CN102112056A - 图像处理装置、图像处理方法和图像处理程序 - Google Patents
图像处理装置、图像处理方法和图像处理程序 Download PDFInfo
- Publication number
- CN102112056A CN102112056A CN2010800022477A CN201080002247A CN102112056A CN 102112056 A CN102112056 A CN 102112056A CN 2010800022477 A CN2010800022477 A CN 2010800022477A CN 201080002247 A CN201080002247 A CN 201080002247A CN 102112056 A CN102112056 A CN 102112056A
- Authority
- CN
- China
- Prior art keywords
- candidate
- major axes
- candidate target
- destination organization
- image processing
- 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
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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30101—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 Analysis (AREA)
Abstract
实现了改善三维图像内由线性结构形成的目标组织的检测性能。计算检测区域内由线性结构形成的目标组织的主轴方向或者由平面结构形成的组织的法向方向。基于所述主轴方向或者所述法线方向对包括候选目标组织的候选目标区域执行归一化处理。计算已归一化的候选目标区域的特征量,并且采用所计算的特征量,执行关于该目标组织是否包括在所述候选目标区域中的判断。
Description
技术领域
本发明涉及三维图像内待执行的检测处理。具体而言,本发明涉及适于在三维图像内自动检测由线性结构形成的目标组织的图像处理装置、图像处理方法和图像处理程序。
背景技术
传统上,在医疗领域中生成表示目标组织的伪三维图像。通过执行预定的检测处理(例如采用机器学习的检测方法)检测来自多个二维图像内的目标组织来生成伪三维图像。通过使计算机执行图像投影方法(强度投影方法)或者通过体积呈现方法将在多个二维图像内检测的目标组织呈现为伪三维图像,该伪三维图形能够构建三维图像。从而,放射科医生能够容易地确认目标组织的状态。
专利文献1中提出一种方法,其中根据三维图像生成彼此垂直相交的三个截面图像并且基于从该三个截面图像提取的特征量检测目标组织。
专利文献2中提出一种方法,其中通过机器学习在二维图像内检测目标组织。
非专利文献1中提出一种方法,其中通过执行对构成三维图像的每一个二维图像(CT图像)进行差分滤波处理并且检测CT图像内像素值发生改变的位置而在感兴趣的区域内检测出由线性结构(例如血管)形成的目标组织。
现有技术文献
●专利文献
专利文献1:
美国专利No.7,346,209
专利文献2:
日本未审查专利公开No.2007-307358
●非专利文献
Andrzej Szymczak等人2006年在Medical Image Analysis第4期第10卷第548-559页中发表的“Coronary Vessel Trees from 3D Imagery:ATopological Approach”
发明内容
技术问题
专利文献1中公开的发明将来自目标组织的彼此垂直相交的三个截面图像设定为检测目标图像。如果例如针对线性结构应用该方法,则获得如图17A和图17B所示的三个截面图像组。根据专利文献1公开的发明,随机改变三个垂直相交的轴以设定截面图像,并且多次执行检测处理。从而,在检测目标组织时,降低了将在计算中采用的数据总量。
然而,在线性结构是诸如在图17B中所示的弯曲形状体的情况下,存在截面图像内极其缺乏与目标组织相关的数据的问题。
已知存在一种利用汉森矩阵提取线性结构和平面结构的方法,用于提取血管等。然而,尽管分析汉森矩阵的特征值将能够判断由理想线性结构形成的血管,但是难以判断具有弯曲形状、分支形状或者具有病变部分的血管。类似地,人体内的平面结构并不限于那些理想平面形状。因此,也难以正确判断这样的平面结构。
考虑到上述情况,本发明的第一目的在于提供一种即使在线性结构或者平面结构是弯曲的、分支的或者病变时也能够改善检测执行的图像处理装置、图像处理方法和图像处理程序。
非专利文献1中公开的发明对于彼此接近的候选点(结点)设定较小的权重并且通过最小生成树(minimum spanning tree)技术重构树结构。在如图2所示,提供作为候选点的结点和与用于连接结点的权重相对应的边缘数据(图2中所示的数字值是边缘数据值)的情况下,如果将该方法例如应用于血管,则获得以最小成本连接所有结点的边缘的组合。通过在如图3A所示的图像内设定多个候选点,并且通过最小生成树技术连接候选点来重构树结构,从而检测出血管。
然而,非专利文献1的方法往往仅简单地连接彼此接近的候选点(结点)。因此,在包括作为噪声的候选点的情况下,存在不能正确地检测出血管路径的问题。
考虑到上述情况,本发明的第二目的在于提供一种在目标组织由线性结构形成的情况下,能够通过减少错误连接而生成更加精确地反映正确线性结构的树结构的图像处理装置、图像处理方法和图像处理程序。
技术方案
本发明的第一图像处理装置的特征在于,包括:
检测区域设定部,用于在通过对对象成像而获得的三维图像内设定检测区域;
主轴/法线方向计算部,用于计算所述检测区域内由线性结构形成的候选目标组织的主轴方向或者所述检测区域内由平面结构形成的候选目标组织的法线方向;
归一化处理部,用于基于所述主轴方向或者所述法线方向,对包括所述候选目标组织的候选目标区域执行归一化处理;以及
判断部,用于计算已归一化的候选目标区域的特征量,并且用于使用所计算的特征量,判断目标组织是否包括在所述候选目标区域中。所述“图像处理装置”可以包括用于生成三维图像的成像设备。
所述“主轴/法线方向计算部”计算由线性结构形成的候选目标组织的主轴方向,或者由平面结构形成的候选目标组织的法线方向。可以通过计算关于检测区域的汉森矩阵并且例如通过分析所计算的汉森矩阵的特征值,来计算所述主轴方向或者所述法线方向。
并且,所述“主轴/法线方向计算部”基于所述特征值是否满足预定的阈值条件来判断所述候选目标组织是由线性结构形成还是由平面结构形成。
所述“检测区域”是指通过对对象成像而获得的所述三维图像内包括目标区域的预定区域。在提取冠状动脉作为目标组织的情况下,所述“检测区域”可以是包括心脏区域或者该心脏区域的一部分的区域。
在本发明的第一图像处理装置中,所述判断部配备有基于与所述目标组织相同种类的目标组织的主轴方向或者法线方向,对包括该相同类型的目标组织且提前制备的三维图像进行归一化而得到的数据,以作为教师数据;并且所述判断部通过利用使用所述教师数据的机器学习方法分析所计算的特征量来判断所述候选目标区域是否包括所述目标组织。
在用于判别冠状动脉的分类器的学习期间,除了冠状动脉的线性部分以外,采用表示弯曲部分、分支部分和诸如狭窄、钙化和支架位置的病变部分的数据作为正(positive)教师(teacher)数据。通过执行对包括这样的数据的教师数据的学习,判断将能够处理冠状动脉中的变化,并且能够以高精确度将病变部分判别为血管。表示除了冠状动脉以外的随机部分的数据可以制备为负(negative)教师数据。
本发明的第一图像处理方法的特征在于,包括:
在通过对对象成像而获得的三维图像内设定检测区域;
计算所述检测区域内由线性结构形成的候选目标组织的主轴方向以及所述检测区域内由平面结构形成的候选目标组织的法线方向;
基于所述主轴方向或者所述法线方向对包括所述候选目标组织的候选目标区域执行归一化处理;
计算已归一化的候选目标区域的特征量;以及
使用所计算的特征量判断目标组织是否包括在所述候选目标区域中。
本发明的第一图像处理程序的特征在于使计算机实现以下功能:
在通过对对象成像而获得的三维图像内设定检测区域;
计算所述检测区域内由线性结构形成的候选目标组织的主轴方向以及所述检测区域内由平面结构形成的候选目标组织的法线方向;
基于所述主轴方向或者所述法线方向对包括所述候选目标组织的候选目标区域执行归一化处理;
计算已归一化的候选目标区域的特征量;以及
使用所计算的特征量判断目标组织是否包括在所述候选目标区域中。
本发明的第二图像处理装置的特征在于,包括:
候选点计算部,用于对通过对对象成像而获得的三维图像执行预定检测处理来计算表示由线性结构形成的目标组织的多个候选点的位置信息和主轴方向;以及
重构处理部,用于使用成本函数来执行重构,从而连接所述多个候选点,所述成本函数采用基于所计算的位置信息和主轴方向的变量。
所述“候选点计算部”通过对所述三维图像执行预定检测处理来计算表示由线性结构形成的目标组织的多个候选点的位置信息和主轴方向。
所述“候选点计算部”可以通过计算关于所述检测区域的汉森矩阵并且通过分析所计算的汉森矩阵的特征值来计算所述多个候选点中的每一个候选点的位置信息和主轴方向。
此外,所述“候选点计算部”可以基于所述特征值是否满足预定的阈值条件来检测所述候选点。
所述“候选点计算部”可以配备有:
归一化处理部,用于基于所述主轴方向对包括所述候选目标组织的候选目标区域执行归一化处理;以及
判断部,用于计算已归一化的候选目标区域的特征量,并且用于使用所计算的特征量判断目标组织是否包括在所述候选目标区域中。
所述判断部配备有基于与所述目标组织相同种类的目标组织的主轴方向或者法线方向,对包括该相同类型的目标组织且提前制备的三维图像进行归一化而得到的数据,以作为教师数据;并且
所述判断部可以通过利用使用所述教师数据的机器学习方法分析所计算的特征量来判断所述候选目标区域是否包括真实的目标组织。
所述“重构处理部”使用成本函数来执行重构,从而连接所述多个候选点,该成本函数采用基于所计算的位置信息和主轴方向的变量。所述“重构处理部”可以采用具有以下条件的成本函数来执行重构:基于所述多个候选点中至少两个候选点的每一个候选点的位置信息,所述至少两个候选点之间的关系是它们在距彼此预定的距离内,以及由连接所述两个候选点的基础线以及所述两个候选点的每一个候选点的主轴方向确定的两个锐角之和小于预定的角度。
所述重构处理部可以例如使用最小生成树技术来执行重构。此外,所述重构处理部可以使用采用两个候选点的亮度值作为变量的成本函数。
所述“三维图像”是由体素数据构成的图像。所述“三维图像”是由多个二维图像构成的三维图像。二维图像的类型示例包括:辐射图像、CT图像、MRI图像、RI图像和PET图像。
所述“目标组织”是指在由三维图像表示的所述对象的预定位置处由线性结构形成的组织。由线性结构形成的组织的示例包括:冠状动脉、脑血管、肝脏血管、肺部血管和支气血管。
本发明的第二图像处理方法的特征在于,包括:
对通过对对象成像而获得的三维图像执行预定检测处理来计算表示由线性结构形成的目标组织的多个候选点的位置信息和主轴方向;以及
使用成本函数来执行重构处理,从而连接所述多个候选点,该成本函数采用基于所计算的位置信息和主轴方向的变量。
本发明的第二图像处理程序的特征在于使计算机实现以下功能:
对通过对对象成像而获得的三维图像执行预定检测处理来计算表示由线性结构形成的目标组织的多个候选点的位置信息和主轴方向;以及
使用成本函数来执行重构处理,从而连接所述多个候选点,该成本函数采用基于所计算的位置信息和主轴方向的变量。
技术效果
本发明的第一图像处理装置、第一图像处理方法和第一图像处理程序计算检测区域内由线性结构形成的候选目标组织的主轴方向以及检测区域内由平面结构形成的候选目标组织的法线方向;基于所述主轴方向或者所述法线方向,对包括所述候选目标组织的候选目标区域执行归一化处理;计算已归一化的候选目标区域的特征量;并且使用所计算的特征量判断目标组织是否包括在所述候选目标区域中。因此,即使由线性结构形成的目标组织的外表由于弯曲、分支或者病变而发生变化时也能够实现稳定的检测。
本发明的第二图像处理装置、第二图像处理方法和第二图像处理程序对通过对对象成像而获得的三维图像执行预定检测处理来计算表示由线性结构形成的目标组织的多个候选点的位置信息和主轴方向;并且使用成本函数来执行重构处理从而连接所述多个候选点,该成本函数采用基于所计算的位置信息和主轴方向的变量。因此,即使在三维图像内存在作为噪声的候选点时,也能够正确地检测目标组织而不发生错误的连接。
附图说明
图1是图像处理装置的功能方框图;
图2是用于解释最小生成树技术的视图;
图3A是示出树结构的候选点和连接的示例的视图,用于解释非专利文献1(所检测的候选点的示例);
图3B是示出树结构的候选点和连接的示例的视图,用于解释非专利文献1(树结构);
图4A是示出由体积呈现生成的心脏区域的第一图;
图4B是示出由体积呈现生成的心脏区域的第二图;
图5是示出由本发明的实施例执行的处理序列的流程图;
图6是用于解释高斯金字塔结构的概念图;
图7是用于解释如何计算线性结构的主轴方向的概念图;
图8是用于解释归一化处理的概念图;
图9是用于解释连接两个候选点(结点)的基础线以及由该基础线和该两个候选点中的每一个的主轴方向确定的两个锐角之和的概念图;
图10是用于解释成本函数(距离)的曲线图;
图11是用于解释成本函数(角度)的曲线图;
图12是用于解释成本函数(CT值)的曲线图;
图13A是用于解释树结构的重构(连接之前)的概念图;
图13B是用于解释树结构的重构(后续的连接)的概念图;
图14A是用于解释对于冠状动脉和静脉的重构处理的第一概念图;
图14B是用于解释对于冠状动脉和静脉的重构处理的第二概念图;
图14C是用于解释对于冠状动脉和静脉的重构处理的第三概念图;
图15A是用于解释如何将心脏区域的形状表达为成本函数的第一概念图;
图15B是用于解释如何将心脏区域的形状表达为成本函数的第二概念图;
图16是用于解释成本函数(心脏的形状)的曲线图;
图17A是用于解释现有技术的第一概念图;以及
图17B是用于解释现有技术的第二概念图。
具体实施方式
以下,将参照附图描述本发明的图像处理装置的实施例。
图1是示出根据本发明优选实施例的图像处理装置的方框图。
应该注意,图1所示的图像处理装置的配置通过在计算机(例如个人计算机)上执行被读入辅助存储器设备(未示出)中的程序来实现。所述程序记录在诸如CD-ROM的数据记录介质中,或者经由诸如互联网的网络分配并且安装在计算机中。
图像处理装置自动检测由三维图像表示的目标组织,所述三维图像由诸如由X射线CT装置10成像的多个二维图像构成。所述图像处理装置包括:候选点计算部25和重构处理部70。
图像获得部20、输入部80和显示部90连接到图像处理装置。
图像获得部20获得由诸如图1所示的X射线CT装置10的成像装置成像的CT图像(二维图像)。应该注意,图像获得装置20并不限于获得CT的装置,也可以获得其它类型的二维图像,例如MRI图像、RI图像、PET图像和X射线图像。此外,图像获得部20获得由多个这样的二维图像构成的三维图像。
输入部80包括键盘、鼠标等等。
本发明的图像处理装置由以下组件构成:候选点计算部25,用于通过对对象成像获得的三维图像执行预定检测处理,来计算表示由线性结构形成的目标组织的多个候选点的位置信息和主轴方向;以及重构处理单元70,用于使用成本函数来执行重构以连接所述多个候选点,其中所述成本函数采用基于所计算的位置信息和主轴方向的变量。
所述候选点计算部25由以下组件构成:检测区域设定部30;主轴/法线方向计算部40(以下也将其称为“主轴方向计算部40”和“主轴计算部40”);归一化处理部50;以及判断部60。
候选点计算部25通过对三维图像执行预定检测处理来计算表示由线性结构形成的目标组织的多个候选点的位置信息和主轴方向。
候选点计算部25通过计算关于检测区域的汉森矩阵并且通过分析所计算的汉森矩阵的特征值来计算所述多个候选点中的每一个候选点的位置信息和主轴方向。进而,候选点计算部25可以基于所述特征值是否满足预定的阈值条件来检测候选点。
候选点计算部配备有:检测区域设定部30,用于在由图像获得部20获得的三维图像内设定检测区域;主轴方向计算部40,用于计算所述检测区域内由线性结构形成的目标组织的主轴方向;归一化处理部50,用于基于所述主轴方向对包括所述候选目标组织的候选目标区域执行归一化处理;以及判断部60,用于计算已归一化的候选目标区域的特征量,并且用于使用所计算的特征量判断目标组织是否包括在所述候选目标区域中。
检测区域设定部30在由图像获得部20获得的三维图像内设定检测区域。检测区域设定部30通过执行检测算法来设定检测区域。由检测区域设定部30执行的检测算法的示例包括:阈值处理和分段处理。检测区域的示例是心脏。
此外,检测区域设定部30可以将由输入部80输入的区域设定为检测区域。
主轴/法线方向计算部40计算检测区域内由线性结构形成的候选目标组织的主轴方向。主轴/法线方向计算部40计算由检测区域设定部30设定的检测区域内由线性结构形成的候选目标组织的主轴方向或者由平面结构形成的候选目标组织的法线方向。主轴/法线方向计算部40通过计算关于检测区域的汉森矩阵并且通过例如分析所计算的汉森矩阵的特征值来计算主轴方向或者法线方向。并且,主轴/法线方向计算部40基于所述特征值是否满足预定的阈值条件来判断所述候选目标组织是由线性结构形成还是由平面结构形成。从而,可以粗略判断候选目标组织是线性结构还是平面结构。也可以采取这样的配置,即其中判断部60执行关于候选目标组织是线性结构还是平面结构的更加精确的判断。
归一化处理部50基于由主轴计算部40计算的主轴方向对包括目标组织的目标区域执行归一化处理。
判断部60计算已归一化的目标区域的特征量,并且使用所计算的特征量判断真实的目标组织是否包括在目标区域中。
判断部60可以配备有基于与所述目标组织相同种类的目标组织的主轴方向或者法线方向,对包括该相同类型的目标组织且提前制备的三维图像进行归一化而得到的数据,以作为教师数据;并且可以通过利用使用所述教师数据的机器学习方法来分析所计算的特征量,从而判断所述候选目标区域是否包括所述目标组织。在用于判别冠状动脉的分类器的学习期间,除了冠状动脉的线性部分以外,采用表示弯曲部分、分支部分和诸如狭窄、钙化和支架位置的病变部分的数据作为正教师数据。通过执行包括这样的数据的教师数据的学习,判断将能够处理冠状动脉中的变化,并且能够以高精确度将病变部分判别为血管。可以将表示除了冠状动脉以外的随机部分的数据制备为负教师数据。
具体而言,可以考虑将基于自适应增强的机器学习技术,即用于产生综合学习机器的技术,用作对于目标组织的检测方法。判断部60使用基于诸如特征点检测和自适应增强的已知技术的机器学习技术,在每一个重新采样步骤中连续更新学习数据的权重,并且最终对所产生的机器进行加权,以产生综合学习机器。在学习采样图像中,在目标组织是线性结构的情况下,指定目标组织的中心坐标和主轴方向或者半径。将其中目标组织以中心坐标为旋转中心沿着其主轴方向旋转的立方体指定为感兴趣区域。该立方体的规模由半径进行标准化。包括表示弯曲部分、分支部分和诸如狭窄、钙化和支架位置的病变部分的数据作为用于判别冠状动脉的正学习样本。将表示除了冠状动脉以外的随机部分的数据制备为负教师数据。
接下来,将随机选择的像素对的值的n个组合指定为特征量,并且通过基于自适应增强的机器学习技术产生用于判别正和负模式的分类器。在检测目标组织时,扫描三维图像,剪切在其中心处具有感兴趣像素的各种尺寸的立方区域,并且计算特征量。将所计算的特征量输入到在学习步骤中获得的分类器。根据分类器获得判别值(score),并且在判别值超出预定阈值时判断所扫描的部分表示目标组织。
将CT值在CT图像内的X、Y、Z、XY、YZ和ZX方向上的一次微分值指定为用于判别的特征量。或者,可以采用CT值的绝对值、CT值的直方图、二次微分值等作为用于判别的特征量。
可选地,可以采用诸如线性判别方法、神经网络、支持向量机器等的其它统计分析方法和机器学习方法作为用于检测目标组织的技术。
判断部60通过前述技术从三维图像中检测目标组织的多个位置,并且计算多个候选点。
还提供了显示部70,该显示部是显示二维图像或者三维图像的监视器、CRT屏幕等。通过体积呈现并且显示被判断为目标组织的区域,可以整体地观看线性结构或者平面结构的全体,并且可以观察其连续性。通过在如图4A(图4A的示例中的心脏区域)所示的显示部70上体积呈现和显示被判断为检测区域的区域,放射科医生可以可视化地确认该检测区域。此外,通过在如图4B所示的显示部70上体积呈现和显示目标组织(血管A1)和检测区域(心脏区域),放射科医生可以观察线性结构的全体并且可视化地确定其连续性。
应该注意,判断部60将包括剪切出的真实目标组织的目标区域内的预定点计算为候选点。
重构处理部70使用成本函数执行重构以连接所述多个候选点,该成本函数采用基于所计算的位置信息和主轴方向的变量。此外,重构处理部70采用具有以下条件的成本函数执行重构:基于多个候选点中至少两个候选点的每一个候选点的位置信息,所述至少两个候选点之间的关系是它们彼此位于预定的距离内,并且由连接两个候选点的基础线和两个候选点的每一个的主轴方向确定的两个锐角之和小于预定的角度。具体地,重构处理部70可以采用最小生成树技术来执行重构。或者,重构处理部70可以采用成本函数,所述成本函数采用两个候选点的亮度值作为变量。
接下来,将描述由具有上述配置的图像处理装置执行的处理。
图5是示出由该图像处理装置执行的处理序列以检测三维图像内由线性结构形成的目标组织的流程图。
首先,如图5所示的,将由X射线CT装置10成像的三维图像输入到图像获得部20(步骤S1)。
接下来,检测区域设定部通过执行前述的检测算法检测心脏区域。检测区域设定部30设定所检测的心脏区域内的检测区域(步骤S2)。这些检测区域是通过对对象成像获得的三维图像内包括目标区域的预定区域。检测区域可以是例如包括心脏区域或者心脏区域的一部分的区域。
检测区域设定部30将三维图像转换为多重分辨率并且生成高斯金字塔,以检测所述检测区域内由线性结构形成的目标组织。
之后,检测区域设定部30对于如图6所示的每一个生成的高斯金字塔执行检测算法。从而检测出由具有不同尺寸的线性结构形成的候选目标组织(例如冠状动脉)。
检测区域设定部30针对作为高斯金字塔结构的检测区域6A、检测区域6B和检测区域6C顺序执行扫描,并且设定待执行检测处理的坐标。通过顺序扫描具有多重分辨率的图像,可以检测具有不同尺寸的目标组织(例如冠状动脉)。
接下来,主轴方向计算部40计算在其中心处具有检测坐标的局部区域内的目标组织(例如冠状动脉)的主轴方向(步骤S3)。
主轴方向计算部40分析位于包括候选目标组织的区域内的汉森矩阵的特征值,以计算主轴方向。汉森矩阵是具有二阶偏微分系数作为元素的矩阵。在三维图像中,它们是如在公式(1)中示例的3×3矩阵。
【公式1】
【公式2】
在采用高斯核(f)函数的情况下,通过公式(2)推导用于获得汉森矩阵的滤波器系数。指定δ的值以对应于待检测的线性结构的尺寸。
在对汉森矩阵和特征值进行特征值分解并且获得特征向量时,与最接近0的特征值相对应的特征向量表示主轴方向。
线性结构已知的特征在于具有两个大的特征值和一个接近于0的特征值。因此,可有效地根据特征值判断候选物是线性结构的可能性并且然后对于剩余的候选物执行更加详细的判断。此外,平面结构已知的特征在于具有大绝对值的一个特征值以及接近于0的两个特征值。对于由线性结构形成的目标组织,公式(1)的特征值将具有公式(3)的关系。
【公式3】
λ1≈0
λ2,λ3>>0
归一化处理部50基于由主轴方向计算部40计算的主轴方向,对包括目标组织的目标区域执行归一化处理(步骤S4)。如图8所示的,归一化处理部50沿着所计算的主轴方向剪切出归一化图像。如由元素8B所表明的,在已经执行了归一化处理之后该目标组织的三维图像的特征在于旋转不变。然而,该图像处理装置并不必需执行该归一化处理。可选地,判断部60可以利用机器学习技术以在执行归一化的相同条件下获得用于判别的特征量。
接下来,判断部60计算归一化的目标区域的特征量,并且利用所计算的特征量判断真实的目标组织是否包括在目标区域中(步骤S5)。
判断部60通过前述的机器学习技术等从归一化处理部50已经对其执行了归一化处理的目标区域中提取特征量,并且执行关于真实的目标组织是否存在的判断。
在判断候选目标组织是真实的目标组织的情况下,判断部60指定从图像剪切出的目标区域内的预定点作为候选点。在仍然存在待判断的剩余目标区域时(步骤S6:是),重复判断。
应该注意,本发明的实施例被描述为目标组织是冠状动脉的示例。然而,可以利用本发明提取其它线性结构,例如脑血管、肝脏血管、肺部血管和支气血管。
如上所述,本发明的图像处理装置计算检测区域内由线性结构形成的候选目标组织的主轴方向以及所述检测区域内由平面结构形成的候选目标组织的法线方向;基于所述主轴方向或者所述法线方向对包括所述候选目标组织的候选目标区域执行归一化处理;计算已归一化的候选目标区域的特征量;并且使用所计算的特征量判断目标组织是否包括在所述候选目标区域中。因此,即使在由线性结构形成的目标组织的外表由于弯曲、分支或者疾病而变化时,也能够进行稳定的检测。
接下来,在完成关于所有目标区域的判断并且没有必要判断时(步骤S6:否),采用具有以下条件的成本函数执行重构以连接多个候选点:基于多个候选点中的至少两个候选点的每一个候选点的位置信息,所述两个候选点之间的关系是它们在距彼此预定的距离内,以及由连接所述两个候选点的基础线和所述两个候选点的每一个的主轴方向确定的两个锐角之和小于预定的角度(步骤S7)。
具体而言,重构处理部70使用最小生成树技术重构该组多个候选点,以获得作为目标组织的冠状动脉的树结构。此时,重构处理部70采用候选点中的边缘数据设定成本函数。
例如,对于彼此接近的候选点,成本函数将候选点中边缘数据的权重设定为较低。进而,成本函数将候选点之间的边缘数据的权重设定得越低,对于所述候选点,如图9所示的,由连接两个候选点(结点1、结点2)的基础线L以及这两个候选点的每一个的主轴方向确定的两个锐角之和(角1+角2)小于预定的角度,则这两个锐角之和就越小。通过按照这种方式设定成本函数,重构处理部70能够将处于图13A所示的未连接状态下的候选点连接和重构为如图13B所示的。
具体而言,重构处理部70将成本函数设定为如公式(4)所示。
【公式4】
1.0-f距离&半径×f方向×f心脏形状
采用候选点之间的距离、血管的半径、主轴方向以及候选点的CT值作为变量,设定成本函数。
公式(4)中采用候选点之间的距离和血管半径的高斯核(f)函数是随着物理距离增加而产生较小输出的函数,并且如图10所示的进行设定。图10的曲线图的纵轴表示采用候选点之间的距离和血管半径的高斯核(f)函数。图10的曲线图的水平轴表示两个候选点之间的距离被候选点的血管半径除。
或者,可以设定成本函数以使得通过根据血管半径进行归一化,即使在长的距离上对于厚的血管也能够获得较高输出。血管的半径(厚度)表示在候选点的判别期间多重分辨率图像的规模。例如,对于在具有1.0mm体素数据分辨率的图像内检测的候选物,将血管的半径设定为2.0mm,对于在具有2.0mm体素数据分辨率的图像内检测的候选物,将血管的半径设定为4.0mm。
设定公式(4)中采用主轴方向的高斯核(f)函数以使得输出随着两个候选点(结点1和结点2)分开指向的方向(角度1和角度2)而变得更小,如在图11所示的。如前所述,将候选点之间的边缘数据的权重设定得越低,对于所述候选点,如图9所示的,由连接两个候选点(结点1、结点2)的基础线L和所述两个候选点的每一个的主轴方向确定的两个锐角之和(角1+角2)小于预定的角度,这两个锐角之和就越小。
随着两个锐角之和小于预定的角度并且以这种方式接近于0,方向之间的一致度变得更大。
应该注意,图11的曲线图的垂直轴表示高斯核(f)函数,并且水平轴表示主轴方向之间的一致度。
由于重构处理部70通过最小生成树技术连接候选点来生成树结构,因此该重构处理部70遵循不存在环路的基本规则。为此,在如图14A所示的静脉(由虚线表示)与动脉(由点划线表示)相交的情况下,切断环路内的一个点并且执行重构,如图14B所示。通过考虑成本函数中的CT值,能够正确地重构沿着静脉的路径(由虚线表示)和动脉的路径(由点划线表示)布置的没有连接的边缘,如图14C所示。
此外,设定公式(4)中采用CT值的高斯核(f)函数以使得输出随着CT值在候选点的位置处更低而变得更小。将利用造影剂成像的冠状动脉的CT值处于大致200到400的范围内作为标准。图12的曲线图的垂直轴表示采用CT值的高斯核(f)函数,并且水平轴表示候选点(结点)的CT值。
进而,所述成本函数可以是将心脏的形状设定为权重的函数。
具体而言,利用如图15A所示的动脉A2存在于基本上是椭圆形的心脏H1周围的事实。采用最小二乘法以使椭圆体拟合于结点3和结点4的一组点(候选点),如图15B所示的,并且计算连接所述点的方向。图16所示的采用心脏形状的高斯核(f)函数计算椭圆体的切线方向,在两个角度之间的差异小时降低成本,并且随着所述方向接近于椭圆体的法线方向(随着该差异接近于90度)而将权重设定得更小。图16的曲线图的垂直轴表示采用心脏形状的高斯核(f)函数,水平轴表示连接两个候选点(结点)的方向与椭圆体的切线方向之间的差异。
应该注意,高斯核(f)函数可以采用任何组织的任何形状,而不限于心脏形状。
按照这种方式,重构处理部70使用采用前述成本函数的最小生成树技术,计算是否能够连接所检测的多个候选点中的至少两个候选点。此外,也可以计算其它候选点的关系,以检测目标组织。
如上所述,本发明的图像处理装置对通过对对象成像获得的三维图像执行预定检测处理来计算表示由线性结构形成的目标组织的多个候选点的位置信息和主轴方向;并且使用采用基于所计算的位置信息和主轴方向的变量的成本函数,执行重构处理以连接所述多个候选点。因此,即使在三维图像内存在作为噪声的候选点的情况下,也能够正确地检测目标组织而不发生错误的连接。
Claims (19)
1.一种图像处理装置,其特征在于,包括:
检测区域设定部,用于在通过对对象成像而获得的三维图像内设定检测区域;
主轴/法线方向计算部,用于计算所述检测区域内由线性结构形成的候选目标组织的主轴方向以及所述检测区域内由平面结构形成的候选目标组织的法线方向;
归一化处理部,用于基于所述主轴方向或者所述法线方向,对包括所述候选目标组织的候选目标区域执行归一化处理;以及
判断部,用于计算已归一化的候选目标区域的特征量,并且用于使用所计算的特征量,判断目标组织是否包括在所述候选目标区域中。
2.如权利要求1所述的图像处理装置,其特征在于:
所述主轴/法线方向计算部通过计算关于所述检测区域的汉森矩阵并且通过分析所计算的汉森矩阵的特征值,来计算所述主轴方向或者所述法线方向。
3.如权利要求2所述的图像处理装置,其特征在于:
所述主轴/法线方向计算部基于所述特征值是否满足预定的阈值条件,判断所述候选目标组织是由线性结构形成还是由平面结构形成。
4.如权利要求1至3中任一项所述的图像处理装置,其特征在于:
所述判断部配备有基于与所述目标组织相同种类的目标组织的主轴方向或者法线方向,对包括该相同类型的目标组织且提前制备的三维图像进行归一化而得到的数据,以作为教师数据;并且
所述判断部通过利用使用所述教师数据的机器学习方法分析所计算的特征量来判断所述候选目标区域是否包括所述目标组织。
5.如权利要求1至4中任一项所述的图像处理装置,其特征在于:
所述目标组织是冠状动脉。
6.如权利要求1至5中任一项所述的图像处理装置,其特征在于:
所述检测区域是包括所述对象的心脏区域的区域。
7.一种图像处理方法,其特征在于,包括:
在通过对对象成像而获得的三维图像内设定检测区域;
计算所述检测区域内由线性结构形成的候选目标组织的主轴方向以及所述检测区域内由平面结构形成的候选目标组织的法线方向;
基于所述主轴方向或者所述法线方向,对包括所述候选目标组织的候选目标区域执行归一化处理;
计算已归一化的候选目标区域的特征量;以及
使用所计算的特征量,判断目标组织是否包括在所述候选目标区域中。
8.一种程序,其特征在于,使计算机实现以下功能:
在通过对对象成像而获得的三维图像内设定检测区域;
计算所述检测区域内由线性结构形成的候选目标组织的主轴方向以及所述检测区域内由平面结构形成的候选目标组织的法线方向;
基于所述主轴方向或者所述法线方向,对包括所述候选目标组织的候选目标区域执行归一化处理;
计算已归一化的候选目标区域的特征量;以及
使用所计算的特征量,判断目标组织是否包括在所述候选目标区域中。
9.一种图像处理装置,其特征在于,包括:
候选点计算部,用于对通过对对象成像而获得的三维图像执行预定检测处理,来计算表示由线性结构形成的目标组织的多个候选点的位置信息和主轴方向;以及
重构处理部,用于使用成本函数来执行重构,从而连接所述多个候选点,其中所述成本函数采用基于所计算的位置信息和所述主轴方向的变量。
10.如权利要求9所述的图像处理装置,其特征在于:
所述重构处理部采用具有以下条件的成本函数执行重构:基于所述多个候选点中至少两个候选点中的每一个候选点的所述位置信息,所述至少两个候选点之间的关系是它们在距彼此预定的距离内,并且由连接所述两个候选点的基础线以及所述两个候选点中的每一个候选点的主轴方向确定的两个锐角之和小于预定的角度。
11.如权利要求9或者10所述的图像处理装置,其特征在于:
所述候选点计算部通过计算关于所述检测区域的汉森矩阵并且通过分析所计算的汉森矩阵的特征值,来计算所述多个候选点中的每一个候选点的所述位置信息和所述主轴方向。
12.如权利要求11所述的图像处理装置,其特征在于:
所述候选点计算部基于所述特征值是否满足预定的阈值条件来检测所述候选点。
13.如权利要求9至11中任一项所述的图像处理装置,其特征在于:
所述候选点计算部配备有:
归一化处理部,用于基于所述主轴方向,对包括所述候选目标组织的候选目标区域执行归一化处理;以及
判断部,用于计算已归一化的候选目标区域的特征量,并且用于使用所计算的特征量,判断真实的目标组织是否包括在所述候选目标区域中。
14.如权利要求13所述的图像处理装置,其特征在于:
所述判断部配备有基于与所述目标组织相同种类的目标组织的主轴方向或者法线方向,对包括该相同类型的目标组织且提前制备的三维图像进行归一化而得到的数据,以作为教师数据;并且
所述判断部通过利用使用所述教师数据的机器学习方法,分析所计算的特征量来判断所述候选目标区域是否包括真实的目标组织。
15.如权利要求9至14中任一项所述的图像处理装置,其特征在于:
所述重构处理部使用最小生成树技术来执行重构。
16.如权利要求9至15中任一项所述的图像处理装置,其特征在于:
所述重构处理部使用采用两个候选点的亮度值作为变量的成本函数。
17.如权利要求9至16中任一项所述的图像处理装置,其特征在于:
所述目标组织是冠状动脉。
18.一种图像处理方法,其特征在于,包括:
对通过对对象成像而获得的三维图像执行预定检测处理,来计算表示由线性结构形成的目标组织的多个候选点的位置信息和主轴方向;以及
使用成本函数来执行重构处理,从而连接所述多个候选点,其中所述成本函数采用基于所计算的位置信息和所述主轴方向的变量。
19.一种程序,其特征在于,使计算机实现以下功能:
对通过对对象成像而获得的三维图像执行预定检测处理,来计算表示由线性结构形成的目标组织的多个候选点的位置信息和主轴方向;以及
使用成本函数来执行重构处理,从而连接所述多个候选点,其中所述成本函数采用基于所计算的位置信息和所述主轴方向的变量。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009-048679 | 2009-03-03 | ||
JP2009048679A JP4709290B2 (ja) | 2009-03-03 | 2009-03-03 | 画像処理装置および方法並びにプログラム |
JP2009-069895 | 2009-03-23 | ||
JP2009069895A JP4717935B2 (ja) | 2009-03-23 | 2009-03-23 | 画像処理装置および方法並びにプログラム |
PCT/JP2010/001191 WO2010100858A1 (ja) | 2009-03-03 | 2010-02-23 | 画像処理装置および方法並びにプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102112056A true CN102112056A (zh) | 2011-06-29 |
Family
ID=42709428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010800022477A Pending CN102112056A (zh) | 2009-03-03 | 2010-02-23 | 图像处理装置、图像处理方法和图像处理程序 |
Country Status (7)
Country | Link |
---|---|
US (1) | US8526690B2 (zh) |
EP (1) | EP2404553B1 (zh) |
CN (1) | CN102112056A (zh) |
AU (1) | AU2010220015A1 (zh) |
BR (1) | BRPI1004212A2 (zh) |
CA (1) | CA2732647C (zh) |
WO (1) | WO2010100858A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107427268A (zh) * | 2014-11-14 | 2017-12-01 | 西门子保健有限责任公司 | 用于基于纯几何机器学习的血流储备分数的方法和系统 |
CN113962958A (zh) * | 2021-10-21 | 2022-01-21 | 四川大学华西医院 | 一种征象检测方法及装置 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004925B (zh) * | 2010-11-09 | 2012-08-29 | 无锡中星微电子有限公司 | 物体分类模型的训练方法及利用该模型的识别方法 |
WO2012078636A1 (en) | 2010-12-07 | 2012-06-14 | University Of Iowa Research Foundation | Optimal, user-friendly, object background separation |
CA2825169A1 (en) | 2011-01-20 | 2012-07-26 | University Of Iowa Research Foundation | Automated determination of arteriovenous ratio in images of blood vessels |
JP5263995B2 (ja) | 2011-03-18 | 2013-08-14 | 富士フイルム株式会社 | ネットワーク構築装置および方法ならびにプログラム |
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 |
JP2012223338A (ja) | 2011-04-19 | 2012-11-15 | Fujifilm Corp | 木構造作成装置および方法ならびにプログラム |
JP5391229B2 (ja) | 2011-04-27 | 2014-01-15 | 富士フイルム株式会社 | 木構造抽出装置および方法ならびにプログラム |
US8867822B2 (en) * | 2011-10-14 | 2014-10-21 | Fujifilm Corporation | Model-based coronary artery calcium scoring |
JP5748636B2 (ja) * | 2011-10-26 | 2015-07-15 | 富士フイルム株式会社 | 画像処理装置および方法並びにプログラム |
US9545196B2 (en) | 2012-05-04 | 2017-01-17 | University Of Iowa Research Foundation | Automated assessment of glaucoma loss from optical coherence tomography |
JP5946127B2 (ja) | 2012-05-11 | 2016-07-05 | 富士通株式会社 | シミュレーション方法、シミュレーション装置、およびシミュレーションプログラム |
JP5777070B2 (ja) * | 2012-09-14 | 2015-09-09 | 富士フイルム株式会社 | 領域抽出装置、領域抽出方法および領域抽出プログラム |
JP5833994B2 (ja) | 2012-09-20 | 2015-12-16 | 富士フイルム株式会社 | 画像処理装置および方法ならびにプログラム |
US9020982B2 (en) * | 2012-10-15 | 2015-04-28 | Qualcomm Incorporated | Detection of planar targets under steep angles |
WO2014143891A1 (en) * | 2013-03-15 | 2014-09-18 | University Of Iowa Research Foundation | Automated separation of binary overlapping trees |
WO2014168350A1 (ko) | 2013-04-10 | 2014-10-16 | 재단법인 아산사회복지재단 | 폐동맥과 폐정맥을 구분하는 방법 및 이를 이용한 혈관의 정량화 방법 |
JP6358590B2 (ja) | 2013-08-09 | 2018-07-18 | 富士通株式会社 | 血管データ生成装置、血管データ生成方法、および血管データ生成プログラム |
WO2015143435A1 (en) | 2014-03-21 | 2015-09-24 | University Of Iowa Research Foundation | Graph search using non-euclidean deformed graph |
CN104978725B (zh) * | 2014-04-03 | 2020-03-31 | 上海联影医疗科技有限公司 | 一种冠状动脉分割方法和装置 |
US10115194B2 (en) | 2015-04-06 | 2018-10-30 | IDx, LLC | Systems and methods for feature detection in retinal images |
CN112037194B (zh) * | 2020-08-31 | 2023-04-07 | 中冶赛迪信息技术(重庆)有限公司 | 一种冷床乱钢检测方法、系统、设备及介质 |
JP2022095024A (ja) * | 2020-12-16 | 2022-06-28 | キヤノン株式会社 | 学習データ生成装置、学習データ生成方法及びコンピュータプログラム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040220466A1 (en) * | 2003-04-02 | 2004-11-04 | Kazuhiko Matsumoto | Medical image processing apparatus, and medical image processing method |
US20070058849A1 (en) * | 2003-04-24 | 2007-03-15 | Cristian Lorenz | Region delineation in computer tomographic angiography |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7346209B2 (en) | 2002-09-30 | 2008-03-18 | The Board Of Trustees Of The Leland Stanford Junior University | Three-dimensional pattern recognition method to detect shapes in medical images |
JP4564233B2 (ja) | 2003-01-31 | 2010-10-20 | 株式会社東芝 | 画像処理装置、画像データ処理方法、及びプログラム |
EP1884193A4 (en) | 2005-05-23 | 2010-01-27 | Konica Minolta Med & Graphic | METHOD FOR DISPLAYING ABNORMAL SHADOW CANDIDATE, AND MEDICAL IMAGE PROCESSING SYSTEM |
JP2006346094A (ja) * | 2005-06-15 | 2006-12-28 | Konica Minolta Medical & Graphic Inc | 検出情報の出力方法及び医用画像処理システム |
US7894664B2 (en) * | 2006-03-22 | 2011-02-22 | University Of Washington | Conditional shape model for image processing |
JP4999163B2 (ja) | 2006-04-17 | 2012-08-15 | 富士フイルム株式会社 | 画像処理方法および装置ならびにプログラム |
-
2010
- 2010-02-23 CA CA2732647A patent/CA2732647C/en not_active Expired - Fee Related
- 2010-02-23 CN CN2010800022477A patent/CN102112056A/zh active Pending
- 2010-02-23 WO PCT/JP2010/001191 patent/WO2010100858A1/ja active Application Filing
- 2010-02-23 BR BRPI1004212A patent/BRPI1004212A2/pt not_active IP Right Cessation
- 2010-02-23 AU AU2010220015A patent/AU2010220015A1/en not_active Abandoned
- 2010-02-23 US US12/737,623 patent/US8526690B2/en active Active
- 2010-02-23 EP EP10748460.2A patent/EP2404553B1/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040220466A1 (en) * | 2003-04-02 | 2004-11-04 | Kazuhiko Matsumoto | Medical image processing apparatus, and medical image processing method |
US20070058849A1 (en) * | 2003-04-24 | 2007-03-15 | Cristian Lorenz | Region delineation in computer tomographic angiography |
Non-Patent Citations (2)
Title |
---|
HIDENORI SHIKATA: "Bimansei Hai Shikkan Gazo kara no hai chushutsu algorithm no kento", 《IEICE TECHNICAL REPORT》 * |
JINGHAO ZHOU 等: "vascular structure segmentation and bifurcation detection", 《BIOMEDICAL IMAGING:FROM NANO TO MACRO》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107427268A (zh) * | 2014-11-14 | 2017-12-01 | 西门子保健有限责任公司 | 用于基于纯几何机器学习的血流储备分数的方法和系统 |
CN113962958A (zh) * | 2021-10-21 | 2022-01-21 | 四川大学华西医院 | 一种征象检测方法及装置 |
CN113962958B (zh) * | 2021-10-21 | 2023-05-05 | 四川大学华西医院 | 一种征象检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
EP2404553A4 (en) | 2013-03-13 |
WO2010100858A1 (ja) | 2010-09-10 |
EP2404553A1 (en) | 2012-01-11 |
AU2010220015A1 (en) | 2010-09-10 |
US20110135172A1 (en) | 2011-06-09 |
CA2732647A1 (en) | 2010-09-10 |
AU2010220015A2 (en) | 2011-03-10 |
BRPI1004212A2 (pt) | 2016-02-23 |
EP2404553B1 (en) | 2015-06-24 |
US8526690B2 (en) | 2013-09-03 |
CA2732647C (en) | 2014-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102112056A (zh) | 图像处理装置、图像处理方法和图像处理程序 | |
CN101133431B (zh) | 能够减少物体运动造成的成像伪影的生物医学图像配准方法 | |
CN108257134A (zh) | 基于深度学习的鼻咽癌病灶自动分割方法和系统 | |
US6609021B1 (en) | Pulmonary nodule detection using cartwheel projection analysis | |
US20030208116A1 (en) | Computer aided treatment planning and visualization with image registration and fusion | |
JP2010220742A (ja) | 画像処理装置および方法並びにプログラム | |
US7684602B2 (en) | Method and system for local visualization for tubular structures | |
CN107274399A (zh) | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 | |
CN108109151B (zh) | 基于深度学习和形变模型超声心动图心室分割方法及装置 | |
US20050259856A1 (en) | Nodule detection | |
US7355605B2 (en) | Method and system for automatic orientation of local visualization techniques for vessel structures | |
Widodo et al. | Lung diseases detection caused by smoking using support vector machine | |
CN102171725B (zh) | 脑室分析 | |
US7961923B2 (en) | Method for detection and visional enhancement of blood vessels and pulmonary emboli | |
JP5364009B2 (ja) | 画像生成装置、画像生成方法、及びそのプログラム | |
Heeneman et al. | Lung nodule detection by using Deep Learning | |
JP4709290B2 (ja) | 画像処理装置および方法並びにプログラム | |
US8165375B2 (en) | Method and system for registering CT data sets | |
CN101278316B (zh) | 自动分割乳房mr序列中的脉管的系统和方法 | |
Cerrolaza et al. | Modeling human tissues: an efficient integrated methodology | |
US20220414882A1 (en) | Method for automatic segmentation of coronary sinus | |
Shen et al. | Evaluation and analysis of cardiovascular function in intensive care unit patients by ultrasound image segmentation based on deep learning | |
Singh et al. | Convolutional neural network system for brain tumor detection | |
Coombes | Shape classification: Towards a mathematical description of the face | |
Sinha et al. | An Introduction to Medical Image Analysis in 3D |
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: 20110629 |