CN102067170A - 在存在金属伪影的情况下用于分割的不确定性图 - Google Patents

在存在金属伪影的情况下用于分割的不确定性图 Download PDF

Info

Publication number
CN102067170A
CN102067170A CN200880104577XA CN200880104577A CN102067170A CN 102067170 A CN102067170 A CN 102067170A CN 200880104577X A CN200880104577X A CN 200880104577XA CN 200880104577 A CN200880104577 A CN 200880104577A CN 102067170 A CN102067170 A CN 102067170A
Authority
CN
China
Prior art keywords
model
image
patient image
metal
patient
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
CN200880104577XA
Other languages
English (en)
Inventor
T·克勒
H·施米特
H·舒尔茨
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
Priority to CN201611070118.7A priority Critical patent/CN106920246B/zh
Publication of CN102067170A publication Critical patent/CN102067170A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • 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
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image 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
    • G06T2207/10081—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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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
    • G06T2207/30052—Implant; Prosthesis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Optics & Photonics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

当在3D患者图像(80)上执行基于模型的分割时，检测由患者体内的金属引起的在患者图像(80)中的金属伪影，并执行金属伪影降低技术以通过在伪影区域中插值投影数据来降低所述伪影。使用插值数据以生成对于图像中受伪影影响的体素的不确定性图，并将网格模型(78)与图像进行匹配以便于对其进行分割。根据与图像(80)中的一个或多个体素相关联的不确定性对所施加的用于推和拉所述模型(78)的内能和外能进行加权。迭代地，求解能量和相应权重的数学表示以描述更紧密地对准图像(80)的经更新的模型形状。

Description

在存在金属伪影的情况下用于分割的不确定性图
本发明具体应用于基于模型的分割系统，尤其涉及自适应对象成像。然而，应当理解所描述的技术也可应用于其他对象成像系统、其他图像自适应情况或其他医学技术。
诸如髋关节置换物或牙科填充物的金属植入物是CT成像过程中严重伪影的来源。主要的和不期望的影响是金属植入物引起射束硬化，其引起靠近金属并从所述金属发射的亮暗阴影。金属伪影妨碍正确诊断，以及自动或半自动器官分割。金属伪影降低方法可以改进针对观察者的对象图像质量。不考虑可见改进，这些方法通常基于伪影体素的移除以及通过临近体素的插值进行的置换，这引入附加的不确定性，使得不能保证由该方法恢复原始结构。另外，在金属伪影降低之后，结构通常不明确，并且可能会不期望地引入其他结构。这为自动器官分割强加了另一个阻碍。
图像重建和/或分割可能有害地受患者体内的金属影响。在基于模型的重建的一个示例中，将器官的网格模型重叠在诊断图像或诊断数据上。两个反作用力——模型试图通过其来保持自身形状的内能和驱使模型朝向诊断图像中的界面或表面的外能，以相反的方向同时作用将模型带到器官的形状。虽然当器官的边缘在图像中被确切限定时基于模型的分割令人满意，但是当存在的伪影退化(例如上面所讨论的金属伪影)时，会出现问题。即：患者体内的金属物(例如，销、螺钉、髋关节置换物、填充物等)生成诸如线条的伪影，其使得图像细节模糊，增加与器官表面的精确定位有关的不确定性。
本申请提供了新的和改进的基于模型的、说明与被金属伪影模糊的图像数据相关的不确定性的分割系统和方法，其克服了上述提到的问题以及其他问题。
根据一方面，提供用于在存在金属伪影的情况下用于图像分割的系统的系统，其包括模型生成器以及体素分析器，所述模型生成器接收患者图像数据并存储解剖结构的经训练的模型，所述体素分析器确定金属伪影是否存在于患者图像数据中的一个或多个体素中。系统还包括处理器以及分割工具，所述处理器执行金属伪影降低算法并生成具有合并于其中的对于从患者图像数据生成的患者图像的经校正的体素数据的不确定性图，所述分割工具对对应于患者图像的解剖结构的经训练的模型进行匹配并使用基于模型的分割技术分割患者图像并对由处理器导出的不确定性进行评估。
根据另一方面，提供用于执行基于模型的分割的方法，其包括生成包括金属物的患者区域的患者图像，生成指示患者图像中由于金属物的重建伪影导致的部分的不确定性的患者图像的不确定性图，并且当使用基于模型的分割对取代金属物的患者图像部分进行分割时采用不确定图像。
根据另一方面，提供便于使用不确定性图进行基于模型的分割的装置，其包括用于生成患者图像数据的器件、用于将患者图像数据重建为3D患者图像的器件，以及用于检测在3D患者图像的一个或多个体素中的金属伪影的器件。所述装置还包括用于生成具有降低金属伪影的插值数据的不确定性图的器件，用于对与网格模型的表面区域相关联的特征进行加权的器件，以及使用基于模型的分割对3D患者图像进行分割以将所述网格模型与3D患者图像进行匹配的器件。
根据另一方面，提供执行基于模型的分割的方法，其包括生成对象的器官或区域的诊断图像，所述诊断图像具有金属伪影；选择所成像的器官或区域的模型；以及在模型上施加驱使模型保持其原始形状的第一力。该方法还包括在模型上施加驱使模型变形至与诊断图像中的对应界面对准的第二力，以及，基于图像体素，根据金属伪影的程度的调整第一和第二力，使得对于具有较高程度的金属伪影的体素第一力的幅度相对于第二力增加，并且对于具有较低程度的金属伪影的体素第二力的幅度相对于第一力增加。
另外一方面涉及用于在存在金属伪影的情况下用于图像分割的系统，其包括接收患者图像数据并存储解剖结构的经训练的模型的模型生成器，确定金属伪影是否存在于患者图像数据中的一个或多个体素中的体素分析器，以及在不改变患者图像数据的情况下生成不确定性图的处理器。所述系统还包括分割工具，所述分割工具对对应于患者图像的解剖结构的经训练的模型进行匹配，并使用基于模型的分割技术分割患者图像并对由处理器导出的不确定性进行评估。
一个优势在于提高了图像分割精确度。
另一个优势在于减轻了在所分割图像中的金属伪影失真。
另一个优势在于降低了将模型变形至图像所消耗的总能量，这改善了处理速度。
本领域的普通技术人员在阅读并理解下述详细描述之后将理解本发明主题的其他优势。
本发明将采用各个部件和部件的布置、以及各个步骤和步骤的布置的形式。附图仅用于说明各方面的目的，而不应被理解为限制本发明。
图1示出了根据图像中的体素被金属伪影污染的可能性调整施加用于对图像进行变形的外能的系统；
图2示出了具有两个植入物的髋部的图像，以及诸如可以由体素分析器生成的不确定性图；
图3示出了与金属伪影降低方法一起应用于图2的示例的技术的示例；
图4示出了基于模型的分割的基本原理的图示；
图5为图像的经分割的图像自适应以及使用将模型向内推入以使模型适应图像的外力的经训练的模型的示例；
图6示出了模型的特征以及他们与描绘出相应特征的内能的图像的特征的关联；
图7示出了自适应迭代，其中，网格模型适应图像，应该理解基于模型的分割为迭代算法；
图8示出了执行中的内力指令的示例，其诸如可以由分割工具结合CT扫描器等执行或引起；
图9为示出了具有覆盖于器官表面上的网格模型表面的器官表面的截屏的图示；
图10示出了当分割患者的核图像或放射图像时，用于生成不确定性图以减轻由患者体内的金属物引起的畸变的方法；
图11示出了生成不确定性图以使解剖结构的模型适应于对患者图像的分割的方法。
这里描述的系统和方法便于分割软组织图像，所述图像的表面边界被来自所成像对象的其他区域中的金属物的伪影伪造并且渲染得不确定。例如，髋关节置换物中的金属球可以引起遍布患者的骨盆区域的图像的类似于星爆的伪影，部分地模糊了感兴趣器官(例如，膀胱、前列腺等)。不只是金属投影伪影进入到图像的远端区域，伪影也模糊了金属本身的精确位置。为了改进图像表现，有人提议试着识别金属物的确切位置，使用该信息估计对未重建的数据的校正，并重建经校正的数据。该技术以及其他技术移除所有或者大部分类似于星爆的伪影并显示缩小的或者基本上没有伪影的图像。然而，由于与金属物的真实尺寸和位置的识别相关的不确定性以及校正过程的其它部分的不确定性，仍然存在与在图像的其他部分中的远端器官的边界表面的精确度相关的不确定性。这里描述的(一个或多个)技术控制并调整关于在这些远端器官的分割过程中远端器官的边界表面的真实位置的不确定性。在所描述的第一个实施例中，通过覆盖具有正常器官的形状的网格模型对远端器官进行分割。将相对作用力施加于网格模型。施加一个力以移动网格模型的表面使其与图像中的表面边界对准。施加其他力将网格保持在标称的器官形状。根据不确定性调整这些力的相对幅度。将会理解，可以将该实施例应用于由于其他因素的不确定性，而不需要执行金属伪影校正技术作为预备步骤。
现在转到图1，示出了系统10，其根据图像中的体素受到金属伪影污染的可能性，调整所施加的外能以使图像变形。系统包括对象成像设备(SID)12，其耦合到图像数据存储器13和重建处理器14，所述重建处理器接收从SID捕获的数据并将所述数据重建为图像。例如，SID可以为计算机断层摄影(CT)扫描器、正电子发射断层摄影(PET)扫描器、单光子发射计算机断层摄影(SPECT)扫描器、磁共振成像(MRI)设备、功能MRI(fMRI)设备或一些其他适合的对象成像设备。系统还包括模型生成器16，其包括处理器18和存储器20。该存储器可以存储与解剖结构的一个或多个模型相关的信息，该信息可以从一个或多个对象的临床图像生成。例如，存储器可以存储单个器官或其他结构(例如，心脏、肝脏、肾脏、膀胱、前列腺、肺、唾液腺等)，以及器官和/或结构的组(例如，肝脏和肾脏、心脏和肺、骨盆区域、腹部区域、胸部区域、颅部区域等)的3D模型。所存储的模型为针对标称人的器官或结构的模型，并且还可以包括针对这些器官的患者间可变性的模型。模型生成器还包括体素分析器22，其定量地和定性地对对象图像的由对象内的金属(例如，填充物、髋关节置换物、销、螺钉等)引起的伪影进行分析，以及加权模块24，其根据存在于体素位置的可能金属伪影对位于该体素位置的外能进行加权。另外，模型生成器包括分割工具26，其将外力和内力施加到所选模型以使所述模型与对象图像匹配用于分割，同时考虑到由金属对象引起的伪影。另外，系统包括图形用户界面(GUI)28，其将图像和/或模型信息呈现给用户，并且用户向其中输入信息以操控图像、模型等。
由处理器18与SID12相结合来应用金属识别协议以识别金属的位置。一旦金属被识别，体素分析器22定性地预测每个体素是否被金属伪影所污染。体素被金属伪影污染的可能性越大，由加权模块24降低的外能越大。以这种方式，在与诊断图像的体素相关的不确定性增加的情况下，模型的形状变为支配力量。
在另一实施例中，用于定位图像中的金属物的技术还用于从图像中移除金属图像并移除伪影。在该情况下，通过估计或猜测哪个结构应该取代伪影而将伪影移除。例如，可以通过将图像解构为正弦图、用插值数据取代金属影中的正弦图的数据、并重建图像来移除金属伪影。因此，伪影校正图像可以包含不确定性，但是该不确定性与伪影污染图像不同地分布。
根据一个示例，从存储器20选择具有三角形网格表面的所选择的器官模型和一组自适应参数。当模型生成器接收来自SID和/或重建处理器的数据集(例如，CT图像、MR图像、3D解剖图像等)时，处理器执行目标函数E总＝w内×E内+w外×E外，其中，E总为总能量，E内为内能，E外为外能，w内为内能权重，w外为外能权重。外能为
Figure GPA00001037717400051
其中，表示外能或力的可靠性(例如，原始数据中局部地贡献于图像的部分)并且是空间变量，NΔ为网格表面中的三角形的数量，wt为三角形t的特征强度，
Figure GPA00001037717400061
为三角形t的最佳特征的坐标，且
Figure GPA00001037717400062
为三角形t的中心的坐标。
在一个实施例中，对目标函数(E总)进行比例化不改变最小值的定位(1/w外)×E总＝(w内/w外)×E内+E外。因此，可以将w外设为1而不会约束该问题，且目标函数变为E总＝w内×E内+E外。
图2示出了具有两个植入物的髋部以及诸如可以由体素分析器生成的不确定性图。从图像40，和/或作为金属伪影降低方法或技术的副产品，导出不确定性测量，将其传递到GUI和/或分割工具。如果在原始图像上进行分割，可以采用由Watzke和Kalender(Eur Radiol 14：849-856，2004)提出的方法来定性地估计体素经受射束硬化的可能性。该方法包括金属识别和金属伪影的移除，其又包括金属的前向投影、超线性加权(例如，三次方)、以及非加权反向投影。所得的图像由不确定性图42表示。图42中的图像的结构与原始图像40中的金属伪影的表现很好地关联。现在可以使用该不确定性图局部地平衡在图40的基于模型的分割中的图像项以及模型项的权重。
图3示出了与金属伪影降低方法(例如，诸如在2007年1月4日提交的Koehler的题为“Apparatus，method，and computer program for producing acorrected image of a region of interest from acquired projection data，”的EP07100081中所描述的)一起应用到图2的示例的技术的示例。该方法包括贯穿金属影的投影数据的插值。这里可以针对每个体素将图像50的不确定性建模为插值投影样本中对体素有贡献的部分。在更先进的情况中，图像40和50(原始的和经校正的)都可以与对应的不确定性图52一起被用于分割处理。除了示出了在应用金属伪影降低方法之后的原始图像的图像50之外，不确定性映射52，图像54示出了由等值线56标记的不确定性。
图4为示出了基于模型的分割的一些基本原理的图示。基于模型的分割包括训练阶段72以及分割阶段74，其可顺序和/或同时出现。在训练阶段期间，训练数据76包括经分割的图像的参照集，并且对对应的网格模型进行编译、分析和/或处理以生成一个或多个经训练的模型78。每个经训练的模型在其边界具有平均网格、形状可变性以及识别特征(例如，轮廓线、表面标记等)。在分割阶段期间，接收(例如，在模型生成器16等)新的3D图像80，例如经重建的图像(例如，CT、PET、SPECT、MRI、fMRI等)。在82执行新图像80相对于经训练的模型78的定位。在84，将新图像适应于模型(例如，通过施加内力和外力)，并生成经分割的图像86。然后可以针对一个或多个治疗计划等(例如，辐射治疗、消融治疗、外科手术等)采用经分割的模型。
图5是图像80的经分割的图像自适应和使用外力100的经训练的模型78的示例，所述外力100向内推进模型以使模型适应所述图像。外力能量表征为数据集(例如，梯度)、器官模型专有自适应参数(例如，最大梯度)、网格形状(例如，网格中的三角形的正交向量)等特征。
如所示出的，特征102是弱的(例如，在外能方面)，这是由于模型和图像的特征基本上平行且对准，而重新配置的网格不与最佳特征相交，因此，施加到特征102上的外能小。特征104具有大的外能贡献，这是由于重新配置的网络与图像的最佳特征相交。特征106具有适中的外能贡献，这是由于在该区域中重新配置的网格接近最佳特征。
通过方程
Figure GPA00001037717400071
确定外能，其中，E外为外能，NΔ为网格表面中的三角形的数量，wt为三角形t的特征强度，
Figure GPA00001037717400072
为针对三角形t的最佳特征的坐标，并且是三角形t的中心的坐标。
图6示出了模型78的特征以及他们与描绘相应特征的内能图像80的特征的关联。系统的内能表征为网格的形状(例如，网格变形越大，内能的增加越大)、解剖结构的模型的形状、或者平均模型(例如，当网格和平均模型具有相同的形状时，内能为零)、以及用于配准平均网格和当前网格配置的转换(例如，比例因子和旋转向量)。在图中，由于模型和图像彼此相交，特征104具有大的内能贡献。特征106具有适中的内能贡献，且特征108具有低的内能贡献。
内能在数学上被描述为
Figure GPA00001037717400081
其中，E内为内能，N边缘网格中的边缘的数量，
Figure GPA00001037717400082
为表示边缘e的特征，s为平均网格比例因子，R为平均网格旋转向量，且为表示边缘e的平均网格向量。
图7示出了自适应迭代，其中，网格模型适应图像。应该理解，基于模型的分割为迭代算法。在每次迭代中，系统为网格的每个三角形分配了“最佳特征”和特征权重。使用最佳特征和权重计算外能100和内能120。数学上，由方程组表示外能和内能。对方程组进行求解(例如，对矩阵进行反转)，并且方程系统的解为网格的新的配置(形状)。在图7中，箭头示出了网格模型节点朝向对应图像节点的移动。
图8示出了内力指令执行在模型78上的示例，例如可以由与CT扫描器等结合的分割工具26执行或引起的。根据该示例，执行诸如“沿三角形法向量执行21步骤”(例如，从网格内10mm到网格外10mm)的指令。在每个步骤，计算经插值的CT值和梯度向量。CT值和梯度向量是用于基于模型的分割系统操作的足够信息。
图9示出了示出具有覆盖于器官表面80上的网格模型78表面的器官表面80的截屏150。三角形法向量154垂直延伸通过网格模型表面的三角形。如果保证内能或外能，在该三角形的网格模型表面将沿着三角形法向量移动。在图9的示例中，外力可推动所述三角形法向量朝向器官表面所通过的网格三角形。沿着三角形法向量的轮廓数据的图158示出了相对于CT数据点的像素的相对位置。
图10-11示出了与根据各特征生成不确定性图并补偿由患者体内的金属引起的患者图像中的失真和/或伪影相关的一个或多个方法。虽然将该方法描述为一系列动作，但是应该理解不是需要所有动作来达到所描述的目标和/或结果，并且，根据特定方面，一些动作可以以与所描述的特定顺序不同的顺序执行。
图10示出了用于生成不确定性图以减轻在分割患者的放射图像时由患者体内的金属物以及对应伪影引起的不正确分割结果的方法160。在162，对患者图像中的体素受到金属伪影污染的可能性进行量化。在一个实施例中，所述量化包括确定患者的所成像区域是否存在金属。在164，定性地预测存在金属伪影(例如，射束硬化)的可能性的水平。在一个实施例中，使用Watzke和Kalender(Eur Radiol 14：849-856，2004)提出的方法执行定性预测，所述方法描述了结合定向加权的重投影的金属轨迹的线性插值和原始数据的多维自适应过滤的组合以降低金属伪影。在该方法中，通过金属识别和伪影移除估计由于射束硬化出现金属伪影的可能性，其包括前向投影、超线性加权(例如，二次方或三次方)，以及未滤波的反向投影。
在166，在患者图像的不确定性图中用插值数据取代被污染的体素数据。在168，则使用基于模型的分割以分割所述图像来将经更新的模型变形至图像。
图11示出了生成不确定性图以将解剖结构模型适应用于分割患者图像的方法180。在182，遍布由患者体内的金属物引起的遮蔽区域对投影数据进行插值以便于生成不确定性图。在一个实施例中，使用2007年1月4日提交的Koehler的题为“Apparatus，method，and computer program forproducing a corrected image of a region of interest from acquired projectiondata，”的EP07100081中描述的方法执行插值。在184，调整模型中的体素以反映所插值的数据。例如，相对于对体素有贡献的原始非插值样本，与对体素有贡献的插值投影样本的部分成比例地调节每个体素。在186，诸如参照前述附图描述的，将所调整的模型应用于患者图像用于基于模型的分割。

Claims (24)

1.一种在存在金属伪影的情况下用于图像分割的系统(10)，包括：
模型生成器(16)，其接收患者图像数据并存储解剖结构的经训练的模型；
体素分析器(22)，其确定金属伪影是否存在于所述患者图像数据中的一个或多个体素中；
处理器(18)，其执行金属伪影降低算法并生成其中合并有针对从所述患者图像数据生成的患者图像(80)的经校正的体素数据的不确定性图；以及
分割工具(26)，其对对应于所述患者图像的解剖结构的经训练的模型(78)进行匹配并使用基于模型的分割技术对所述患者图像进行分割并评估由所述处理器(18)导出的所述不确定性。
2.根据权利要求1所述的系统，其中，所述模型(78)具有三角形网格表面。
3.根据权利要求1所述的系统，其中：
采用自动或者响应于用户输入中的至少一种选择所述模型(78)的表面上的特征。
4.根据权利要求3所述的系统，其中，所述分割工具(26)沿表面法向量在所述特征所位于的表面区域内施加内力。
5.根据权利要求4所述的系统，其中，所述分割工具(26)沿所述向量施加外力。
6.根据权利要求5所述的系统，其中，所述分割工具(26)平衡所述内力和所述外力以将所述表面区域与所述患者图像(80)的表面对准。
7.根据权利要求5所述的系统，其中，将通过所述内力和所述外力施加到所述特征上的总能量表达为E总＝w内×E内+w外×E外，其中，E总为总能量，E内为内能，E外为外能，w内为内能权重，w外为外能权重，并且其中，
Figure FPA00001037717300021
其中，表示所述外能的可靠性并且是空间变量，NΔ为所述网格表面中的三角形的数量，以及wt为三角形t的特征强度，
Figure FPA00001037717300023
为三角形t的最佳特征的坐标，且
Figure FPA00001037717300024
为三角形t的中心的坐标。
8.根据权利要求7所述的系统，其中，w外为1，并且其中，所述分割工具(26)施加提高的内力以补偿所检测的金属伪影。
9.根据权利要求1所述的系统，其中，所述模型生成器(16)包括：
用于确定体素是否受到金属伪影影响的例程(162)或器件；
用于定量地预测所述体素受到所述金属伪影影响的水平的例程(164)或器件；
用于对投影数据进行插值并用所插值的投影数据更新所述体素的例程(166)或器件；以及
用于将所述模型(78)变形至所述患者图像(80)的例程(168)或器件。
10.一种在根据权利要求1所述的系统(10)中的基于模型的分割的方法，包括：
确定体素是否受到金属伪影影响；
定量地预测所述体素受到所述金属伪影影响的水平；
对投影数据进行插值并用所插值的投影数据更新所述体素；以及
将所述模型(78)变形至所述患者图像(80)。
11.一种用于执行基于模型的分割的方法，包括：
生成包括金属物的患者区域的患者图像(80)；
生成指示所述患者图像中由于金属物重建伪影导致的部分中的不确定性的所述患者图像(80)的不确定性图；以及
当使用基于模型的分割来分割所述患者图像(80)中从所述金属物的所述患者移位的部分时采用所述不确定性图。
12.根据权利要求11所述的方法，还包括将网格模型(78)覆盖在所述患者图像(80)上以及将所述模型(78)和所述患者图像(80)中的对应特征对准。
13.根据权利要求12所述的方法，还包括将外力施加于所述网格模型(78)以将所述网格模型(78)的所述表面上的一个或多个特征朝向对应的图像特征向内拉。
14.根据权利要求13所述的方法，还包括向所述网格模型表面施加内力以将一个或多个特征朝向对应的图像特征向外拉。
15.根据权利要求14所述的方法，还包括根据所述一个或多个特征中的体素受到所述金属影响的程度对所述内力进行加权。
16.根据权利要求12所述的方法，其中，基于模型的分割包括：
向包括所述网格模型(78)的表面的多个三角形的每个三角形分配最佳特征和特征权重；
使用相应的最佳特征和权重计算要施加到每个三角形的外能和内能；
将所述外能和内能建模为数学方程；
求解所述数学方程；以及
根据所述方程解更新所述网格模型(78)的形状。
17.根据权利要求16所述的方法，还包括将所述外能建模为：
Figure FPA00001037717300041
其中，E外为外能，NΔ为所述网格表面中的三角形的数量，
Figure FPA00001037717300042
表示所述外能的可靠性并且是空间变量，wt为三角形t的特征强度，
Figure FPA00001037717300043
为针对三角形t的所述最佳特征的坐标，并且
Figure FPA00001037717300044
是三角形t的中心的坐标。
18.根据权利要求16所述的方法，还包括将所述内能建模为：
Figure FPA00001037717300045
其中，E内为内能，N边缘为所述网格中的边缘的数量，
Figure FPA00001037717300046
为表示边缘e的向量，s为平均网格比例因子，R为平均网格旋转向量，且为表示边缘e的平均网格向量。
19.根据权利要求16所述的方法，其迭代地执行直到所述网格模型(78)匹配所述患者图像(80)。
20.一种被编程为执行根据权利要求11所述的方法的处理器(18)或计算机介质(20)。
21.根据权利要求11所述的方法，还包括降低所述患者图像(80)中的金属伪影。
22.一种便于使用不确定性图进行基于模型的分割的系统，包括：
用于生成患者图像数据的器件(12)；
用于将所述患者图像数据重建为3D患者图像(80)的器件(14)；
用于检测所述3D患者图像(80)中的一个或多个体素中的金属伪影的器件(22)；
用于生成具有插值数据的降低所述金属伪影的不确定性图的器件(16)；
用于对与网格模型(78)的表面区域相关联的特征进行加权的器件(24)；以及
用于使用基于模型的分割来分割所述3D患者图像(80)以将所述网格模型(78)匹配到所述3D患者图像(80)的器件(26)。
23.一种执行基于模型的分割的方法，包括：
生成对象的器官或区域的诊断图像，该图像具有金属伪影；
选择所成像的器官或区域的模型；
在所述模型上施加第一力，其驱使所述模型保持其原始形状；
在所述模型上施加第二力，其驱使所述模型使其变形至与所述诊断图像中的对应界面对准；
基于图像体素，根据所述金属伪影的程度调整所述第一力和第二力，使得对于具有较高程度的金属伪影的体素所述第一力的幅度相对于所述第二力增加，并且对于具有较低程度的金属伪影的体素所述第二力的幅度相对于所述第一力增加。
24.一种在存在金属伪影的情况下用于图像分割的系统(10)，包括：
模型生成器(16)，其接收患者图像数据并存储解剖结构的经训练的模型；
体素分析器(22)，其确定金属伪影是否存在于所述患者图像数据中的一个或多个体素中；
处理器(18)，其在不改变所述患者图像数据的情况下生成不确定性图；以及
分割工具(26)，其对对应于所述患者图像的解剖结构的经训练的模型(78)进行匹配并使用基于模型的分割技术对所述患者图像进行分割并评估由所述处理器(18)导出的所述不确定性。
CN200880104577XA 2007-08-31 2008-08-12 在存在金属伪影的情况下用于分割的不确定性图 Pending CN102067170A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611070118.7A CN106920246B (zh) 2007-08-31 2008-08-12 在存在金属伪影的情况下用于分割的不确定性图

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US96917607P 2007-08-31 2007-08-31
US60/969,176 2007-08-31
PCT/IB2008/053236 WO2009027889A2 (en) 2007-08-31 2008-08-12 Uncertainty maps for segmentation in the presence of metal artifacts

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201611070118.7A Division CN106920246B (zh) 2007-08-31 2008-08-12 在存在金属伪影的情况下用于分割的不确定性图

Publications (1)

Publication Number Publication Date
CN102067170A true CN102067170A (zh) 2011-05-18

Family

ID=40387959

Family Applications (2)

Application Number Title Priority Date Filing Date
CN200880104577XA Pending CN102067170A (zh) 2007-08-31 2008-08-12 在存在金属伪影的情况下用于分割的不确定性图
CN201611070118.7A Active CN106920246B (zh) 2007-08-31 2008-08-12 在存在金属伪影的情况下用于分割的不确定性图

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201611070118.7A Active CN106920246B (zh) 2007-08-31 2008-08-12 在存在金属伪影的情况下用于分割的不确定性图

Country Status (5)

Country Link
US (1) US9730663B2 (zh)
EP (1) EP2188776B1 (zh)
CN (2) CN102067170A (zh)
AT (1) ATE511161T1 (zh)
WO (1) WO2009027889A2 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103918004A (zh) * 2011-11-08 2014-07-09 皇家飞利浦有限公司 金属伪影校正算法的自适应应用
CN111684492A (zh) * 2017-06-26 2020-09-18 医科达有限公司 使用深度卷积神经网络来改善锥形束ct图像质量的方法
CN111862258A (zh) * 2020-07-23 2020-10-30 深圳高性能医疗器械国家研究院有限公司 一种图像金属伪影抑制方法

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8073252B2 (en) * 2006-06-09 2011-12-06 Siemens Corporation Sparse volume segmentation for 3D scans
WO2010150156A1 (en) * 2009-06-24 2010-12-29 Koninklijke Philips Electronics N.V. Establishing a contour of a structure based on image information
US8611670B2 (en) * 2010-02-25 2013-12-17 The Board Of Trustees Of The Leland Stanford Junior University Intelligent part identification for use with scene characterization or motion capture
US9763587B2 (en) * 2010-06-10 2017-09-19 Biosense Webster (Israel), Ltd. Operator-controlled map point density
DE102010034918A1 (de) * 2010-08-20 2012-02-23 Siemens Aktiengesellschaft Verfahren und Vorrichtung zum Bereitstellen von Güteeinformation für eine Röntgenbildgebung
US8891847B2 (en) * 2012-01-23 2014-11-18 Medtronic Navigation, Inc. Automatic implant detection from image artifacts
EP2815382B1 (en) 2012-02-14 2022-01-19 Koninklijke Philips N.V. Method for quantification of uncertainty of contours in manual and auto segmenting algorithms
RU2647194C2 (ru) * 2013-12-10 2018-03-14 Конинклейке Филипс Н.В. Основанная на модели сегментация анатомической структуры
US10111714B2 (en) * 2014-01-27 2018-10-30 Align Technology, Inc. Adhesive objects for improving image registration of intraoral images
EP3102110B1 (en) * 2014-02-03 2021-03-10 Vanderbilt University Methods for automatic segmentation of inner ear anatomy in post-implantation ct and applications of same
KR102220226B1 (ko) * 2014-02-12 2021-02-25 삼성전자주식회사 컴퓨터 단층 촬영 장치 및 그에 따른 ct 영상 복원 방법
US8958623B1 (en) 2014-04-29 2015-02-17 Heartflow, Inc. Systems and methods for correction of artificial deformation in anatomic modeling
JP6375575B2 (ja) * 2014-10-22 2018-08-22 朝日レントゲン工業株式会社 画像処理装置、画像処理方法、及びｘ線撮影装置
US9704256B2 (en) 2015-03-10 2017-07-11 Siemens Healthcare Gmbh Systems and method for computation and visualization of segmentation uncertainty in medical images
CN107850649B (zh) 2015-06-26 2020-11-03 皇家飞利浦有限公司 磁共振成像系统和方法
US10140735B2 (en) * 2015-09-15 2018-11-27 Shanghai United Imaging Healthcare Co., Ltd. Image reconstruction system and method
US9697623B1 (en) * 2015-09-15 2017-07-04 Shanghai United Imaging Healthcare Co., Ltd. Image reconstruction system and method
JP6780948B2 (ja) * 2016-03-28 2020-11-04 キヤノンメディカルシステムズ株式会社 Ｘ線ｃｔ装置
CN105843212B (zh) * 2016-03-29 2018-09-28 东北大学 一种高炉故障诊断系统及方法
IL245339A (en) * 2016-04-21 2017-10-31 Rani Ben Yishai Method and system for verification of registration
US11257262B2 (en) 2016-08-22 2022-02-22 Koninklijke Philips N.V. Model regularized motion compensated medical image reconstruction
US9905044B1 (en) * 2016-08-25 2018-02-27 General Electric Company Systems and methods for functional imaging
US11138790B2 (en) 2016-10-14 2021-10-05 Axial Medical Printing Limited Method for generating a 3D physical model of a patient specific anatomic feature from 2D medical images
GB201617507D0 (en) 2016-10-14 2016-11-30 Axial3D Limited Axial3D UK
JP2020525258A (ja) 2017-06-30 2020-08-27 プロマトン・ホールディング・ベー・フェー 深層学習法を使用する３ｄ歯顎顔面構造の分類および３ｄモデリング
EP3462373A1 (en) 2017-10-02 2019-04-03 Promaton Holding B.V. Automated classification and taxonomy of 3d teeth data using deep learning methods
US11120551B2 (en) 2017-11-27 2021-09-14 Rensselaer Polytechnic Institute Training a CNN with pseudo ground truth for CT artifact reduction
EP3503038A1 (en) 2017-12-22 2019-06-26 Promaton Holding B.V. Automated 3d root shape prediction using deep learning methods
EP3561778A1 (en) * 2018-04-26 2019-10-30 Promaton Holding B.V. Automated correction of metal affected voxel representations of x-ray data using deep learning techniques
US11763502B2 (en) * 2018-08-06 2023-09-19 Vanderbilt University Deep-learning-based method for metal reduction in CT images and applications of same
GB201900437D0 (en) 2019-01-11 2019-02-27 Axial Medical Printing Ltd Axial3d big book 2
DE102019217524A1 (de) * 2019-11-13 2021-05-20 Siemens Healthcare Gmbh Verfahren und Bildverarbeitungsvorrichtung zum Segmentieren von Bilddaten und Computerprogrammprodukt
US11309072B2 (en) 2020-04-21 2022-04-19 GE Precision Healthcare LLC Systems and methods for functional imaging
GB202101908D0 (en) 2021-02-11 2021-03-31 Axial Medical Printing Ltd Axial3D pathology
CN116228916B (zh) * 2023-05-10 2023-07-11 中日友好医院(中日友好临床医学研究所) 一种图像去金属伪影方法、系统及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6507633B1 (en) * 2001-02-15 2003-01-14 The Regents Of The University Of Michigan Method for statistically reconstructing a polyenergetic X-ray computed tomography image and image reconstructor apparatus utilizing the method
US6631212B1 (en) * 1999-09-13 2003-10-07 Eastman Kodak Company Twostage scheme for texture segmentation based on clustering using a first set of features and refinement using a second set of features
WO2005076221A1 (en) * 2004-02-05 2005-08-18 Koninklijke Philips Electronics, N.V. Image-wide artifacts reduction caused by high attenuating objects in ct deploying voxel tissue class
CN1766930A (zh) * 2004-08-20 2006-05-03 通用电气公司 减少 3d x 射线图像重建中的金属伪影的方法和设备

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6047080A (en) * 1996-06-19 2000-04-04 Arch Development Corporation Method and apparatus for three-dimensional reconstruction of coronary vessels from angiographic images
US6721387B1 (en) * 2001-06-13 2004-04-13 Analogic Corporation Method of and system for reducing metal artifacts in images generated by x-ray scanning devices
DE10357206B4 (de) * 2003-12-08 2005-11-03 Siemens Ag Verfahren und Bildbearbeitungssystem zur Segmentierung von Schnittbilddaten
WO2005076222A1 (en) 2004-02-09 2005-08-18 Philips Intellectual Property & Standards Gmbh Correction of artifacts caused by high attenuating objects
DE102004022332A1 (de) * 2004-05-06 2005-12-08 Siemens Ag Verfahren zur post-rekonstruktiven Korrektur von Aufnahmen eines Computer-Tomographen
EP1603076A1 (en) * 2004-05-13 2005-12-07 Aalborg Universitet Computerized cortex boundary extraction from MR images
CA2583831A1 (en) 2004-10-12 2006-04-20 Universite Laval Method and apparatus for metal artifact reduction in computed tomography
WO2007035688A2 (en) * 2005-09-16 2007-03-29 The Ohio State University Method and apparatus for detecting intraventricular dyssynchrony
US7711406B2 (en) * 2005-11-23 2010-05-04 General Electric Company System and method for detection of electromagnetic radiation by amorphous silicon x-ray detector for metal detection in x-ray imaging
US20080095300A1 (en) * 2006-10-05 2008-04-24 General Electric Company System and method for iterative reconstruction using parallel processing
US20080085040A1 (en) * 2006-10-05 2008-04-10 General Electric Company System and method for iterative reconstruction using mask images
CN101573731B (zh) 2007-01-04 2015-07-22 皇家飞利浦电子股份有限公司 用于从所获取的投影数据产生感兴趣区域的经校正的图像的装置和方法
US8311287B2 (en) * 2008-09-25 2012-11-13 Microsoft Corporation Validation and correction of map data using oblique images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6631212B1 (en) * 1999-09-13 2003-10-07 Eastman Kodak Company Twostage scheme for texture segmentation based on clustering using a first set of features and refinement using a second set of features
US6507633B1 (en) * 2001-02-15 2003-01-14 The Regents Of The University Of Michigan Method for statistically reconstructing a polyenergetic X-ray computed tomography image and image reconstructor apparatus utilizing the method
WO2005076221A1 (en) * 2004-02-05 2005-08-18 Koninklijke Philips Electronics, N.V. Image-wide artifacts reduction caused by high attenuating objects in ct deploying voxel tissue class
CN1766930A (zh) * 2004-08-20 2006-05-03 通用电气公司 减少 3d x 射线图像重建中的金属伪影的方法和设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIANWEI GU ET AL: "Metal Artifacts Reduction in CT Images through Euler’s Elastica and Curvature Based Sinogram Inpainting", 《MEDICAL IMAGE 2006: IMAGE PROCESSING》 *
JURGEN WEESE ET AL: "Shape Constrained Deformable Models for 3D Medical Image Segmentation", 《IPMI 2001》 *
古建伟 等: "CT图像中金属伪影的快速校正", 《中国体视学与图像分析》 *
谷建伟 等: "基于投影的CT图像金属伪影非线性权重校正", 《清华大学学报(自然科学版)》 *
谷建伟 等: "常用的几种插值方法在CT系统金属伪影校正中的性能比较", 《核电子学与探测技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103918004A (zh) * 2011-11-08 2014-07-09 皇家飞利浦有限公司 金属伪影校正算法的自适应应用
CN103918004B (zh) * 2011-11-08 2016-12-14 皇家飞利浦有限公司 金属伪影校正算法的自适应应用
CN111684492A (zh) * 2017-06-26 2020-09-18 医科达有限公司 使用深度卷积神经网络来改善锥形束ct图像质量的方法
CN111684492B (zh) * 2017-06-26 2024-03-15 医科达有限公司 使用深度卷积神经网络来改善锥形束ct图像质量的方法
CN111862258A (zh) * 2020-07-23 2020-10-30 深圳高性能医疗器械国家研究院有限公司 一种图像金属伪影抑制方法

Also Published As

Publication number Publication date
ATE511161T1 (de) 2011-06-15
US20110038516A1 (en) 2011-02-17
WO2009027889A2 (en) 2009-03-05
US9730663B2 (en) 2017-08-15
CN106920246B (zh) 2024-03-08
EP2188776B1 (en) 2011-05-25
WO2009027889A3 (en) 2010-03-25
CN106920246A (zh) 2017-07-04
EP2188776A2 (en) 2010-05-26

Similar Documents

Publication Publication Date Title
CN106920246B (zh) 在存在金属伪影的情况下用于分割的不确定性图
US7378660B2 (en) Computer program, method, and system for hybrid CT attenuation correction
EP2289048B1 (en) Using non-attenuation corrected pet emission images to compensate for incomplete anatomic images
CN106683144B (zh) 一种图像迭代重建方法及装置
US10388037B2 (en) Selection method for an artifact correction algorithm, data processing facility for performing the method, and medical imaging system
US7259762B2 (en) Method and system for automatically transforming CT studies to a common reference frame
EP2609572B1 (en) Dual modality imaging including quality metrics
EP2715663B1 (en) Apparatus for generating assignments between image regions of an image and element classes
JP2014509037A (ja) 画像データのモデルに基づく処理
CN109381205B (zh) 用于执行数字减影血管造影的方法、混合成像装置
US8768045B2 (en) Method for acquiring a 3D image dataset freed of traces of a metal object
Baka et al. Statistical shape model-based femur kinematics from biplane fluoroscopy
CN111815735B (zh) 一种人体组织自适应的ct重建方法及重建系统
EP1952346A1 (en) Method for delineation of predetermined structures in 3d images
WO2016011489A1 (en) Thoracic imaging for cone beam computed tomography
EP3658031B1 (en) Motion compensated cardiac valve reconstruction
EP3895128B1 (en) System for reconstructing an image of an object
US8284196B2 (en) Method and system for reconstructing a model of an object
CN116523824B (zh) 用于规定记录轨迹的方法和确定系统
JP7487406B2 (ja) 鮮鋭性保持呼吸動き補償
Antila Volumetric Image Segmentation for Planning of Therapies: Application to dental implants and muscle tumors
Meilinger et al. Metal artifact reduction in CBCT using forward projected reconstruction information and mutual information realignment
El Hakimi Accurate 3D-reconstruction and-navigation for high-precision minimal-invasive interventions
Kohler et al. Correction of breathing motion in the thorax for helical CT

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20110518