CN102598054A - 用于处理医用图像的方法和设备 - Google Patents

用于处理医用图像的方法和设备 Download PDF

Info

Publication number
CN102598054A
CN102598054A CN2010800439061A CN201080043906A CN102598054A CN 102598054 A CN102598054 A CN 102598054A CN 2010800439061 A CN2010800439061 A CN 2010800439061A CN 201080043906 A CN201080043906 A CN 201080043906A CN 102598054 A CN102598054 A CN 102598054A
Authority
CN
China
Prior art keywords
image
atlas
images
described method
mark
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
CN2010800439061A
Other languages
English (en)
Other versions
CN102598054B (zh
Inventor
伊恩·保罗·丹尼尔·吕凯
罗宾·沃尔茨
保罗·阿尔雅巴
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.)
IP2 IPO Innovation Co., Ltd.
Original Assignee
Imperial Innovations Ltd
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 Imperial Innovations Ltd filed Critical Imperial Innovations Ltd
Publication of CN102598054A publication Critical patent/CN102598054A/zh
Application granted granted Critical
Publication of CN102598054B publication Critical patent/CN102598054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G06F18/21375—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps involving differential geometry, e.g. embedding of pattern manifold
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • 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
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种用于处理医用图像的方法，所述方法由计算机处理器执行并且包括以下步骤：(a)获得包含一个或多个图像的一个或多个图册，在所述一个或多个图像中已经用标记数据标记了一个或多个解剖学特征；(b)获得多个未标记的图像；(c)将标记的和未标记的图像进行比较并且选择与一个或多个标记的图像最相似的一个或多个未标记的图像；(d)使标记数据从一个或多个最接近的标记图像传播到那些选定的一个或多个图像中的每个图像，由此标记选定的一个或多个图像中的每个图像的对应的一个或多个解剖学特征并且使选定的一个或多个图像成为标记的一个或多个图像；以及(e)从步骤(c)开始反复地重复，由此标记未标记的图像中的其他图像。

Description

用于处理医用图像的方法和设备
技术领域
本发明涉及用于处理医用图像的方法和对应的设备。它尤其适于但不限于处理磁共振图像，例如人脑的磁共振图像。
发明背景
在神经成像领域，从脑部的磁共振图像(MRI)自动抽取特征是一种越来越渐重要的方法。因为脑部解剖学在受试者之间变化很显著，并且在衰老或疾病进展期间可以发生显著的改变，所以近年来找到在特征抽取期间处理解剖学差异的适当方式已经获得了日渐增长的关注。
基于图册的方法是用于处理此可变性的最流行的方法之一。在本文的语境中，“图册(atlas)”是一种数据集(其可以是3D图像、2D图像、任何维的图像或一组图像)，其具有注释或标记以便识别图像内的点、区域或结构。
基于图册的方法假定图册能够以概率或统计学方式编码解剖学可变性。当构建代表性的图册时，重要的是使所有图像与不偏向总体中任何特定子群的模板配准。Avants和Gee(2004)以及Joshi等(2004)已经提出了两种使用用于形状平均和图册构建的大形变微分同胚(diffeomorphic)背景的方法。用于共配准图像的无模板方法为空间图像归一化形成确定的框架。与寻找单个代表性平均图册的方式相背，两种更近期的方法描述了识别图像数据集中不同总体的模式的方式(Blezek和Miller，2007；Sabuncu等，2008)。
为设计取决于受试者信息的可变图册，近年来已经将多种方法应用于表征随时间变化和疾病进展期间脑部形状的解剖学变化的问题。Davis等(2007)描述了总体形状回归的方法，其中使核回归适应于微分同胚的流形并且将其用于获得年龄依赖性图册。Ericsson等(2008)提出了构建患者特异性图册的方法，其中不同的平均脑图册被构建在根据元信息如性别、年龄或临床因素的小形变背景中。
从磁共振(MR)脑图像数据中抽取特征或生物标志的方法通常开始于自动分割目的区域。非常流行的分割方法是使用标记传播，标记传播通过对两种图像进行比对来将标记由图册图像转换到未见的目标图像。典型但不是必要地，图册被手动标记。Bajcsy等(1983)以及最近的Gee等(1993)和Collins等(1995)提出了使用此方法的早期工作。标记传播的精确度很大程度上取决于基础的图像比对的精确度。为了克服对单一分割的依赖，Warfield等(2004)提出了STAPLE方法，该方法对分割集合计算真实分割的概率估计值算。Rohlfing等(2004)证明了多分类器框架的提高的稳健性和精确度，在所述框架中从多图册传播的标记在分类器融合步骤中结合从而获得对目标图像的最终分割。Heckemann等(2006)成功地将标记传播与分类器融合结合用于分割脑部MR图像中的大量结构。
由于解剖学变化具有宽的范围，在多图册分割中对图册的选择成为重要的问题。对给定目标的合适图册的选择有助于保证图册-目标配准和随后的分割尽可能的精确。Wu等(2007)描述了通过合并图册选择来改善单个图册中分割结果的不同方法。Aljabar等(2009)研究了在多图册分割期间最优图册选择的不同的相似性度量。Van Rikxoort等(2008)提出了这样的方法，其中在图像的不同子窗口中分别进行图册组合直到满足收敛性判据。这些方法显示有意义的是为每个目标图像单独选择合适的图册。尽管MR脑部图像数量的增加是有用的，但是高质量手动图册的产生是劳动密集并且成本高的任务(参见例如Hammers等(2003))。这意味着图册的数目通常相对有限，并且在大多数情况中，限于特定的总体(例如年轻人、健康受试者)。即使使用选择方式，这也会限制图册数据库的适用性。为克服这一点，Tang等(2009)设法通过利用自单一模板图像和练习图像之间的转换学习的形变的PCA模型来产生多种图册图像。通过用取样自该模型的若干转换对初始模板进行转换来产生可能的图册。假设是，通过发现未见图像的合适图册，可以容易地获得对此模板快速且精确的配准。然而，具有比练习数据更高的变异水平的测试数据将对此方式提出重大挑战。此外，对高度可变练习数据集的使用可能导致无代表性的PCA模型以及不同图像和单个模板间的配准误差增加的可能性。此限制使得此方式仅适用于可以容易地获得从所有练习图像至单个初始模板的良好配准的情况。
基于图册的分割受益于对与目标图像相似的图册的选择(Wu等，2007；Aljabar等，2009)。然而，实际上，初始图册可能仅表示目标图像总体的特定子群。
因此需要能够将相对少量的图册传播到显示大量解剖学变化的大的并且不同组的MR脑部图像。
相对于直接多图册传播，将自动标记的脑部图像用于标记未见图像的现有技术不能提高分割精确度。在(Heckemann等，2006)中，当多个相对一致的图册传播到被当做用于分割未见图像的单个图册使用的随机选择的中间图像时，相比直接多图册传播和融合的0:84，所得的采用手工描绘(delineation)的平均Dice重叠是0:80。在另一个实验中，单个图册被传播到之后进一步用于多图册分割的随机选择的中间对象，产生最好0:78的与手工描绘的Dice重叠。
更多的背景技术由US 2007/0053589 A1、US 2008/0154118 A1和WO 2009/093146 A1提供，所有上述文献都公开了用于分割图像数据的方法。
发明概述
根据本发明的第一方面，提供了在所附权利要求的权利要求1中所述的方法。因此提供了由计算机处理器进行的处理医用图像的方法，并且所述方法包括以下步骤：(a)获得包含一个或多个图像的一个或多个图册，在所述一个或多个图像中已经用标记数据标记了一个或多个解剖学特征；(b)获得多个未标记的图像；(c)将所述标记的和未标记的图像进行比较并且选择与一个或多个所述标记的图像最相似的一个或多个未标记的图像；(d)使标记数据从一个或多个最接近的标记图像传播到那些选定的一个或多个图像中的每个图像，由此标记所述选定的一个或多个图像中的每个图像的对应的一个或多个解剖学特征并且使所述选定的一个或多个图像成为标记的一个或多个图像；以及(e)从步骤(c)开始反复地重复，由此标记所述未标记的图像中的其他图像。
术语“标记的”应当被广义地解释从而包括对解剖学特征的任何一种描绘、分割或注释。类似地，术语“标记数据”应当被广义地解释从而包括使解剖学特征在医学图像上得到描绘、分割或注释的任何一种编码。
通过使标记数据反复地从最接近的标记的图像传播到未标记的图像，可以使用结构上相似的图册分割每个未标记的图像。结果，可以使标记的图像和未标记的图像之间相对大的差异分解为比较相似的初始未标记图像之间许多的差异，通过上述方式标记数据得到传播，并且使得配准误差得到降低。
在从属权利要求中限定了优选的、任选的特征。
因此，优选地，比较标记和未标记的图像的步骤包括将图像嵌入低维坐标系统中。这使得标记的和未标记的图像以计算上有效的方式进行比较并且使得所述差异以计算上有效的方式进行定量评价。在某些实施方案中，低维坐标系统可以是二维坐标空间，因此使对图像之间差异的分析和处理进一步简化。
优选地，比较标记的和未标记的图像的步骤包括通过比较一组图像中每对图像的一个或多个各自的解剖学特征来限定一组成对的相似性度量。尤其优选地，尽管本领域技术人员将理解存在可以实现此步骤的其他方式，此步骤还包括对成对的相似性度量进行谱分析操作。
成对的相似性度量可以表示一对图像之间的强度相似性，和/或一对图像之间形变的量。
优选地，传播标记数据的步骤包括基于分类器融合技术使标记数据从多个最接近的标记的图像传播。这使得一个或多个选定的图像以更高的精度进行标记。
优选地，该方法在步骤(d)后以及步骤(e)前还包括对新近传播的标记数据进行基于强度的精修操作的步骤，以便进一步使标记过程期间的配准误差的累积最小化。
图像可以是不同受试者的。备选地，至少一些图像可以是相同受试者的但是在不同的时间点获取的图像，由此使得受试者自身变化(intra-subjectvariance)得到识别和研究。
图像可以是磁共振图像，或本领域技术人员熟悉的其他医用图像。
该方法还可以包括对表示病况出现与否的解剖学特征进行标记并且使用该特征得到该病况的生物标志。在生物标志的基础上，该方法还可以包括将受试者分配以诊断分类，和/或量化受试者对治疗的反应，和/或选择受试者的治疗。
根据本发明的第二方面，提供了成像设备，所述成像设备被配置成执行根据本发明的第一实施方案的方法。该成像设备可以是医用扫描仪，如MRI扫描仪或其他类型。
根据本发明的第三方面，提供了图像处理设备，所述图像处理设备被配置成执行根据本发明的第一实施方案的方法。
根据本发明的第四方面，提供了计算机系统，所述计算机系统被配置成执行根据本发明的第一实施方案的方法。
根据本发明的第五方面，提供了计算机程序，所述计算机程序包括用于执行根据本发明的第一实施方案的方法的编码的指令。
根据本发明的第六方面，提供了编码根据本发明第五实施方案的计算机程序的计算机可读介质或物理载波信号。
附图简述
现在将仅通过实例并且参照附图来描述本发明的实施方案，在附图中：
图1图示使用我们的新方法的图册传播过程；
图2图示结果，该结果显示对在四个受试者组(健康的年轻人、老年人对照、MCI、AD)之中所选择的不同特征维度的辨别能力；
图3图示MNI152脑部图册，其显示用于评价成对图像相似性的海马周围的目的区域；
图4图示坐标，该坐标嵌入有基于健康受试者的30个图册和来自老年痴呆症患者和年龄匹配的对照受试者的796个图像；
图5图示对横切切片上右侧海马的分割结果的比较；
图6图示随着距原始的图册集的距离增加分割精确度的变化情况，用于评估的每个图像亚组由一个条形图表示；
图7图示手动和自动分割的平均海马体积；以及
图8是Bland-Altman图，其显示基于对海马的手动和自动分割的体积度量之间的一致。
优选实施方案描述
这些实施方案表示为申请人所知的实施本发明的最佳方式。然而，它们不是可以实现此目的的唯一方式。
首先，本实施方案采取用于处理医用(或其他)图像的方法或算法的形式。所述方法或算法可以被集成到能够通过计算机处理器执行的计算机程序或指令代码集中。计算机处理器可以是常规(足够高的性能)计算机的处理器，或者其他一些图像处理设备或计算机系统的处理器。备选地，计算机处理器可以集成至一台医用成像设备如MRI扫描仪中，或者与一台医用成像设备如MRI扫描仪通信。
可以在计算机可读介质或数据载体如CD-ROM、DVD或固态存储装置上提供计算机程序或指令代码集。备选地，它可以作为数据信号从相连的计算机或通过局域网或广域网如因特网下载。作为进一步的备选方案，可以将计算机程序或指令代码集硬编码在被配置成执行它的计算机处理器(或与其相关联的存储器)中。
初步概述
我们的方法以获得一个或多个预先存在的图册开始，在所述一个或多个预先存在的图册中一组数字图像已经被标记或注释。从例如MRI扫描仪或另一台医用成像设备同样获得其上传播有标记或注释的一组图像。要研究的图像可以是脑部图像。备选地它们可以是人(或动物)身体的其他部分的图像，如膝盖的图像-例如为了诊断骨关节炎。
在图1中描绘了使用我们的新方法的图册传播和分割过程，其显示5个步骤。首先，在步骤(1)中，将所有标记的图像(即图册)和未标记的图像嵌入低维流形(low-dimensional manifold)中。在步骤(2)中，选择N个与标记的图像最接近的未标记的图像用于分割。然后，在步骤(3)中，使M个最接近的标记的图像与选定的图像(图示了一个选定的图像的实例)中的每个图像配准。在步骤(4)中，强度精修用来获得每个选定的图像的标记图。然后，在步骤(5)中，重复步骤(2)-(4)直到更多的图像(并且优选地所有图像)被标记。
如前所述，基于图册的分割受益于对与目标图像相似的图册的选择。我们的方法提供这样的框架，其中这通过首先将所有图像嵌入低维坐标系统得到保证，所述低维坐标系统提供图像之间的距离度量并且允许识别图像的邻近区。在由坐标系统嵌入学习得到的流形中，传播框架可以得到识别并且标记的图册可以以逐步的方式得到传播，即从初始图册开始到整个总体被分割为止。使用在其邻近区内的图册来分割各个图像，这意味着相异图像之间的形变被分解为比较相似的图像之间若干小的形变并且配准误差得到降低。为了进一步使配准误差的累积最小化，在每个标记传播步骤后完成对分割的基于强度的精修。一旦被分割，图像又可以在随后的分割步骤中被用作图册。在总体中的所有图像被分割后，它们表示大的图册数据库，从所述图册数据库中可以选择用于分割未见图像的合适亚组。通过对它们的成对相似性应用谱分析步骤来获得其中嵌入有图像的坐标系统。当对特定目标图像进行标记的图册的传播和融合时，使它们提供的信息与基于目标图像强度的模型结合从而产生最终分割。
因此，为了通过具有高水平的受试者自身变化的图像数据集传播初始集合的图册，学习得到表示该数据集的流形，其中局部邻近区内的图像彼此相似。该流形由所有图像的嵌入坐标表示。通过将其中各个顶点表示图像的完整图应用谱分析步骤来获得此嵌入，并且图像间的所有成对相似性被用于限定该图中的边权。成对相似性可以测量为图像间的强度相似性或图像间的形变的量或两者的组合。
在随后的步骤中，在新限定的坐标系统内传播图册。在第一步中，初始集合的图册被传播到它们的局部邻近区中的多个图像并且用于标记它们。以此方式标记的图像自身变成图册，并且在随后的步骤中，在整个数据集内进一步传播。以此方式，各个图像通过使用紧邻它的多个图册进行标记，这具有使配准误差降低的好处。
在此技术的扩展中，在不同时间从相同受试者获得的一个或多个扫描(所谓的“纵向”扫描)可以得到标记。在将多个图册传播到各个基线扫描后，从多个图册获得的空间先验(spatial prior)不仅可以被用于分割基线扫描(如最初进行的那样)而且还可以被用于分割纵向扫描。因此，此扩展技术允许对不同时间点(例如第0天、第3天、第15天等)进行同时分割，这又允许测量时间点之间的差异。
因此，在相继的时间点从基线图像获取的受试者图像可以被同时分割并被用于识别受试者自身变化(即在单个受试者内在不同时间点的解剖学结构的差异)。
图形构建和流形嵌入
为确定中间图册传播步骤，将所有图像嵌入到通过坐标系统表示的流形中，所述坐标系统通过应用谱分析步骤获得。谱分析技术具有的优点是：基于对数据项如图像之间的成对的相似性度量产生特征坐标。这与需要数据项之间的距离度量的方法如多维量表(MDS)形成对比。在谱分析步骤后，学习得到的坐标系统中的两个图像之间的距离不仅依赖于它们之间最初的成对相似性，而且还依赖于各个图像与总体中的剩余部分所具有的所有成对相似性。这使得坐标系统嵌入中的距离成为比可能对噪音敏感的单个成对的相似性度量更稳健的接近性度量。可以在Vox Luxburg(2007)中发现对谱分析方法的详细介绍并且在Chung(1997)中可以获得进一步的细节。
谱分析步骤应用于完全的、加权的和非直接的图形G＝(V，E)，数据集中的各个图像由一个顶点vi表示。两个顶点vi和vj之间的非负权wij被相应图像之间的相似性sij限定。在本发明中，使用基于强度的相似性。通过收集每个图像对的边权wij＝sij来获得G的权矩阵W并且对角矩阵T含有各个顶点的度数和 d ii = Σ j w ij .
来源于谱分析步骤的特征数据的维度可以由使用者选择。在我们的工作中，我们依次测试了特征数据的各个维度并且评估了在四个受试者组(年轻人、AD、MCI和老年人对照受试者)之间的辨别能力。基于每个聚类(cluster)的质心使用平均聚类间距离测量各个特征维度的辨别能力。对于被研究的群组，当使用二维特征时辨别能力最大并且在之后降低(参见图2)。我们因此选择使用2D谱特征作为其中嵌入数据的坐标空间。
图像相似性
在我们的方法的优选实施方案中，我们使用图像对Ii和Ij之间基于强度的相似性。此相似性基于归一化的交互信息(NMI)(Studholme等，1999)，其与图像I的熵H(I)以及两个图像的相关熵H(Ii；Ij)一起被定义为
NMI ij = H ( I i ) + H ( I j ) H ( I i , I j ) .
例如，当分割海马时，我们计算图像对之间的相似性度量作为海马周围目标区域(ROI)上的NMI。然而，框架是通用的并且使用者可以选择对于被分割的区域或结构适当的相似性度量和目标区域。为限定ROI，使用标准多图册分割来自动分割所有练习图像(Heckemann等，2006)。然后，使用通过自由变形形变(FFD)建模的概略非刚性配准(coarse non-rigidregistration)以对应的图像和图册之间10mm的B样条控制点间隔(Rueckert等，1999)，将所得的海马标记与已知的脑部图册(例如MNI152-脑部T1图册(Mazziotta等，1995))进行比对。然后通过由被标记为海马的所有体素限定的区域扩大分割的至少2％来限定海马ROI。为评价成对的相似性，使用用于掩膜(mask)构建的相同配准将所有图像与已知的图册比对。图3显示叠合在用于图像归一化的脑部图册上的海马周围的ROI。
在学习得到的流形中的分割传播
为了使用学习得到的流形将图册分割通过数据集传播，将所有图像I∈I分为包含标记和未标记的图像的两个组。通过L集和U集分别对这些组进行索引。开始，L表示初始图册图像而U表示所有其他图像。让d(Ii；Ij)表示流形中图像Ii和Ij之间的欧几里得距离(Euclidean distance)。从未标记的图像Iu到所有标记的图像的平均距离是：
d ‾ ( I u , L ) = 1 | L | Σ l ∈ L d ( I u , I l ) .
在每次迭代中，具有N个最小平均距离
Figure BDA0000148810020000093
的图像Iu，u∈U被选择为传播的目标。对于这些图像中的每个图像，从Il，l∈L中提取出的M个最接近的图像被选作将被传播的图册。之后，更新索引集U和L从而指示当前迭代中的目标图像已经得到标记。以此方式进行逐步传播直到数据集中的所有图像得到标记。
N是重要的参数，原因在于它确定每次迭代期间被标记的图像的数目并且因此极大地影响在目标图像得到分割前采取的中间步骤的预期数目。M限定用于多图册分割的每次应用的图册图像的数目。自然的选择是将M设定为初始图册的数目。不依赖于对N的选择，分割K个图像所需的配准数目是M×K。在学习得到的流形中进行分割传播的方法被归纳在算法1中：
算法1：在学习得到的流形中的分割传播
将L设定为表示初始集合的图册
将U设定为表示所有剩下的图像
while |U|＞0 do
for all Iu∈U do
计算 d ‾ ( I u , L )
end for
对索引集U进行重新排序从而匹配
Figure BDA0000148810020000102
的次序
for i＝1 to N do
从最接近
Figure BDA0000148810020000103
的Il，l∈L中选择M个图像
使选定的图册与
Figure BDA0000148810020000104
配准
产生
Figure BDA0000148810020000105
的多图册分割估计值
end for
将索引{u1，...，uN}从U转移到L
end while
多图册传播和分割精修
通过应用在van der Lijn等(2008)中描述的用于海马分割的方法的改进版本来进行各个标记传播。在此方法中，从使M个图册配准获得的分割fj，j＝1，...，M不与如在Heckemann等(2006)中的硬分割融合而是改为用于形成目标图像I的坐标系统中的概率图册。这是“分类器融合”技术的实例。
在最初的工作中，使此受试者特异的图册与之前学习的用于前景和背景的强度模型相结合从而产生可以通过图割(graph cuts)优化的能量函数。我们之前以从未见图像直接估计强度模型并且将该方法推广至多于一种结构的方式扩展了此方法(Wolz等，2009)。从至少95％的图册分配给特定结构的所有体素，对此特定结构的高斯分布进行估计。从具有标记fj，j≠i的所有其他结构的高斯强度分布和未限定特定结构的区域中的组织类型的高斯分布Tk，k＝1，...，3，估计具有标记fi的特定结构i的背景分布。
通过将来自未见图像的强度信息整合到分割方法中，可以克服常规多图册分割获得的误差。
可以以下三个步骤进行用于构建受试者特异的概率图册的各个配准：刚性(rigid)、仿射(affine)和非刚性(non-rigid)。进行刚性和仿射配准以校正图像间的整体差异。在第三步骤中，使用自由变形形变模型来对两个图像进行非刚性比对，在所述自由变形形变模型中使用B样条基函数来给控制点矢量的正则格加权从而在图像中的各个位置处提供位移(Rueckert等，1999)。形变由图像对的归一化交互信息驱动(Studholme等，1999)。B样条控制点的间隔限定非刚性配准的局部灵活性。可以以多分辨率(20mm、10mm、5mm和2.5mm)的方式使用控制点间隔的序列。
要理解，在我们的方法中，我们使用多图册分割从而系统地标记中间图册，所述中间图册之后被用于目标图像的多图册分割，所述目标图像是根据它们与之前标记的图册图像的相似性选择的。与此前的工作相比，我们正在处理非常多样的图像组。在这种情况中，更有可能的是仅对相似图像进行配准所致的益处胜过配准误差的累积。
实验验证
如下，我们用实验验证了我们的新方法：我们以选取初始集合的手动标记的图册开始，所述初始集合的手动标记的图册包括30个来自年轻且健康的受试者的MR图像(年龄范围20-54，中值年龄30.5岁)以及限定83个目的解剖学结构的手动标记图。在此集合中，已经使用反转恢复制备的快速扰相梯度回召序列(fast spoiled gradient recall sequence)用GE MR扫描仪以下列参数获得了T1加权的MR图像：TE/TR 4.2ms(脂肪和水同相)/15.5ms、反转时间(TI)450ms、反向角度(flip angle)20°，从而获得1.5-mm厚、具有18x24cm的视野以及192x 256图像矩阵的124个切片。
然后，我们使用我们的方法将此初始集合的图册传播到获自患有阿尔茨海默病(AD)和轻度认知障碍(MCI)的患者以及年龄匹配对照的796张MR图像的数据集，上述MR图像来自阿尔茨海默病神经成像计划(ADNI)数据库(www.loni.ucla.edu/ADNI)。在ADNI研究中，已经从大约200名认知正常的老年人受试者、400名患有MCI的受试者和200名患有早期AD的受试者在基线处和定期获得了脑部MR图像。
从以下讨论的结果，将发现此方法提供更精确的分割，这至少部分是由于受试者自身配准误差的相关减小导致的。
坐标系统嵌入
我们将上述坐标系统嵌入的方法应用于包含30个初始图册和796个ADNI图像的一组图像。我们使用来自谱图分析的前两个特征来将所有图像嵌入2D坐标系统中。坐标系统嵌入的结果显示在图4中。原始图册在图的左侧在第一特征的低值处形成明显的聚类。此外可以发现对照受试者主要位于低值处，而AD受试者的大部分位于较高的值处。选择的实例受试者的海马区显示在图4中。这些类型的观察结果支持这样的印象，即坐标系统嵌入中的邻近区表示在海马外观方面相似的图像。
使用五种不同的方法分割所有796个图像：
I.使用标准多图册分割直接分割。
II.使用与基于图割的强度精修结合的多图册分割直接分割。
III.我们的新方法，M＝30且N＝300，并且在多图册分割后不进行强度精修。
IV.我们的新方法，M＝30且N＝1。
V.我们的新方法，M＝30且N＝300。
分割评价
为了评价，我们将对ADNI图像的自动分割与手工海马分割进行了比较。对由ADNI提供手动分割的所有图像(796中的182个)进行此比较。将这些182名受试者(表1)与796名受试者的整个总体(表2)进行比较显示在年龄、性别、MMSE和病理学方面子群表现了整个总体的特征。
Figure BDA0000148810020000131
表1：用于手动和自动分割之间的比较的受试者的特征
表2：其图像被用于本工作的受试者的相关信息
对AD受试者的右海马进行分割的实例显示在图5中，图像(b)、(c)、(d)、(e)分别对应于方法I、II、III和V。在进行和不进行基于强度的精修的多图册分割的两种情况(方法I和II)中，可以观察到明显的至CSF空间中的过分割(over-segmentation)并且尤其可以观察到在海马前部中的分割不足(under-segmentation)。基于强度的精修不能补偿此误差的原因在于此区域中由于大部分图册的明显未对准所致的此区域中高的空间先验。所产生的高的空间先验不能通过基于强度的校正方案克服。当使用提出的不进行强度精修的框架(方法III)时，可以避免拓扑误差，但是至CSF空间中的过分割仍然存在。该图还显示通过使用所提出的框架可以避免所有观察到的问题。在图5中(并且同样在以下的图6和表3中)，通过术语“LEAP”(“图册传播的学习嵌入”的简称)来鉴别使用我们的新方法获得的结果。
如通过Dice系数或相似性指数(SI)(Dice，1945)为用于评价的182个图像上对左侧和右侧海马进行分割而测量的平均重叠显示在表3中。五种方法的所有对之间的差异在统计学上是显著的，并且在双尾配对t检验中p＜0.001。
Figure BDA0000148810020000141
表3：海马分割的Dice重叠
这些结果明显地显示所提出方法的改善的分割精确度和鲁棒性。我们的假设是：通过避免在嵌入空间中距离过大的图像的直接配准而改为经由多个中间图像来配准图像，显著改善了多图册分割的分割精度和稳健性。为检验此假设，我们已经研究了作为坐标系统嵌入中的距离以及中间步骤数目的函数的分割精确度的变化情况。图6以十个条形图的形式显示五种分割方法的此项内容：各个条形图对应于18个图像(在最后的图中是20个)的平均SI重叠。第一个条形图表示与原始图册最接近的18个图像，下一个条形图表示距原始图册稍微较远的图像，以此类推。这些结果显示在分割不同于原始图册集的图像时所提出的方法相对于直接多图册分割方法的优势。
随着在学习得到的流形中距原始图册的距离增加，直接多图册分割(方法I)以及进行基于强度的精修的多图册分割(方法II)的精确度不断下降。相反，我们的新方法在两种参数设定中都显示稳定水平的分割精确度。有趣的是发现：在距原始图册达到一定的距离，我们的方法在步长为N＝1时(方法IV)相比直接多图册方法导致更差的结果。这可以通过众多配准步骤中累积的配准误差来解释。然而，随着距图册距离的增加，使用中间模板的收益胜过了此配准误差。此外，在一定数目的配准后，累积的配准误差不再显著增加。这部分是由于在每个多图册分割步骤中基于强度的校正，所述基于强度的校正对小的配准误差进行了校正。对于距初始图册所有距离的图像，在进行下一个中间步骤前用我们的新方法对300个最接近的图像进行分割(N＝300，方法V)，产生至少与由直接方法给出的结果一样好的结果并且通常产生更好的结果。多图册分割后基于强度的精修步骤的重要性同样由方法III的结果得到强调。当采用我们的新方法而不进行此步骤时，与方法I相比收益变得更大并且中间步骤有多就越显著，但是精确度仍然下降明显，这可以由被传播的图册的劣化解释(注意对于最初的300个图像，方法II和方法V是相同的，方法I和III也是相同的)。N对分割精确度的影响取决于以下两者之间的折中：使用尽可能接近目标图像的图册(小N)和使用其中使用最小数目的中间步骤以避免配准误差的累积的设计(大N)。由于评价框架的计算复杂性，我们限制对两个值的评价。
体积测量
海马体积的减小是已知的与认知障碍相关的因素(例如Jack等(1999)；Reiman等(1998))。为测量我们的方法通过海马体积来辨别临床分组的能力，我们将在182个手动标记的图像上测量的体积与从我们的自动方法(方法V，M＝30且N＝300的LEAP)获得的体积进行了比较。显示左侧和右侧海马的这些体积的盒形图显示在图7中，图7显示使用方法IV的手动和自动分割的平均海马体积。在临床分组的所有对之间对左侧和右侧海马体积的辨别力在统计学上是显著的，并且在t检验中p＜0.05，但是略微不如手动区别显著。
图8是Bland-Altman图，其显示基于对海马的手动和自动分割(方法IV)的体积测量之间的一致性，实现表示平均值，虚线表示±1.96标准差。此图支持对图7中体积测量的印象，即自动方法倾向于略微高估海马体积。此过分割对于小的海马更加显著。之前，Hammers等(2007)已经描述了自动分割方法的相同现象。基于手动和自动分割的体积测量之间的组内相关系数(ICC)是0:898(ICC(3，1)Shrout-Fleiss信度(Shrout和Fleiss，1979))。此值可与在Niemann等(2000)中报道的评判间信度(inter-rater reliability)的值0:929相比。
讨论和结论
在此工作中，我们已经描述了我们的经由多图册分割将初始的脑部图册集传播到未见图像的不同总体的新方法。我们以将所有图册和目标图像嵌入坐标系统中为开始，在所述坐标系统中根据所选度量的相似图像是邻近的。然后在若干步骤中通过此坐标系统表示的流形传播初始的图册集传播。这避免了对评估解剖学上明显不同的图像间的大形变的需要，并且它们之间的对应性被分解为相对小的形变的序列。框架的公式表述是通用的并且不限于特定的相似性度量、坐标嵌入或配准算法。
我们将我们的新方法应用于获自老年痴呆患者的796个图像的目标数据集，和使用健康年轻人受试者的一组30个图册的年龄匹配的对照。虽然所提出的框架也能够用于其他解剖结构，但是在此方法的第一应用中，我们将它用于海马分割的任务。与标准多图册分割相比，所提出的方法显示始终如一的改善的分割结果。我们也已经证明了在距初始图册集的距离增加并且因此具有更多的中间配准步骤情况下，所提出方法具有一致的精确度水平。另一方面，标准多图册分割的精确度不断下降。此观察结果提示了三个主要结论：
(1)标准多图册分割的下降的精确度表明所使用的坐标系统嵌入是有意义的。随着距离增加，初始图册变得越来越不适合用于分割。
(2)所提出方法的几乎不变的精确度表明，通过使用若干小的形变，可能以不与所用多图册分割框架内的直接形变匹配的方式将图册适当地间接变形为目标。
(3)当使用序贯的小形变时，将配准限制到相似图像得到的收益胜过误差的累积。
我们的结果表明，如果使用很多中间配准，分割精确度最初快速下降但是之后随着距初始图册的距离的增加保持相对不变。初始下降可以由产生自众多中间配准步骤的配准误差的累积解释。精确度不单一地下降的原因可能是由于在各个多图册分割步骤期间加入强度模型的缘故。通过基于图像强度自动校正被传播的分割，可以在一定水平保持图册的质量。
除了用基于子群的图册集分割不同图像的数据集的显而易见的应用外，所提出的方法可以被看作是通过图册选择来产生随后多图册分割的大图册库的自动方法(Aljabar等，2009)。因为手动产生大的图册数据库是昂贵、耗时并且在很多情况中是不可行的，所以所提出的方法可能用于自动产生这种数据库。
虽然以由于图像获取方案所致的可变性和数据集中的受试者自身可变性为代表的挑战与在ADNI研究中的挑战一样大且一样多样化，但是在精确度和稳健性方面，与被用于限制更多的数据集的现有技术方法(van derLijn等，2008；Morra等，2008；Chupin等，2009；Hammers等，2007)相比，用我们的方法获得的结果是良好的。
概述
我们已经提出了用于将一组手动标记的脑部图册自动传播到受试者总体的不同组的图像的新框架。流形学习自坐标系统嵌入，所述坐标系统嵌入允许对包含基于选择标准的相似图像的邻近区的识别。在新的坐标系统内，初始图册集通过连续的多图册分割步骤被传播到所有图像。这将配准非常“不相似的”图像的问题分解为配准一系列“相似的”图像的问题。同时，它允许图像间潜在的大形变被建模为若干较小形变的序列。
感谢
导致本发明的工作已经从欧洲共同体第七框架计划(FP7/2007-2011)获得了在资助协议号224328的资金资助。
参考文献
Aljabar，P.，Heckemann，R.，Hammers，A.，Hajnal，J.，Rueckert，D.，2009.Multi-atlas based segmentation of brain images：Atlas selection and its effecton accuracy(基于多图册的对脑部图像的分割：图册选择及其对精确度的影响).NeuroImage(神经图像)46(3)，726-738.
Avants，B.，Gee，J.C.，2004.Geodesic estimation for large deformationanatomical shape averaging and interpolation(对大形变解剖学形状平均和插值的测量评估).NeuroImage(神经图像)23(Supplement(附录)1)，S139-S150，Mathematics in Brain Imaging(脑成像中的数学).
Bajcsy，R.，Lieberson，R.，Reivich，M.，Aug.1983.A computerized system forthe elastic matching of deformed radiographic images to idealized atlasimages(用于使变形的X线摄影图像与理想化的图册图像弹性匹配的计算机化系统).J.Comput.Assisted Tomogr(计算机辅助X线断层摄影术杂志).7，618-625.
Blezek，D.J.，Miller，J.V.，2007.Atlas stratification(图册分层).MedicalImage Analysis(医用图像分析)11(5)，443-457.
Chung，F.R.K.，1997.Spectral graph theory(谱图理论).Regional ConferenceSeries in Mathematics(数学方面的地区性会议系列)，American MathematicalSociety(美国数学学会)92，1-212.
Chupin，M.，Hammers，A.，Liu，R.，Colliot，O.，Burdett，J.，Bardinet，E.，Duncan，J.，Garnero，L.，Lemieux，L.，2009.Automatic segmentation of thehippocampus and the amygdala driven by hybrid constraints：Method andvalidation(由混合约束驱动的对海马和扁桃体的自动分割：方法和验证).NeuroImage(神经图像)46(3)，749-761.
Collins，D.L.，Holmes，C.J.，Peters，T.M.，Evans，A.C.，1995.Automatic 3-Dmodel-based neuroanatomical segmentation(基于自动3D模型的神经解剖学分割).Human Brain Mapping(人脑定位)3(3)，190-208.
Davis，B.C.，Fletcher，P.T.，Bullitt，E.，Joshi，S.，2007.Population shaperegression from random design data(从随机设计数据的总体形状回归).In：ICCV.pp.1-7.
Dice，L.R.，1945.Measures of the amount of ecologic association betweenspecies(对物种间生态学关联量的测量).Ecology(生态学)26(3)，297-302.
Ericsson，A.，Aljabar，P.，Rueckert，D.，2008.Construction of a patient-specificatlas of the brain：Application to normal aging(构建患者特异的脑部图册：对正常衰老的应用).In：ISBI.IEEE，pp.480-483.
Gee，J.C.，Reivich，M.，Bajcsy，R.，Mar.-Apr.1993.Elastically deforming 3Datlas to match anatomical brain images(使3D图册弹性变形以与解剖学脑部图像匹配).Journal of Computer Assisted Tomography(计算机辅助X线断层摄影术杂志)17(2)，225-236.
Hammers，A.，Allom，R.，Koepp et al.，M.J.，Aug 2003.Three-dimensionalmaximum probability atlas of the human brain，with particular reference to thetemporal lobe(尤其关于颞叶的人脑的三维最大概率图册).Human BrainMapping(人脑定位)19(4)，224-247.
Hammers，A.，Heckemann，R.，Koepp，M.J.，Duncan，J.S.，Hajnal，J.V.，Rueckert，D.，Aljabar，P.，2007.Automatic detection and quantification ofhippocampal atrophy on MRI in temporal lobe epilepsy：A proof-of-principlestudy(在颞叶癫痫中在MRI上自动检测和量化海马萎缩：原则证明性研究).NeuroImage(神经图像)36(1)，38-47.
Heckemann，R.A.，Hajnal，J.V.，Aljabar，P.，Rueckert，D.，Hammers，A.，2006.Automatic anatomical brain MRI segmentation combining label propagationand decision fusion(结合标记传播和决策融合的自动解剖学脑部MRI分割).NeuroImage(神经图像)33(1)，115-126.
Jack，C.R.，J.，Petersen，R.C.，Xu，Y.C.，O′Brien，P.C.，Smith，G.E.，Ivnik，R.J.，Boeve，B.F.，Waring，S.C.，Tangalos，E.G.，Kokmen，E.，1999.Predictionof AD with MRI-based hippocampal volume in mild c ognitive impairment(在轻度认知障碍中用基于MRI的海马体积预测AD).Neurology(神经学)52(7)，1397-1407.
Joshi，S.，Davis，B.，Jomier，M.，Gerig，G.，2004.Unbiased diffeomorphic atlasconstruction for computational anatomy(计算解剖学的无偏微分同胚图册构建).NeuroImage(神经图像)23(Supplement(附录)1)，151-160，mathematics in Brain Imaging(脑成像中的数学).
Mazziotta，J.C.，Toga，A.W.，Evans，A.C.，Fox，P. T.，Lancaster，J.L.，Jun.1995.A probabilistic atlas of the human brain：Theory and rationale for itsdevelopment(人脑的概率图册：其发展的理论和基本原理).the internationalconsortium for brain mapping(国际脑定位协会)(ICBM).NeuroImage(神经图像)2(2a)，89-101.
Morra，J.H.，Tu，Z.，Apostolova，L.G.，Green，A.E.，Avedissian，C.，Madsen，S.K.，Parikshak，N.，Hua，X.，Toga，A.W.，Jr.，C.R.J.，Weiher，M.W.，Thompson，P.M.，2008.Validation of a fully automated 3D hippocampal segmentationmethod using subjects with Alzheimer′s disease mild cognitive impairment，and elderly controls(使用患有阿尔茨海默病轻度认知障碍的受试者和老年人对照验证全自动3D海马分割方法).NeuroImage(神经图像)43(1)，59-68.
Niemann，K.，Hammers，A.，Coenen，V.A.，Thron，A.，Klosterktter，J.，2000.Evidence of a smaller left hippocampus and left temporal horn in both patientswith first episode schizophrenia and normal control subjects(在患有首发精神分裂症的患者和正常对照受试者两者中较小的左侧海马和左颞角的证据).Psychiatry Research：Neuroimaging(精神病学研究：神经成像)99(2)，93-110.
Reiman，E.M.，Uecker，A.，Caselli，R.J.，Lewis，S.，Bandy，D.，de Leon，M.J.，Santi，S.D.，Convit，A.，Osborne，D.，Weaver，A.，Thibodeau，S.N.，Aug.1998.Hippocampal volumes in cognitively normal persons at genetic risk forAlzheimer′s disease(处于阿尔茨海默病遗传风险中的认知正常的人的海马体积).Annals ofNeurology(神经学年报)44(2)，288-291.
Rohlfing，T.，Russakoff，D.B.，Jr，C.R.M.，2004.Performance-based classifiercombination in atlas-based image segmentation usingexpectation-maximization parameter estimation(使用预期最大化参数评估将基于表现的分类器结合到基于图册的图像分割中).IEEE Trans.Med.Imaging(医学成像会报)23(8)，983-994.
Rueckert，D.，Sonoda，L.I.，Hayes，C.，Hill，D.L.G.，Leach，M.O.，Hawkes，D.J.，Aug.1999.Nonrigid registration using free-form deformations：Applicationto breast MR images(使用自由形式形变的非刚性配准：对胸部MR图像的应用).IEEE Trans.Medical Imaging(IEEE医学成像会报)18(8)，712-721.
Sabuncu，M.R.，Balci，S.K.，Golland，P.，2008.Discovering modes of animage population through mixture modeling(通过混合建模发现图像总体的模式).In：MICCAI(2).Vol.5242 of Lecture Notes in Computer Science(计算机科学讲稿).Springer，pp.381-389.
Shrout，P.，Fleiss，J.，1979.Intraclass correlation：uses in assessing raterreliability(组内相关：在估计评判者信度中的用途).PsychologicalBulletin(心理学公告)86，420-428.
Studholme，C.，Hill，D.L.G.，Hawkes，D.J.，Jan.1999.An overlap invariantentropy measure of 3D medical image alignment(对3D医学图像比对的重叠不变熵测量).Pattern Recognition(模式识别)32(1)，71-86.
Tang，S.，Fan，Y.，Kim，M.，Shen，D.，Feb.2009.RABBIT：rapid alignment ofbrains by building intermediate templates(RABBIT：通过构建中间模板来对脑部进行快速比对).In：SPIE.Vol.7259.
van der Lijn，F.，den Heijer，T.，Breteler，M.M.，Niessen，W.J.，2008.Hippocampus segmentation in MR images using atlas registration，voxelclassification，and graph cuts(使用图册配准、体素分类和图割的MR图像中的海马分割).NeuroImage(神经图像)43(4)，708-720.
van Rikxoort，E.M.，Isgum，I.，Staring，M.，Klein，S.，van Ginneken，B.，2008.Adaptive local multi-atlas segmentation：application to heart segmentation inchest CT scans(适应性局部多图册分割：在胸部CT扫描中对心脏分割的应用).Vol.6914.SPIE，p.691407.
von Luxburg，U.，2007.A tutorial on spectral clustering(谱聚类指南).Statistics and Computing(统计学和计算)17(4)，395-416.
Warfield，S.K.，Zou，K.H.，Wells III，W.M.，2004.Simultaneous truth andperformance level estimation(STAPLE)：an algorithm for the validation ofimage segmentation(同步真值和表现水平估计(STAPLE)：用于验证图像分割的算法).IEEE Trans.Med.Imaging(IEEE医学成像会报)23(7)，903-921.
Wolz，R.，Aljabar，P.，Heckemann，R.A.，Hammers，A.，Rueckert，D.，2009.Segmentaion of subcortical structures and the hippocampus in brain MRIusing graph-cuts and subject-specific a-priori information(使用图割和受试者特异的a-先验信息在脑部MRI中分割皮层下结构和海马).IEEEInternational Symposium on Biomedical Imaging(IEEE国际生物医学成像研讨会)-ISBI 2009.
Wu，M.，Rosano，C.，Lopez-Garcia，P.，Carter，C.S.，Aizenstein，H.J.，2007.Optimum template selection for atlas-based segmentation(基于图册的分割的最佳模板选择).NeuroImage(神经图像)34(4)，1612-1618.

Claims (26)

1.一种处理医用图像的方法，所述方法由计算机处理器执行并且包括以下步骤：
(a)获得包含一个或多个图像的一个或多个图册，在所述一个或多个图像中已经用标记数据标记了一个或多个解剖学特征；
(b)获得多个未标记的图像；
(c)将所述标记的和未标记的图像进行比较并且选择与一个或多个所述标记的图像最相似的一个或多个未标记的图像；
(d)使标记数据从一个或多个最接近的标记图像传播到那些选定的一个或多个图像中的每个图像，由此标记所述选定的一个或多个图像中的每个图像的对应的一个或多个解剖学特征并且使所述选定的一个或多个图像成为标记的一个或多个图像；以及
(e)从步骤(c)开始反复地重复，由此标记所述未标记的图像中的其他图像。
2.权利要求1所述的方法，其中所述将所述标记的和未标记的图像进行比较的步骤包括将所述图像嵌入到低维坐标系统中。
3.权利要求1或权利要求2所述的方法，其中所述低维坐标系统是二维坐标空间。
4.任一前述权利要求所述的方法，其中所述将所述标记的和未标记的图像进行比较的步骤包括通过比较所述图像的组中每对图像的一个或多个各自的解剖学特征来限定一组成对的相似性度量。
5.权利要求4所述的方法，其中所述将所述标记的和未标记的图像进行比较的步骤还包括对所述成对的相似性度量进行谱分析操作。
6.权利要求4或权利要求5所述的方法，其中所述成对的相似性度量表示一对图像之间的强度相似性。
7.权利要求4、权利要求5或权利要求6所述的方法，其中所述成对的相似性度量表示一对图像之间形变的量。
8.任一前述权利要求所述的方法，其中所述传播标记数据的步骤包括基于分类器融合技术使标记数据从多个所述最接近的标记的图像传播。
9.任一前述权利要求所述的方法，所述方法在步骤(d)后及步骤(e)前还包括对新近传播的标记数据进行基于强度的精修操作的步骤。
10.任一前述权利要求所述的方法，其中所述图像是不同受试者的图像。
11.权利要求1至9中任一项所述的方法，其中至少一些所述图像是相同受试者的但在不同的时间点获取的图像。
12.任一前述权利要求所述的方法，其中所述图像是磁共振图像。
13.任一前述权利要求所述的方法，所述方法还包括对表示病况出现与否的解剖学特征进行标记并且使用所述特征得到所述病况的生物标志。
14.一种成像设备，所述成像设备被配置成执行任一前述权利要求所述的方法。
15.权利要求14所述的成像设备，所述成像设备是医用扫描仪。
16.权利要求15所述的成像设备，所述成像设备是MRI扫描仪。
17.一种图像处理设备，所述图像处理设备被配置成执行权利要求1至13中任一项所述的方法。
18.一种计算机系统，所述计算机系统被配置成执行权利要求1至13中任一项所述的方法。
19.一种计算机程序，所述计算机程序包括当在计算机处理器上运行时用于执行权利要求1至13中任一项所述的方法的编码的指令。
20.编码权利要求19所述的计算机程序的计算机可读介质或物理载波信号。
21.权利要求13所述的方法，所述方法还包括在所述生物标志的基础上给受试者分配以诊断分类。
22.权利要求13所述的方法，所述方法还包括在所述生物标志的基础上量化受试者对治疗的反应。
23.权利要求13所述的方法，所述方法还包括在所述生物标志的基础上选择受试者的治疗。
24.一种处理医用图像的方法，所述方法基本上如在本文中参照附图的任一组合所描述的以及如在附图的任一组合中所图示的那样。
25.一种成像设备、图像处理设备或计算机系统，所述成像设备、图像处理设备或计算机系统基本上如在本文中参照附图的任一组合所描述的那样以及如在附图的任一组合中所图示的那样。
26.一种计算机程序，所述计算机程序基本上如在本文中参照附图的任一组合所描述的那样以及如在附图的任一组合中所图示的那样。
CN201080043906.1A 2009-09-30 2010-09-30 用于处理医用图像的方法和设备 Active CN102598054B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GB0917154.7 2009-09-30
GBGB0917154.7A GB0917154D0 (en) 2009-09-30 2009-09-30 Method and apparatus for processing medical images
PCT/GB2010/001844 WO2011039515A1 (en) 2009-09-30 2010-09-30 Method and apparatus for processing medical images

Publications (2)

Publication Number Publication Date
CN102598054A true CN102598054A (zh) 2012-07-18
CN102598054B CN102598054B (zh) 2016-02-10

Family

ID=41350612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201080043906.1A Active CN102598054B (zh) 2009-09-30 2010-09-30 用于处理医用图像的方法和设备

Country Status (8)

Country Link
US (1) US9251596B2 (zh)
EP (1) EP2483863B1 (zh)
JP (1) JP5695648B2 (zh)
CN (1) CN102598054B (zh)
ES (1) ES2595210T3 (zh)
GB (1) GB0917154D0 (zh)
IN (1) IN2012DN02620A (zh)
WO (1) WO2011039515A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930286A (zh) * 2012-09-18 2013-02-13 重庆大学 老年痴呆症图像早期诊断系统
CN108459286A (zh) * 2017-02-20 2018-08-28 冯原 基于磁共振成像的体内软组织力学特性测试方法及装置
CN109416313A (zh) * 2016-06-24 2019-03-01 拜克门寇尔特公司 图像地图集系统和方法
CN112602099A (zh) * 2018-08-24 2021-04-02 阿特瑞斯公司 基于深度学习的配准
US11389131B2 (en) 2018-06-27 2022-07-19 Denti.Ai Technology Inc. Systems and methods for processing of dental images

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0917154D0 (en) 2009-09-30 2009-11-11 Imp Innovations Ltd Method and apparatus for processing medical images
US8861891B2 (en) * 2010-03-05 2014-10-14 Siemens Aktiengesellschaft Hierarchical atlas-based segmentation
US20130044927A1 (en) * 2011-08-15 2013-02-21 Ian Poole Image processing method and system
US9292917B2 (en) * 2011-11-23 2016-03-22 Siemens Aktiengesellschaft Method and system for model-based fusion of computed tomography and non-contrasted C-arm computed tomography
IN2014DN06675A (zh) * 2012-02-17 2015-05-22 Advanced Mr Analytics Ab
GB201217372D0 (en) * 2012-09-28 2012-11-14 Ucl Business Plc A system and method for annotating images by propagating information
EP3879487B1 (en) 2012-10-26 2023-11-29 Brainlab AG Matching patient images and images of an anatomical atlas
CN103854276B (zh) * 2012-12-04 2018-02-09 东芝医疗系统株式会社 图像配准及分割装置和方法，以及医学图像设备
US9349186B2 (en) 2013-02-11 2016-05-24 General Electric Company Systems and methods for image segmentation using target image intensity
US9208572B2 (en) * 2013-09-20 2015-12-08 General Electric Company Systems and methods for image segmentation using a deformable atlas
US9818200B2 (en) * 2013-11-14 2017-11-14 Toshiba Medical Systems Corporation Apparatus and method for multi-atlas based segmentation of medical image data
US10535133B2 (en) 2014-01-17 2020-01-14 The Johns Hopkins University Automated anatomical labeling by multi-contrast diffeomorphic probability fusion
US9483831B2 (en) * 2014-02-28 2016-11-01 International Business Machines Corporation Segmentation using hybrid discriminative generative label fusion of multiple atlases
US9449384B2 (en) 2014-04-30 2016-09-20 Mitsubishi Electric Research Laboratories, Inc. Method for registering deformable images using random Markov fields
US9964499B2 (en) * 2014-11-04 2018-05-08 Toshiba Medical Systems Corporation Method of, and apparatus for, material classification in multi-energy image data
CN110338840B (zh) * 2015-02-16 2022-06-21 深圳迈瑞生物医疗电子股份有限公司 三维成像数据的显示处理方法和三维超声成像方法及系统
WO2016185306A1 (en) * 2015-05-18 2016-11-24 Koninklijke Philips N.V. Self-aware image segmentation methods and systems
KR101769808B1 (ko) 2015-11-19 2017-08-21 삼성전자주식회사 무릎 자기공명영상의 관절연골 분할 장치 및 그 분할 방법
US10169871B2 (en) 2016-01-21 2019-01-01 Elekta, Inc. Systems and methods for segmentation of intra-patient medical images
JP2019103531A (ja) * 2016-04-15 2019-06-27 三菱電機株式会社 医用画像処理装置
US9799120B1 (en) * 2016-05-09 2017-10-24 Siemens Healthcare Gmbh Method and apparatus for atlas/model-based segmentation of magnetic resonance images with weakly supervised examination-dependent learning
US10235752B2 (en) 2016-11-21 2019-03-19 International Business Machines Corporation Slice selection for interpolation-based 3D manual segmentation
US10467767B2 (en) 2016-12-23 2019-11-05 International Business Machines Corporation 3D segmentation reconstruction from 2D slices
US11164308B2 (en) * 2017-02-27 2021-11-02 The Regents Of The University Of California System and method for improved medical images
EP3595299A4 (en) * 2017-03-10 2020-03-11 Sony Olympus Medical Solutions Inc. CONTROL DEVICE FOR DISPLAYING MEDICAL IMAGES, DISPLAY DEVICE FOR MEDICAL IMAGES, SYSTEM FOR PROCESSING MEDICAL INFORMATION AND CONTROL METHOD FOR DISPLAYING MEDICAL IMAGES
JP6785976B2 (ja) * 2017-08-28 2020-11-18 富士フイルム株式会社 脳画像正規化装置、方法およびプログラム
JP6739658B2 (ja) * 2017-08-28 2020-08-12 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
KR101995900B1 (ko) 2017-09-11 2019-07-04 뉴로핏 주식회사 3차원 뇌지도 생성 방법 및 프로그램
JP6998760B2 (ja) * 2017-12-25 2022-01-18 浜松ホトニクス株式会社 脳画像解析装置、脳画像解析方法、及び脳画像解析プログラム
US10878576B2 (en) 2018-02-14 2020-12-29 Elekta, Inc. Atlas-based segmentation using deep-learning
WO2019167882A1 (ja) * 2018-02-27 2019-09-06 富士フイルム株式会社 機械学習装置および方法
US10937172B2 (en) 2018-07-10 2021-03-02 International Business Machines Corporation Template based anatomical segmentation of medical images

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070053589A1 (en) * 2005-09-06 2007-03-08 General Electric Company Method and system for segmenting image data
US20080154118A1 (en) * 2002-01-22 2008-06-26 Cortechs Labs, Inc. Atlas and methods for segmentation and alignment of anatomical data
CN101231678A (zh) * 2007-01-16 2008-07-30 国立大学法人神户大学 医用图像处理装置及医用图像处理方法
CN101332085A (zh) * 2007-02-02 2008-12-31 株式会社东芝 医用图像诊断装置、医用图像处理方法及计算机程序产品

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030088177A1 (en) * 2001-09-05 2003-05-08 Virtualscopics, Llc System and method for quantitative assessment of neurological diseases and the change over time of neurological diseases
GB0408328D0 (en) * 2004-04-14 2004-05-19 Imp College Innovations Ltd Method of processing image data
US8320647B2 (en) * 2007-11-20 2012-11-27 Olea Medical Method and system for processing multiple series of biological images obtained from a patient
US8698795B2 (en) 2008-01-24 2014-04-15 Koninklijke Philips N.V. Interactive image segmentation
GB0917154D0 (en) 2009-09-30 2009-11-11 Imp Innovations Ltd Method and apparatus for processing medical images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080154118A1 (en) * 2002-01-22 2008-06-26 Cortechs Labs, Inc. Atlas and methods for segmentation and alignment of anatomical data
US20070053589A1 (en) * 2005-09-06 2007-03-08 General Electric Company Method and system for segmenting image data
CN101231678A (zh) * 2007-01-16 2008-07-30 国立大学法人神户大学 医用图像处理装置及医用图像处理方法
CN101332085A (zh) * 2007-02-02 2008-12-31 株式会社东芝 医用图像诊断装置、医用图像处理方法及计算机程序产品

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
P. ALJABAR 等: "Automated morphological analysis of magnetic resonance brain imaging using spectral analysis", 《NEUROIMAGE》, vol. 43, no. 2, 1 November 2008 (2008-11-01), pages 225 - 235, XP025479284, DOI: 10.1016/j.neuroimage.2008.07.055 *
P. ALJABAR 等: "Multi-atlas based segmentation of brain images: Atlas selection and its effect on accuracy", 《NEUROIMAGE》, vol. 46, no. 3, 1 July 2009 (2009-07-01), pages 726 - 738, XP027453029, DOI: 10.1016/j.neuroimage.2009.02.018 *
ROBIN WOLZ 等: "Segmentation of subcortical structures and the hippocampus in brain MRI using graph-cuts and subject-specific a-priori information", 《BIOMEDICAL IMAGING: FROM NANO TO MACRO, 2009. IEEE INTERNATIONAL SYMPOSIUM ON》, 31 July 2009 (2009-07-31), pages 470 - 473 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930286A (zh) * 2012-09-18 2013-02-13 重庆大学 老年痴呆症图像早期诊断系统
CN102930286B (zh) * 2012-09-18 2015-06-24 重庆大学 老年痴呆症图像早期诊断系统
CN109416313A (zh) * 2016-06-24 2019-03-01 拜克门寇尔特公司 图像地图集系统和方法
US11448583B2 (en) 2016-06-24 2022-09-20 Beckman Coulter, Inc. Image atlas systems and methods
CN108459286A (zh) * 2017-02-20 2018-08-28 冯原 基于磁共振成像的体内软组织力学特性测试方法及装置
US11389131B2 (en) 2018-06-27 2022-07-19 Denti.Ai Technology Inc. Systems and methods for processing of dental images
CN112602099A (zh) * 2018-08-24 2021-04-02 阿特瑞斯公司 基于深度学习的配准

Also Published As

Publication number Publication date
EP2483863B1 (en) 2016-09-07
EP2483863A1 (en) 2012-08-08
ES2595210T3 (es) 2016-12-28
US9251596B2 (en) 2016-02-02
CN102598054B (zh) 2016-02-10
JP2013506478A (ja) 2013-02-28
JP5695648B2 (ja) 2015-04-08
IN2012DN02620A (zh) 2015-09-04
GB0917154D0 (en) 2009-11-11
WO2011039515A1 (en) 2011-04-07
US20120281900A1 (en) 2012-11-08
WO2011039515A8 (en) 2012-05-18

Similar Documents

Publication Publication Date Title
CN102598054B (zh) 用于处理医用图像的方法和设备
Wolz et al. LEAP: learning embeddings for atlas propagation
Collins et al. Towards accurate, automatic segmentation of the hippocampus and amygdala from MRI by augmenting ANIMAL with a template library and label fusion
US9408584B2 (en) Method, apparatus and system for automated spine labeling
US7599539B2 (en) Anatomic orientation in medical images
EP3286727B1 (en) Whole body image registration method and method for analyzing images thereof
Erus et al. Longitudinally and inter-site consistent multi-atlas based parcellation of brain anatomy using harmonized atlases
CN104093354B (zh) 用于评估医学图像的方法和设备
CN103249358B (zh) 医用图像处理装置
US20140226882A1 (en) Simultaneous segmentation and grading of structures for state determination
JP6630455B2 (ja) 非対称性削減方法
CN109509193A (zh) 一种基于高精度配准的肝脏ct图谱分割方法及系统
Imaizumi et al. Development of an age estimation method for bones based on machine learning using post-mortem computed tomography images of bones
WO2016072926A1 (en) Whole body image registration method and method for analyzing images thereof
Styner et al. Boundary and medial shape analysis of the hippocampus in schizophrenia
CN116152235A (zh) 一种肺癌ct到pet的医学图像跨模态合成方法
CN110826633A (zh) 一种人脑mri数据的持久图像分类处理方法及其实现系统与应用
Styner et al. Corpus callosum subdivision based on a probabilistic model of inter-hemispheric connectivity
Rueda et al. Saliency-based characterization of group differences for magnetic resonance disease classification
CN104106096A (zh) 层析图像中的器官的分类方法
Coupé et al. Simultaneous segmentation and grading of hippocampus for patient classification with Alzheimer’s disease
Li et al. SOMA: Subject‐, object‐, and modality‐adapted precision atlas approach for automatic anatomy recognition and delineation in medical images
Tzeng et al. Spatial process decomposition for quantitative imaging biomarkers using multiple images of varying shapes
Richter et al. Optimized cortical subdivision for classification of Alzheimer’s disease with cortical thickness
Chen et al. Group sparse representation for prediction of MCI conversion to AD

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: EC4N8AF, Top Floor of Walbrook 25 Walbrook Building, London, UK

Patentee after: IP2 IPO Innovation Co., Ltd.

Address before: England Atsushi

Patentee before: IMP Innovations Ltd.