CN102693353B - 用于自动产生统计模型的方法和计算机系统 - Google Patents

用于自动产生统计模型的方法和计算机系统 Download PDF

Info

Publication number
CN102693353B
CN102693353B CN201210028541.6A CN201210028541A CN102693353B CN 102693353 B CN102693353 B CN 102693353B CN 201210028541 A CN201210028541 A CN 201210028541A CN 102693353 B CN102693353 B CN 102693353B
Authority
CN
China
Prior art keywords
vessel
landmarks
patient
blood vessel
parameter
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.)
Expired - Fee Related
Application number
CN201210028541.6A
Other languages
English (en)
Other versions
CN102693353A (zh
Inventor
T.贝克
D.伯恩哈特
C.戈登施瓦格
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.)
Siemens Healthineers AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN102693353A publication Critical patent/CN102693353A/zh
Application granted granted Critical
Publication of CN102693353B publication Critical patent/CN102693353B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/504—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 diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • 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
    • A61B6/12—Arrangements for detecting or locating foreign bodies
    • 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
    • A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/4007—Arrangements for generating radiation specially adapted for radiation diagnosis characterised by using a plurality of source units
    • A61B6/4014—Arrangements for generating radiation specially adapted for radiation diagnosis characterised by using a plurality of source units arranged in multiple source-detector units
    • 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
    • A61B6/44—Constructional features of apparatus for radiation diagnosis
    • A61B6/4429—Constructional features of apparatus for radiation diagnosis related to the mounting of source units and detector units
    • A61B6/4435—Constructional features of apparatus for radiation diagnosis related to the mounting of source units and detector units the source unit and the detector unit being coupled by a rigid structure
    • 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
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G06T2207/30172—Centreline of tubular or elongated structure

Landscapes

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

Abstract

本发明涉及用于自动产生患者集合的统计血管模型的方法和计算机系统，具有方法步骤：收集患者集合的血管结构的断层造影图像数据组；从多个血管标志的血管标志坐标、血管中心线上的中心线坐标和血管轮廓边缘走向上的血管轮廓坐标中，确定患者相关的血管坐标模型；确定身体标志的身体标志坐标；在使用身体标志的条件下将血管相关的坐标配准到患者相关地配准的血管坐标模型；从血管标志坐标、血管标志的相邻关系包括分支、用于描述血管中心线的特征性几何参数以及根据到血管标志的相对距离血管轮廓的形状中，确定患者相关的血管参数模型；合并患者相关的血管参数模型并确定其统计参数；存储和/或输出统计血管参数模型。

Description

用于自动产生统计模型的方法和计算机系统
技术领域
本发明涉及一种用于自动产生患者集合的血管结构的几何的统计模型(也就是在统计分析的测量数据和在此基础上对测量数据的一般性描述的基础上的模型)的方法，以及一种具有用于执行该方法的程序的计算机系统。
背景技术
在医学中成像方法的范围内一般公知的是，提取患者的断层造影图像信息，以便从中获得关于被检查的患者的生理情况的知识并且为了诊断的目的将这些知识提供给医生。例如，在CT血管造影中在给予造影剂之后产生血管系统的三维数据组，该三维数据组使得医生能够诊断血管的形变，诸如狭窄或动脉瘤。原则上该诊断可以直接在断层造影的图示上进行。为了简化，例如还可以向医生提供所谓的CPR(CurvedPlanarReformation，曲面重建)作为关于血管系统的血管的概况，该CPR基于在血管的影像中的中心线的确定。借助于CPR，医生可以得到关于考察的血管的状态的最初概况并且例如确定用于测量血管的位置。对血管的基于CPR的测量比直接评价断层造影的图像数据组要求少得多的时间。
近年来，由于医学图像拍摄系统的改善的时间和空间分辨率，用于进行诊断的待检查的数据量持续增加。为此，应该减少用于确定诊断所需的时间，而改进诊断的质量。
发明内容
因此，本发明要解决的技术问题是，向医生提供一种可能性，使得能够以简化的方式找到对于血管结构的参数化的显示技术，所述显示技术允许快速(也就是自动地)从大量断层造影数据组中得到统计学上有说服力的标准结构、显示该标准结构并且还能将这样获得的标准结构与患者相关的个别图示简单地进行比较，以便为医生提供用于诊断评估的基础。
发明人已经认识到以下：
对于放射科医生工作量大并且容易出错的工作步骤可以通过预先计算的标准视图和分割结果来减轻，使得放射科医生可以集中于诊断问题的要求高的医学方面，这通过使用一种用于在统计数据材料的基础上产生并代表解剖树结构、特别是动脉血管树的知识的方法来实现。在此，区别拓扑特征和几何特征。拓扑描述结构，即，例如哪个血管段通过哪个路径互相连接。相反，几何仅描述结构的形状，例如血管段的方向、曲率、直径和长度。
此处使用的可以利用所建议的统计几何模型来产生并且代表的解剖背景知识，在此形成对于全自动提取和检查动脉血管树的中心基础。应用范围除了分割算法的特定于血管的参数化和血管标志的探测之外还包括作为对于识别病理改变的解剖参考的应用。
提出了在将血管标志的正态分布的停留概率和在标志之间的血管连接的参数化特征、包括在预定的相对位置上的参数化血管特征进行组合的基础上建立统计几何模型，其中，从更大量的、与统计模型相应的并且事先从断层造影图像数据组中提取的特定于患者的模型合并统计模型。这些几何模型基于对由标志和未分支的血管段组成的血管拓扑的一般性的描述。将几何模型非严格地相互配准并且由此均衡解剖上的变动，例如身高、体重、年龄、血管树的更小的区别和外部参数，诸如在检查台上的患者定向和位置。将与患者相关地配准的几何模型合并并且去除异常值(Ausreisser)。为了识别在一维参数、诸如血管长度、直径、周长等中的异常值，使用在使用MAD(＝Medianabsolutedeviation，中位数绝对离差＝所有离开样本量的中位数的距离的中位数)条件下的标准。对于三维的随机变量，例如标志位置的三维坐标，采用基于马哈朗诺比斯距离的标准。
几何模型例如可以包括：标志的坐标的概率分布、对于在两个标志之间的血管中心线片段的参数、和对于取决于相对于各个血管中心线片段的总长度的距离的血管横截面的相关联的参数。
相应于上述这些思路，发明人按照其一般性形式建议一种用于自动确定患者集合的统计血管模型的方法，具有以下方法步骤：
-收集患者集合的血管结构的断层造影图像数据组，
-从大量血管标志的血管标志坐标、血管中心线上的中心线坐标和血管轮廓边缘走向上的血管轮廓坐标中，确定患者相关的血管坐标模型，
-确定身体标志的身体标志坐标，
-在使用身体标志的条件下将血管相关的坐标配准到患者相关地配准的血管坐标模型，
-从血管标志坐标、血管标志的相邻关系包括分支、用于描述血管中心线的特征性几何参数、以及根据到血管标志的相对距离血管轮廓的形状中，确定患者相关的血管参数模型，
-将患者相关的血管参数模型合并到至少一个统计血管参数模型并且确定其统计参数，
-存储和/或输出统计血管参数模型。
具体地，用于自动产生患者集合的血管结构的几何的统计模型(也就是在统计分析的测量数据的基础上的对测量数据的一般性的描述)的方法通过如下来描述，即，其具有以下方法步骤：
-收集患者集合的多个断层造影的图像数据组，所述断层造影图像数据组总计多次覆盖待考察的解剖区域并且描绘患者的血管结构，
-从断层造影图像数据组中通过如下对于每个患者确定血管坐标模型：
--确定血管标志及其血管标志坐标，
--确定(包括由此确定的分支的)血管标志的相邻关系(＝哪个标志与哪个标志是相邻的)，
--确定在各两个血管标志之间的未分支的血管中心线并且确定在血管中心线上的多个中心线坐标，
--确定在与血管中心线垂直的截面中血管轮廓边缘走向，并且根据到各个血管中心线上的血管标志的相对距离(＝到血管中心线的总长度的距离)确定在血管轮廓边缘走向上的多个血管轮廓坐标，
-确定在断层造影图像数据组中的身体标志并且确定身体标志的身体标志坐标，
-仅将患者相关的血管坐标模型的坐标(＝血管标志坐标+中心线坐标+血管轮廓坐标)在仅使用身体标志作为配准的空间参考点的条件下配准到多个患者相关地配准的血管坐标模型，
--分别通过如下确定患者相关的血管参数模型：
--使用配准的血管标志坐标，
--使用血管标志的相邻关系、包括分支，
--确定特征性几何参数，用于对血管中心线的走向进行低确定的(unterbestimmten)或完全的描述，
--确定特征性几何参数，用于根据到各个血管中心线上的血管标志的相对距离(＝到血管中心线的总长度的距离)对血管轮廓的形状进行低确定的或完全的描述，
-将患者相关的血管参数模型合并到至少一个统计血管参数模型并且确定其统计参数，用于包含的坐标和参数的概率分布，
-存储和/或输出统计血管参数模型。
在此有利的是，在产生第一统计血管参数模型之后，确定在作为基础的患者相关的血管参数模型中的异常值，也就是位于预定的统计置信区间之外的患者相关的模型的值，将其从患者相关的血管参数模型中消除，并且利用这样校正的患者相关的血管参数模型计算最终的统计血管参数模型。
优选地，为了配准，可以将患者相关的血管坐标模型分别配准到所提供的参考模型。但是替换地，也可以例如从所利用的患者相关的数据之和中首先通过求平均值产生参考模型，然而使用该参考模型。同样还可以任意地使用显示了整个血管结构的、患者相关的模型。
此外，为了配准，可以实施用于非线性近似、特别是用于内插的基于径向基函数的算法、特别是“三维薄板样条内插(3Dthin-platesplineinterpolation)”算法。
为了合并血管标志坐标，建议假定三维高斯正态分布。
为了对于每个血管标志关于血管标志坐标的空间坐标识别异常值，建议确定一个概率椭球并且将在该椭球之外的坐标视为异常值。
优选地，作为血管中心线的特征性参数，可以使用以下列表中的至少一个参数：
-血管中心线的总长度，
-关于与血管标志的相对距离的曲率的值，
-关于与血管标志的相对距离的曲率的绝对值，
-关于与血管标志的相对距离的曲率上的切线的方向。
为了对每个参数和每个相对距离合并血管中心线的特征性参数，可以相应地假定一维高斯正态分布。
为了识别关于血管中心线的特征性参数的异常值，可以确定MAD(＝中位数绝对离差)。
此外，作为血管轮廓的特征性参数，可以使用以下列表中的至少一个参数：
-几何地或按照数字地或按照距离地相对地位于轮廓线上的配准的血管轮廓坐标的最小的和最大的距离，
-配准的血管轮廓的长度，
-配准的血管轮廓的封闭的面积，
-在配准的血管轮廓中最大可插入的内圆的直径或半径，
-围绕配准的血管轮廓的最小包围的外圆的直径或半径。
为了合并血管轮廓的特征性参数，可以对每个参数和每个相对距离，假定一维正态分布。
关于血管轮廓的特征性参数的异常值可以在确定MAD之后被识别。
上述方法可以用于借助断层造影图像数据组识别患者的血管结构的统计相关的标准变动(Normvariante)，方法是，实施以下方法步骤：
-使用按照前述方法步骤中任一项确定并保存的统计血管参数模型，
-确定患者相关的血管坐标模型并基于相同的身体标志配准，
-基于相同的特征性参数确定患者相关的血管参数模型，
-比较配准的患者相关的血管参数模型和统计血管参数模型，
-输出患者相关的血管参数模型的参数与统计血管参数模型的参数的统计重大偏差。
在此，统计重大偏差的输出可以通过显示患者相关的血管坐标模型和标出重大偏差的参数的坐标区域来进行。
替换地，统计重大偏差的输出还可以通过显示患者的断层造影图像数据组和标记重大偏差的参数的坐标区域来进行。
最后发明人还建议了一种用于图像分析的计算机系统，特别是断层造影系统，具有用于计算机程序的存储器，其中，在计算机系统的存储器中还存在计算机程序，所述计算机程序在运行时实行上述按照本发明的方法的特征。
附图说明
以下借助附图详细解释本发明，其中仅示出对于理解本发明来说重要的特征。使用了以下附图标记：A：血管结构；A1-A4：用于应用统计血管模型的方法步骤；C1：CT系统；C2：第一X射线管；C3：第一探测器；C4：第二X射线管；C5：第二探测器；C6：机架壳体；C8：患者卧榻；C9：系统轴；C10：控制和计算单元；C11：造影剂施加器；F1-F3：截面面积；GL1-GL17：血管标志；KL1-KL6：身体标志；M：中心线；M1：磁共振断层造影系统；M2：励磁线圈；M3：接收线圈；M4：励磁线圈；M6：壳体；M10：控制和计算单元；P：患者；Prgl-Prgn：计算机程序；Q1-Q3：横截面；S1-S7：用于建立统计血管模型的方法步骤：Sp：血管模型
各幅图中：
图1示意性示出了具有按照本发明的参数化的血管结构；
图2示出了用于自动产生患者集合的统计血管模型的本发明方法的示例性流程图；
图3示出了用于自动产生患者集合的统计血管模型的本发明方法的应用的示例性流程图；
图4示出了执行该方法的CT系统；
图5示出了执行该方法的MRT系统。
具体实施方式
图1示出了例如在血液循环中存在造影剂的条件下从CT检查的断层造影三维拍摄中提取的动脉血管结构A的示意图。为了解释在本发明范围内使用的模型，示意性画出其主要的检查标准。于是，该图示首先示出了为了在三维图示中进行空间定向而确定的身体标志(＝检查的患者的身体内的标志)KL1-KL6，其例如是通过自动或手动识别检查的患者的典型的骨结构所确定的。这些身体标志KL1-KL6形成空间的构架，在该构架上进行多个特定于患者的血管结构的配准，用于统一待获得的参数。
此外，在所示出的血管结构A中的显著的血管标志(在血管结构中典型位置的标志)GL1-GL17以黑色圆的形式画出。根据按照本发明在患者集合中进行的检查，可以从多个检查中确定这些血管标志GL1-GL17的停留概率。所述停留概率以围绕各个血管标志的点云形式示出。
在血管结构A的走向的中心还画了一条点划线，该点划线应该表示在示出的血管结构A中的中心线M。由此现在血管结构可以通过血管标志GL1-GL17的相邻关系、分别通过血管标志的三个一组(Tripel)定义的分支和在沿着中心线M的血管标志对之间的未分支的距离来描述。
附加地，按照本发明还以参数走向的形式描述在两个血管标志之间的血管段的走向，方法是(如此处示例性示出的那样)统计地关于患者集合确定在血管段的多个相对位置上关于与中心线垂直的血管横截面的参数。这些参数应当描述血管横截面的医学重要特征并且同时却还可以简单地通过自动的方法确定。在该图示中示出在与中心线M垂直地布置的截面F1至F3上的三个示例性横截面Q1至Q3。
关于分开地示出的横截面Q2，通过位于其上的箭头表示来示出了如何以简单自动化的方式确定典型的参数。相应地，横截面的外轮廓线被划分为在轮廓线上等距的多个点。例如十个点。然后确定在按照数字的相对点，也就是第一和第六，第二和第七等等之间的距离，并且使用在各个横截面中的最大和最小的距离作为参数。
此时，可以沿着中心线的各个片段在各个片段的多个相同的相对位置上，也就是例如整个距离的每个10％上，实施这些参数。由此对在两个血管标志之间每个未分支的片段获得典型的参数，它们是可以简单地统计分析的并且由此也可以无问题地综合为一个统计血管模型，也就是在统计分析的测量数据的基础上对描述了患者集合的血管结构的几何的测量数据的一般化描述。
用于建立这样的统计血管模型的示例性方法流程在图2中借助方法步骤S1至S7详细示出。
首先，利用方法步骤S1基于一个必要时尽可能类似的患者集合进行多个断层造影图像数据组收集。在此有利的是，例如在集合内部仅选择类似年龄的男性或女性患者。在此呈现的检查数据总计必须统计学上有说服力地覆盖待考察的解剖区域。原则上在此值得期望地分别使用完全覆盖了待考察的区域的断层造影的数据组。然而，也可以按照一种来自足够大量的重叠的子区域(所述子区域总体上覆盖了全部待考察的区域)的拼接物的形式，形成整个血管结构。
然后，在步骤S2中基于呈现的断层造影图像数据组对于每个患者确定血管坐标模型，其中具体地优选进行以下步骤：
S2.1：确定血管标志及其血管标志坐标；
S2.2：确定血管标志的相邻关系，其中，每个血管标志对应于一个相邻者并且作为血管标志的三个一组确定分支；
S2.3：确定在各两个血管标志之间的未分支的血管中心线并且确定在血管中心线上的多个中心线坐标，其中，这些中心线坐标优选已经确定了在各个血管段的血管标志之间的相同的相对距离的位置；
S2.4：确定在与血管中心线垂直的截面中的血管轮廓边缘走向并且根据到各个血管中心线上的血管标志的相对距离确定多个在血管轮廓边缘走向上的血管轮廓坐标。作为相对距离，在此考察所考察的点与血管标志关于各个血管段的血管中心线的总长度的相对的距离。
此外，在方法步骤S3中确定断层造影图像数据组中的身体标志和确定身体标志的身体标志坐标。接下来在方法步骤S4中在仅使用身体标志作为配准的空间参考点的条件下，将患者相关的血管坐标模型的坐标(即，血管标志坐标、中心线坐标和血管轮廓坐标)配准到多个患者相关地配准的血管坐标模型。
然后，在步骤S5中确定患者相关的血管参数模型，其中优选地进行以下方法步骤：
S5.1：使用配准的血管标志坐标；
S5.2：使用血管标志的相邻关系，包括分支；
S5.3：确定特征性几何参数，用于对血管中心线的走向进行低确定的或完全的描述；
S5.4：确定特征性几何参数，用于根据到各个血管中心线的血管标志的相对距离对血管轮廓的形状进行低确定的或完全的描述。
基于这样确定的患者相关的血管参数模型，现在可以在方法步骤S6中将患者相关的血管参数模型合并到至少一个统计血管参数模型，其中也确定用于所包含的坐标和参数的概率分布的统计参数。
然后，在步骤S7中进行统计血管参数模型的存储和/或输出。
这些统计血管模型然后可以形成用于进一步检查与检查的患者集合类似的患者的基础。
对图2描述的按照本发明的用于自动产生患者集合的统计血管模型的方法的应用的示例性流程图在图3中以方法步骤A1至A4示出。
相应地，在第一方法步骤A1中进行患者相关的血管坐标模型的确定和基于相同的身体标志的配准，其中，为此使用与例如按照根据图2的方法进行的用于确定患者相关的血管模型以计算统计模型基本上相同的患者相关的方法。然后在步骤A2中基于相同的特征性参数进行患者相关的血管参数模型的确定。
在步骤A3中为了与配准的患者相关的血管参数模型进行比较，考虑事先利用上述步骤S1-S7存储的统计血管模型Sp，并且在步骤A4中输出患者相关的血管参数模型的参数与统计血管参数模型的参数的统计重大偏差。
这样的输出可以纯按照数字地以具有统计重大参数偏差的说明的列表形式来进行，其中统计置信区间和其中输入的实际的患者相关的参数的图形显示也可以用于此。替换地，也可以结合血管结构的视图在断层造影显示中通过不同构造的颜色标记来显示参数偏差的大小。
前面描述的方法原则上可以结合对患者的血管结构进行成像的所有类型的断层造影显示来进行。特别地，CT显示、PET显示、SPECT显示和MRT显示适合于此。作为特别频繁地使用的断层造影系统的例子，图4和5描述了CT系统和MRT系统。
图4示出了可以应用按照本发明方法的CT系统C1。CT系统C1具有带有X射线管C2和相对的探测器C3的第一管/探测器系统。可选地，该CT系统C1可以具有第二X射线管C4与相对的探测器C5。两个管/探测器系统位于机架上，该机架设置在机架壳体C6上并且在扫描期间围绕系统轴C9旋转。患者P位于可移动的检查卧榻C8上，该检查卧榻C8可以连续地或者顺序地沿着系统轴C9被移动通过在机架壳体C6中设置的扫描场，其中通过探测器测量由X射线管发出的X射线的衰减。
在测量期间可以借助造影剂施加器C11对患者P注射造影剂推注，从而可以更好地识别血管。
借助计算机系统C10来进行对CT系统的控制，在该计算机系统中具有也可以执行前面所述的按照本发明的方法的计算机程序Prgl至Prgn。附加地还可以通过该计算机系统C10进行图像数据的输出。
最后，图5中示意性示出了磁共振断层造影系统(MRT系统)M1。在该MRT系统M1中在壳体M6中具有用于产生强的主磁场的励磁线圈M2，由此患者身体中的氢核相应于其自旋与磁力线平行地或反平行地对齐。通过以原子核的共振频率利用电磁交变场激励原子核，促使原子核振荡。在断开激励频率之后原子核又回到其位置并且输出其以电磁振荡能量形式的振荡能量，利用接收线圈M3测量该振荡能量。通过附加的励磁线圈M4产生具有定义的场梯度的弱磁场，由此由核输出的信号获得位置信息，通过该位置信息可以定义输出的信号的位置。通过计算机系统M10来进行对该系统M1的控制和对测量信号的分析，所述计算机系统在其存储器中具有程序Prgl至Prgn，该程序除了控制和图像计算还可以进行按照本发明的方法。
要指出的是，按照本发明的计算机系统不一定必须与断层造影系统直接相连，并且也可以基于呈现的测量数据或已经准备好的断层造影数据组独自执行按照本发明的方法。
总之，通过本发明，提出了一种用于自动产生患者集合的统计血管模型的方法，具有如下方法步骤：
-收集患者集合的血管结构的断层造影图像数据组，
-从多个血管标志的血管标志坐标、血管中心线上的中心线坐标和血管轮廓边缘走向上的血管轮廓坐标中，确定患者相关的血管坐标模型，
-确定身体标志的身体标志坐标，
-在使用身体标志的条件下将血管相关的坐标配准到患者相关地配准的血管坐标模型，
-从血管标志坐标、血管标志的相邻关系包括分支、用于描述血管中心线的特征性几何参数、以及根据到血管标志的相对距离血管轮廓的形状中，确定患者相关的血管参数模型，
-合并患者相关的血管参数模型并确定统计参数，
-存储和/或输出统计血管参数模型。
尽管通过优选实施例详细地示出和描述了本发明，本发明不受公开的例子的限制并且专业人员可以从中导出其他变形，而不脱离本发明的保护范围。

Claims (17)

1.一种用于自动产生患者集合的统计血管模型的方法，具有如下方法步骤：
1.1.收集患者集合的血管结构的断层造影图像数据组，
1.2.从多个血管标志(GL1-GL17)的血管标志坐标和血管中心线(M)上的中心线坐标中，确定患者相关的血管坐标模型，其中，血管标志是血管结构中典型位置的标志，
1.3.确定身体标志(KL1-KL6)的身体标志坐标，其中，身体标志是检查的患者的身体内的标志，
1.4.在使用身体标志(KL1-KL6)的条件下将血管相关的坐标配准到患者相关地配准的血管坐标模型，
1.5.在使用血管标志坐标的条件下确定患者相关的血管参数模型，
其特征在于，
1.6附加地还将血管轮廓边缘走向上的血管轮廓坐标用于确定患者相关的血管坐标模型，
1.7附加地还将血管标志(GL1-GL17)的相邻关系用于确定患者相关的血管参数模型，该相邻关系包括：
-分支，
-用于描述血管中心线(M)的特征性几何参数，以及
-用于根据距血管标志的相对距离描述血管轮廓的形状的特征性几何参数，
1.8.将患者相关的血管参数模型合并为至少一个统计血管参数模型，
1.9确定该统计血管参数模型的统计参数，
1.10.存储和/或输出统计血管参数模型。
2.一种用于自动产生患者集合的血管结构的几何的统计模型的方法，具有以下方法步骤：
2.1.收集患者集合的多个断层造影的图像数据组，所述断层造影图像数据组总计多次覆盖待考察的解剖区域并且描绘患者的血管结构，
2.2.从断层造影图像数据组中通过如下确定对于每个患者的血管坐标模型：
2.2.1.确定血管标志(GL1-GL17)及其血管标志坐标，其中，血管标志是血管结构中典型位置的标志，
2.2.2.确定血管标志(GL1-GL17)的相邻关系、包括由此确定的分支，
2.2.3.确定在各两个血管标志(GL1-GL17)之间的未分支的血管中心线(M)并且确定在血管中心线上的多个中心线坐标，
2.2.4.确定在与血管中心线(M)垂直的截面中血管轮廓边缘走向，并且根据到各个血管中心线上的血管标志(GL1-GL17)的相对距离确定在血管轮廓边缘走向上的多个血管轮廓坐标，
2.3.确定在断层造影图像数据组中的身体标志(KL1-KL6)并且确定身体标志(KL1-KL6)的身体标志坐标，其中，身体标志是检查的患者的身体内的标志，
2.4.仅将患者相关的血管坐标模型的坐标在仅使用身体标志(KL1-KL6)作为配准的空间参考点的条件下配准到多个患者相关地配准的血管坐标模型，
2.5.分别通过如下确定患者相关的血管参数模型：
2.5.1.使用配准的血管标志坐标，
2.5.2.使用血管标志(GL1-GL17)的相邻关系、包括分支，
2.5.3.确定特征性几何参数，用于对血管中心线(M)的走向进行低确定的或完全的描述，
2.5.4.确定特征性几何参数，用于根据到各个血管中心线(M)上的血管标志(GL1-GL17)的相对距离对血管轮廓的形状进行描述，
2.6.将患者相关的血管参数模型合并到至少一个统计血管参数模型并且确定其统计参数，用于包含的坐标和参数的概率分布，
2.7.存储和/或输出统计血管参数模型。
3.根据权利要求2所述的方法，其特征在于，在产生第一统计血管参数模型之后，确定在作为基础的患者相关的血管参数模型中的异常值，将其从患者相关的血管参数模型中消除，并且利用这样校正的患者相关的血管参数模型计算最终的统计血管参数模型。
4.根据权利要求1或3所述的方法，其特征在于，为了配准，将患者相关的血管坐标模型分别配准到所提供的参考模型。
5.根据权利要求4所述的方法，其特征在于，为了配准，实施基于径向基函数的用于非线性近似。
6.根据权利要求1或3所述的方法，其特征在于，为了合并血管标志坐标，假定三维高斯正态分布。
7.根据权利要求3所述的方法，其特征在于，为了对于每个血管标志(GL1-GL17)识别血管标志坐标的异常值，从之前确定的血管标志坐标中确定概率椭球，其中将在该椭球之外的血管标志坐标视为异常值。
8.根据权利要求1或3所述的方法，其特征在于，作为血管中心线(M)的特征性参数，使用以下列表中的至少一个参数：
-血管中心线(M)的总长度，
-关于与血管标志(GL1-GL17)的相对距离的曲率的值，
-关于与血管标志(GL1-GL17)的相对距离的曲率的绝对值，
-关于与血管标志的相对距离的曲率上的切线的方向。
9.根据权利要求1或3所述的方法，其特征在于，为了对每个参数和每个相对距离合并血管中心线(M)的特征性参数，假定一维高斯正态分布。
10.根据权利要求3所述的方法，其特征在于，为了关于血管中心线(M)的特征性参数识别异常值，进行中位数绝对离差的确定。
11.根据权利要求1或3所述的方法，其特征在于，作为血管轮廓的特征性参数，使用以下列表中的至少一个参数：
-几何地或按照数字地或按照距离地相对地位于轮廓线上的配准的血管轮廓坐标的最小的和最大的距离，
-配准的血管轮廓的长度，
-配准的血管轮廓的封闭的面积，
-在配准的血管轮廓中最大可插入的内圆的直径/半径，
-围绕配准的血管轮廓的最小包围的外圆的直径/半径。
12.根据权利要求1或3所述的方法，其特征在于，为了合并血管轮廓的特征性参数，对每个参数和每个相对距离，假定一维正态分布。
13.根据权利要求3所述的方法，其特征在于，为了关于血管轮廓的特征性参数对异常值的识别，进行中位数绝对离差的确定。
14.一种用于借助断层造影图像数据组识别患者的血管结构的统计相关的标准变动的方法，其特征在于，其实施以下方法步骤：
14.1.使用按照前述方法权利要求中任一项确定并保存的统计血管参数模型，
14.2.确定患者相关的血管坐标模型并且基于相同的身体标志(KL1-KL6)配准，
14.3.基于相同的特征性参数确定患者相关的血管参数模型，
14.4.比较配准的患者相关的血管参数模型和统计血管参数模型，
14.5.输出患者相关的血管参数模型的参数与统计血管参数模型的参数的统计重大偏差。
15.根据权利要求14所述的方法，其特征在于，统计重大偏差的输出通过显示患者相关的血管坐标模型和标出重大偏差的参数的坐标区域来进行。
16.根据权利要求15所述的方法，其特征在于，统计重大偏差的输出通过显示患者的断层造影图像数据组和标记重大偏差的参数的坐标区域来进行。
17.一种断层造影系统的计算机系统，用于图像分析，其特征在于，所述计算机系统执行按照权利要求1-16中任一项所述的特征。
CN201210028541.6A 2011-02-09 2012-02-09 用于自动产生统计模型的方法和计算机系统 Expired - Fee Related CN102693353B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201161440989P 2011-02-09 2011-02-09
US61/440,989 2011-02-09

Publications (2)

Publication Number Publication Date
CN102693353A CN102693353A (zh) 2012-09-26
CN102693353B true CN102693353B (zh) 2016-06-22

Family

ID=46547106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210028541.6A Expired - Fee Related CN102693353B (zh) 2011-02-09 2012-02-09 用于自动产生统计模型的方法和计算机系统

Country Status (3)

Country Link
US (1) US8824755B2 (zh)
CN (1) CN102693353B (zh)
DE (1) DE102011076233B4 (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MY152058A (en) * 2010-06-21 2014-08-15 Univ Putra Malaysia A method of constructing at least one 3 dimensional image
CN104102805A (zh) * 2013-04-15 2014-10-15 上海联影医疗科技有限公司 医疗图像信息处理方法和装置
US9495770B2 (en) * 2013-08-14 2016-11-15 University Of Utah Research Foundation Practical model based CT construction
US9058692B1 (en) 2014-04-16 2015-06-16 Heartflow, Inc. Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions
US9514530B2 (en) 2014-04-16 2016-12-06 Heartflow, Inc. Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions
US20170164921A1 (en) * 2015-12-09 2017-06-15 Shimadzu Corporation Radiographic device
CN108496205B (zh) * 2015-12-30 2023-08-15 皇家飞利浦有限公司 身体部分的三维模型
WO2018001099A1 (zh) 2016-06-30 2018-01-04 上海联影医疗科技有限公司 一种血管提取方法与系统
CN106157320B (zh) * 2016-07-29 2019-02-01 上海联影医疗科技有限公司 一种图像血管分割方法及装置
CN107248043B (zh) * 2017-06-21 2020-09-15 上海荷福人工智能科技（集团）有限公司 一种基于指静脉数据的建筑工地舆情监测方法
US10140733B1 (en) * 2017-09-13 2018-11-27 Siemens Healthcare Gmbh 3-D vessel tree surface reconstruction
US20220015730A1 (en) * 2018-11-28 2022-01-20 Koninklijke Philips N.V. Most relevant x-ray image selection for hemodynamic simulation
CN113158280B (zh) * 2020-01-23 2023-05-09 久瓴(江苏)数字智能科技有限公司 屋面主体结构生成方法、装置、计算机设备和存储介质
CN112215941B (zh) * 2020-09-04 2021-06-25 北京科技大学 一种基于微分几何的主动脉扭曲的评估方法及系统
CN113516777B (zh) * 2021-05-13 2024-06-18 天讯方舟(北京)信息科技有限公司 一种城市建筑物三维自动建模与可视化方法
CN117115150B (zh) * 2023-10-20 2024-01-26 柏意慧心(杭州)网络科技有限公司 用于确定分支血管的方法、计算设备和介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751696A (zh) * 2009-12-22 2010-06-23 复旦大学附属中山医院 一种构建人体实质脏器仿生三维血管网络的方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002073536A2 (en) * 2001-03-09 2002-09-19 Koninklijke Philips Electronics N.V. Image segmentation
JP4319031B2 (ja) * 2001-09-06 2009-08-26 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 対象のセグメンテーション方法及び装置
US7170517B2 (en) * 2002-11-27 2007-01-30 The Board Of Trustees Of The Leland Stanford Junior University Curved-slab maximum intensity projections
US8090164B2 (en) * 2003-08-25 2012-01-03 The University Of North Carolina At Chapel Hill Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
WO2005038711A1 (en) * 2003-10-17 2005-04-28 Koninklijke Philips Electronics, N.V. Manual tools for model based image segmentation
US7804990B2 (en) * 2006-01-25 2010-09-28 Siemens Medical Solutions Usa, Inc. System and method for labeling and identifying lymph nodes in medical images
US7873194B2 (en) * 2006-10-25 2011-01-18 Rcadia Medical Imaging Ltd. Method and system for automatic analysis of blood vessel structures and pathologies in support of a triple rule-out procedure
US7912270B2 (en) * 2006-11-21 2011-03-22 General Electric Company Method and system for creating and using an impact atlas
CN101772784B (zh) * 2007-08-03 2012-07-18 皇家飞利浦电子股份有限公司 解剖结构约束的图像配准
WO2009064715A1 (en) * 2007-11-14 2009-05-22 Auckland Uniservices Limited Method for multi-scale meshing of branching biological structures
DE102008007827A1 (de) 2008-02-07 2009-08-13 Siemens Aktiengesellschaft Verfahren zur Steuerung des Aufnahme- und/oder Auswertebetriebs von Bilddaten bei medizinischen Untersuchungen
US8194936B2 (en) * 2008-04-25 2012-06-05 University Of Iowa Research Foundation Optimal registration of multiple deformed images using a physical model of the imaging distortion
US10489673B2 (en) 2009-04-03 2019-11-26 Siemens Healthcare Gmbh System and method for detecting landmarks in a three-dimensional image volume
JP4931027B2 (ja) * 2010-03-29 2012-05-16 富士フイルム株式会社 医用画像診断支援装置および方法、並びにプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751696A (zh) * 2009-12-22 2010-06-23 复旦大学附属中山医院 一种构建人体实质脏器仿生三维血管网络的方法

Also Published As

Publication number Publication date
US8824755B2 (en) 2014-09-02
US20120201442A1 (en) 2012-08-09
DE102011076233A1 (de) 2012-08-09
CN102693353A (zh) 2012-09-26
DE102011076233B4 (de) 2013-04-18

Similar Documents

Publication Publication Date Title
CN102693353B (zh) 用于自动产生统计模型的方法和计算机系统
US9424644B2 (en) Methods and systems for evaluating bone lesions
CN109906470B (zh) 使用神经网络方法的图像分割
EP3504680B1 (en) Systems and methods for image segmentation using convolutional neural network
CN109074639B (zh) 医学成像系统中的图像配准系统和方法
Castillo et al. A reference dataset for deformable image registration spatial accuracy evaluation using the COPDgene study archive
Xie et al. Automated aorta segmentation in low-dose chest CT images
CN102208105B (zh) 医学图像处理技术
US8422752B2 (en) Diagnosis assisting apparatus, diagnosis assisting method, and storage medium in which a diagnosis assisting program is recorded
US7620225B2 (en) Method for simple geometric visualization of tubular anatomical structures
JP7019568B2 (ja) 白質脳病変の分析のための医療機器
CN107038728A (zh) 基于迭代重建的轮廓自动化确定
US8588498B2 (en) System and method for segmenting bones on MR images
CN102821696A (zh) 投影图像生成设备、程序和方法
CN111563523A (zh) 利用机器训练的异常检测的copd分类
US10275946B2 (en) Visualization of imaging uncertainty
KR102382872B1 (ko) 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법
JP7101809B2 (ja) 画像処理装置、画像処理方法、及びプログラム
US20220198655A1 (en) Computer-implemented method for operating a medical imaging device, imaging device, computer program and electronically readable data medium
WO2020033566A1 (en) Neural networks for volumetric segmentation and parcellated surface representations
CN102483862B (zh) 对曲面重组的改进
CN104217423B (zh) 选出图像数据组的自动产生
US20110262020A1 (en) Method And Computer System For Automatic Vectorization Of A Vessel Tree
Waldkirch Methods for three-dimensional Registration of Multimodal Abdominal Image Data
US20240046535A1 (en) System and method for pet-ct image artifact evaluation and correction

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220209

Address after: Erlangen

Patentee after: Siemens Healthineers AG

Address before: Munich, Germany

Patentee before: SIEMENS AG

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160622

Termination date: 20220209