree
identification
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
CN2009801136843A
Other languages
English (en)
Other versions
CN102007515A (zh
Inventor
T·B·比洛
R·维姆科
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 CN102007515A publication Critical patent/CN102007515A/zh
Application granted granted Critical
Publication of CN102007515B publication Critical patent/CN102007515B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20072—Graph-based image processing
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种识别肺动脉树(402)的至少部分的方法包括接收(102)支气管树结构(500)以及接收(104)肺血管结构(400)。识别(106)由第一支气管区段(602)和第一血管区段(604)组成的一对，其中，所述第一支气管区段和所述第一血管区段关于位置和取向而言是相邻的。将第一血管区段识别(108)为肺动脉树的动脉区段。应用(110)空间变换，使得第一支气管区段和第一血管区段基本上重合(602’)。识别(112)与支气管区段(610，612)相邻的其它相应血管区段(606，608)，其中，支气管区段包含在支气管树中。

Description

用于对肺动脉进行分割的方法和系统
技术领域
本发明涉及对肺动脉的分割，更具体而言涉及对肺动脉树的至少部分的分割。 
背景技术
多排探测器计算机断层摄影(MDCT)允许获取整个胸部的高分辨率数据。数据的质量允许对支气管以及肺动脉树进行评定。肺动脉树的提取是(例如)栓塞检测的重要预处理步骤。而且，在支气管树的定量评定中，伴行动脉树含有能够从MDCT数据提取的重要额外信息。因此，对于哮喘和肺气肿病人的诊断和治疗而言，对气管支气管树和伴行肺动脉树的同时评定是非常重要的。例如，内部支气管与伴行动脉的直径之比是临床实践当中对气道变窄和支气管扩张进行检测和定量测量的重要参数。 
在从MDCT数据提取肺血管树时，在区分肺动脉与静脉时可能会出现困难。例如，用于肺动脉的提取的基于种子点的区域扩展法受到遗漏到肺静脉中的影响。 
WO2006/085254公开了一种从3D医疗图像，例如，多片层CT数据，自动提取肺动脉树的方法。在这一方法中，通过确定血管的动脉性(arterialness)的局部测度将经分割的肺血管识别为动脉或静脉。该测度以局部支气管的取向与局部支气管的经分割的肺血管的取向之间的关系为基础。在将血管识别为肺动脉时，将其添加至肺动脉树。 
但是，在这种已知方法中，对肺动脉和肺静脉的分类有时会失败。 
发明内容
提供一种改进的对肺动脉树的至少部分进行分割的方法是有利的。为了更好地解决这一问题，本发明的第一方面给出了一种方法，其包括： 
接收指示支气管树结构的支气管区段的三维位置和取向的支气管树结构的数据表示； 
接收指示肺血管结构的肺血管区段的三维位置和取向的肺血管结构的数据表示； 
识别由支气管树结构的第一支气管区段和肺血管结构的第一血管区段(604)组成的一对，其中，第一支气管区段和第一血管区段关于位置和取向而言是相邻的； 
将第一血管区段识别为肺动脉树的动脉区段； 
对支气管树结构的至少部分和/或血管结构的至少部分应用空间变换，使得所述第一支气管区段和所述第一血管区段基本上重合； 
识别血管结构中与支气管树结构的相应支气管区段重合或相邻的其它(further)相应血管区段，其中，所述相应支气管区段包含在已被应用了变换的所述支气管树结构的至少部分中，并且/或者所述其它相应血管区段包含在已被应用了变换的血管结构的至少部分当中；以及 
将其它相应血管区段识别为肺动脉树的动脉区段。 
因为该变换，第一支气管区段和第一血管区段的附近的支气管区段和动脉区段能够得到更好的对准。因此，能够更容易地检测到由其它支气管区段和其它血管区段组成的其它相邻对。相对于WO 2006/085254中公开的方法而言，这是一种改进，在WO 2006/085254所公开的方法中，肺动脉和肺静脉的分类取决于局部图像属性，例如，一旦由于局部图像质量不够而遗漏了支气管区段，该分类就会失败。 
例如，如果给定了支气管树结构的表面模型，那么该变换允许将该表面模型叠加到血管结构上，从而为用于对肺动脉树进行分割的活动轮廓算法提供非常好的起点。 
备选地，能够在变换之后检测到由相邻支气管区段和血管区段组成的其它对。这些其它对可能引起其他的变换。优选按照这种方式从接近气管的支气管区段穿越支气管树结构，朝向更加远端的支气管区段继续进行，同时对支气管区段的相应子树应用适当的空间变换。这样，使支气管树结构和肺动脉树自适应地对准，这改进了肺动脉和肺静脉之间的分离。 
附图说明
将参考附图对本发明的这些和其他方面做进一步的阐释和描述，附图中： 
图1是图示识别肺动脉树的至少部分的方法的处理步骤的流程图； 
图2是用于识别肺动脉树的至少部分的系统的方框图； 
图3是支气管区段和相邻肺动脉区段的横截面的图示； 
图4A图示了肺血管结构； 
图4B图示了支气管树结构； 
图5图示了与支气管树结构相关的肺血管结构； 
图6A-6H图示了识别肺动脉树的部分的过程的若干阶段的各方面；并且 
图7是图示了用于实现识别肺动脉树的至少部分的系统的可能硬件架构的方框图。 
具体实施方式
对于哮喘和肺气肿患者的诊断和治疗而言，对气管支气管树和伴行肺动脉树的同时评定起着非常重要的作用。内部支气管直径与伴行动脉直径的比率是临床实践当中对气道变窄和/或支气管扩张进行检测和定量测量的重要参数。 
利用气管支气管树可以使从多片层CT数据的肺动脉树的提取自动化。在存在可用的支气管树和伴行动脉树的情况下，能够将这些树用于(例如)在虚拟支气管镜检查应用中的联合可视化。沿这两种树可以完全自动地测量支气管和动脉直径。可以在显示器中对这些半径的比率表现出异常值的位置做出标记，并提请放射科医师注意，以备进一步的评定。 
可以将这里描述的方法和系统实现为(例如)CT扫描器控制台、成像工作站或PACS工作站的软件选项。可以对所得结果进行可视化显示。这样的显示可以含有(例如)气管支气管树和肺动脉树的组合以及对潜在患病区域的指示。 
多排探测器计算机断层摄影(MDCT)允许获取整个胸部的高分辨率数据。所述数据的质量允许对支气管以及肺动脉树进行评定。肺动脉树的提取是用于(例如)栓塞检测的重要预处理步骤。而且，在支气管树的定量 评定中，伴行动脉树含有能够从MDCT数据提取的重要额外信息。 
在文献中给出了用于从多片层CT数据中提取肺血管树以及支气管树的方法。但是，用于肺动脉的提取的基于种子点的区域扩展法受到遗漏到肺静脉中的影响。由此，可能很容易将动脉和静脉的交叉误解为血管树的分支点。因此，由这些方法获得的血管树拓扑可能是不可靠的。 
通常，气管支气管树和肺血管树的分割是分别执行的，由此在分割结果中并非固有两种树之间的关系。 
有可能利用到这样的事实，即，肺动脉与支气管平行延伸，而接近支气管的肺静脉则倾向于与气道近乎直角交叉。可以通过这样一种方式利用该事实，即，对血管树区段进行搜索，寻找附近的、平行的支气管区段，并且只要发现伴行支气管就将血管区段识别为动脉。这一程序的缺点在于，对血管区段(其通常是血管树的基本呈线状的部分，而且其起始于血管树的一分支点而终止于下一分支点)的处置是独立于彼此进行的。由此，只要未发现支气管(可能例如由于图像噪声或分辨率不够而发生这种情况)，就可能将对应的动脉区段错误地识别为静脉。由于血管分割中的不精确，可能在医疗图像(例如，CT图像)中，将静脉和动脉连接起来，而在该处静脉和动脉实际上形成的是分离的结构。因此，最好不要将所检测到的动脉的动脉性质传播至相邻血管。 
可以考虑气管支气管树的子树的支气管区段，并将其匹配至血管树，而不是相互独立地评估血管区段。这允许检测血管结构的整个子树，其中，所述子树对应于所给出的支气管子树。然后，能够将这一整个的血管子树识别为动脉树的子树。 
图1A示出了图示可能在实施例中出现的处理步骤的流程图。尽管为了简化附图按照特定的顺序示出了这些处理步骤，但是有可能按照不同的顺序执行所述步骤。在步骤100中，(例如)通过用户命令开始所述过程，或者自动开始所述过程。例如，在借助于连接至计算机系统的CT装置执行数据获取时，自动进行过程的开始，而所述方法设计为借助于计算机系统执行。 
图4A、4B、图5和图6A-6H借助于肺树形结构和血管结构的草图图示了所述过程。将结合这些附图解释图1A的处理步骤。出于这一目的，将首 先提供对这些图的简要说明。 
图4A示出了肺血管结构400。优选在预处理步骤中已经对这一血管结构400进行了分割。但是，也可以在图1A的过程期间在运行中计算血管结构400。血管结构400包括肺动脉树402的至少部分和肺静脉树404的至少部分。由于用于对患者成像的图像扫描装置的不精确，所述方法可用的血管结构400可能未必完全正确。具体而言，在血管结构400中，在肺动脉402和肺静脉404之间可能出现连接，而这些连接实际上是不存在的。这些错误的连接可能导致难以准确地确定血管结构400的哪些部分属于肺动脉树402，以及血管结构400的哪些部分属于肺静脉树404。 
图4B图示了支气管树结构500。支气管树结构500优选更为可靠，因为其在不同的支气管之间不存在很多错误的连接。针对同一患者获得支气管树结构500和肺血管结构400。图5一起示出了结构400和500。可以看出，在图5中采用虚线示出了肺血管结构400，而采用实线示出了支气管树结构500。 
图6示出了识别肺动脉树402的至少部分的过程的若干阶段。借助于点线(例如在604处)表示所识别出的肺动脉树的部分。 
返回参考图1，当在步骤100中开始所述过程之后，所述过程继续进行。在步骤102中接收支气管树结构500的数据表示。这一数据表示指示了支气管树结构的支气管区段的三维位置和取向。例如，所述数据结构包括支气管树的中心线模型或者支气管树的表面模型。备选地或另外地，所述数据结构可以包括体素数据集，其中，已经对作为支气管树结构的部分的体素相应地做出了标记。可以表示支气管树结构的最为方便的方式是借助于为支气管的每一基本呈线状的部分定义了线段的3D坐标。但是，不应在限制的意义上解释该表示结构的方式。 
在步骤104中接收肺血管结构400的数据表示。这一数据表示指示了肺血管结构的肺血管区段的三维位置和取向。可以在这里重复在步骤102的语境下提及的关于支气管树结构的表示的内容，用于肺血管结构400的表示。本领域已知，还可以通过很多种不同的方式表示肺血管结构400。 
在步骤106中，识别由支气管树结构的支气管区段602和肺血管结构的血管区段604组成的一对。该支气管区段602和血管区段604的对就位 置和取向而言是相邻的。可以借助于相邻性测度评估这一相邻性，该相邻性测度可以是两个区段602和604的位置和方向的函数。可以通过评估支气管区段602上的任一点与血管区段604上的任一点之间的最小距离来比较所述位置。可以采用两个区段602和604的方向矢量的内积来比较所述方向。例如，可以使所述最小距离和所述内积的倒数相乘来获得相邻性测度。如果所述相邻性测度低于预定阈值，那么可以将这两个区段识别成一对。备选地，可以针对多个血管区段604和/或支气管区段602评估相邻性测度，所述相邻性测度的最小值将指示所识别出的对。 
在步骤108中，将血管区段604识别为肺动脉树的动脉区段。这里，利用肺动脉与支气管树相邻延伸的事实将血管区段识别为动脉区段。为了实现这样的识别步骤，可以使指示“动脉区段”的标记与血管区段604相关联。备选地，可以创建动脉区段的参考列表。另一种备选的做法是直接显示被识别为动脉区段的血管区段。考虑到本说明书和相关附图，更多的备选方案对于本领域技术人员而言是显而易见的。 
在步骤110中，将空间变换应用于支气管树结构的至少部分和/或血管结构的至少部分。如在602’处示出的，通过使支气管区段602和血管区段604基本上重合的方式执行这一或这些变换。因为刚性变换的相对简单性，所述空间变换优选是刚性变换。所述空间变换优选包括平移。所述空间变换任选包括平移和旋转，以在支气管区段602和血管区段604之间实现非常好的匹配。 
应当指出，出于清楚的原因，在图6中，在彼此的旁边绘制了支气管树和动脉树的重合部分(例如，参考602’处)。但是，当在实践中执行步骤110时，优选通过执行变换使得支气管区段602和动脉区段604尽可能实际重合。 
例如，步骤110包括识别支气管树结构的子树。这样的子树具有作为根的支气管区段602，并且包括比支气管区段602更加远离气管的支气管区段(例如，610和612)。然后，将空间变换至少应用于该子树，或者应用于围绕该子树的支气管区段的血管结构的血管。优选对支气管树的子树进行空间变换，而血管结构保持不变，因为支气管树的子树比围绕子树的支气管区段的血管结构更容易描绘。备选地，在对子树的支气管区段进行处 理的同时，对整个支气管树进行空间变换。在对子树的支气管区段处理之后，可以在对支气管树的可能的剩余部分的处理发生之前取消所述空间变换。 
在步骤112中，识别血管结构的其它相应血管区段(例如606、608)。这些其它血管区段与支气管树结构的相应支气管区段610、612重合或者相邻，其中，相应支气管区段610、612可能包含在已被应用了变换的支气管树结构的至少部分中。但是，如果已经对血管结构进行了变换，那么其它相应血管区段可能包含在已被应用了变换的血管结构的至少部分当中。例如，可以一个接一个地处理已被应用了变换的支气管树结构的部分的支气管区段。在处理支气管区段612时，如结合步骤106给出的描述那样搜索相邻的血管区段608。这一相邻的血管区段608是识别出的其它血管区段608。 
在步骤114中，将这些识别出的其它相应血管区段(例如608)识别为肺动脉树402的动脉区段。 
在步骤114末尾，在将步骤112中所识别出的所有其它血管区段识别为动脉区段时，就已经识别出了肺动脉树402的至少部分。 
在步骤130中，将所识别出的肺动脉树402用于例如对它的可视化，而不对静脉可视化。可以将肺动脉树402连同支气管树结构500一起显示。而且，由于所述过程已经识别出了数对支气管区段和肺动脉区段，因此可以使这些成对的区段相互比较。具体而言，可以使处于任何给定点的肺动脉的直径与相邻的支气管部分的直径进行比较。例如，可以计算这些两个直径的比率。之后，可以显示这一信息，并且可以在显示器上对这些比率的临床相关值进行高亮显示或者将其打印出来。 
图1B更为详细地图示了步骤112的几个实施例。在实施例中，支气管树结构500的数据表示包括支气管树结构500的表面模型。该表面模型包括(例如)三角形表面网孔。所述表面模型指示了支气管壁的三维形状。在步骤132中，可以确认支气管树结构500的表面模型是存在的，并且希望对肺动脉树402进行自适应表面建模。在这种情况下，执行步骤116。在步骤116中，采用基于表面模型的分割算法使用高、定向图像梯度作为吸引力使支气管树结构的表面模型适配到肺动脉树的表面模型。 
可以借助于活动表面变形算法(active surface deformationalgorithm)执行步骤116。由A.Saragaglia等人的文章“Airway wallthickness assessment：a new functionality in virtual bronchoscopyinvestigation”，SPIE Medical Imaging 2007，Proc.of SPIE，Vol.6511，65110P(下文称为：Saragaglia等人的文章)已知这样的算法。Saragaglia等人的文章在治疗跟进的背景下描述了以用于支气管壁的体积定量测量的自动化方案为目的的表面模型变形。将所述模型初始化成预先分割的支气管管腔边界；采用自适应变形过程将内侧气道壁的表面模型变换成气道壁的外表面的表面模型。作为外力，定义了梯度力，并且定义了气球力(balloon force)。本领域技术人员可以对Saragaglia等人的文章中描述的算法加以调整，以使其能够按照下文描述的方式找到肺动脉的表面模型。将所述自适应表面模型初始化成如在步骤110中那样进行了空间变换的支气管表面模型。可以采用梯度力作为外力，例如，如Saragaglia等人的文章中描述的那样省略气球力。由于血管边界具有比支气管壁大得多的图像梯度，在用于对血管建模时，梯度将表现出相对强的吸引力。本领域技术人员能够认识到可以应用不同种类的内力和外力将表面模型适配到肺动脉树，这是本领域技术人员公知的。对肺动脉建模的这种方法优点在于，采用支气管的表面模型作为患者特定模型来对所述自适应表面模型初始化。步骤110的空间变换(例如平移)确保了所初始化的表面模型接近肺动脉壁。通过这种方式获得了对自适应表面模型的高度可靠的初始化，由此能够得到对肺动脉树的高质量分割。在这种情况下，重要的是支气管树是用于肺动脉树的患者特定模型。在患者之间动脉树的变化通常过大，无法使用类属模型。 
在另一实施例中，可能不存在表面模型，或者可能希望采用另一种识别肺动脉的方式。因此，在步骤132中，可以确认希望采用另一种识别其它相应血管区段的方式。在该情况下，所述方法进行至步骤120-128。 
在步骤120中，在以支气管区段602作为根的子树内识别附接至支气管区段602的支气管区段610。支气管区段610附接至支气管区段602的含义是它们一端相连。 
在步骤122中，识别血管结构400的血管区段606，对于其而言，使得 所述血管区段606与支气管区段610重合或相邻。因为血管区段606的与支气管区段610的相邻性，将血管区段606识别为将在步骤114中被识别为肺动脉区段的其它相应血管区段中的一个。 
在步骤124中，识别支气管树结构的第二子树，使得这一子树具有支气管区段610作为根。 
在步骤126中，至少向在步骤124中识别出的子树应用另一空间变换，和/或至少向在步骤124中识别出的血管结构中所述子树的支气管区段周围的血管应用另一空间变换。以使支气管区段610和血管区段606基本重合的方式执行这一空间变换，如在610’处示意性指出的。所述空间变换优选是刚性变换，因为刚性变换有效率并且容易实施。这一空间变换优选包括围绕这样的点的旋转，在该点处第二支气管区段附接至第一支气管区段，因为在先前的变换中已经对后一点进行了校正，因此原则上只需对支气管区段610的取向校正。 
在步骤128中，识别血管结构的其它相应血管区段614，仅识别与第二子树的相应支气管区段612重合或相邻的其它血管区段614。 
在步骤134中，做出另一判定。在一些实施例中，只执行步骤120-128，跳过步骤116。但是，也可能向支气管树的表面模型的相应部分应用步骤126的变换，以便使表面模型得到步骤116的自适应表面模型的更好的初始化。因此，从步骤134，所述过程可以继续到步骤116，以执行自适应表面建模。备选地，从步骤134，所述过程直接进行至终止器136，并且所述过程继续到步骤114。 
应当理解，可以通过软件实现上述步骤。例如，可以提供含有识别肺动脉的至少部分的方法作为子例程的计算机程序产品。所述计算机程序产品可以是综合医疗成像软件套件。例如，所述计算机程序产品也可以是诸如CT扫描器或MRI扫描器的医疗成像装置的后台软件产品。 
图2图示了用于识别肺动脉树的至少部分的系统。所述系统包括用于借助于X射线扫描患者的CT扫描装置220。这样的CT扫描器是本领域已知的。优选采用多片层CT扫描器。将由存在于CT扫描装置220中的X射线探测器获取的原始数据传递至预处理单元222，其通过执行已知的计算机断层摄影计算对所述数据预处理，由此将得到体数据集。所述预处理单元222 也可以执行进一步的处理，例如，对肺血管结构和支气管树结构的分割。可以将这些结构存储在作为(例如)中心线模型和/或作为表面模型的数据表示当中，这是本领域公知的。因此，通过预处理单元222创建了指示支气管树结构的支气管区段的三维位置和取向的支气管树结构的数据表示。而且，还通过预处理单元222创建了指示肺血管结构的肺血管区段的三维位置和取向的肺血管结构的数据表示。将这些数据表示传递至子系统200。子系统200的输入202接收所述数据表示，并将它们存储在(例如)RAM存储器214内。注意，可以采用其他存储器，包括诸如ROM的永久性存储模块或磁盘存储模块。但是，为了实现处理的目的，最为方便的做法是使数据在RAM中可用。还要注意，其他架构设计也是可能的。 
所述系统包括相邻性评估器206，其访问存储器214，以识别由支气管树结构的第一支气管区段和肺血管结构的第一血管区段组成的一对，其中，所述第一支气管区段和第一血管区段就位置和取向而言是相邻的。 
所述系统包括识别模块208，其访问存储器214，用于将第一血管区段识别为肺动脉树的动脉区段。 
所述系统包括变换器210，其访问存储器214，用于向支气管树结构的至少部分和/或血管结构的至少部分应用空间变换，使得所述第一支气管区段和第一血管区段基本重合。 
可以将所述相邻性评估器206布置用于识别与支气管树结构的相应支气管区段重合或相邻的血管结构的其它相应血管区段，其中，所述各支气管区段包含在已被应用了变换的支气管树结构的至少部分中，并且/或者其它相应血管区段包含在已被应用了变换的血管结构的至少部分中。可以将识别模块208布置用于将其它相应血管区段识别为肺动脉树的动脉区段。 
可以将来自部件206-210的结果存储在存储器214中。呈现单元212从存储器214检索被识别为肺动脉树的动脉区段的血管区段，并创建所述血管区段的用于显示在显示单元224上的图形表示。所述图形表示还可以包括支气管树的图形表示。此外，呈现单元212可以计算局部肺动脉和对应的局部支气管的管截面的比率，并在显示器224上显示结果，优选对异常值和/或与疾病相关的值高亮显示。 
本发明的实施例包括一种将在下文中描述的方法。在第一步骤中，从 图像中提取支气管树结构和肺血管结构。可以采用现有的算法提取支气管树以及肺血管树。例如，可以在Bülow等人的文章中以及T. 
Figure BPA00001245331900111
等人的文章“Simultaneous segmentation and tree reconstruction ofthe airways for virtual bronchoscopy”，SPIE Medical Imaging，Proceedings of SPIE Vol.4684，pp.103-113(2002)中找到这样的算法。还存在其他公开发表的方法。应当指出，所提取的肺血管结构可能没有正确地表示动脉树结构，因为将动脉与静脉分离是很困难的，而且因为在所提取的肺血管结构当中，静脉可能连接到了动脉上，而实际上所述静脉只是与所述动脉相互交叉而没有连接。 
支气管树和动脉树的大的部分是平行延伸的。但是，树的根和支气管树的第一大分支通常不与动脉树平行延伸。所以，在第二步骤中，识别与动脉树的对应子树平行延伸的支气管树的最大子树。为了实现这一子树的识别，检查血管区段的附近，以找到与所述血管区段平行的支气管区段。可以基本上如Bülow等人的文章中的描述的那样执行这一步骤。可以对血管树的所有线状区段执行这一步骤。这一点是通过首先估计被研究的血管区段的血管取向完成的。这可以通过计算结构张量及其本征矢量来实现。在计算血管取向之后，搜索血管及其周围的截面平面，寻找支气管的截面。 
图3示出了这样的截面平面。该图示出了血管截面302(白色)和伴行的支气管截面304(黑色，以内部的白色“+”符号为标记)。 
如果已经识别出了支气管的截面，还要估计该支气管的取向。将血管区段的取向与支气管的取向进行比较(例如通过计算对应于两个取向的两个归一化的方向矢量的内积)，以获得平行度。如果平行度高于某一阈值，那么将该血管区段识别为属于该伴行支气管区段的动脉区段。 
在将血管区段识别为属于伴行支气管区段的动脉区段时，该伴行支气管区段就是与动脉树的子树平行延伸的支气管树的子树的候选区段。但是，也可能是这种情况，即，候选子树属于与动脉树的子树平行延伸的更大的支气管树的子树。因此，还检查该支气管子树的母区段，以寻找平行的血管区段，其中，该母区段是将支气管子树连接至支气管树的其余部分的支气管区段。如果结果该母区段也被识别为与对应的动脉区段平行延伸，那么以该母区段作为根的子树将替代先前识别的子树。应当理解所述支气管 树的子树包括根(与气管最近的支气管区段)和比根离气管远的连接至根的所有支气管区段。 
继续该过程，直到抵达不具有与其平行延伸并且与其接近的血管区段的母区段为止。不再扩大当前的子树。通常以所描述的方式能够识别出不只一个子树。 
但是，也可以采用其他算法确认支气管树的子树。例如，可以从支气管树的一个或多个根开始，并沿支气管树进行，直到找到这样的支气管区段为止，该支气管区段具有与其接近并且平行的血管区段。将该支气管区段的子树识别为所识别的子树中的一个，在这一阶段不必须要评估所识别出的子树中的支气管区段。继续这一过程，直到支气管树的所有支气管区段都已被评估或者被识别为所识别的子树的部分为止。 
通过将支气管树的所识别的子树匹配至血管树，识别出动脉子树。可以将表面模型或者中心线模型，或者将二者用于这一目的。在两种情况下，通过在对应的动脉血管区段上移动支气管树模型的根来对所述表面模型或中心线模型初始化。 
在采用中心线模型时，可以遵循下述程序。如上所述，对于支气管子树的根区段而言，已经识别出了对应的血管区段。 
在迭代过程中，从支气管子树的根开始，逐一包含子树的下一代，由此将相应支气管区段匹配至与之相邻的血管结构的相应部分。将血管结构的这些经匹配的相应部分识别为肺动脉树的部分。一开始，将支气管子树根区段定位到它的对应血管区段之上，该血管区段由此被识别为动脉区段。接下来，研究该支气管根区段的两个子区段的附近，以找到相邻的血管区段。这些相邻的血管区段也被识别为动脉树的部分。可以对新识别出的支气管区段及它们的子树实施变换，以与对应的相邻动脉区段匹配。通过将越来越多的支气管树的远端的代包含到该匹配程序当中来重复该程序，直到使整个支气管树已匹配至血管结构的部分为止。将未能与相邻支气管区段匹配的其余血管区段归类为静脉区段。最终结果是将所述血管结构分离成动脉树和静脉树。备选地，可以采用基于表面模型的分割算法(例如Saragaglia等人的文章中描述的方法的适当修改形式)将支气管(子)树的表面模型变换成同一患者的肺动脉(子)树的表面模型。可以采用高、 定向的图像梯度作为吸引力对将表面模型适配到血管树。实际上，采用支气管树的表面模型作为肺动脉树的患者特定模型。 
例如，通过首先执行基于中心线模型的算法，接下来按照与对支气管树的子树实施变换所采用的相同的方式对支气管树的表面模型的子树实施变换，由此可以将基于中心线模型的算法与基于表面模型的算法结合起来。这样，表面模型的形状将更加接近地遵循肺动脉的形状，这提供了基于表面模型的算法的更好的初始表面模型。 
在得到可用的支气管树和伴行动脉树之后，可以在(例如)虚拟支气管镜检查应用中将这些树用于联合可视化。可以在分割期间沿两种树完全自动地测量支气管和对应的动脉直径。可以在显示器中对这些直径的比率表现出异常值的位置做出标记，并指示出以用于由放射科医师的进一步的评定。 
图7图示了适于以软件实施文中描述的方法和系统的示例硬件架构。提供存储器706，例如，辅以硬盘的RAM存储器来存储数据、软件代码和计算结果。软件代码包括可以由处理器702执行的计算机可读指令。提供通信端口708，用于与其他装置交换数据，例如，可以经由通信端口708检索图像数据。例如，可以将通信端口708连接至诸如LAN或无线网络的网络，或者可以将通信端口708直接连接至CT扫描器或PACS系统。可以经由可移除介质装置710，例如，DVD盘获得数据。用户借助于用户输入装置704控制系统。例如，用户输入装置704可以包括键盘和/或鼠标。借助于适于显示可能的将经由用户输入装置704来选择的命令的显示器712增强用户交互。显示器712还用来显示计算的结果，例如，经分割的肺动脉树连同支气管树的可视化。 
应当认识到，本发明还扩展至适于将本发明投入实践的计算机程序，尤其是在载体上或载体内的计算机程序。所述程序可以具有以下形式：源代码、目标代码、诸如部分编译形式的介于源代码和目标代码之间的代码或者适于用在根据本发明的方法的实现中的任何其他形式。还应当认识到，这样的程序可以具有很多种不同的架构设计。例如，可以将用于实现根据本发明的方法或系统的功能性的程序代码细分为一个或多个子例程。对于本领域技术人员而言显然存在很多种不同的方式在这些子例程之间分配所 述功能性。可以将子例程一起存储在一个可执行文件中，以形成自包含程序。这样的可执行文件可以包括计算机可执行指令，例如，处理器指令和/或解释器指令(例如，Java解释器指令)。备选地，可以将子例程中的一个或多个或者所有子例程存储在至少一个外部库文件中，并使其(例如在运行期)与主程序静态或动态链接。主程序含有对子例程的中的至少一个的至少一个调用。而且，子例程还可以包括相互的函数调用。与计算机程序产品相关的实施例包括与所阐述的方法中的至少一个的每个处理步骤对应的计算机可执行指令。可以将这些指令细分为子例程，和/或将这些指令存储到一个或多个可被静态或动态链接的文件当中。与计算机程序产品相关的另一实施例包括与所阐述的系统和/或产品中的至少一个的每个模块对应的计算机可执行指令。可以将这些指令细分为子例程，和/或将这些指令存储到一个或多个可以被静态或动态链接的文件当中。 
计算机程序的载体可以是任何能够承载程序的实体或装置。例如，所述载体可以包括存储介质，例如，诸如CDROM或半导体ROM的ROM或者诸如软盘或硬盘的磁记录介质。此外，载体还可以是可以经由电缆或光缆或者通过无线电或其他模块传送的诸如电或光信号的可传输载体。当程序体现在这样的信号中时，所述载体可以由这样的线缆或者其他装置或模块构成。备选地，所述载体可以是嵌入了程序的集成电路，所述集成电路适于执行相关方法或者适于在相关方法的执行中使用。 
应当注意，上述实施例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偏离所附权利要求的范围的情况下设计出很多备选的实施例。在权利要求中，不应当将任何放置在括号内的参考标记解读为限制所述权利要求。动词“包括”及其词形变化的使用不排除存在权利要求中陈述的元件或步骤以外的元件或步骤。元件前的冠词“一”或“一个”不排除存在多个这样的元件。可以借助于包括几个分立元件的硬件，也可以借助于适当编程的计算机实现本发明。在列举了几个模块的装置权利要求中，可以通过同一件硬件体现这些模块中的几个。在互不相同的从属权利要求中陈述某些措施不表示不能有利地采用这些措施的组合。 

Claims (8)

1.一种识别肺动脉树(402)的至少部分的方法，包括：
接收(102)指示支气管树结构(500)的支气管区段的三维位置和取向的所述支气管树结构的数据表示；
接收(104)指示肺血管结构(400)的肺血管区段的三维位置和取向的所述肺血管结构的数据表示；
识别(106)由所述支气管树结构的第一支气管区段(602)和所述肺血管结构的第一血管区段(604)组成的一对，其中，所述第一支气管区段和所述第一血管区段关于位置和取向是相邻的；
将所述第一血管区段识别(108)为肺动脉树的动脉区段；
对所述支气管树结构的至少部分和/或所述肺血管结构的至少部分应用(110)空间变换，使得所述第一支气管区段和所述第一血管区段基本上重合(602′)；
识别(112)所述肺血管结构中与所述支气管树结构的相应支气管区段(610，612)重合或相邻的其它相应血管区段(606，608)，其中，所述相应支气管区段包含在已被应用了所述变换的所述支气管树结构的至少部分中，并且/或者所述其它相应血管区段包含在已被应用了所述变换的所述肺血管结构的至少部分中；以及
将所述其它相应血管区段识别(114)为所述肺动脉树的动脉区段；
其中，应用(110)所述空间变换的步骤包括识别所述支气管树结构的子树，所述子树以所述第一支气管区段作为根，所述子树包括比所述第一支气管区段更加远离气管的支气管区段，其中，至少向所述子树或者向所述肺血管结构中在所述子树的所述支气管区段周围的血管应用所述空间变换；并且
其中，识别(112)其它相应血管区段的步骤包括：
识别(120)在所述子树内并附接至所述第一支气管区段(602)的第二支气管区段(610)；
识别(122)所述肺血管结构中与所述第二支气管区段重合或相邻的第二血管区段(606)，其中，所述第二血管区段是所述其它相应血管区段中的一个；
识别(124)所述支气管树结构的第二子树，所述第二子树以所述第二支气管区段作为根；
至少向所述第二子树和/或至少向所述肺血管结构中在所述子树的所述支气管区段周围的血管应用(126)第二空间变换，使得所述第二支气管区段和所述第二血管区段基本上重合(610′)；以及
识别(128)所述肺血管结构中与所述第二子树的相应支气管区段(612)重合或相邻的其它相应血管区段(614)。
2.根据权利要求1所述的方法，其中，所述支气管树结构的所述数据表示包括所述支气管树结构的表面模型，并且其中，识别其它相应血管区段的步骤包括采用(116)基于表面模型的分割算法，以使用高、定向的图像梯度作为吸引力将所述支气管树结构的所述表面模型适配到所述肺动脉树的表面模型中。
3.根据权利要求1所述的方法，其中，所述第二空间变换包括围绕穿过这样的点的轴的旋转，在该点处所述第二支气管区段附接至所述第一支气管区段，其中，对所述轴和旋转角度加以选择，使得所述第二支气管区段和所述第二血管区段在所述旋转后基本上重合。
4.根据权利要求1所述的方法，其中，所述空间变换包括平移。
5.一种识别肺动脉树(402)的至少部分的装置，包括：
用于接收(102)指示支气管树结构(500)的支气管区段的三维位置和取向的所述支气管树结构的数据表示的模块；
用于接收(104)指示肺血管结构(400)的肺血管区段的三维位置和取向的所述肺血管结构的数据表示的模块；
用于识别(106)由所述支气管树结构的第一支气管区段(602)和所述肺血管结构的第一血管区段(604)组成的一对的模块，其中，所述第一支气管区段和所述第一血管区段关于位置和取向是相邻的；
用于将所述第一血管区段识别(108)为肺动脉树的动脉区段的模块；
用于对所述支气管树结构的至少部分和/或所述肺血管结构的至少部分应用(110)空间变换，使得所述第一支气管区段和所述第一血管区段基本上重合(602′)的模块；
用于识别(112)所述肺血管结构中与所述支气管树结构的相应支气管区段(610，612)重合或相邻的其它相应血管区段(606，608)的模块，其中，所述相应支气管区段包含在已被应用了所述变换的所述支气管树结构的至少部分中，并且/或者所述其它相应血管区段包含在已被应用了所述变换的所述肺血管结构的至少部分中；以及
用于将所述其它相应血管区段识别(114)为所述肺动脉树的动脉区段的模块；
其中，用于应用(110)所述空间变换的模块包括用于识别所述支气管树结构的子树的模块，所述子树以所述第一支气管区段作为根，所述子树包括比所述第一支气管区段更加远离气管的支气管区段，其中，至少向所述子树或者向所述肺血管结构中在所述子树的所述支气管区段周围的血管应用所述空间变换；并且
其中，用于识别(112)其它相应血管区段的模块包括：
用于识别(120)在所述子树内并附接至所述第一支气管区段(602)的第二支气管区段(610)的模块；
用于识别(122)所述肺血管结构中与所述第二支气管区段重合或相邻的第二血管区段(606)的模块，其中，所述第二血管区段是所述其它相应血管区段中的一个；
用于识别(124)所述支气管树结构的第二子树的模块，所述第二子树以所述第二支气管区段作为根；
用于至少向所述第二子树和/或至少向所述肺血管结构中在所述子树的所述支气管区段周围的血管应用(126)第二空间变换，使得所述第二支气管区段和所述第二血管区段基本上重合(610′)的模块；以及
用于识别(128)所述肺血管结构中与所述第二子树的相应支气管区段(612)重合或相邻的其它相应血管区段(614)的模块。
6.一种对肺动脉树的至少部分进行分割的系统，包括：
输入(202)，用于接收指示支气管树结构的支气管区段的三维位置和取向的所述支气管树结构的数据表示，并且用于接收指示肺血管结构的肺血管区段的三维位置和取向的所述肺血管结构的数据表示；
相邻性评估器(206)，用于识别由所述支气管树结构的第一支气管区段和所述肺血管结构的第一血管区段组成的一对，其中，所述第一支气管区段和所述第一血管区段关于位置和取向是相邻的；
识别模块(208)，用于将所述第一血管区段识别为所述肺动脉树的动脉区段；以及
变换器(210)，用于向所述支气管树结构的至少部分和/或所述肺血管结构的至少部分应用空间变换，使得所述第一支气管区段和所述第一血管区段基本上重合；
其中，所述相邻性评估器(206)被布置用于识别所述肺血管结构中与所述支气管树结构的相应支气管区段重合或相邻的其它相应血管区段，其中，所述相应支气管区段包含在已被应用了所述变换的所述支气管树结构的至少部分中，并且/或者所述其它相应血管区段包含在已被应用了所述变换的所述肺血管结构的至少部分中；并且
其中，所述识别模块(208)被布置用于将所述其它相应血管区段识别为所述肺动脉树的动脉区段；
其中，用于应用(110)所述空间变换的应用模块被布置用于识别所述支气管树结构的子树，所述子树以所述第一支气管区段作为根，所述子树包括比所述第一支气管区段更加远离气管的支气管区段，其中，至少向所述子树或者向所述肺血管结构中所述子树的所述支气管区段周围的血管应用所述空间变换；并且
其中，用于识别(112)其它相应血管区段的所述识别模块被布置用于：
识别(120)在所述子树内并附接至所述第一支气管区段(602)的第二支气管区段(610)；
识别(122)所述肺血管结构中与所述第二支气管区段重合或相邻的第二血管区段(606)，其中，所述第二血管区段是所述其它相应血管区段中的一个；
识别(124)所述支气管树结构的第二子树，所述第二子树以所述第二支气管区段作为根；
至少向所述第二子树和/或至少向所述肺血管结构中所述子树的所述支气管区段周围的血管应用(126)第二空间变换，使得所述第二支气管区段和所述第二血管区段基本上重合(610′)；以及
识别(128)所述肺血管结构中与所述第二子树的相应支气管区段(612)重合或相邻的其它相应血管区段(614)。
7.一种CT扫描器(220)，其包括根据权利要求6所述的系统。
8.根据权利要求6所述的系统，还包括显示单元(224)，其用于将支气管树与所识别出的所述肺动脉树的动脉区段一起显示。
CN2009801136843A 2008-04-18 2009-04-14 用于对肺动脉进行分割的方法和系统 Active CN102007515B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP08154768.9 2008-04-18
EP08154768 2008-04-18
PCT/IB2009/051542 WO2009128020A1 (en) 2008-04-18 2009-04-14 Segmenting pulmonary arteries

Publications (2)

Publication Number Publication Date
CN102007515A CN102007515A (zh) 2011-04-06
CN102007515B true CN102007515B (zh) 2013-06-12

Family

ID=40825268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009801136843A Active CN102007515B (zh) 2008-04-18 2009-04-14 用于对肺动脉进行分割的方法和系统

Country Status (6)

Country Link
US (1) US8805044B2 (zh)
EP (1) EP2279491B1 (zh)
JP (1) JP5571654B2 (zh)
CN (1) CN102007515B (zh)
AT (1) ATE544133T1 (zh)
WO (1) WO2009128020A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5701138B2 (ja) * 2011-04-19 2015-04-15 富士フイルム株式会社 医用画像処理装置および方法、並びにプログラム
US9014449B2 (en) 2011-10-04 2015-04-21 Siemens Aktiengesellschaft Method and system for segmentation and removal of pulmonary arteries, veins, left atrial appendage
JP6085366B2 (ja) 2012-05-31 2017-02-22 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 画像誘導手順用の超音波撮像システム及びその作動方法
JP6636500B2 (ja) 2014-04-15 2020-01-29 ４ディーエックス リミテッド イメージング方法
CN105574882B (zh) * 2015-12-30 2018-08-10 中国科学院深圳先进技术研究院 基于胸部横断面ct图像的肺部分割提取方法及系统
US11723617B2 (en) 2016-02-03 2023-08-15 4DMedical Limited Method and system for imaging
CN109414218B (zh) 2016-03-04 2022-09-23 肆迪医疗有限公司 成像方法及系统
US20190069953A1 (en) * 2017-09-06 2019-03-07 Biosense Webster (Israel) Ltd. Method and apparatus for enhancement of bronchial airways representations using vascular morphology
US11224392B2 (en) 2018-02-01 2022-01-18 Covidien Lp Mapping disease spread
EP3792870A1 (en) 2019-09-12 2021-03-17 Siemens Healthcare GmbH Method and device for automatic determination of the change of a hollow organ
CN110738652B (zh) * 2019-10-17 2023-08-11 青岛海信医疗设备股份有限公司 一种肺部动静脉分离方法及装置
EP3968271A1 (de) 2020-09-11 2022-03-16 Bayer AG Analyse intrapulmonaler verzweigungen
CN112861961B (zh) * 2021-02-03 2021-11-12 推想医疗科技股份有限公司 肺血管分类方法及装置、存储介质及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1252437A (zh) * 1999-09-23 2000-05-10 中国科学院力学研究所 双轴旋转式细胞/组织三维培养器
CN1386478A (zh) * 2001-05-23 2002-12-25 中国科学院化学研究所 组织工程用复合结构细胞支架及其制法和用途

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1317715A1 (en) * 2000-08-04 2003-06-11 Infoglide Corporation System and method for comparing heterogeneous data sources
FR2844899B1 (fr) 2002-09-23 2005-03-11 Inst Nat Des Telecommunication Procede et dispositif de modelisation et de reconstruction des voies aeriennes d'un patient
US7822461B2 (en) * 2003-07-11 2010-10-26 Siemens Medical Solutions Usa, Inc. System and method for endoscopic path planning
CA2449080A1 (en) * 2003-11-13 2005-05-13 Centre Hospitalier De L'universite De Montreal - Chum Apparatus and method for intravascular ultrasound image segmentation: a fast-marching method
US7599535B2 (en) * 2004-08-02 2009-10-06 Siemens Medical Solutions Usa, Inc. System and method for tree-model visualization for pulmonary embolism detection
US8233681B2 (en) * 2004-09-24 2012-07-31 The University Of North Carolina At Chapel Hill Methods, systems, and computer program products for hierarchical registration between a blood vessel and tissue surface model for a subject and a blood vessel and tissue surface image for the subject
CN101065771B (zh) 2004-11-23 2011-05-18 皇家飞利浦电子股份有限公司 支气管树的平面角显像
WO2006085254A1 (en) 2005-02-11 2006-08-17 Koninklijke Philips Electronics N.V. Method of automatic extraction of the pulmonary artery tree from 3d medical images
US7646903B2 (en) * 2005-06-22 2010-01-12 Siemens Medical Solutions Usa, Inc. System and method for path based tree matching
US20070217665A1 (en) 2006-02-13 2007-09-20 Siemens Corporate Research, Inc. System and Method For Image-Based Tree Matching And Registration
US7480400B2 (en) * 2006-03-16 2009-01-20 Siemens Medical Solutions Usa, Inc. Detection of fiber pathways
US8532356B2 (en) * 2006-07-10 2013-09-10 Siemens Medical Solutions Usa, Inc. Method for automatic separation of segmented tubular and circular objects
EP2358269B1 (en) * 2007-03-08 2019-04-10 Sync-RX, Ltd. Image processing and tool actuation for medical procedures
US8150113B2 (en) * 2008-01-23 2012-04-03 Carestream Health, Inc. Method for lung lesion location identification
JP5478328B2 (ja) * 2009-09-30 2014-04-23 富士フイルム株式会社 診断支援システム、診断支援プログラムおよび診断支援方法
JP4914517B2 (ja) * 2009-10-08 2012-04-11 富士フイルム株式会社 構造物検出装置および方法ならびにプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1252437A (zh) * 1999-09-23 2000-05-10 中国科学院力学研究所 双轴旋转式细胞/组织三维培养器
CN1386478A (zh) * 2001-05-23 2002-12-25 中国科学院化学研究所 组织工程用复合结构细胞支架及其制法和用途

Also Published As

Publication number Publication date
WO2009128020A1 (en) 2009-10-22
EP2279491B1 (en) 2012-02-01
US20110051885A1 (en) 2011-03-03
JP2011519590A (ja) 2011-07-14
EP2279491A1 (en) 2011-02-02
ATE544133T1 (de) 2012-02-15
JP5571654B2 (ja) 2014-08-13
CN102007515A (zh) 2011-04-06
US8805044B2 (en) 2014-08-12

Similar Documents

Publication Publication Date Title
CN102007515B (zh) 用于对肺动脉进行分割的方法和系统
US10079071B1 (en) Method and system for whole body bone removal and vascular visualization in medical image data
US8867822B2 (en) Model-based coronary artery calcium scoring
EP1851722B1 (en) Image processing device and method
Cetin et al. Vessel tractography using an intensity based tensor model with branch detection
US8150113B2 (en) Method for lung lesion location identification
JP5701138B2 (ja) 医用画像処理装置および方法、並びにプログラム
US8761473B2 (en) Tree structure creation apparatus, method and program
CN103501699B (zh) 用于隔离成像数据中的潜在异常的方法和装置和其对医学图像的应用
US20120083696A1 (en) Apparatus, method and medium storing program for reconstructing intra-tubular-structure image
US20110142320A1 (en) Systems and Methods for Computer Aided Diagnosis and Decision Support in Whole-Body Imaging
CN105103163A (zh) 血管内图像中的多模态分割
JP2013154037A (ja) 手術支援装置、手術支援方法および手術支援プログラム
US8422753B2 (en) Method and system for automatic extraction of personalized left atrium models
US9198603B2 (en) Device, method and program for searching for the shortest path in a tubular structure
WO2013061548A1 (ja) 画像処理装置および方法並びにプログラム
US8050470B2 (en) Branch extension method for airway segmentation
Shen et al. Branch: Bifurcation recognition for airway navigation based on structural characteristics
Ma et al. A coronary artery segmentation method based on region growing with variable sector search area
US20220092786A1 (en) Method and arrangement for automatically localizing organ segments in a three-dimensional image
Jeon et al. Maximum a posteriori estimation method for aorta localization and coronary seed identification
Pluempitiwiriyawej et al. Active contours with automatic initialization for myocardial perfusion analysis
CN103218800B (zh) 用于自动肋骨中心线提取的方法和设备
김지혜 Locally Adaptive 2D-3D Registration using Vascular Structure Model for Liver Catheterization

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