CN102208105A - 医学图像处理技术 - Google Patents

医学图像处理技术 Download PDF

Info

Publication number
CN102208105A
CN102208105A CN2011100346097A CN201110034609A CN102208105A CN 102208105 A CN102208105 A CN 102208105A CN 2011100346097 A CN2011100346097 A CN 2011100346097A CN 201110034609 A CN201110034609 A CN 201110034609A CN 102208105 A CN102208105 A CN 102208105A
Authority
CN
China
Prior art keywords
close attention
paid close
zone
surrounding structure
estimate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2011100346097A
Other languages
English (en)
Other versions
CN102208105B (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 CN102208105A publication Critical patent/CN102208105A/zh
Application granted granted Critical
Publication of CN102208105B publication Critical patent/CN102208105B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • 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
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • 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)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (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)

Abstract

本发明基于显示被检体的具有分支结构和周围结构的内部结构的三维医学图像，能够更容易地观察或评价与分支结构中的受关注部分功能上相关的周围结构区域的功能和/或形态特征。肺部血管提取单元32从三维医学图像中提取出分支结构，肺野区域提取单元31提取出包括周围结构在内的周围结构区域。受关注血管设定单元33设定分支结构中的受关注分支结构，受关注肺实质区域推断单元34基于分支结构，由周围结构区域中推断出与受关注分支结构功能上相关的受关注周围结构区域。评价值计算单元35获取所推断出的受关注周围结构区域中的评价值，映射图像生成单元36生成映射图像，该映射图像为通过将受关注周围结构区域中的评价值映射至形态图像上而生成的图像，其中该形态图像显示受关注分支结构和受关注周围结构区域中的至少一者的形态。

Description

医学图像处理技术
技术领域
本发明涉及对三维医学图像进行图像处理的技术，其中所述三维医学图像显示被检体的具有分支结构和周围结构的内部结构，例如肺。
背景技术
基于显示胸部区域的三维医学图像来诊断肺部血管栓塞的图像处理方法是已知的。
例如，日本未审查专利公开No.2006-081906提出了这样一种方法，在该方法中，将肺部血管系统分为若干节段(segment)；随后对分割后的肺部血管系统中的栓塞区域进行手动或自动识别；对受到识别出的栓塞影响的血管子树(blood vessel sub-tree)加以分析，以识别出受栓塞影响的肺部区域；并且将该肺部区域可视化地显示出来。
此外，日本未审查专利公开No.2006-051365提出了这样一种方法，在该方法中，在显示双肺的CT图像中对肺实质组织进行分割，随后生成分割后图像的灌注图，并且绘制灌注不足的异常区域、并以相对不透明的方式表现出来。
然而，日本未审查专利公开No.2006-081906中所述的方法仅显现了受肺部血管栓塞影响的肺部区域，而并未指出该区域的肺功能如何变化。
同时，通过日本未审查专利公开No.2006-051365所述的方法，难以对诸如受到肺部血管栓塞影响的肺部区域等的肺功能进行局部评价，这是因为该方法仅显现了整个肺的灌注图。
鉴于上述情况而提出了本发明，本发明的目的是提供这样的技术：该技术可以基于显示出被检体的具有分支结构和周围结构的内部结构的三维医学图像，容易地观察或评价周围结构中与分支结构的关注部分功能上相关的区域的功能特征和/或形态特征。
发明内容
本发明的医学图像处理设备为这样的设备，该设备包括：
分支结构提取装置，其用于从显示被检体的具有分支结构和周围结构的内部结构的三维医学图像中提取出分支结构，其中所述周围结构位于所述分支结构周围并且与该分支结构功能上相关；
周围结构区域提取装置，其用于从所述三维医学图像中提取出包括所述周围结构在内的周围结构区域；
受关注分支结构设定装置，其用于设定作为所述分支结构中的受关注部分的受关注分支结构；
受关注周围结构区域推断装置，其用以基于所述分支结构从所述周围结构区域推断出与所述受关注分支结构功能上相关的受关注周围结构区域；
评价值获取装置，其用以获取被检体的内部结构在所推断出的受关注周围结构区域内的功能和/或形态的评价值；以及
映射图像生成装置，其用以生成映射图像，所述映射图像为通过将所述受关注周围结构区域中的所述评价值映射至形态图像上而生成的图像，其中所述形态图像生成自所述三维医学图像并且显示所述受关注分支结构和所述受关注周围结构区域中的至少一者的形态。
本发明的医学图像处理方法为这样的方法，包括如下步骤：
从显示被检体的具有分支结构和周围结构的内部结构的三维医学图像中提取出分支结构，其中所述周围结构位于所述分支结构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包括所述周围结构在内的周围结构区域；
设定作为所述分支结构中的受关注部分的受关注分支结构；
基于所述分支结构从所述周围结构区域推断出与所述受关注分支结构功能上相关的受关注周围结构区域；
获取被检体的内部结构在所推断出的受关注周围结构区域内的功能和/或形态的评价值；以及
生成映射图像，所述映射图像为通过将所述受关注周围结构区域中的所述评价值映射至形态图像上而生成的图像，其中所述形态图像生成自所述三维医学图像并且显示所述受关注分支结构和所述受关注周围结构区域中的至少一者的形态。
其上记录有本发明的医学图像处理程序的计算机可读取记录介质为这样的介质：该介质上记录有能够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的结构。其具体例子可为血管。
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”的一个具体例子为：在周围结构与分支结构之间，流经该分支结构的液体所输送的预定物质发生的交换。
“被检体的内部结构”的具体例子为肺。在这种情况中，分支结构可以是血管或支气管，周围结构可以是肺实质，周围结构区域可为肺野区域。此外，肺部血管可以为肺动脉或肺静脉。
“受关注分支结构”的具体例子为分支结构中由栓塞位置到分支结构末梢这一部分。
可通过如下方式来设定“受关注分支结构”：基于使用者在由三维医学图像所生成的图像中的手动指定操作进行设定；通过使用图像分析/识别方法自动地进行设定；或者通过这两种方法的组合进行设定。所述组合方法的具体例子包括：这样的方法，其中，通过使用者的手动操作指定受关注分支结构的参照点(例如，栓塞位置)，然后基于该参照点进行预定的图像分析/识别处理，由此自动提取出受关注分支结构；以及这样的方法，其中通过预定的图像分析/识别处理来自动提取出候选的受关注分支结构，然后从这些候选的受关注分支结构中经使用者手动操作来选择出受关注分支结构，或者通过使用者手动操作对受关注分支结构进行校正。
能够理解的是，“受关注周围结构区域”是基于分支结构的形态特征推断的，所述形态特征例如为在分支结构中受关注分支结构与非受关注分支结构之间的位置关系、分支结构的管径等。此外，当被检体的内部结构为肺时，可将由三维医学图像所显示的肺分为多个预定的肺分区，并且可以对受关注周围结构区域进行推断，以使其属于分割后的肺分区中的一个分区。
关于“评价值”，受关注周围结构区域整体上可具有一个评价值，或者构成受关注周围结构区域的多个子区域(sub-area)中的每一个均具有一个评价值。所述子区域可以是由多个像素形成的区域，或者为由一个像素形成的区域。
此外，可基于三维医学图像(本发明的处理目标图像)来计算“评价值”，或者可将基于显示相同被检体的内部结构的其它医学图像而算得的评价值作为评价值。此处，“其它医学图像”可以是由与三维医学图像(本发明的处理目标图像)的医疗设备(modality)相同的医疗设备在不同的时间拍摄的图像，或者是被不同的医疗设备拍摄的图像。此外，可以将基于相同被检体内部结构的特定测量数据而算得的评价值作为评价值。特别是，当使用了基于其它医学图像或测量数据的评价值时，优选进行位置对准，以使得由该评价值表示的被检体内部结构的位置与映射目标形态图像(mapping destination morphologicalimage)中的相应位置匹配。
“映射图像”可以是通过将受关注周围结构区域内的评价值映射到宽形态图像上而生成的宽映射图像，所述宽形态图像显示被检体内部结构的以下区域的形态：该区域部分地包括受关注分支结构以及受关注周围结构区域。此外，可以采用这样的设置方式：获取构成被检体内部结构区域(其部分地包括受关注周围结构区域)的各个子区域的评价值，并通过将各评价值映射至宽形态图像中与各评价值被获取区域相对应的区域上，从而生成宽映射图像，其中所述受关注周围结构区域与周围结构区域中除了该受关注周围结构区域之外的其它区域之间的边界变得能够识别。
评价值的映射方法的具体例子可为这样的方法，在该方法中，获取构成受关注周围结构区域的多个子区域中的每一个的评价值，并且将受关注周围结构区域中的各个评价值投影至受关注周围结构区域的各个表面像素上。在这种情况中，针对连接至少一部分受关注分支结构与受关注周围结构区域的各个表面像素的多条直线中的每一条直线，可根据各直线上的子区域的评价值来确定将要被映射至各直线上的各表面像素上的像素值。
根据本发明，由显示被检体内部结构的三维医学图像中提取出分支结构和周围结构，在分支结构中设定受关注分支结构，随后由周围结构区域推断出与受关注分支结构功能上相关的受关注周围结构区域，获取受关注周围结构区域内的评价值，并生成映射图像，该映射图像为通过将受关注周围结构区域中的评价值映射至形态图像而生成的图像，其中所述形态图像显示受关注分支结构和受关注周围结构区域中的至少一者的形态。这样可容易地观察或评价与受关注分支结构功能上相关的周围结构区域的功能特征和/或形态特征，由此有助于提高诊断的精确度和效率。
例如，当将分支结构中由栓塞位置到分支结构末梢这一部分设定为受关注分支结构时，则将评价值映射至形态图像中与受关注分支结构功能上相关的周围结构区域，就可以容易地观察或评价分支结构的栓塞对周围结构所产生的局部影响。
当生成显示被检体内部结构区域(其部分地包括受关注分支结构和受关注周围结构区域)的形态的宽形态图像时，可观察或评价功能特征和/或形态特征，同时还可明了受关注分支结构或受关注周围结构与相邻结构之间的位置关系。
此外，当获取了构成被检体内部结构区域(其部分地包括受关注周围结构区域)的各个子区域的评价值，并将各评价值映射至宽形态图像的与获得各评价值的区域相对应的区域上以生成宽映射图像，其中，受关注周围结构与周围结构区域中除了受关注周围结构区域以外的其它区域之间的边界变得能够识别时，可以容易地对受关注分支结构或受关注周围结构与相邻结构之间的功能特征和/或形态特征进行比较，由此可更容易地观察或评价受关注周围结构的功能特征和/或形态特征。
另外，如果通过将构成受关注周围结构区域的多个子区域的评价值投影至受关注周围结构区域的表面像素上以生成映射图像，则可以从三维的角度明了受关注周围结构区域的功能特征和/或形态特征。
附图简要说明
图1为医学图像诊断系统的示意性构造图，其中该医学图像诊断系统安装有根据本发明实施方案的医学图像处理设备。
图2为示意性示出用以实现本发明实施方案的医学图像处理功能的构造以及处理流程的框图。
图3示出针对各肺部血管分支的控制区域。
图4A示意性示出将受关注肺实质区域中各点的评价值映射至受关注肺实质区域的表面的各点处的第一方法。
图4B示意性示出将受关注肺实质区域中各点的评价值映射至受关注肺实质区域的表面的各点处的第二方法。
图4C示意性示出将受关注肺实质区域中各点的评价值映射至受关注肺实质区域的表面的各点处的第三方法。
图5A示出在本发明的实施方案中所生成的映射图像的第一个例子。
图5B示出在本发明的实施方案中所生成的映射图像的第二个例子。
图5C示出在本发明的实施方案中所生成的映射图像的第三个例子。
图6示出利用本发明实施方案的医学图像诊断系统的图像处理流程的流程图。
具体实施方式
下面将通过以下述情况为例对采用本发明实施方案的医学图像处理设备的医学图像诊断系统进行描述，在所述情况中，基于人体胸部CT图像来观察或评价肺部血管栓塞对周围肺实质区域的影响。
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总体情况。如图1中所示，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，它们借助于网络9而相互通讯连通。
医疗设备1包括这样的装置，该装置用于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。该装置的具体例子包括(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(radiology reader)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各部件之间的通信都基于DICOM协议等。
图2为示出了图像处理工作站3中与本发明第一实施方案相关的这部分的功能。如图2中所示，根据本发明实施方案的医学图像处理是通过肺野区域提取单元31、肺部血管提取单元32、受关注血管设定单元33、受关注肺实质区域推断单元34、评价值计算单元35以及映射图像生成单元36而实现的。在图2中，三维医学图像V、受关注位置(栓塞位置)PE、肺野区域LF、肺部血管结构LV、受关注血管结构LVI、各血管的控制区域RVn、受关注肺实质区域RVI、评价值EV、映射图像IM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、并从该存储区域内读取出来的数据。
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，进行区域扩张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(thinning process)，并且基于所获得的细线(其表示肺部血管)，将细线上的各像素分为端点和边(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“Trial of branch base tree structure model construction for blood vessel geometric representation”[在线]，2005年3月9日，RIKEN，日本，RIKEN symposium，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“Automated Classification of Pulmonary Artery and Vein from Chest X-ray CT Images by Tree Structure Analysis”，Technical Report of IEICE，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>(参考文献1))。
受关注血管设定单元33在肺部血管结构LV中设定受关注血管结构LVI。受关注血管结构LVI表示血管结构中由栓塞位置到其外周这一部分的血管结构。更具体而言，受关注血管设定单元33使由三维医学图像V生成的二维图像显示于图像处理工作站3的显示装置上，并接受使用者指定肺部血管结构LV中的受关注位置(栓塞位置)PE的操作。随后，受关注血管设定单元33基于血管结构LV的树结构，将由指定的受关注位置PE到其外周这一部分的血管结构设定为受关注血管结构LVI(详细信息可参见参考文献1)。
受关注肺实质区域推断单元34包括控制区域计算单元34a以及受关注肺实质区域确定单元34b，并且基于肺部血管结构LV来推断肺部血管周围的肺实质区域中与受关注血管结构LVI功能上相关的受关注肺实质区域RVI。
控制区域计算单元34a利用血管结构作为核点集合(kernel point mass)来进行三维Voronoi分割，以获得构成肺部血管结构LV的各血管分支的控制区域RVn。更具体而言，如图3中所示意性示出的那样，控制区域计算单元34a识别出与肺野区域LF中的各像素距离最近的血管分支(其构成肺部血管结构LV)中的一个分支，也就是说，识别出肺野区域LF中的各像素被其控制的血管分支中的一个分支。因此，受相同血管分支控制的区域被确定为该血管分支的控制区域。这样便产生了各血管分支的控制区域RVn(详细信息可参见文献Y.Hirano等人的“Quantification of shrinkage of lung lobes in chest CT images using the 3D Voronoi division and application to tumor discrimination”，[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>)。
同时，受关注肺实质区域确定单元34b将控制区域RVn的受到受关注血管结构LVI控制的区域确定为受关注肺实质区域RVI。
评价值计算单元35基于三维医学图像V来计算肺功能和形态的评价值EV。此处，评价值计算单元35利用三维医学图像V作为输入信息进行已知的灌注分析，并计算肺实质区域中各像素的局部外周平均密度。更具体而言，评价值计算单元35通过除去支气管和肺部血管结构LV、并利用三维高斯核作为平滑算符进行局部平均，从而提取出肺实质区域(详细信息参见日本未审查专利公开No.2006-051365)。
映射图像生成单元36生成映射图像IM，映射图像IM为通过将受关注肺实质区域RVI的评价值EV映射至基于三维医学图像V的形态图像上而生成的图像，其中所述形态图像显示受关注血管结构LVI及其周围的血管结构LV。图5A示出了映射图像IM的例子，该映射图像IM是通过将评价图像叠加到显示受关注血管结构LVI及其周围的肺部血管结构LV的体积绘制图像(volume rendering image)上而生成的图像，其中所述评价图像是通过将由受关注血管结构LVI(从受关注位置PE到肺部血管结构LV的末梢的这一部分)控制的受关注肺实质区域RVI的评价值投影至受关注肺实质区域RVI的表面、并使其半透明化而获得的。此处，如图4A中所示意性示出的那样，可通过对从受关注位置PE到受关注肺实质区域RVI的表面上的各点这一部分的评价值EV进行放射状采样，从而获得投影至受关注肺实质区域RVI的表面上的亮度值。即，获得了连接受关注位置PE和受关注肺实质区域RVI表面上各点的多条直线中的每一条上的各个点的评价值EV的代表值(例如，平均值)，并且根据代表值将代表颜色或密度的亮度值分配到受关注肺实质区域RVI表面上的各点。可通过如下方式获得其中体积绘制图像和评价值图像相互叠加在一起的图像。即，将预定的亮度值分配至各像素(其表示三维医学图像V中的受关注血管结构LVI及其周围的肺部血管结构LV)，并将不透明度分配给评价值图像的各像素，随后基于分配至评价值图像的不透明度，为三维医学图像V与评价值图像之间的各相应位置设定α值，然后针对分配给三维医学图像V的亮度值以及评价值图像的亮度值的各位置，利用α混合进行体积绘制(详细信息参见由本申请人提交的日本未审查专利公开No.2008-259696等)。
下面对利用本发明实施方案的医学图像处理方法的图像诊断流程进行说明。图6为示出了利用本发明实施方案的医学图像处理软件所进行的使用者操作、计算处理、显示处理等流程的流程图。
首先，获得三维医学图像V的图像数据(#1)。三维医学图像V为根据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，评价值计算单元35计算肺实质区域中各像素的局部外周平均密度(评价值EV)(#2)；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(#3)；并且肺部血管提取单元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(#4)。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，受关注肺实质区域推断单元34中的控制区域计算单元34a利用三维医学图像V作为输入信息，获得构成肺部血管结构LV的各血管分支的控制区域RVn(#5)。
接下来，受关注肺部血管设定单元33收到使用者的指定肺部血管结构LV中的受关注位置(栓塞位置)PE的操作(#6)，并基于肺部血管结构LV的树结构，将血管结构LV中由指定的受关注位置PE到血管结构LV末梢这一部分设定为受关注血管结构LVI(#7)。
受关注肺实质区域推断单元34中的受关注肺实质确定单元34b将控制区域RVn的受到受关注血管结构LVI(其由受关注血管设定单元33设定)控制的区域确定为受关注肺实质区域RVI(#8)，其中所述控制区域RVn是由控制区域计算单元34a计算得到的。
然后，映射图像生成单元36通过将受关注肺实质区域RVI的评价值EV映射至基于三维医学图像V的形态图像(其示出受关注血管结构LVI及其周围的血管结构LV)上，从而生成映射图像IM(#9)，并且所生成的映射图像IM显示在图像处理工作站3的显示装置上(#10)。
在本发明的实施方案中，通过上述一系列的处理过程生成映射图像IM，该映射图像IM为示出受关注血管结构LVI及其周围的血管结构LV、并且映射有受关注肺实质区域RVI的评价值EV的形态图像。这样便可容易地观察或评价血管结构LV的栓塞对其周围的肺实质区域所产生的局部影响，从而有助于提高诊断的精确度和效率。
此外，形态图像不仅示出了受关注血管结构LVI，而且还示出了周围的肺部血管结构LV，因此可观察或评价栓塞的局部影响，同时还可明了受关注血管结构LVI或受关注肺实质区域RVI与周围的肺部血管结构LV之间的位置关系。
此外，映射图像生成单元36通过将受关注肺实质区域RVI中各像素的评价值投影至受关注肺实质区域RVI的各表面像素上以生成映射图像IM，从而可以从三维的角度明了受关注实质区域RVI的功能特征和/或形态特征。
如图4A所示，在对评价值EV进行投影时，通过由受关注位置PE放射状采样来确定表面像素的亮度值。这使得沿着与映射图像IM的视线不同的方向，将评价值EV投影至受关注肺实质区域RVI表面上的各点，从而使所生成的映射图像IM适于观察与受关注血管LVI相邻的评价值EV的分布。
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，已经对其中通过单一的图像处理工作站3进行图2中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过程分配在多台工作站中，并且这些处理过程相互协调运行。
关于处理流程，图6的流程图中的步骤#2可在步骤#1之后以及步骤#9之前的任何时间进行，或者与步骤#3至步骤#8平行进行。
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肺野区域LF，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可采用上述方法以外的其它类型的已知的血管提取方法。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。另外，关于肺部血管提取的优选更改方式，可将肺部血管提取单元32构造为仅提取肺动脉或肺静脉中的任一者。更具体而言，可以如下方式通过关注下述事实而仅提取出肺动脉或肺静脉中的任一者，所述事实为：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的边界附近(即支气管之间)延伸。也就是说，基于血管之间的连接关系，将所提取出的血管结构分解为多个血管分支组，并且还通过肺部血管提取单元32并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，以推断肺的分区的界面，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血管分支组归为肺动脉，而将远离支气管且靠近肺分区界面的血管分支组归为肺静脉(详细信息参见上述参考文献1)。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，如果按照上述实施方案中那样，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34a来计算控制区域的话，则肺实质区域分为被肺动脉控制的控制区域以及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，如更改方式中那样，在借助肺部血管提取单元32仅提取出肺动脉和肺动脉中的任一者时，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单独进行受关注肺实质区域的观察或评价。
受关注血管设定单元33可被构造为利用已知方法自动地识别肺部血管结构LV中的栓塞位置。例如，通过在被肺部血管提取单元32所提取出的肺部血管结构LV中分析三维特征量来提取栓塞位置的方法是已知的，其中所述三维特征量例如为血管尺寸、利用形态滤波器获得的局部对比度、几何特征(如利用二次微分获得的曲率、体积、长度)等(详细信息参见文献Y.Masutani等人的“ Computerized Detection of Pulmonary Embolism in Spiral CT Angiography Based on Volumetric Image anal
在上述实施方案中，受关注肺实质区域推断单元34中的控制区域计算单元34a可被构造为：针对由多个血管分支构成的组而获得一个控制区域RVn，或者进一步将一个血管分支分解为多个部分，并针对分解后的血管分支的各部分来获得控制区域RVn，而不是针对各血管分支获得控制区域RVn。此外，可基于存储于肺部血管结构LV的树结构数据中的特征量(如血管直径等)和像素值、以及肺野区域LV中的像素与血管分支之间的距离来获得控制区域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RVn有时可能会跨过肺叶的边界，因此控制区域计算单元34a可被构造为预先将肺野区域LF分为多个肺叶(右上叶、右中叶、右下叶、左上页、左中叶和左下页5个肺叶)，并计算各肺页内的控制区域RVn。此处，肺叶的分离方法可以是自动或手动的方法。关于自动分离方法，可使用任何已知方法，如这样一种方法：其中利用气管、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分离肺叶。(详细信息参见文献T.Hayashi等人的“Development of the Procedure for Automatic Extracting Interlobar Fissures and its Performance Evaluation”，Technical Report of IEICE，MI2003-53(2003-10)，Medical Image，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>)。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得到这样的映射图，该映射图与肺的解剖结构一致，并且更适于诊断用。由于肺动脉远离各分区的边界，因此如果根据仅基于血管信息确定的控制区域RVn来推断出受关注肺实质区域RVI，则与利用肺静脉的情况相比，这种情况的推断准确度可能降低。利用上述的各分区进行受关注肺实质区域RVI的推断可提高推断的准确度。
关于由评价值计算单元35所计算出的评价值，除了上述实施方案中所用的局部外周平均密度以外，还可列举以下的已知项目，并且可根据诊断目的等因素适当地使用这些项目。
(a)可由时间密度曲线获得的灌注参数，例如肺血流量、肺血液量、平均通过时间等，其中所述时间密度曲线是在CT灌注分析时的多个关注区域中获得的。
(b)由一种类型的设备(如CT等)获得的多个辐射图像的像素值，其分别示出具有不同能量分布的多个辐射图案在被检体中的透过/衰减程度。或者，多个图像之间的像素值之差，所述图像是通过如下方式拍摄的：由多个辐射源发射不同的能量；使一个辐射源边改变能量边辐射；将通过附加的滤波器(如能量分离滤波器)而相互堆叠的多个辐射探测器曝光一次，以在一次曝光中改变穿过被检体的辐射能量分布，并通过多个辐射探测器来检测不同能量分布的辐射情况。
(c)通过CT及其它医疗设备获得的肺功能图像的像素值，所述其它医疗设备例如为PET、MRI、肺灌注闪烁成像、肺通气闪烁成像等。
(d)施用造影剂之前和之后多个图像间的像素值之差，或者在施用造影剂之后于不同时间获得的多个图像间的像素值之差。
(e)局部换气量，例如在吸气和呼气之间获得的多个换气图像的像素值之差，或者在吸入预定量气体之前和之后所获得的多个换气图像的像素值之差(详细信息参见日本未审查专利公开No.2005-028121)。
(f)在吸气和呼气之间肺野内各位置的位移量(参见由本申请人提交的日本未审查专利公开No.2005-020719)。可获得支气管或控制区域中各像素的位移量，并且可将平均值或最大值用作评价值。
(g)控制领域中的肺气肿与肺实质区域的体积比。例如，将肺野中像素值小于预定阈值(对于非造影剂增强的图像而言，阈值为-960HU)的区域确定为肺气肿(详细信息参见文献M.Kinsella等人的“Quantitation of emphysema by computed tomography using a “density mask”program and correlation with pulmonary function tests”，Chest，97，315-321页，1990)，并且基于所确定的肺气肿区域的体积，通过下式来获得肺气肿率以作为评价值，
肺气肿率＝控制区域中肺气肿区域的体积/控制区域的体积
(h)控制区域中的肺气肿成分簇的尺寸
如上面(g)中一样，通过阈值处理确定肺气肿区域，并获得肺气肿区域中各连接成分(成分簇)的体积。此外，计算各连接成分的分形维数D(详细信息参见文献M.Mishima等人的“Complexity of terminal airspace geometry assessed by lung computed tomography in normal subjects and patients with chronic obstructive pulmonary disease”，Proc.Natl.Acad.Sci.USA，96卷，8829-8834页，1999)。
(i)上述各项中所获评价值的随时间变化量。
将由在不同时间拍摄/测量得到的多个图像/测量值而获得的上述各项评价值的差值用作评价值。
(j)上述各项中所获得的评价值与在整个非栓塞区域内各项评价值的平均值的比值。
需要注意的是，对于涉及在不同时间拍摄的多个图像(如吸气和呼气间拍摄的图像、或者通过不同医疗设备拍摄的图像)间的计算时，由于被检体的体位未对准或者成像时的心/肺收缩，使得这些图像之间被检体或结构的位置不同。因此，需要进行位置对准处理，以对准位置关系。关于位置对准处理，可使用任何已知的刚性或非刚性配准方法。非刚性配准方法包括：(例如)通过使用者指定两个相应点的方法；在不使用定位标识的情况下基于图像反差(image contrast)进行对准的方法等(详细信息参见日本未审查专利公开No.2005-028121和文献D.Rueckert等人的“Nonrigid Registration Using Free-Form Deformations：Application to Breast MR Images”，IEEE Transactions on Medical Imaging，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。
在上述实施方案中，如图4A所示意性示出的那样，通过对由受关注位置PE到受关注肺实质区域RVI的表面各点的评价值进行放射状采样，从而使映射图像生成单元36获得已投影至受关注肺实质区域RVI表面上的各像素值。然而，可以在由受关注肺实质区域RVI的重力中心等位置到受关注肺实质区域RVI的表面各点的范围内进行采样。
另外，作为采样方法，可采用这样的方法：如图4B所示意性示出的那样，识别出与受关注肺实质区域RVI的表面上各点的距离最近的受关注血管结构LVI上的点，并对这两个点之间的各点的评价值进行采样。此外，如图4C所示意性示出的那样，识别出与受关注肺实质区域RVI中各像素的距离最近的受关注肺实质区域RVI表面上的点，并将各像素的评价值EV映射至以所识别的点为圆心的预定半径范围内的表面的各点上。
在上述实施方案中，当由各采样点确定受关注肺实质区域RVI表面上相应点的亮度值时，计算各采样点的评价值EV的平均值，但是可以使用各种代表性数值，如最大值、最小值、中点值、加权和等。
此外，如果评价值EV为处于坐标轴与被检体间不同的位置关系时所获得的值，则映射图像生成单元36可通过进行上述的刚性或非刚性配准处理而获得三维医学图像V与评价值图像之间的位置相应关系。
另外，由三维医学图像V生成的形态图像可以为体积绘制图像之外的其它图像，如MIP图像、MPR图像等。
当将由三维医学图像V生成的形态图像与评价值图像相互叠加在一起时，如果通过使用者的操作就可改变分配给评价值图像中各像素的不透明度，则可使受关注肺实质区域RVI的表面变得半透明，从而观察到受关注肺实质区域RVI中的受关注血管结构LVI；或者使该表面变得不透明，从而不能观察到受关注肺实质区域RVI中的受关注血管结构LVI。
此外，关于形态图像和评价值图像的叠加方法，可不使用上述实施方案中对两个图像的α混合法，而是采用这样的方法：通过对形态图像和评价值图像间各相应位置的亮度值进行简单的加法、减法或乘法运算，从而计算出映射图像各位置的亮度值。或者，将形态图像和评价值图像中各位置的亮度值交替分配至映射图像的各相应像素，从而以方格状图案将这两个图像组合在一起。此外，可通过将形态图像和评价值图像的各条线的亮度值交替分配至映射图像的各相应线上，从而将这两个图像组合在一起。
另外，如图5B中的例子所示，可将映射图像生成单元36构造为对比由受关注肺实质区域RVI和受关注血管结构LVI构成的区域更宽的区域生成评价值图像，并且在将基于三维医学图像V的形态图像与评价值图像相互叠加在一起时，可将边界线等添加至受关注肺实质区域RVI与肺野区域LF中除了受关注肺实质区域RVI以外的其它区域之间的边界上。
另外，如图5C的例子所示，可将映射图像生成单元36构造为在三维角度上除去一部分受关注肺实质区域RVI，并将图像(原始图像的单色显示、非刚性配准之后的其它图像)或评价值粘贴在被除去的边界表面上。
此外，在上述实施方案中，已经对将人体的肺用作观察或评价目标的情况进行了说明，然而，也可采用这样的情况：其中具有分支结构和周围结构的其它结构被观察或评价。

Claims (12)

1.一种医学图像处理设备，包括：
分支结构提取装置，其用于从三维医学图像中提取出分支结构，其中所述三维医学图像显示被检体的具有分支结构和周围结构的内部结构，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；
周围结构区域提取装置，其用于从所述三维医学图像中提取出包括所述周围结构在内的周围结构区域；
受关注分支结构设定装置，其用于设定作为所述分支结构中的受关注部分的受关注分支结构；
受关注周围结构区域推断装置，其用以基于所述分支结构从所述周围结构区域推断出与所述受关注分支结构功能上相关的受关注周围结构区域；
评价值获取装置，其用于获取被检体内部结构在所推断出的受关注周围结构区域中的功能和/或形态的评价值；以及
映射图像生成装置，其用于生成映射图像，所述映射图像为通过将所述受关注周围结构区域中的所述评价值映射至形态图像上而生成的图像，其中所述形态图像生成自所述三维医学图像并且显示所述受关注分支结构和所述受关注周围结构区域中的至少一者的形态。
2.权利要求1所述的医学图像处理设备，其中所述映射图像是通过将所述受关注周围结构区域中的评价值映射至宽形态图像上而生成的图像，其中所述宽形态图像显示所述被检体内部结构的以下区域的形态，所述区域部分地包括所述受关注分支结构以及所述受关注周围结构区域。
3.权利要求2所述的医学图像处理设备，其中：
所述评价值获取装置为这样的装置，该装置获取构成所述被检体内部结构的以下区域的各个子区域的评价值，其中所述区域部分地包括所述受关注周围结构区域；并且
所述映射图像是通过将各评价值映射至所述宽形态图像中与通过所述评价值获取装置获得各评价值的区域相对应的区域上而生成的图像，其中所述受关注周围结构区域与所述周围结构区域中除所述受关注周围结构区域之外的其它区域之间的边界变得能够识别。
4.权利要求1至3中任意一项所述的医学图像处理设备，其中：
所述评价值获取装置为这样的装置，该装置获取构成所述受关注周围结构区域的多个子区域中的每个子区域的评价值；并且
所述映射图像生成装置为这样的装置，该装置通过将所述受关注周围结构区域中的各评价值投影至所述受关注周围结构区域的各个表面像素上而进行所述映射。
5.权利要求4所述的医学图像处理设备，其中所述映射图像生成装置为这样的装置，该装置针对连接所述受关注分支结构中的至少一部分以及所述受关注周围结构区域的各个表面像素的多条直线中的每一条，基于各直线上的子区域的评价值确定将要映射至各直线上的各个表面像素的像素值。
6.权利要求1所述的医学图像处理设备，其中所述被检体的内部结构为肺。
7.权利要求6所述的医学图像处理设备，其中所述周围结构为肺实质。
8.权利要求7所述的医学图像处理设备，其中所述周围结构区域为肺野区域。
9.权利要求1所述的医学图像处理设备，其中所述分支结构为血管。
10.权利要求9所述的医学图像处理设备，其中所述分支结构为肺动脉或肺静脉。
11.权利要求6所述的医学图像处理设备，其中所述受关注周围结构区域推断装置为这样的装置，该装置将在所述三维医学图像中显示的所述被检体的内部结构划分为多个预定的肺分区，并对受关注周围结构区域进行推断，以使其属于划分后的肺分区中的一个分区。
12.一种医学图像处理方法，包括如下步骤：
从显示被检体的具有分支结构和周围结构的内部结构的三维医学图像中提取出分支结构，其中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包括所述周围结构在内的周围结构区域；
设定作为所述分支结构中的受关注部分的受关注分支结构；
基于所述分支结构从所述周围结构区域中推断出与所述受关注分支结构功能上相关的受关注周围结构区域；
获取被检体的内部结构在所推断出的受关注周围结构区域内的功能和/或形态的评价值；以及
生成映射图像，所述映射图像为通过将所述受关注周围结构区域中的评价值映射至形态图像上而生成的图像，其中所述形态图像生成自所述三维医学图像并且显示所述受关注分支结构和所述受关注周围结构区域中的至少一者的形态。
CN201110034609.7A 2010-03-31 2011-01-31 医学图像处理技术 Active CN102208105B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2010-084389 2010-03-31
JP2010084389A JP5597429B2 (ja) 2010-03-31 2010-03-31 医用画像処理装置および方法、並びにプログラム

Publications (2)

Publication Number Publication Date
CN102208105A true CN102208105A (zh) 2011-10-05
CN102208105B CN102208105B (zh) 2017-03-01

Family

ID=44123502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110034609.7A Active CN102208105B (zh) 2010-03-31 2011-01-31 医学图像处理技术

Country Status (4)

Country Link
US (1) US8605978B2 (zh)
EP (1) EP2375379A3 (zh)
JP (1) JP5597429B2 (zh)
CN (1) CN102208105B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103202705A (zh) * 2012-01-12 2013-07-17 株式会社东芝 医用图像处理装置及医用图像处理方法
CN103565455A (zh) * 2012-07-24 2014-02-12 株式会社东芝 医用图像处理装置、医用图像诊断装置以及医用图像处理方法
CN105101878A (zh) * 2013-04-05 2015-11-25 东芝医疗系统株式会社 医用图像处理装置以及医用图像处理方法
CN105701792A (zh) * 2014-12-10 2016-06-22 富士胶片株式会社 医用图像处理装置以及其工作方法
CN105894508A (zh) * 2016-03-31 2016-08-24 上海联影医疗科技有限公司 一种医学图像自动定位质量的评估方法
CN107230204A (zh) * 2017-05-24 2017-10-03 东北大学 一种从胸部ct图像中提取肺叶的方法及装置
CN109447974A (zh) * 2018-10-31 2019-03-08 上海联影医疗科技有限公司 体数据处理方法、装置、图像处理工作站和可读存储介质
WO2019232824A1 (zh) * 2018-06-06 2019-12-12 南方医科大学 生物组织影像识别的方法及其系统、计算机储存介质
CN111358484A (zh) * 2020-03-23 2020-07-03 广州医科大学附属第一医院（广州呼吸中心） 核医学肺灌注显像定量分析方法、分析设备及存储介质
CN112601494A (zh) * 2018-08-31 2021-04-02 富士胶片株式会社 相似度确定装置、方法及程序
CN112638262A (zh) * 2018-08-31 2021-04-09 富士胶片株式会社 相似度确定装置、方法及程序
CN113164142A (zh) * 2018-11-27 2021-07-23 富士胶片株式会社 相似度确定装置、方法及程序
CN113164141A (zh) * 2018-11-27 2021-07-23 富士胶片株式会社 相似度确定装置、方法及程序

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5780748B2 (ja) * 2010-12-15 2015-09-16 株式会社東芝 医用画像処理装置
KR101805624B1 (ko) * 2011-08-29 2017-12-08 삼성전자주식회사 장기 모델 영상 생성 방법 및 장치
WO2013140374A2 (en) * 2012-03-23 2013-09-26 Koninklijke Philips N.V. Volume rendering
AT512393B1 (de) * 2012-06-29 2013-08-15 Ludwig Boltzmann Ges Gmbh Verfahren zum Verarbeiten von Bildern des Lungenkreislaufs und Vorrichtung zur Durchführung dieses Verfahrens
GB2503662A (en) * 2012-07-02 2014-01-08 Rue De Int Ltd Identifying a security document using capacitive sensing
EP2891134B1 (en) 2012-08-28 2018-11-14 Molecular Devices, LLC Method for analysis of fibers and branching structures within an image of a sample
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
WO2014168350A1 (ko) * 2013-04-10 2014-10-16 재단법인 아산사회복지재단 폐동맥과 폐정맥을 구분하는 방법 및 이를 이용한 혈관의 정량화 방법
US9760989B2 (en) 2014-05-15 2017-09-12 Vida Diagnostics, Inc. Visualization and quantification of lung disease utilizing image registration
US10806372B2 (en) * 2014-09-09 2020-10-20 Siemens Healthcare Gmbh Method and system for simultaneous evaluation of airway wall density and airway wall inflammation
JP6080267B2 (ja) * 2014-09-12 2017-02-15 富士フイルム株式会社 ３次元オブジェクト分割出力装置およびその応用
EP3294136B1 (en) 2015-05-08 2020-11-18 Vida Diagnostics, Inc. System for quantifying regional fissure features
US10157467B2 (en) * 2015-08-07 2018-12-18 Arizona Board Of Regents On Behalf Of Arizona State University System and method for detecting central pulmonary embolism in CT pulmonary angiography images
WO2017043194A1 (ja) 2015-09-09 2017-03-16 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
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
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
JP6840481B2 (ja) * 2016-07-19 2021-03-10 キヤノン株式会社 画像処理装置および画像処理方法
US10223590B2 (en) * 2016-08-01 2019-03-05 Qualcomm Incorporated Methods and systems of performing adaptive morphology operations in video analytics
JP6970737B2 (ja) 2016-08-18 2021-11-24 ウィリアム・ボーモント・ホスピタルWilliam Beaumont Hospital ４ｄコンピュータ断層撮影から呼吸性血液量変化を決定するシステム及び方法
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
CN107451995B (zh) * 2017-07-26 2020-04-21 深圳先进技术研究院 在cta图像中提取心血管方法、装置、设备及存储介质
EP3460712A1 (en) * 2017-09-22 2019-03-27 Koninklijke Philips N.V. Determining regions of hyperdense lung tissue in an image of a lung
KR102227921B1 (ko) * 2018-06-04 2021-04-16 주식회사 코어라인소프트 로브기준으로 폐혈관을 정량화하는 방법
KR102304100B1 (ko) * 2018-06-04 2021-09-24 주식회사 코어라인소프트 로브기준으로 폐혈관을 정량화하는 방법
US10929973B2 (en) * 2018-10-02 2021-02-23 Siemens Healtcare Gmbh Medical image pre-processing at the scanner for facilitating joint interpretation by radiologists and artificial intelligence algorithms
CN111612860B (zh) * 2019-02-22 2023-09-15 曹生 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品
CN112712540B (zh) * 2021-01-13 2022-07-12 杭州象量医疗技术有限公司 一种基于ct影像的肺部支气管提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1765322A (zh) * 2004-09-13 2006-05-03 西门子共同研究公司 栓塞分析方法和设备
US20060229513A1 (en) * 2005-04-06 2006-10-12 Kabushiki Kaisha Toshiba Diagnostic imaging system and image processing system
EP1988511A2 (en) * 2007-04-12 2008-11-05 FUJIFILM Corporation Method and apparatus for volume rendering

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6466687B1 (en) * 1997-02-12 2002-10-15 The University Of Iowa Research Foundation Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology
JP4248399B2 (ja) * 2001-10-16 2009-04-02 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 自動枝ラベリング方法
JP4397177B2 (ja) * 2003-05-13 2010-01-13 株式会社日立メディコ 臓器特定領域抽出支援装置及び方法
JP4493408B2 (ja) 2003-06-06 2010-06-30 富士フイルム株式会社 画像読影支援方法及び装置並びにプログラム
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
US7447344B2 (en) * 2004-04-16 2008-11-04 Siemens Medical Solutions Usa, Inc. System and method for visualization of pulmonary emboli from high-resolution computed tomography images
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
US7583829B2 (en) * 2004-09-13 2009-09-01 Siemens Medical Solutions Usa, Inc. Method and apparatus for embolism analysis
US20060239524A1 (en) * 2005-03-31 2006-10-26 Vladimir Desh Dedicated display for processing and analyzing multi-modality cardiac data
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
US8224057B2 (en) * 2007-10-18 2012-07-17 Siemens Aktiengesellschaft Method and system for nodule feature extraction using background contextual information in chest x-ray images
JP5422145B2 (ja) * 2008-06-18 2014-02-19 株式会社東芝 医用画像処理装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1765322A (zh) * 2004-09-13 2006-05-03 西门子共同研究公司 栓塞分析方法和设备
US20060229513A1 (en) * 2005-04-06 2006-10-12 Kabushiki Kaisha Toshiba Diagnostic imaging system and image processing system
EP1988511A2 (en) * 2007-04-12 2008-11-05 FUJIFILM Corporation Method and apparatus for volume rendering

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103202705B (zh) * 2012-01-12 2015-04-22 株式会社东芝 医用图像处理装置及医用图像处理方法
CN103202705A (zh) * 2012-01-12 2013-07-17 株式会社东芝 医用图像处理装置及医用图像处理方法
CN103565455A (zh) * 2012-07-24 2014-02-12 株式会社东芝 医用图像处理装置、医用图像诊断装置以及医用图像处理方法
CN103565455B (zh) * 2012-07-24 2016-04-20 株式会社东芝 医用图像处理装置、医用图像诊断装置以及医用图像处理方法
CN105101878A (zh) * 2013-04-05 2015-11-25 东芝医疗系统株式会社 医用图像处理装置以及医用图像处理方法
CN105101878B (zh) * 2013-04-05 2018-04-10 东芝医疗系统株式会社 医用图像处理装置以及医用图像处理方法
CN105701792A (zh) * 2014-12-10 2016-06-22 富士胶片株式会社 医用图像处理装置以及其工作方法
CN105894508A (zh) * 2016-03-31 2016-08-24 上海联影医疗科技有限公司 一种医学图像自动定位质量的评估方法
CN105894508B (zh) * 2016-03-31 2018-04-03 上海联影医疗科技有限公司 一种医学图像自动定位质量的评估方法
CN107230204B (zh) * 2017-05-24 2019-11-22 东北大学 一种从胸部ct图像中提取肺叶的方法及装置
CN107230204A (zh) * 2017-05-24 2017-10-03 东北大学 一种从胸部ct图像中提取肺叶的方法及装置
WO2019232824A1 (zh) * 2018-06-06 2019-12-12 南方医科大学 生物组织影像识别的方法及其系统、计算机储存介质
CN112601494A (zh) * 2018-08-31 2021-04-02 富士胶片株式会社 相似度确定装置、方法及程序
CN112638262A (zh) * 2018-08-31 2021-04-09 富士胶片株式会社 相似度确定装置、方法及程序
US11893735B2 (en) 2018-08-31 2024-02-06 Fujifilm Corporation Similarity determination apparatus, similarity determination method, and similarity determination program
CN112638262B (zh) * 2018-08-31 2024-05-14 富士胶片株式会社 相似度确定装置、方法及程序
CN109447974A (zh) * 2018-10-31 2019-03-08 上海联影医疗科技有限公司 体数据处理方法、装置、图像处理工作站和可读存储介质
CN109447974B (zh) * 2018-10-31 2022-01-25 上海联影医疗科技股份有限公司 体数据处理方法、装置、图像处理工作站和可读存储介质
CN113164142A (zh) * 2018-11-27 2021-07-23 富士胶片株式会社 相似度确定装置、方法及程序
CN113164141A (zh) * 2018-11-27 2021-07-23 富士胶片株式会社 相似度确定装置、方法及程序
CN113164142B (zh) * 2018-11-27 2024-04-30 富士胶片株式会社 相似度确定装置、方法及程序
US11989880B2 (en) 2018-11-27 2024-05-21 Fujifilm Corporation Similarity determination apparatus, similarity determination method, and similarity determination program
CN111358484A (zh) * 2020-03-23 2020-07-03 广州医科大学附属第一医院（广州呼吸中心） 核医学肺灌注显像定量分析方法、分析设备及存储介质
CN111358484B (zh) * 2020-03-23 2021-12-24 广州医科大学附属第一医院（广州呼吸中心） 核医学肺灌注显像定量分析方法、分析设备及存储介质

Also Published As

Publication number Publication date
EP2375379A2 (en) 2011-10-12
CN102208105B (zh) 2017-03-01
JP5597429B2 (ja) 2014-10-01
US8605978B2 (en) 2013-12-10
US20110243403A1 (en) 2011-10-06
JP2011212313A (ja) 2011-10-27
EP2375379A3 (en) 2013-02-20

Similar Documents

Publication Publication Date Title
CN102208105B (zh) 医学图像处理技术
US8417009B2 (en) Apparatus, method, and computer readable medium for assisting medical image diagnosis using 3-D images representing internal structure
CN102207991B (zh) 医学图像诊断辅助设备
US11534125B2 (en) Systems and methods for automated and interactive analysis of bone scan images for detection of metastases
CN105167793B (zh) 图像显示装置、显示控制装置及显示控制方法
EP2916738B1 (en) Lung, lobe, and fissure imaging systems and methods
Diciotti et al. Automated segmentation refinement of small lung nodules in CT scans by local shape analysis
JP6267710B2 (ja) 医用画像中の肺結節を自動検出するためのシステム及び方法
Zhou et al. Automatic multiscale enhancement and segmentation of pulmonary vessels in CT pulmonary angiography images for CAD applications
US8837789B2 (en) Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images
CN102693353B (zh) 用于自动产生统计模型的方法和计算机系统
US9406146B2 (en) Quantitative perfusion analysis
JP2008212396A (ja) 画像処理装置およびそのプログラム
WO2020110774A1 (ja) 画像処理装置、画像処理方法、及びプログラム
CN105956386A (zh) 基于健康人胸片的健康指标指数分类系统和方法
WO2020235461A1 (ja) 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法
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
JP2006130049A (ja) 画像読影支援方法、およびシステム、ならびにプログラム
Bauer et al. Airway tree segmentation in serial block-face cryomicrotome images of rat lungs
JP6634186B2 (ja) 画像処理システム及び画像処理方法
REEVES New Directions in The Computer Aided Measurement and Analysis of CT Images of The Lungs
Marconi et al. Image Processing and Display

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant