CN102207992B - 医学图像诊断辅助技术 - Google Patents

医学图像诊断辅助技术 Download PDF

Info

Publication number
CN102207992B
CN102207992B CN201110034619.0A CN201110034619A CN102207992B CN 102207992 B CN102207992 B CN 102207992B CN 201110034619 A CN201110034619 A CN 201110034619A CN 102207992 B CN102207992 B CN 102207992B
Authority
CN
China
Prior art keywords
branched
branched structure
relevant
region
surrounding
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
CN201110034619.0A
Other languages
English (en)
Other versions
CN102207992A (zh
Inventor
水野修
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.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
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 Fujifilm Corp filed Critical Fujifilm Corp
Publication of CN102207992A publication Critical patent/CN102207992A/zh
Application granted granted Critical
Publication of CN102207992B publication Critical patent/CN102207992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

在利用示出了被检体内部结构的三维医学图像进行图像诊断时，可识别出异常区域的必要且充分的治疗目标区域，其中所述被检体内部结构由分支结构和周围结构构成。病变区域检测单元33检测出异常周围结构(病变区域)；肺部血管提取单元32从三维医学图像中提取出分支结构(肺部血管)；相关血管识别单元35基于提取出的分支结构中各点的位置信息，识别出与异常周围结构功能上相关的相关分支结构；相关肺实质区域识别单元36基于提取出的分支结构中各点的位置信息，识别出与已被识别出的相关分支结构功能上相关的相关周围结构(肺实质)。

Description

医学图像诊断辅助技术
技术领域
本发明涉及利用三维医学图像来辅助图像诊断的技术，其中所述三维医学图像显示由分支结构和周围结构构成的被检体内部结构，例如，肺。
背景技术
作为利用通过CT装置获得的显示胸部的三维医学图像来辅助图像诊断的技术，由三维医学图像自动地检测异常阴影(例如，肺癌等)的技术是已知的。
例如，已知这样的方法：该方法利用二维N-Quoit滤波器、可变邻域型Laplacian滤波器、Min-DD滤波器和反差滤波器(其均被延伸至三维)，由显示胸部的三维CT图像中检测肺癌阴影，例如，如文献A.Shimizu等人的“PerformanceEvaluationof3-DEnhancementFiltersforDetectionofLungCancerfrom3-DChestX-RayCTImages”，MedicalImagingTechnology，13卷，6期，853-864页，1995年11月(非专利文献1))中所述的那样。
此外，例如，如文献T.Tomida等人的“AutomaticclassificationmethodofSolidandGroundGlassOpacityinChestX-rayCTImages”，IEICETechnicalReport，MI2001-150(2010-01)，109卷，No.407，397-400页，2010年1月，2010(非专利文献2)中所述，提出了一种自动地将结节状阴影分为实性结节和磨玻璃样阴影的方法。该方法通过如下方式实现自动分类：通过灰度值阈值处理或对比度评价，将检测出的肺结节阴影划分为核和边缘部分；除了体积、球形度、纵横比、平均灰度值等特征量以外，还获取阴影中核的比值作为特征量；并进行标准判别分析。
关于除了肺癌以外的其它病变区域的检测方法，已知有将肺野区域中像素值小于预定阈值(对于非造影剂增强图像，阈值为-960HU)的区域检测为肺气肿区域的方法，如(例如)文献M.Kinsella等人的“Quantitationofemphysemabycomputedtomographyusinga“densitymask”programandcorrelationwithpulmonaryfunctiontests”，Chest，97，315-321页，1990(非专利文献3)中所述的那样。
此外，例如，如日本未审查专利公开No.2006-51365(专利文献1)中所述，已知这样一种方法，在该方法中，对肺部CT图像中的肺实质组织进行分割，然后生成分割图像的灌注图，并且检测灌注不足的异常区域。
在实际的医疗现场，当对由图像得出的病变检测结果以及其它检查结果进行综合评价，并确诊该病变为某种疾病之后，会将该病变切除、摘除或烧灼。此处，为了在治疗之后尽可能地保留其中发现有病变的器官的功能，应将治疗目标区域限定得尽可能小。另一方面，如果目标区域不足够大的话，则可能会残留一部分病变，并且还有可能会发生转移。因此，在对患病区域进行治疗之前，需要适当地确定治疗目标区域。
然而，这些非专利文献中所描述的方法均仅检测了肺野中的异常区域，关于在需要对异常区域进行某种治疗时应该如何辅助确定治疗目标区域的内容，这些文献则完全未记载。
鉴于上述情况而提出了本发明，并且本发明的目的是提供这样一种技术，当利用三维医学图像进行图像诊断时，该技术能够识别出异常区域中的必要且充分的治疗目标区域，其中所述三维医学图像显示了由分支结构和周围结构构成的被检体内部结构。
发明内容
本发明的医学图像诊断辅助设备为这样的设备，包括：
异常周围结构检测装置，其用于从三维医学图像中检测出作为周围结构的异常部分的异常周围结构，其中所述三维医学图像显示具有分支结构和周围结构的被检体内部结构，所述周围结构位于所述分支结构的周围并且与该分支结构功能上相关；
分支结构提取装置，其用于从所述三维医学图像中提取出所述分支结构；
相关分支结构识别装置，其用于基于提取出的所述分支结构中各点的位置信息，识别出分支结构中与所述异常周围结构功能上相关的部分，以作为相关分支结构；以及
相关周围结构识别装置，其用于基于提取出的所述分支结构中各点的位置信息，识别出周围结构中与已识别的相关分支结构功能上相关的部分，以作为相关周围结构。
本发明的医学图像诊断辅助方法为这样的方法，包括如下步骤：
从三维医学图像中检测出作为周围结构的异常部分的异常周围结构，其中所述三维医学图像显示具有分支结构和周围结构的被检体内部结构，所述周围结构位于所述分支结构的周围并且与该分支结构功能上相关；
从所述三维医学图像中提取出所述分支结构；
基于提取出的分支结构中各点的位置信息，识别出分支结构中与异常周围结构功能上相关的部分，以作为相关分支结构；以及
基于提取出的分支结构中各点的位置信息，识别出周围结构中与已识别的相关分支结构功能上相关的部分，以作为相关周围结构。
其上记录有本发明的医学图像诊断辅助程序的计算机可读取记录介质为这样一种介质，该介质上记录有使计算机执行上述方法的程序。
本文所用的术语“分支结构”是指具有分支结构的被检体内部结构。其具体例子包括血管、支气管等。
本文所用术语“周围结构”是指与分支结构一同执行被检体内部结构的特定功能的结构。“特定功能”的一个具体例子可以为：由流经分支结构的液体所输送的预定物质在周围结构与分支结构之间所发生的交换。
“被检体内部结构”的具体例子包括肺、肝等。当被检体内部结构为肺时，分支结构可以是血管或支气管，并且周围结构可以是肺实质。肺部血管可以为肺动脉和肺静脉中的任一者。当被检体内部结构为肝脏时，分支结构可以为血管，并且周围结构可以为肝实质。肝血管可以为肝动脉、肝静脉和肝门静脉中的任意一者。
“检测出异常周围结构”的方法可以为：在由三维医学图像生成的图像中，基于使用者的手动操作进行检测的方法；利用图像分析识别处理进行自动检测的方法；或者将这两种方法组合得到的方法。所述组合方法的具体例子可以包括：这样一种方法，其中通过使用者的手动操作指定基准点(例如，病变区域中的任意点)，然后基于该基准点进行预定的图像分析和识别处理，由此自动提取出异常周围结构；以及这样一种方法，其中通过预定的图像分析及识别处理自动地提取出候选的异常周围结构，然后通过使用者手动操作对这些候选的异常周围结构加以选择或修正，从而检测出异常周围结构。此外，可采用这样的方式，其中，预先从在不同成像时间获得的图像、由不同医疗设备获得的图像等(不同图像)中检测出周围结构中的异常部分，随后在所述不同图像与三维医学图像之间进行位置对准，以将被检体的内部结构中的位置对准，并基于该位置对准结果，将三维医学图像中的与不同图像中周围结构的异常部分相对应的部分检测为异常周围结构。
在本发明中，在进行相关分支结构和相关周围结构的识别之前，可基于提取出的分支结构中各点的位置信息来识别出分支结构中与周围结构中的各点功能上相关的点，随后可基于已识别出的周围结构中的各点与分支结构中的各点之间的功能对应关系来检测相关分支结构和相关周围结构。
此外，可根据给定的生长条件(其表示异常周围结构的未来生长程度)，对异常周围结构进行放大，并识别出分支结构中与放大后的异常周围结构功能上相关的部分，以作为相关分支结构。或者，可根据给定的生长条件，将分支结构中与异常周围结构功能上相关的部分延伸至分支结构的根侧(proximalside)，并将延伸后的部分识别为相关分支结构。
此外，给定的生长条件可表示多个生长步骤，可针对各生长步骤来放大异常周围结构，针对各生长步骤来识别相关分支结构，针对各生长步骤来识别相关周围结构，并可由三维医学图像生成一个或多个图像，这些图像至少示出相关周围结构和相关分支结构，并且以视觉上可识别的方式指出相关周围结构在各生长步骤间的变化。此处，所述的一个或多个图像还可以视觉上可识别的方式指出异常周围结构在各生长步骤间的变化。
在本发明中，可将周围结构中与如下部分功能上相关的部分识别为相关周围结构，所述部分为：分支结构中与异常周围结构功能上相关的部分、以及分支结构中位于与异常周围结构功能上相关的部分的末梢侧的部分。
此外，被检体内部结构可包括不同于所述分支结构的第二分支结构，然后可从三维医学图像中检测出第二分支结构，从而可识别出相关周围结构的界面与第二分支结构之间的交点。此处，可由三维医学图像生成这样的图像，该图像至少示出相关周围结构、相关分支结构以及与这两种结构相邻的第二分支结构，并以视觉上可识别的方式指出所述交点。
根据本发明，从显示被检体内部结构(该内部结构具有分支结构和周围结构)的三维医学图像中检测出异常周围结构，并提取出分支结构。随后，基于提取出的分支结构中各点的位置信息，识别出与异常周围结构功能上相关的相关分支结构、以及与已识别出的相关分支结构功能上相关的相关周围结构。因此，相关周围结构包括与邻近异常周围结构的相关分支结构功能上相关的结构，从而指示出作为异常周围结构的治疗目标区域的必要且充分的区域。因此，本发明可有助于基于相关周围结构，恰当且容易地决定异常周围结构的治疗策略。
附图说明
图1为医学图像诊断系统的示意性构造图，该医学图像诊断系统利用了本发明实施方案的医学图像诊断辅助设备。
图2为示意性示出用于实现本发明第一实施方案中的医学图像诊断辅助功能的构造以及工艺流程的方块图。
图3示出利用本发明第一实施方案的医学图像诊断系统来辅助医学图像诊断的处理流程的流程图。
图4示意性示出各个肺部分支血管的控制区域。
图5示意性示出用于识别与病变区域相关的血管的处理方式。
图6示意性示出用于识别与病变区域相关血管相关的肺实质区域的处理方式。
图7示意性示出当多个血管与病变区域相关时，用于识别相关血管及相关肺实质区域的处理方式。
图8示意性示出基于病变区域来识别相关血管和相关肺实质区域的处理方式的另一例子。
图9为示意性示出用于实现本发明第二实施方案中的医学图像诊断辅助功能的构造以及工艺流程的方块图。
图10示出利用本发明第二实施方案的医学图像诊断系统来辅助医学图像诊断的处理流程的流程图。
图11A示意性示出在时间点t1时的病变区域和相关肺实质区域。
图11B示意性示出在时间点t2时的病变区域和相关肺实质区域。
图11C示意性示出在时间点t3时的病变区域和相关肺实质区域。
图12示意性示出表示相关肺实质区域随着病变区域的延伸而延伸的显示图像的例子。
图13为示意性示出用于实现本发明第三实施方案中的医学图像诊断辅助功能的构造以及工艺流程的方块图。
图14示出利用本发明第三实施方案的医学图像诊断系统来辅助医学图像诊断的处理流程的流程图。
图15示意性示出显示图像的例子，所述显示图像示出了基于病变区域而识别出的相关肺实质区域与肺静脉或支气管之间的交点。
具体实施方式
下面，将以如下情况为例对采用本发明实施方案的医学图像诊断辅助设备的医学图像诊断系统进行描述：在所述情况中，从显示人体胸部的CT图像检测出肺癌阴影并考虑所检测出的病变的治疗目标区域。
图1为医学图像诊断系统的硬件构成图，其示出了该诊断系统的大致情况。如图1所示，该系统包括医疗设备1、图像存储服务器2以及图像处理工作站3，这些装置借助于网络9而相互通讯连通。
医疗设备1包括这样的设备，该设备对被检体的检查目标区域成像以生成表示该区域的三维医学图像的图像数据，并通过附加上在DICOM(医学数字成像和通信)标准中所限定的辅助信息从而输出图像数据以作为图像信息。该设备的具体例子包括(例如)CT、MRI等。在本实施方案中，对下述情况进行了描述：通过利用CT沿体轴方向对人体进行扫描，从而生成表示待检查的人体胸部区域的三维图像数据。
图像存储服务器2为这样的计算机，其用以将由医疗设备1获得的医学图像数据以及通过在图像处理工作站3中进行图像处理而生成的医学图像的图像数据存储于数据库中，并对这些图像数据进行管理，该服务器包括大容量的外部存储单元以及数据库管理软件(例如，对象关系型数据库(ORDB))。
图像处理工作站3为这样的计算机，其响应来自影像读取机(radiologyreader)的请求，对由医疗设备1或图像存储服务器2获取的医学图像数据进行图像处理(包括图像分析)，并显示所生成的图像。图像处理工作站3配备有已知的硬件装置，如CPU、主存储单元、辅助存储单元、输入/输出接口、通信接口、输入装置(鼠标、键盘等)、显示装置(显示器)、数据总线等，并且图像处理工作站3中还安装有已知的操作系统。在图像处理工作站3中进行医学图像辅助处理，并且通过执行由记录介质(如CD-ROM等)安装的程序来实现这一处理。或者，该程序可以为从与网络(例如，英特网等)连通的服务器存储单元下载并安装的程序。
图像数据的存储格式以及系统中各部件之间的通信基于DICOM协议等。
图2为示出图像处理工作站3中的与本发明第一实施方案的医学图像诊断辅助处理相关的功能部分的框图。如图2所示，根据本发明第一实施方案的医学图像诊断辅助处理是通过以下单元实现的：肺野区域提取单元31、肺部血管提取单元32、病变区域检测单元33、控制区域计算单元34、相关血管识别单元35、相关肺实质区域识别单元36以及显示图像生成单元37。在图2中，三维医学图像V、肺野区域LF、肺部血管结构LV、病变区域RL、各血管的控制区域RVn、相关血管结构LVR、相关肺实质区域RVR以及显示图像I是通过上述各处理单元写入到图像处理工作站3的预定存储区域内、并从该存储区域读取出来的数据。
肺野区域提取单元31利用构成三维医学图像V的多个轴向截面图像中的每一个图像作为输入信息，提取出被检体的肺野区域LF。例如，由于肺野区域LF为这样的区域：其具有对应于空气的CT值的像素值，因此可以在对各轴向截面图像进行阈值处理以识别出被检体周围的空气区域以及被检体区域之后，提取出被检体内的空气区域以作为肺野区域。
肺部血管提取单元32利用三维医学图像V作为输入信息，提取出肺部血管结构LV。更具体而言，基于使用者所设定的任意的种子点，进行区域延伸法以提取出肺部血管区域中的像素集合体，随后对提取出的肺部血管区域进行细线化处理(thinningprocess)，并且基于所获得的细线(其表示血管)，将细线上的各像素分为端点、边(侧边)或分支点，由此可获得表示肺部血管的树结构数据。此外，根据需要，也可将诸如细线上各像素处的血管直径、各边(血管分支)的长度等特征量存储为树结构数据(详细信息参见文献D.Kobayashi等人的“Trialofbranchbasetreestructuremodelconstructionforbloodvesselgeometricrepresentation”[网络在线]，2005年3月9日，RIKEN，日本，RIKENsymposium，生物体形状信息的数字化及数据库构建研究，84-92页，[检索日期：2010年1月6日]，网址<URL：http://www.comp-bio.riken.jp/keijyo/products/2005_1_files/kobayashi_print.pdf>，以及文献S.Nakamura等人的“AutomatedClassificationofPulmonaryArteryandVeinfromChestX-rayCTImagesbyTreeStructureAnalysis”，TechnicalReportofIEICE，MI，日本，2006年1月21日，105卷，No.580，105-108页，[检索日期：2009年11月20日]，网址<URL：http://www.murase.nuie.nagoya-u.ac.jp/～ide/res/paper/J05-kenkyukai-snake-1.pdf>(以下统称为参考文献1))。
病变区域检测单元33从三维医学图像V中提取出肺癌病变区域RL。关于具体的检测方法，可使用非专利文献1或非专利文献2中所述的自动检测方法。此处，病变区域检测单元33可提供使用者界面，使得使用者(放射科医生或诊断医生)目视确认通过上述方法之一所检测的肺癌阴影；判断阴影的真伪；并修正阴影的范围，从而在判断并修正后仅提取出真正的阴影作为病变区域RL。
控制区域计算单元34基于肺部血管结构LV中各点之间的位置关系，识别出肺部血管结构LV中与肺野区域LF内肺实质区域的各点功能上相关的点。即，控制区域计算单元34识别出肺部血管结构与肺实质区域中各点之间的功能相关性。更具体而言，控制区域计算单元34利用肺部血管结构LV作为核点集合体(kernelpointmass)进行三维Voronoi分割，以获得构成肺部血管结构LV的各分支血管的控制区域RVn。如图4中所示意性示出的那样，控制区域计算单元34识别出与肺野区域LF中的各像素距离最近的分支血管(其构成了肺部血管结构LV)中的一个分支血管，也就是说，识别出肺野区域LF中的各像素被其控制的分支血管中的一个分支血管。因此，受相同分支血管控制的区域被确定为分支血管的控制区域。控制区域RVn的数据结构使得表示控制肺野区域中各点的分支血管的标记被关联起来。(详细信息参见Y.Hirano等人的“QuantificationofshrinkageoflunglobesinchestCTimagesusingthe3DVoronoidivisionandapplicationtotumordiscrimination”，[网络在线]，2001年7月，JMIT第20届年会会议记录，315-316页，[检索日期：2009年11月20日]，网址<URL：http://mase.itc.nagoya-u.ac.jp/～hirano/Papers/JAMIT2001.pdf>)。在本实施方案中，据认为，气体交换发生在各控制区域Rvn中的肺实质区域与肺部血管结构的分支血管之间，并对病变区域的治疗目标肺实质区域进行识别。
如图5中所示意性示出的那样，相关血管识别单元35基于控制区域RVn的信息，识别出相关血管结构LVR(其为肺部血管结构LV中与位于肺野区域LF的肺实质区域内的病变区域RL功能上相关的部分。更具体而言，可通过与病变区域RL的各点相关的标记而识别肺部血管结构LV中的血管集合体，并且将该血管集合体识别为相关肺部血管结构LVR。如图7中所示，当病变区域RL受到相互间未直接相连的多个分支血管控制时，可按照上述类似方式识别出多个相关血管结构LVR(1)、LVR(2)。
相关肺实质区域识别单元36基于控制区域RVn的信息，识别出相关肺实质区域RVR(其为与相关肺部血管结构LVR功能上相关的肺实质区域)。相关肺实质区域RVR为被使用者识别为以下肺实质区域的区域，所述肺实质区域受到肺部血管结构LV中在病变区域RL的治疗时、与病变区域RL一同被切除的部分影响。因此，如图6中所示意性示出的那样，位于相关肺部血管结构LVR的末梢侧的肺部血管结构也被切除，因此相关肺实质区域RVR为这样的肺实质区域，其与由相关肺部血管结构LVR至其末梢这一范围内的肺部血管结构功能上相关。如图7中所示意示出的那样，当识别出两个相关血管结构LVR(1)、LVR(2)时，则按照上述类似方式，识别出与由各相关肺部血管结构至其末梢这一范围内的肺部血管结构功能上相关的肺实质区域的集合，以作为相关肺实质区域RVR。更具体而言，相关肺实质区域识别单元36识别出肺野区域LF中与如下标记相关的各点的集合体以作为相关肺实质区域RVR，其中所述标记表示构成由相关肺部血管结构LVR至其末梢这一范围内的肺部血管结构的分支血管。
如图6和图7中所示意性示出的那样，显示图像生成单元37由三维医学图像V生成显示图像I，所述显示图像I示出了包括病变区域RL、由相关肺部血管结构LVR至其末梢这一范围内的肺部血管结构及相邻的肺部血管结构、以及相关肺实质区域RVR在内的区域，其中病变区域RL以及相关肺实质区域RVR以可识别的方式示出。更具体而言，预先提供表示各病变区域RL、由相关肺部血管结构LVR至其末梢这一范围内的肺部血管结构、相邻的肺部血管结构、以及相关肺实质区域RVR的掩蔽数据(maskdata)，以及定义上述各区域的颜色或不透明度的模板。随后，利用该掩蔽数据和模板，在三维医学图像V上进行已知的体积绘制处理，并且在被掩蔽数据掩盖的各区域上，利用分配至各掩盖区域的结构上的颜色或不透明度进行光线投射，由此生成显示图像I。
下面将对利用本发明第一实施方案的医学图像辅助诊断处理的图像诊断流程进行说明。图3为示出在执行本发明第一实施方案的医学图像诊断辅助软件时所进行的使用者操作、计算处理、显示处理等的流程图。
首先，获得三维医学图像V的图像数据(#1)。三维医学图像V为基于诊疗部门医生的检查指令而被医疗设备1拍摄并储存于图像存储服务器2中的图像。使用者通过操作安装在图像处理工作站3中的已知命令系统的终端操作界面，发出获得处理目标三维医学图像数据V的请求。响应于该项操作，图像处理工作站3向图像存储服务器2发出调取三维医学图像数据V的请求。随后，图像存储服务器2通过进行数据库检索而获得处理目标三维医学图像数据V，并将该数据发送至图像处理工作站3。图像处理工作站3获得由图像存储服务器2发来的三维医学图像数据V。
在图像处理工作站3中，肺野区域提取单元31利用构成三维医学图像V的多个轴向截面图像中的每一个图像作为输入信息，从而提取出被检体的肺野区域LF(#2)；肺部血管提取单元32利用三维医学图像V作为输入信息，从而提取出肺部血管结构LV(#3)。随后，基于由肺野区域提取单元31提取出的肺野区域LF以及由肺部血管提取单元32提取出的肺部血管结构LV，控制区域计算单元34利用三维医学图像V作为输入信息，从而获得构成肺部血管结构LV的各分支血管的控制区域RVn(#4)。同时，病变区域检测单元33利用三维医学图像V作为输入信息，从而检测出病变区域RL(#5)。
此处，相关血管识别单元35基于控制区域RVn的信息识别出相关血管结构LVR，所述相关血管结构LVR为肺部血管结构LV中与肺野区域LF的肺实质区域中的病变区域RL功能上相关的部分(#6)；相关肺实质区域识别单元36基于控制区域RVn的信息识别出相关肺实质区域RVR，所述相关肺实质区域RVR为与从相关肺部血管结构LVR至其末梢这一部分的肺部血管结构功能上相关的肺实质区域(#7)。
随后，显示图像生成单元37由三维医学图像V生成显示图像I，在显示图像I中，以可识别的方式示出病变区域RL和相关肺实质区域RVR(#8)。所生成的显示图像I显示在图像处理工作站3的显示装置上(#9)。
在本发明的第一实施方案中，通过上述一系列处理步骤，从而识别出与位于相关肺部血管结构LVR的末梢侧的肺部血管结构功能上相关的相关肺实质区域RVR。相关肺实质区域RVR表示作为治疗病变区域RL的目标区域的必要且充分的区域，从而可以基于肺实质区域RVR恰当且容易地确定病变区域RL的治疗策略。
在上述实施方案中，基于如下假设进行了说明，所述假设为：将相关肺部血管结构LVR连同病变区域RL一并切除。然而，如图8中所示意性示出的那样，根据不同情况(包括病变类型和发展情况、治疗方法等)，相关肺实质区域识别单元36可以为这样的单元，该单元识别出仅与相关肺部血管结构LVR相关的肺实质区域以作为相关肺实质区域RVR，其中所述相关肺部血管结构LVR与病变区域RL相关。
图9为示出图像处理工作站3中与本发明第二实施方案的医学图像诊断辅助处理相关的功能部分的流程图。如图9所示，本发明第二实施方案的结构与第一实施方案的结构相同，不同之处在于另外设置有病变区域放大单元38。
病变区域放大单元38为这样的单元，该单元通过根据表示病变区域RL未来生长程度的生长条件EC将病变区域RL放大，从而生成放大的病变区域RL’。此处，生长条件EC为病变区域RL的放大因数，并且生长条件EC可作为启动参数或者可以通过读取自设置文件而获得。或者，可预先将生长条件EC定义为表示放大速度的参数，并由使用者根据经过时间(例如，所经过的月份数)来计算放大因数。此外，可根据病变类型等将生长条件EC定义为多种形式。
图10为示出根据本发明第二实施方案的医学图像诊断辅助处理流程的流程图。如图10所示，步骤#1至步骤#5与第一实施方案中的相同。在步骤#5中通过病变区域检测单元33检测出病变区域RL之后，病变区域放大单元38生成通过将病变区域RL放大而获得的放大的病变区域RL’(#5.1)。随后，相关血管识别单元35识别出与放大的病变区域RL’功能上相关的相关肺部血管结构LVR(#6)。后续处理步骤与第一实施方案中的相同，不同之处在于使用放大的病变区域RL’代替病变区域RL。
在本发明的第二实施方案中，病变区域放大单元38将由病变区域检测单元33检测到的病变区域RL的尺寸放大，并且基于该放大的病变区域RL’来检测相关肺部血管结构LVR和相关肺实质区域RVR。这使得能够通过预测病变区域RL的生长情况来考虑病变的治疗目标区域。
此外，可根据从当前时间开始的经过时间，将针对多个时间点中的每个时间点的生长条件EC定义于参照表中。在这种情况中，在图10的流程图中，根据对应于多个时间点的次数来重复步骤#5.1至步骤#7。图11A至图11C示意性示出了显示图像，其均示出了在各个时间点时的病变区域和相关肺实质区域。图11A示出了当前时间t1时的状态，图11B示出了当前时间t2时的状态，并且图11C示出了当前时间t3时的状态。即，图11A至图11C示出了病变区域RL随时间的生长情况，如RL(t1)＜RL(t2)＜RL(t3)，因而相关肺实质区域也是如此，如RVR(t1)＜RVR(t2)＜RVR(t3)。在图10的步骤#9中，图像处理工作站3可同时并排显示这三幅显示图像，或者按照预定的时间间隔、以动态图像的方式变换显示这些图像。另外，如图12中所示意性示出的那样，可通过改变各时间点的颜色或密度，从而将各时间点时的病变区域RL(t1)、RL(t2)、RL(t3)以及相关肺实质区域RVR(t1)、RVR(t2)、RVR(t3)以叠加的方式显示在一幅图像中。
通过这种方式，当将生长条件EC定义为病变区域在各个时间点时的放大因数时，则可通过以分阶段的方式预测病变区域RL的生长情况，从而考虑病变的治疗目标区域。
作为临床知识，如果检测目标病变明显未生长超出两个以上肺叶的边界，则在第二实施方案中，优选将肺野区域LF分为多个肺叶(右上叶、右中叶、右下叶、左上叶和左下叶这五个肺叶)，并且病变区域放大单元38不将病变区域RL放大超出这些肺叶的边界。此处，所述划分方法可以是自动方法或手动方法。关于自动划分方法，可采用任何已知方法，如利用气管、支气管、肺部血管的结构信息大致识别出叶间裂的位置，随后利用密度信息提取出叶间裂，并基于提取出的叶间裂来划分肺叶。(详细信息参见文献T.Hayashi等人的“DevelopmentoftheProcedureforAutomaticExtractingInterlobarFissuresanditsPerformanceEvaluation”，TechnicalReportofIEICE，MI2003-53(2003-10)，MedicalImage，2003年10月31日，103卷，No.409，39-44页，[检索日期：2010年1月1日]，网址<URL：http://www.fjt.info.gifu-u.ac.jp/publication/328.pdf>(下文中称为参考文献2))。
在第二实施方案中，病变区域本身被放大，然而作为更加简便的方法，可根据生长条件将相关血管结构LVR延伸至肺部血管结构LV的根侧，并且基于延伸后的相关血管结构，通过相关肺实质区域识别单元36来识别相关肺实质区域RVR。
图13为示出图像处理工作站3中与本发明第三实施方案的医学图像诊断辅助处理相关的功能部分的方块图。如图13中所示，在本发明的第三实施方案中，第一实施方案中的肺部血管提取单元32被肺动脉提取单元32a代替，并且向第一实施方案的构造中添加了肺静脉提取单元32b、支气管提取单元39和交点检测单元40。
即，在第一实施方案中，肺部血管提取单元32提取出肺部血管结构，而并未区分肺动脉和肺静脉。然而在本发明中，肺动脉提取单元32a提取出肺动脉结构VA，而肺静脉提取单元32b提取出肺静脉结构VV。更具体而言，如果肺动脉提取单元32a和肺静脉提取单元32b被构造为分别接受肺动脉和肺静脉上的种子点设置，则后续处理与肺部血管提取单元32中的相同。或者，可不对肺动脉和肺静脉加以区分而将其提取为肺部血管结构，并将提取出的肺部血管结构分为肺动脉和肺静脉。例如，已知有关注下述事实的方法：肺动脉和支气管在肺的各分区的中心附近平行延伸，而肺静脉在肺的各分区边界附近(即支气管之间)延伸。在该方法中，基于血管之间的连接关系，将所提取的肺部血管结构分解为多个血管分支组，并且还利用已知方法提取出支气管。随后，采用提取出的支气管作为核点集合体进行三维Voronoi分割，以推断肺分区的界面，随后计算各血管分支组距离支气管的平均距离以及距离界面的平均距离，并将靠近支气管且远离肺分区界面的分支血管组归为肺动脉，而将远离支气管且靠近肺分区界面的分支血管组归为肺静脉(详细信息可参见上述参考文献1)。
如肺部血管提取单元32那样，支气管提取单元39基于由使用者所设定的任意的种子点进行区域延伸，从而提取出支气管内的像素集合，随后对提取出的支气管区域进行细线化处理，并基于所获得的表示支气管的细线的连接关系，将细线上的各像素分为端点、边(侧边)或分支点，由此可获得表示支气管的树结构数据BR。
交点检测单元40检测相关肺实质区域RVR与肺静脉结构VV或支气管结构BR之间的交点PIn。更具体而言，从各肺静脉结构VV和支气管结构BR的根部向末梢进行搜索，随后判断所搜索到的各点是否属于相关肺实质区域RVR中的点，并且将当判断结果由该区域的外部转为该区域的内部时的点检测为交点PIn。
控制区域计算单元34利用肺动脉结构VA、而不用肺部血管结构LV，并且相关血管识别单元35识别出相关肺动脉结构VAR、而不是相关肺部血管结构LVR。
此外，如图15所示意性示出的那样，显示图像生成单元37由三维医学图像V生成显示图像I，所述显示图像I示出了这样的区域，该区域不仅包括病变区域RL、由相关肺动脉结构VAR至其末梢这一部分的肺动脉结构及相邻肺动脉结构、以及相关肺实质区域RVR，还包括肺静脉结构VV以及支气管结构BR，其中病变区域RL、相关肺实质区域RVR和交点PIn以可识别的方式被示出。更具体而言，预先提供示出病变区域RL、由相关肺动脉结构LVR至其末梢这一范围内的肺动脉结构及相邻肺动脉结构、以及相关肺实质区域RVR、肺静脉结构VV、支气管结构BR和交点PIn各自的掩蔽数据，以及定义上述各区域的颜色或不透明度的模板。随后，利用该掩蔽数据和模板，在三维医学图像V上进行已知的体积绘制处理，并在被掩蔽数据掩盖的各区域上，利用分配至各掩蔽区域的结构上的颜色或不透明度来进行光线投射，由此生成显示图像I。
图14为示出根据本发明第三实施方案的医学图像诊断辅助处理流程的流程图。如图14所示，步骤#1、#2与第一实施方案中的相同，而代替第一实施方案中的步骤#3的是肺动脉提取单元32a提取出肺动脉VA(步骤#3.1)。此外，肺静脉提取单元32b提取出肺静脉VV(步骤#3.2)，并且支气管提取单元39提取出支气管结构BR(步骤#3.3)。接下来，步骤#4至#7与第一实施方案中的相应步骤相同，而在步骤#7之后，交点检测单元40检测出相关肺实质区域RVR与肺静脉结构VV或支气管结构BR之间的交点PIn(步骤#7.1)。后续处理步骤与第一实施方案中的相应步骤相同。
如上所述，在本发明的第三实施方案中，交点检测单元40检测出相关肺实质区域RVR与肺静脉结构VV或支气管结构BR之间的交点PIn。当切除包括病变区域RL在内的相关肺实质区域RVR时，这样便易于明了将要缝合或吻合在肺静脉或支气管上的点。
此外，在肺实质中，血液中的气体交换既在肺动脉中进行，又在肺静脉中进行。因此，如果按照第一实施方案中那样，通过肺部血管提取单元32同时提取出肺动脉和肺静脉而不对其加以区分，并利用肺动脉以及肺静脉通过控制区域计算单元34来计算控制区域的话，则肺实质区域被划分为被肺动脉控制的控制区域和被肺静脉控制的控制区域，从而导致肺实质功能的不恰当划分。因此，如在本实施方案中那样，在利用肺动脉提取单元32a代替肺部血管提取单元32，从而仅提取出肺动脉结构时，可使得肺实质区域的划分与肺实质功能高度一致，但是可能需要分别针对肺动脉和肺静脉而单独识别相关肺实质区域。在图13的方块图中，如果将肺动脉提取单元32a与肺静脉提取单元32b交换，则能够通过关注肺动脉而识别出相关实质区域。
上述实施方案仅供示意之用，而不应解释为限制本发明的技术范围。
应当认识到，在不偏离本发明精神的条件下，可对上述实施方案中的系统构成、处理流程、模块结构、具体的处理内容等进行多种修改和变化，所有这些修改和变化均包含在本发明范围内。
例如，关于系统构成，已经对其中通过单独的图像处理工作站3进行图2、9和13中所示的各种类型的处理的情况进行了说明；然而，该系统可被构造为使得各种类型的处理被分配到多台工作站中，并且这些处理过程相互协调运行。
关于处理流程，例如，在图3的流程图中，步骤#3/#4和步骤#5可平行地进行，或者可按照步骤#5、步骤#3和步骤#4这样的顺序进行。类似地，在图10的流程图中，步骤#3/#4和步骤#5及步骤#5.1可平行地进行，或者可按照步骤#5、步骤#5.1、步骤#3以及步骤#4这样的顺序进行。另外在图14的流程图中，除了步骤#4在步骤#3.1之后进行以外，可改变步骤#3.1、步骤#3.2、步骤#3.3和步骤#4的顺序，或者步骤#3.1、步骤#3.2和步骤#3.3可同时进行。此外，步骤#3.1和步骤#4这一组步骤、步骤#3.2、步骤#3.3和步骤#5可同时进行，或者可改变其顺序。
关于具体的处理内容，肺野提取单元31可通过其它已知的提取方法来提取出肺野区域LF，所述其它已知的提取方法例如为由本发明人在日本未审查专利公开No.2008-253293中所提出的方法。
同样，肺部血管提取单元32、肺动脉提取单元32a、肺静脉提取单元32b以及支气管提取单元39可采用除上述方法以外的其它各种类型的已知提取方法。在这种情况中，如果在提取的同时获得树结构，则可将所获得的树结构直接用于随后的处理中，而无需进行细线化处理。
在第一实施方案和第二实施方案中，肺部血管提取单元32可被构造为仅提取出肺动脉和肺静脉中的任一者，或提取出支气管，并基于支气管结构而识别出相关肺实质区域。
另外，除了上述方法以外，病变区域提取单元33还可采用多种类型的已知提取方法(例如，非专利文献3和专利文献1中所述的方法)。此外，可采用如下方式：在不同于三维医学图像V的成像条件下拍摄三维医学图像(例如，不同成像阶段的三维医学图像、由不同医疗设备拍摄的三维医学图像、或者使用不同造影剂而拍摄的三维医学图像、或利用不同处理参数而处理的三维医学图像)，并预先基于该三维医学图像检测出病变区域；随后在不同的三维医学图像与三维医学图像V之间进行位置对准，以对准被检体内部结构的位置，并基于该位置对准结果，通过病变区域提取单元33检测出三维医学图像V中与不同的三维医学图像的病变区域相对应的区域，以作为病变区域RL。可以使用的具体位置对准方法为任何已知的非刚性配准方法，该非刚性配准方法包括其中通过使用者来指定两个相应点的方法，以及在不使用定位标识的情况下基于图像反差(imagecontrast)来进行对准的方法(更详细的信息可参见日本未审查专利公开No.2005-028121，以及文献D.Rueckert等人的“NonrigidRegistrationUsingFree-FormDeformations：ApplicationtoBreastMRImages”，IEEETransactionsonMedicalImaging，18卷，No.8，712-721页，1999，等)。此外，在进行非刚性配准时可提取出支气管，并且可以将提取出的支气管用作定位标识。
控制区域计算单元34可被构造为：针对由多个分支血管构成的组而获得一个控制区域RVn，或者将一个分支血管进一步分解，并针对分解后的分支血管的各部分来获得控制区域RVn，而不是针对各分支血管获得控制区域RVn。此外，不仅可基于肺野区域LF中的像素与分支血管间的距离，而且还可基于诸如血管直径之类的存储于肺部血管结构LV的树结构数据中的特征量来获得控制区域RVn。
当通过在整个肺野区域LF上进行Voronoi分割以获得控制区域RVn时，控制区域可能会跨过肺叶的边界，因此控制区域计算单元34a可基于参考文献2中所述的方法预先将肺野区域LF划分为多个肺叶，并且可计算各肺叶内的控制区域RVn。肺部血管不会与两个或多个肺叶中的肺实质相互影响，因此按照上述方式将控制区域RVn的范围限定在各肺叶内可对相关血管和相关肺实质区域进行恰当的识别，这种识别结果与肺的解剖结构相一致。
由显示图像生成单元37生成的显示图像I可以为除了体积绘制图像之外的其它图像，如MPR图像等。
在上述实施方案中，已经对检查和评价目标为人肺的情况进行了说明，然而检查和评价目标还可以是具有分支结构以及与该分支结构功能上相关的周围结构的其它结构，例如肝。

Claims (12)

1.一种医学图像诊断辅助设备，包括：
异常周围结构检测装置，其用于从三维医学图像中检测出作为周围结构的异常部分的异常周围结构，其中所述三维医学图像显示具有分支结构和周围结构的被检体内部结构，所述周围结构位于所述分支结构的周围并且与该分支结构功能上相关；
分支结构提取装置，其用于从所述三维医学图像中提取出所述分支结构；
相关性识别装置，其基于所提取出的所述分支结构中各点的位置信息，识别出所述分支结构中与所述周围结构中的各点功能上相关的点，并且基于识别出的所述周围结构中的各点与所述分支结构中的各点之间的功能对应关系，获得所提取出的所述分支结构的各分支的控制区域，
相关分支结构识别装置，其基于已获得的所提取出的所述分支结构的各分支的所述控制区域，识别出所述分支结构中与所述异常周围结构功能上相关的部分，以作为相关分支结构；以及
相关周围结构识别装置，其基于已获得的所提取出的所述分支结构的各分支的所述控制区域和已识别出的所述相关分支结构，识别出所述周围结构中与已识别出的所述相关分支结构功能上相关的部分，以作为相关周围结构，
其中所述相关周围结构为与从所述相关分支结构至该相关分支结构末梢这一范围内的所述分支结构功能上相关的区域。
2.权利要求1所述的医学图像诊断辅助设备，其中：
所述设备还包括异常周围结构放大装置，其根据给定的生长条件将所述异常周围结构放大，其中所述生长条件表示所述异常周围结构的未来生长程度；并且
所述相关分支结构识别装置识别出所述分支结构中与放大后的所述异常周围结构功能上相关的部分，以作为相关分支结构。
3.权利要求2所述的医学图像诊断辅助设备，其中：
所述给定的生长条件表示多个生长步骤；
所述异常周围结构放大装置针对各生长步骤来放大所述异常周围结构；
所述相关分支结构识别装置针对各生长步骤来识别所述相关分支结构；
所述相关周围结构识别装置针对各生长步骤来识别所述相关周围结构；并且
所述设备还包括用于从所述三维医学图像生成一个或多个图像的装置，其中所述一个或多个图像至少示出所述相关周围结构和所述相关分支结构并且以视觉上可识别的方式指示出所述相关周围结构在所述各个生长步骤之间的变化。
4.权利要求3所述的医学图像诊断辅助设备，其中所述一个或多个图像以视觉上可识别的方式指示出所述异常周围结构在所述各个生长步骤之间的变化。
5.权利要求1所述的医学图像诊断辅助设备，其中所述相关分支结构识别装置根据给定的生长条件，将所述分支结构中与所述异常周围结构功能上相关的部分延伸至所述分支结构的根侧，并将延伸后的所述部分识别为所述相关分支结构，其中所述给定的生长条件表示所述异常周围结构的未来生长程度。
6.权利要求1至5中任意一项所述的医学图像诊断辅助设备，其中所述相关周围结构识别装置将所述周围结构中与以下部分功能上相关的部分识别为所述相关周围结构，所述部分为：所述分支结构中与所述异常周围结构功能上相关的部分、以及所述分支结构中位于与所述异常周围结构功能上相关的部分的末梢侧的部分。
7.权利要求1至5中任意一项所述的医学图像诊断辅助设备，其中：
所述被检体内部结构包括不同于所述分支结构的第二分支结构：并且
所述设备还包括第二分支结构提取装置和交点检测装置，所述第二分支结构提取装置用于从所述三维医学图像中提取出所述第二分支结构，所述交点检测装置用于检测所述相关周围结构的界面与所述第二分支结构之间的交点。
8.权利要求6所述的医学图像诊断辅助设备，其中：
所述被检体内部结构包括不同于所述分支结构的第二分支结构；并且
所述设备还包括第二分支结构提取装置和交点检测装置，所述第二分支结构提取装置用于从所述三维医学图像中提取出所述第二分支结构，所述交点检测装置用于检测所述相关周围结构的界面与所述第二分支结构之间的交点。
9.权利要求7所述的医学图像诊断辅助设备，还包括用于从所述三维医学图像生成下述图像的机构，所述图像至少示出所述相关周围结构、所述相关分支结构、以及与所述相关周围结构和所述相关分支结构相邻的所述第二分支结构，并且该图像以视觉上可识别的方式指示出所述交点。
10.权利要求8所述的医学图像诊断辅助设备，还包括用于从所述三维医学图像生成下述图像的机构，所述图像至少示出所述相关周围结构、所述相关分支结构、以及与所述相关周围结构和所述相关分支结构相邻的所述第二分支结构，并且该图像以视觉上可识别的方式指示出所述交点。
11.权利要求1所述的医学图像诊断辅助设备，其中所述被检体内部结构为肺，并且所述分支结构为血管或支气管。
12.权利要求1所述的医学图像诊断辅助设备，其中所述被检体内部结构为肝，并且所述分支结构为血管。
CN201110034619.0A 2010-03-29 2011-01-31 医学图像诊断辅助技术 Active CN102207992B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2010-075499 2010-03-29
JP2010075499A JP4931027B2 (ja) 2010-03-29 2010-03-29 医用画像診断支援装置および方法、並びにプログラム

Publications (2)

Publication Number Publication Date
CN102207992A CN102207992A (zh) 2011-10-05
CN102207992B true CN102207992B (zh) 2016-02-10

Family

ID=44140920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110034619.0A Active CN102207992B (zh) 2010-03-29 2011-01-31 医学图像诊断辅助技术

Country Status (4)

Country Link
US (1) US8417009B2 (zh)
EP (1) EP2375377B1 (zh)
JP (1) JP4931027B2 (zh)
CN (1) CN102207992B (zh)

Families Citing this family (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101050769B1 (ko) * 2009-05-08 2011-07-21 가톨릭대학교 산학협력단 의료영상 처리 시스템 및 처리 방법
DE102011076233B4 (de) * 2011-02-09 2013-04-18 Siemens Aktiengesellschaft Verfahren und Computersystem zur Erkennung einer statistisch relevanten Normvariante der Gefaßstruktur eines Patienten mit Hilfe tomographischer Bilddatensatze
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
JP6006307B2 (ja) * 2011-07-07 2016-10-12 ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー ボリューム測定位相コントラストｍｒｉによる総合的心血管解析
KR101294858B1 (ko) 2012-04-26 2013-08-09 가톨릭대학교 산학협력단 간 문맥의 혈관 구조 정보를 이용한 간 세그먼트 구분 방법 및 장치
JP5871705B2 (ja) * 2012-04-27 2016-03-01 株式会社日立メディコ 画像表示装置、方法及びプログラム
US10194801B2 (en) * 2012-06-28 2019-02-05 Koninklijke Philips N.V. Fiber optic sensor guided navigation for vascular visualization and monitoring
US9459770B2 (en) 2013-03-15 2016-10-04 Covidien Lp Pathway planning system and method
US9925009B2 (en) 2013-03-15 2018-03-27 Covidien Lp Pathway planning system and method
US9639666B2 (en) 2013-03-15 2017-05-02 Covidien Lp Pathway planning system and method
JP6066197B2 (ja) * 2013-03-25 2017-01-25 富士フイルム株式会社 手術支援装置、方法およびプログラム
JP6188379B2 (ja) * 2013-03-29 2017-08-30 東芝メディカルシステムズ株式会社 医用画像処理装置、医用画像処理システム、医用画像診断装置
CN106232010B (zh) 2014-07-02 2020-03-31 柯惠有限合伙公司 用于检测气管的系统和方法
US20160000414A1 (en) 2014-07-02 2016-01-07 Covidien Lp Methods for marking biopsy location
US9770216B2 (en) 2014-07-02 2017-09-26 Covidien Lp System and method for navigating within the lung
US9603668B2 (en) 2014-07-02 2017-03-28 Covidien Lp Dynamic 3D lung map view for tool navigation inside the lung
CN107427204A (zh) 2014-07-02 2017-12-01 柯惠有限合伙公司 实时自动配准反馈
US9836848B2 (en) * 2014-07-02 2017-12-05 Covidien Lp System and method for segmentation of lung
US9754367B2 (en) 2014-07-02 2017-09-05 Covidien Lp Trachea marking
US11227427B2 (en) 2014-08-11 2022-01-18 Covidien Lp Treatment procedure planning system and method
JP6271458B2 (ja) * 2015-02-25 2018-01-31 富士フイルム株式会社 画像処理装置、方法、及びプログラム
JP6396597B2 (ja) * 2015-09-09 2018-09-26 富士フイルム株式会社 マッピング画像表示制御装置および方法並びにプログラム
US10986990B2 (en) 2015-09-24 2021-04-27 Covidien Lp Marker placement
CN106557536B (zh) * 2015-09-30 2021-12-21 松下知识产权经营株式会社 控制方法
US10709352B2 (en) 2015-10-27 2020-07-14 Covidien Lp Method of using lung airway carina locations to improve ENB registration
JP2017176202A (ja) * 2016-03-28 2017-10-05 コニカミノルタ株式会社 動態解析システム
US10242442B2 (en) 2016-10-27 2019-03-26 International Business Machines Corporation Detection of outlier lesions based on extracted features from skin images
US10283221B2 (en) 2016-10-27 2019-05-07 International Business Machines Corporation Risk assessment based on patient similarity determined using image analysis
US10282843B2 (en) * 2016-10-27 2019-05-07 International Business Machines Corporation System and method for lesion analysis and recommendation of screening checkpoints for reduced risk of skin cancer
JP6702902B2 (ja) * 2017-02-24 2020-06-03 富士フイルム株式会社 マッピング画像表示制御装置および方法並びにプログラム
WO2019008941A1 (ja) 2017-07-03 2019-01-10 富士フイルム株式会社 医療画像処理装置、内視鏡装置、診断支援装置、医療業務支援装置、及び、レポート作成支援装置
CN110831487B (zh) * 2017-07-14 2022-06-10 富士胶片株式会社 医疗图像处理装置、内窥镜系统、诊断支持装置及医疗服务支持装置
EP3460712A1 (en) 2017-09-22 2019-03-27 Koninklijke Philips N.V. Determining regions of hyperdense lung tissue in an image of a lung
WO2019087674A1 (ja) * 2017-10-31 2019-05-09 富士フイルム株式会社 ずれ検出装置、方法およびプログラム
US11224392B2 (en) 2018-02-01 2022-01-18 Covidien Lp Mapping disease spread
KR102227921B1 (ko) 2018-06-04 2021-04-16 주식회사 코어라인소프트 로브기준으로 폐혈관을 정량화하는 방법
CN108961273B (zh) * 2018-07-03 2021-10-29 东北大学 一种从ct影像中分割肺动脉和肺静脉的方法及系统
DE102019212103A1 (de) * 2019-08-13 2021-02-18 Siemens Healthcare Gmbh Surrogatmarker basierend auf medizinischen Bilddaten
US11430121B2 (en) * 2020-03-31 2022-08-30 Siemens Healthcare Gmbh Assessment of abnormality regions associated with a disease from chest CT images
US11810291B2 (en) 2020-04-15 2023-11-07 Siemens Healthcare Gmbh Medical image synthesis of abnormality patterns associated with COVID-19
CN113837985B (zh) * 2020-06-24 2023-11-07 上海博动医疗科技股份有限公司 用于血管造影图像处理的训练方法和装置、自动处理方法和装置
KR102507451B1 (ko) * 2020-09-07 2023-03-08 주식회사 뷰노 흉부 이미지 판독 방법
CN113920095A (zh) * 2021-07-05 2022-01-11 深圳科亚医疗科技有限公司 用于宫颈图像的分析管理的装置和方法、设备及存储介质
WO2024122442A1 (ja) * 2022-12-05 2024-06-13 国立大学法人 東京大学 情報処理システム、プログラム及び情報処理方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003070102A2 (en) * 2002-02-15 2003-08-28 The Regents Of The University Of Michigan Lung nodule detection and classification
JP4560643B2 (ja) 2003-06-17 2010-10-13 株式会社Ａｚｅ 呼吸気ｃｔ画像による換気分布計測方法
JP3802018B2 (ja) * 2003-07-10 2006-07-26 ザイオソフト株式会社 画像解析装置および画像解析プログラムおよび画像解析方法
WO2005058165A1 (ja) * 2003-12-16 2005-06-30 Hitachi Medical Corporation 領域抽出方法及び装置
US8480403B2 (en) * 2004-02-02 2013-07-09 University Of Maryland, Baltimore Techniques for delivering medical care by improving decision-making skills of medical personnel
AU2005237517B2 (en) * 2004-04-26 2011-01-20 Claudia Ingrid Henschke Medical imaging system for accurate measurement evaluation of changes in a target lesion
US7715608B2 (en) 2004-08-10 2010-05-11 Siemens Medical Solutions Usa, Inc. System and method for 3D visualization of lung perfusion or density and statistical analysis thereof
US8317518B2 (en) * 2005-01-28 2012-11-27 University Of Maryland, Baltimore Techniques for implementing virtual persons in a system to train medical personnel
JP4599191B2 (ja) * 2005-03-01 2010-12-15 国立大学法人神戸大学 画像診断処理装置および画像診断処理プログラム
US20070092864A1 (en) * 2005-09-30 2007-04-26 The University Of Iowa Research Foundation Treatment planning methods, devices and systems
EP1947606A1 (en) * 2007-01-16 2008-07-23 National University Corporation Kobe University Medical image processing apparatus and medical image processing method
JP4559501B2 (ja) * 2007-03-14 2010-10-06 富士フイルム株式会社 心機能表示装置、心機能表示方法およびそのプログラム
JP2008253293A (ja) 2007-03-30 2008-10-23 Fujifilm Corp Ｃｔ画像からの肺野領域抽出方法
US7957570B2 (en) * 2007-05-03 2011-06-07 General Electric Company System and method to generate an illustration of a cardiac region of interest
JP5523681B2 (ja) * 2007-07-05 2014-06-18 株式会社東芝 医用画像処理装置
US20110093243A1 (en) * 2007-11-14 2011-04-21 Tawhai Merryn H Method for multi-scale meshing of branching biological structures
CA2748854A1 (en) * 2008-01-02 2009-07-16 Bio-Tree Systems, Inc. Methods of obtaining geometry from images
JP4769260B2 (ja) * 2008-02-04 2011-09-07 株式会社東芝 超音波診断装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A MULTIPLE SCALE MODEL FOR TUMOR GROWTH;T.ALARCON,H.M.BYRNE,P.K.MAINI;《2005 Society for Industrial and Applied Mathematics》;20051231;第3卷(第2期);全文 *
Interactive determination of robust safety margins for oncologic Interactive determination of robust safety margins for oncologic;Christian Hansen,Stephan Zidowitz,Milo Hindennach 等;《INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY》;20090604;全文 *
Intraoperative Adaptation and Visualization of Preoperative Risk Analyses for Oncologic Liver Surgery;Christian Hansen,Stefan Schlichting, Stephan Zidowitz等;《PROCEEDINGS OF SPIE》;20081231;摘要，第3.1节至第3.2节，图1-2，图4-6 *
Realistic Simulation of the 3-D Growth of Brain Tumors in MR Images Coupling Diffusion With Biomechanical Deformation;Olivier Clatz, Maxime Sermesant, Pierre-Yves Bondiau 等;《TRANSACTIONS ON MEDICAL IMAGING》;20051031;第24卷(第10期);摘要，图12 *

Also Published As

Publication number Publication date
US8417009B2 (en) 2013-04-09
EP2375377A1 (en) 2011-10-12
US20110237938A1 (en) 2011-09-29
JP4931027B2 (ja) 2012-05-16
EP2375377B1 (en) 2016-05-11
CN102207992A (zh) 2011-10-05
JP2011206186A (ja) 2011-10-20

Similar Documents

Publication Publication Date Title
CN102207992B (zh) 医学图像诊断辅助技术
CN105167793B (zh) 图像显示装置、显示控制装置及显示控制方法
CN102207991B (zh) 医学图像诊断辅助设备
US11823431B2 (en) System and method for detecting trachea
CN102208105B (zh) 医学图像处理技术
Xu et al. Whole heart and great vessel segmentation in congenital heart disease using deep neural networks and graph matching
US9478022B2 (en) Method and system for integrated radiological and pathological information for diagnosis, therapy selection, and monitoring
JP4824146B1 (ja) 医療機器および医療機器の制御方法
RU2493593C2 (ru) Способ извлечения данных из набора данных медицинских изображений
JP5011426B2 (ja) 画像診断支援装置、方法及びプログラム
US8923579B2 (en) Surgery-assistance apparatus, method and computer-readable recording medium storing a program for setting a margin during organ excision
JP6719421B2 (ja) 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム
JP7229721B2 (ja) 画像処理装置、画像処理方法及びプログラム
CN106164981A (zh) 外科手术中为手术器械插入显示计时信号的方法和系统
JP5105997B2 (ja) 医用画像処理装置、医用画像診断装置、及びプログラム
JP5486616B2 (ja) 医用画像診断支援装置およびその作動方法、並びにプログラム
CN113610824A (zh) 穿刺路径规划方法及装置，电子设备及存储介质
JP6074339B2 (ja) 処理装置およびその作動方法並びにプログラム

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