CN102763135A - 用于自动分割和时间跟踪的方法 - Google Patents

用于自动分割和时间跟踪的方法 Download PDF

Info

Publication number
CN102763135A
CN102763135A CN2010800646470A CN201080064647A CN102763135A CN 102763135 A CN102763135 A CN 102763135A CN 2010800646470 A CN2010800646470 A CN 2010800646470A CN 201080064647 A CN201080064647 A CN 201080064647A CN 102763135 A CN102763135 A CN 102763135A
Authority
CN
China
Prior art keywords
conduit
central point
point
initial
kalman filter
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
CN2010800646470A
Other languages
English (en)
Other versions
CN102763135B (zh
Inventor
K.A.帕特瓦汉
S.N.古普塔
A.M.登廷格尔
Y.于
D.M.米尔斯
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN102763135A publication Critical patent/CN102763135A/zh
Application granted granted Critical
Publication of CN102763135B publication Critical patent/CN102763135B/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
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/523—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for generating planar views from image data in a user selectable plane not corresponding to the acquisition plane
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • 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
    • G06T2207/10132—Ultrasound image
    • G06T2207/10136—3D ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Vascular Medicine (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明的名称为：“用于自动分割和时间跟踪的方法”。在一个实施例中，提供了一种检测导管中心线的方法。该方法包括如下步骤：获得3D图像体积；初始化中心线；初始化卡尔曼滤波器；使用卡尔曼滤波器预测下一个中心点；检查使用卡尔曼滤波器进行的预测的有效性；执行模板匹配；基于模板匹配更新卡尔曼滤波器；以及以预定次数重复预测、检查、执行和更新的步骤。参照检测中心线的方法进一步描述了自动导管分割以及分割的导管的时间跟踪的方法。

Description

用于自动分割和时间跟踪的方法
技术领域
本发明通常涉及医疗成像，并且更具体地，涉及用于实时三维超声（实时3D US）的改进的分割和跟踪方法。
背景技术
一些医疗程序需要在人体血管内放置导液管。目前在盲目地执行中央导液管的放置，之后在医疗程序完成后用X射线确认。X射线成像有足够的分辨率来看到微小的导管（vessel），但也将导致与辐射有关的并发症。
为了对包括虚弱的婴儿在内的患者进行改进的和更安全的护理，已经提出实时3D超声成像来补充或逐步取代当前的X射线成像器以帮助临床医生执行导液管插入操作。
超声的实时和无辐射的成像能力使其在指导介入式程序方面成为比基于X射线的成像器更具吸引力的选择。此外，超声图像的实时使用可能有助于以许多方式实现医疗程序，包括对婴儿的改进结果和医疗程序的更快的完成。然而，超声图像遭受严重的斑点噪声和较低的空间分辨率。当其中一只手手持和扫描探头而另一只手灵活地处理导液管、双手都被占用时，观察和跟随在原始的、实时的图像中的移动血管对临床医生是有挑战性的。根据临床文献，中央导液管定位不当是可导致虚弱的患者死亡的严重并发症的疑因。
另一方面，在执行诊断步骤时，执行这些步骤的医疗人员都没被训练使用超声，因此并不习惯由医学超声系统取得的图像。在现有技术中已提出几种方法，其描述其中能够使用超声成像的方式来提高可视化。
与现有技术方法相关的一些局限包括图像质量低、信噪比低、感兴趣的导管运动大、感兴趣的导管尺寸小、由于伪影等而使导管中的一些部分失踪、由于在感兴趣的导管附近存在其它结构和/或导管而在数据中有杂波（clutter）、数据的高的时间帧率以及需要分割和跟踪与数据采集速度匹配。
特别地，现有技术的方法之一描述了一种算法，其中在单个2D切片中分割导管横截面、然后在单个3D体积中跟踪分割的导管。这种方法不处理时间跟踪方面，即，该方法不描述随着时间的推移而更新导管分割以考虑运动。
已经为其它成像模态提出了几种导管分割或管状结构分割的方法。然而，这些方法并不适用于超声数据和时间跟踪的应用。
因此，存在着对简单的、提供血管的时间有效的跟踪的血管跟踪方法的需要，其中血管的时间有效的跟踪是易于可视化和理解的、在复杂的环境中是鲁棒的并且在计算上是有效率的。
发明内容
在本文，上述缺点、不足和问题得到解决，通过阅读和理解下面的说明书将理解这一点。
在一个实施例中，提供了一种检测导管中心线的方法。该方法包括如下步骤：获得3D图像体积；初始化中心线；初始化卡尔曼滤波器；使用卡尔曼滤波器预测下一个中心点；检查所进行的预测的有效性；执行基于模板匹配的中心线检测来估计测量误差；基于模板匹配更新卡尔曼滤波器；以及重复预测、检查、执行和更新的步骤，直至达到导管终端或预定的次数为止。
在另一个实施例中，提供了一种用于产生导管的表面轮廓的自动分割方法，该方法包括如下步骤：初始化导管横截面；初始化迭代计数器；向着导管边界演化活动轮廓；通过使用最小二乘拟合从活动轮廓演化来调整轮廓；确定迭代计数器的值是否大于预定值；如果迭代计数器的值小于预定值，就使用调整的轮廓执行重新初始化；迭代计数器增加；以及重复演化、调整、确定、执行和增加的步骤，直到整个导管已分割。
在又一个实施例中，提供了分割包括多个横截面的导管的方法。该方法包括如下步骤：获得3D图像体积；使用预设的配置文件初始化一个或多个卡尔曼滤波器参数；在要分割的导管内选择初始中心点；基于初始中心点对第一图像片执行初始分割，第一图像片是导管的2D横截面；基于初始分割来创建导管的横截面的模板；使用卡尔曼滤波器预测作为初始点沿束方向的平移的下一个中心点；基于在图像体积中的下一个中心点的测量来校正下一个中心点；基于下一个中心点分割第二图像片；以及重复预测、校正和分割的步骤，直至导管在3D图像体积内已完全分割为止。
在另一个实施例中，提供了导管时间跟踪的方法。该方法包括：获得3D图像体积；使用预设的配置文件来初始化一个或多个卡尔曼滤波器参数；标识第一图像片；对第一图像片执行初始分割；选择分割的图像片的初始中心点；基于初始分割来创建在初始中心点周围的导管横截面的模板，模板是椭圆模型；通过如下步骤找到下一个中心点：将适应的椭圆模型的参数复制到邻近初始中心点的备选点；使用复制的参数来定向在多个备选点中的每一个周围的椭圆可适应模型；基于在备选点中的每一个周围的椭圆可适应模型来搜索在备选点中的每一个周围的中心点；将在备选点周围的椭圆可适应模型适应于找到的中心点；选择其可适应模型最适合导管的备选点中的一个作为下一个中心点，并且重复寻找下一个中心点的步骤，直至达到导管中心线的终点或预定迭代数为止。
在又一个实施例中，一种计算机系统包括：处理器和可由计算机系统读取的程序存储装置；其中程序存储装置包含可由处理器执行的指令程序来执行方法步骤，该方法步骤是通过在选择的区域中沿血管提取中心线来在2D或3D图像数据集中进行血管的自动分割和时间跟踪。该方法包括：从超声成像系统获得图像体积；执行3D图像体积上的导管分割以生成导管的3D超声图像；检测分割的血管的导管中心线；使用检测的导管中心线来估计分割的血管的横截面面积；以及基于模板匹配来执行估计的横截面的时间跟踪。
本文描述了不同范围的系统和方法。除了在本概述中描述的各个方面和优势外，通过参照附图和其后的详细说明，另外的方面和优势将变得显而易见。
附图说明
图1示出了一个流程图，其描述了在一个实施例中描述的基于模板匹配的导管中心线检测方法的概览；
图2示出了一个流程图，其描述了在图1中示出的初始化中心线的步骤；
图3示出了一个流程图，其描述了在图2中示出的获得导管模板的步骤；
图4示出了一个流程图，其描述了作为图1的一个步骤示出的预测下一个中心点的过程；
图5示出了一个流程图，其描述了作为图1的一个步骤描述的执行模板匹配；
图6示出了一个流程图，其描述了在图1中示出的更新卡尔曼滤波器的步骤；
图7A和图7B示出了一个流程图，其描述了在一个实施例中所描述的用于生成表面轮廓的自动分割方法；
图8示出了一个流程图，其描述了在图7中示出的初始化步骤；
图9示出了与在上升方向上扫描线性阵列对应的3D成像的几何结构和坐标系统；
图10示出了一个流程图，其描述了在图8中示出的标识初始的椭圆轮廓的步骤；
图11A和图11B示出了一个流程图，其描述了在另一个实施例中描述的分割包括多个横截面的导管的方法；
图12示出了一个示意图，其描绘在一个实施例中描述的跟踪成像片中的导管的横截面的示例性方法；
图13示出了一个流程图，其描述了在一个实施例中描述的导管时间跟踪的方法；并且
图14示出了一个流程图，其描述了在图13中示出的发现下一个中心点的步骤。
具体实施方式
在下面的详细描述中，参照形成本说明书的一部分的附图，并且其中通过说明可实行的具体实施例的方式示出。这些实施例以足够的细节描述，以使本领域的技术人员能够实践实施例，并且可以理解，可利用其它实施例，并且可进行逻辑、机械、电气和其它的改变而不偏离实施例的范围。因此，下面的详细描述不理解为限制意义。
超声是一种广泛使用的医疗成像模态。它价格低廉，可广泛获取，快捷安全。在大量医疗检查中需要超声图像分割。例如在妇产科中用于测量胎儿的各种解剖特征的尺寸、在肿瘤学中用于为放射治疗计划而描绘前列腺的轮廓、在心血管应用中用于使用超声图像的分割特征来诊断深静脉血栓（DVT）和动脉粥样硬化。
高级医疗诊断超声成像系统需要综合的一组成像模式。这些都是用于临床诊断的主要成像模式，且包括时间线多普勒、彩色流多普勒、B模式和M模式。在B模式中，这样的超声成像系统创建组织的二维图像，其中像素的亮度是基于回波返回的强度的。备选地，在彩色流成像模式中，流体（如血液）或组织的运动能够成像。使用多普勒效应进行在心脏和导管中的血流的测量是广为人知的。反向散射的超声波的相移可能被用来测量从组织或血液的反向散射物的速度。多普勒移动可使用不同的颜色示出，以表示流的速度和方向。在频谱多普勒成像模式中，这些多普勒频移功率谱作为速度-时间波形被计算以用于视觉显示。
在超声成像中，分割血管用于可视化以及协助和指引诸如导液管置入等的程序是有用的。体积数据常常是随时间的推移而收集的，由于生理运动或探头运动的原因，当感兴趣导管移动时通过更新它的分割来保持正确的分割可能是重要的。从广义上讲，本发明涉及超声分割方法，专注于为医疗B模式超声图像而开发的技术。
导管从包括血管、淋巴管和乳糜管的组中选择。导管可以基于导管中心的位置、导管的本地定向、导管横截面模型和导管的体素的强度分布来表征。
如本文中所用的，术语“图像”是指由离散图像元素（例如，2-D图像的像素和3D图像的体素）组成的多维数据。图像可以是例如由计算机层析成像、磁共振成像、超声或本领域技术人员所知的任何其它医疗成像系统收集的受检者的医疗图像。图像也可以从诸如例如遥感系统、电子显微镜等的非医疗环境提供。本发明的方法不限于这样的图像，并且能够适用于任何维度的图像，如2-D图片或3D体积。
特别是，本发明提供了用于从体积超声图像数据进行感兴趣的导管的时间跟踪和实时分割的方法。分割由两部分组成：（1）首先检测该导管的中心线；（2）在一组2-D图像片上估计导管的边界（或导管的掩模（mask）），2-D图像片在沿导管对齐方向上是均匀隔开的。导管对齐方向被认为是平行于束方向。这种分割方法可应用于每一个时间帧，以得到在存在运动时的导管的新分割。
本文所述的横截面估计方法是基于活动轮廓（或蛇形线（snakes））。活动轮廓可以分为两类：基于边缘的活动轮廓，依赖于图像梯度以吸引蛇形线；以及基于区域的活动轮廓，其取决于基于区域的统计特征。基于区域的活动轮廓在杂波和噪声妨碍基于边缘的轮廓的运动的情况下比基于边缘的要好。此外，基于区域的轮廓对轮廓的初始化比基于边缘的更不敏感。为了确保鲁棒性，采用了基于区域的活动轮廓分割方法，其由平均差二元流驱动。活动轮廓使用水平集或参数法计算。前者允许曲线的可能的拓扑变化，但在计算成本上是昂贵的。对于实时性能，能够选择参数法来实施在横截面估计方法中的活动轮廓。
可选地，本发明提出了时间跟踪的方法，其中，在选择的时间帧中的导管分割的一个或多个选择的参数能够更新。然后，能够使用分割结果来提高感兴趣的导管的可视化和指导随后的成像和程序。这产生了导管分割和跟踪的实时实现。
因此，在一个实施例中，本发明描述了用于在第一B模式超声体积中的导管中心线的初始检测的方法。导管中心线检测是非常重要的，因为它给临床医生提供了通过导管插入导液管的指导。此外，导管中心线检测在导管的可视化（临床使用）上是关键的，因为随后的可视化的步骤（导管横截面估计、时间导管跟踪、导液管检测等）非常依赖于导管中心线的准确和鲁棒的检测。在此方法中，假设导管位于主坐标中的一个上（束方向）。基于这个假设，本方法执行基于2D模板的导管中心线检测。
图1示出了一个流程图，其描述了基于模板匹配的导管中心线检测方法100的概览。方法100包括如下步骤：在步骤102获得3D图像体积；在步骤104初始化中心线；在步骤106初始化卡尔曼滤波器；在步骤108使用卡尔曼滤波器预测下一个中心点；在步骤110检查使用卡尔曼滤波器所做的预测的有效性；在步骤112执行模板匹配；在步骤114基于模板匹配更新卡尔曼滤波器；以及在步骤116以预定次数重复预测、检查、执行和更新的步骤。
在图2描述了初始化中心线的步骤104。参照图2，步骤104包括：在步骤202从图像体积选择初始中心点，在步骤204获得导管横截面的模板；以及在步骤206基于初始中心点和获得的模板设立中心线跟踪参数。
从3D图像体积中选择初始中心点，3D图像体积是从超声成像系统获得的。这样标识的初始中心点也被称作种子点。给定了初始种子点，采用使用2D模板匹配的卡尔曼滤波器。卡尔曼滤波器用于跟踪实时超声图像中的种子点。由动态模型描述种子点在空间中的运动，并使用测量来估计种子点的位置。
结合图3进一步解释获得导管横截面的模板的步骤204。参照图3，步骤204包括如下步骤：从图像数据的阈值处理和形态学处理获得掩模的步骤302；基于获得的掩模估计近似的导管尺寸的步骤304；基于导管尺寸指定门尺寸（gate size）的步骤306；以及创建以初始中心点为中心并具有指定的门尺寸的导管横截面的2D模板的步骤308。
在初始种子点周围的2D图像分块（image patch）被用于初始化用于检测在随后的片中的导管横截面的模板。此外，来自上面的图像数据的阈值处理和形态学处理的掩模被用来估计近似的导管尺寸。
这些导管尺寸帮助指定模板大小（这也被称为“门尺寸”）。在初始的种子点检测和模板初始化之后，以初始种子点为中心的导管横截面的2D模板被创建。
返回参照图2，在步骤104初始化中心线还包括设立中心线跟踪参数的步骤206。用于中心线跟踪的参数有两种类型：卡尔曼滤波器参数和模板匹配参数。卡尔曼滤波器参数包括过程噪声方差（Q）、测量误差方差（R）、预测误差方差（也称为估计误差方差）（P）、卡尔曼增益（K）、Delta_T（时间步）和λ（用于更新测量误差方差的参数）。
模板匹配参数包括初始化观察窗口的尺寸、运动方向（沿着3D体积中的所选择维度的期望运动）、匹配得分阈值和控制匹配得分计算的参数α（保持使模板匹配的结果偏向有利于与预测更接近的备选模板的能力）。
卡尔曼滤波器通过使用反馈控制的形式来估计过程：滤波器在一段时间估计过程状态，然后得到采用（噪音）测量的形式的反馈。因此，卡尔曼滤波器的方程分为两组：时间更新方程和测量更新方程。时间更新方程负责向前（在时间上）预测当前状态和方差估计以获得下一时间步的先验估计。测量更新方程负责反馈——即，将一个新的测量合并到先验估计以获得改进的后验估计。时间更新方程也能够被认为是预测器方程，而测量更新方程能够被认为是校正器方程。最终的估计方法类似于用于解决数值问题的预测校正法。
返回参照图1，在步骤106的方法100包括初始化卡尔曼滤波器。为了初始化卡尔曼滤波器，从预设的配置文件中获得上面列出的卡尔曼滤波器参数。在随后的时间步中，它们得到更新并用于随后的时间步。
方法100进一步包括在步骤108使用卡尔曼滤波器预测下一个中心点。结合图4进一步解释步骤108。使用卡尔曼滤波器来预测下一个中心点包括：定义用于通过沿所述束方向的空间位移来平移初始中心点的转移矩阵，定义用于初始中心点的预测误差方差P，基于转移矩阵来预测下一个中心点和下一个预测误差方差，定义用于预测误差方差和一系列中心点测量的过程噪声方差，基于测量误差方差、所预测中心点的测量以及中心点测量的过程噪声方差来校正所述中心点预测，以及基于测量误差方差和中心点测量的过程噪声方差来校正预测误差方差。
因此，参照图4，步骤108包括：在步骤402提供第一估计的中心点和速度，在步骤404提供卡尔曼滤波器参数值，在步骤406执行卡尔曼预测，在步骤408得到预测的中心点和速度以及在步骤410更新预测误差方差。
在卡尔曼滤波器中，时间更新提前预测当前的状态估计。测量更新由那个时候的实际测量来调整预测的估计。时间更新方程从时间步k-1到时间步k向前预期状态和方差估计。因此，第一估计的中心和速度也可等同于上次估计的中心和速度，分别由Ck-1和Vk-1表示。然而，对第一次迭代，第一估计的中心点是初始中心点或种子点，并且速度近似于常数。从卡尔曼滤波器预测得到的输出是预测中心（Ckp）和速度（Vkp）以及更新的预测/估计误差方差Pk。
方法100还包括步骤110，步骤110用于检查在步骤108使用卡尔曼滤波器进行的预测的有效性。这一步骤110检查预测的中心（Ckp）是否在体积范围内以及估计误差是否合理。因此，步骤110包括检查预测的中心点是否位于诸如获得的模板的预定的体积范围内以及检查估计误差方差是否低于估计阈值。估计阈值能够从早先的检测得到。
在步骤110检查使用卡尔曼滤波器进行的预测的有效性随后，方法100还包括：在步骤112执行模板匹配。模板匹配在使用卡尔曼滤波器测量的所测中心点和估计的下一个中心点之间执行。当在若干帧上跟踪超声图像中的特征时，模板匹配是常见的程序，要被检测的特征由掩模描述，以及相关程序被执行，以确定其位置。
结合图5进一步解释执行模板匹配的步骤112。参照图5，步骤112包括：在步骤502提供预测的中心点和速度作为输入，在步骤504提供更新后的预测误差方差，在步骤506执行模板匹配，在步骤508获得测量中心点和速度，以及在步骤510获得测量误差方差。在一个实施例中，模板匹配是基于斑点噪声分布的瑞利近似（Rayleigh approximation）进行的。瑞利近似是本领域的技术人员众所周知的，因此不做详细描述。
提供给卡尔曼滤波器的、用于执行模板匹配的输入是在预测步骤108获得的预测中心（Ckp）和速度（Vkp）以及预测/估计误差方差Pk。使用测量更新方程提供反馈以将新的测量合并到先验估计以获得改进的后验估计。因此，在步骤112执行模板匹配随后获得的输出是测量的中心（Ckm）和速度（Vkm）以及测量误差方差（Rk）。
如图1所示，在步骤112之后在步骤114执行测量更新。结合图6进一步解释步骤114。参照图6，步骤114包括如下步骤：在步骤602提供测量的中心点和速度以及测量误差方差（Rk）作为输入，在步骤604获得第二估计的中心点和速度，以及在步骤606更新可变的卡尔曼增益（K）。
在卡尔曼滤波器的更新步骤114，在步骤112作为输出获得的、测量的中心（Ckm）和速度（Vkm）以及测量误差方差（Rk）作为输入被供给。得到第二估计的中心（Ck）和速度（Vk）作为输出。如本领域的技术人员能够理解的那样，第二估计的中心（Ck）也是下一个中心点。
在测量更新期间的第一任务是计算卡尔曼增益。下一步骤是实际测量过程，然后通过合并该测量产生后验估计。最后一个步骤是获得后验误差方差的估计。这样获得的卡尔曼增益（K）之后被更新，以在未来迭代中使用。
在每一次和测量更新对后，重复该过程，用前一后验估计来预期或预测新的先验估计。因此，方法100包括在步骤116以预定次数重复预测、检查、执行和更新的步骤。预定次数能够基于达到导管终端所需的迭代来选择。这个递归的性质是卡尔曼滤波器的非常吸引人的特征之一，因为它使得实际实施更可行。
在另一个实施例中，如图7A和图7B所示，提供了用于产生导管的表面轮廓的自动分割方法700。导管分割使用扩展的卡尔曼滤波器和椭圆导管模型来确定导管边界并估计用于那个导管的椭圆参数，其可用于快速计算横截面积。
方法700包括如下步骤：在步骤702获得3D图像体积；在步骤704初始化导管横截面；在步骤706初始化迭代计数器；在步骤708向着导管边界演化活动轮廓；在步骤710通过使用最小二乘拟合从活动轮廓演化来调整轮廓；在步骤712确定迭代计数器的值是否大于预定值；在步骤714，如果迭代计数器的值小于预定值，就使用调整的轮廓执行重新初始化；在步骤716使迭代计数器增加；以及在步骤718以由预定值指示的预定迭代数重复演化、调整、确定、执行和增加的步骤。
导管横截面分割方法700被开发来从3D图像中自动描绘感兴趣的导管的边界和估计的导管中心线。导管的边界被作为在沿导管对齐方向均匀分布的一组平行图像平面中的封闭平面曲线的序列来绘制。
结合图8进一步解释初始化的步骤704。参照图8，步骤704包括如下步骤：在步骤802使用导管中心线检测方法100检测导管的中心线；在步骤804获取从导管中心线检测方法100估计的初始中心点；在步骤806标识初始的椭圆轮廓；以及在步骤808基于初始中心点和初始的椭圆轮廓来设立活动轮廓参数。
图9示出了与在上升方向上扫描线性阵列对应的3D成像的几何结构和坐标系统。感兴趣的导管沿x轴对齐。为了方便，假设在与（z，y）平面平行的任何2-D图像片中，导管的横截面一般作为具有近似椭圆形边界的凸区域出现。边界能够由三个几何参数表示：主轴和次轴的长度以及从诸如z轴（或列轴）的参照轴测量的主轴的方向。
结合图10进一步解释标识初始椭圆轮廓的步骤806。参照图10，步骤806包括如下步骤：在步骤1002基于在导管中心线检测方法100中使用的门尺寸来确定主轴（z轴）和次轴（y轴）的长度；以及在步骤1004将主轴离参照轴（在这个示例性实施例中是z轴）的方向设置为约等于零。
在步骤806标识初始椭圆轮廓之后，初始化导管横截面的方法704进一步包括如步骤808所示的设立活动轮廓参数。基于预期的导管的大小和深度，用于分割和跟踪的参数被自动选择。设立活动轮廓参数的步骤808包括指定一个或多个活动轮廓参数。该一个或多个活动轮廓参数包括用于面积加权平均差的加权参数、曲线长度的加权参数、曲线演化的时间步大小、最大再迭代值和轮廓收敛公差。
活动轮廓或蛇形线的方法被用来提取在任何图像平面中的描绘出导管横截面边界的轮廓的曲线。由于一般来说导管的横截面类似于椭圆，允许的边界曲线通过最小平方误差拟合限制为椭圆形。结合检测中心线和估计的横截面做成了完全和紧凑的导管模型，其不仅简化了临床医生正确和精确地放置和推进导液管的困难，还允许通过实时3D数据来形成在导液管前进临床上明显的视图。
通过连续穿过轮廓几次（通常是三次），执行横截面估计步骤。贯穿始终使用原始的种子点，直到下一个图像被处理才计算新的种子点。以额外的计算代价将提取的轮廓和重建的椭圆相互比较，以确保轮廓的平滑性。边界之间的均方根（rms）径向距离被用作误差测量，并通过测量在生成的椭圆上的对应点和估计点之间的距离来计算。如果这个误差大于阈值，则数据拟合被视为无效。
采用迭代计数器来记录在向着导管边界演化活动轮廓中涉及的迭代。如从图7中能够看出的那样，迭代计数器在步骤706被初始化。因此，方法700进一步包括在步骤708向着导管边界演化初始椭圆曲线的步骤。
在一个实施例中，给定了一个初始样本，通过执行在2D图像平面中的迭代搜索来使用传统的“活动轮廓技术”首先从图像中确定或完善出一些可能的模式。传统的活动轮廓技术提供了可变形曲线或“蛇形线”，它在图像上移动，同时最小化其潜在的能量。蛇形线的能量一般可分为制约了蛇形线的整体形状的“内部能量”项和由驱动蛇形线朝向期望的边界的图像提供的“外部能量”功能。有了适当的图像能量函数和仔细的初始化，活动轮廓的蛇形线能够有效地收敛到期望的边界，从而生成一个或多个模式。这样的传统的活动轮廓技术对本领域的技术人员是众所周知的，并且将不进一步详细讨论。
对用于向着导管边界演化初始椭圆曲线的步骤708的输入包括：由导管中心线检测方法100检测到的初始中心点；由该方法100检测到的导管结构的中心线；从步骤806获得的初始椭圆轮廓；以及活动轮廓参数。导管横截面估计的输出提供了一个N×5阵列，每一行表示导管的中心位置（行和列指数）和横截面椭圆参数（a，b，θ）。θ的单位是弧度。N是中心线点的数目。片指数不存储在横截面分割列表中，因为它已经包含在中心线列表中。它能够通过使用片步长参数容易地导出。
方法700进一步包括在步骤710通过使用椭圆对轮廓点的最小二乘拟合从活动轮廓演化来调整轮廓。用于在步骤710执行的椭圆拟合的输入包括一组2D点的坐标（行，列）。返回的向量包括中心、半径和椭圆的方向，向量存储为（Cx，Cy，Rx，Ry，θ）。θ以弧度为单位。从而，执行了3D图像体积的初始分割。生成的曲线未必是椭圆。然而，来自一个图像的估计的椭圆参数和最后的搜索区域被用来初始化在下面的图像帧中的轮廓检测。
在如图11A和图11B所示的又一实施例中，提供了用于分割包括多个横截面的导管的方法1100。该方法1100包括如下步骤：在步骤1102获得3D图像体积；在步骤1104使用预设的配置文件初始化一个或多个卡尔曼滤波器参数；在步骤1106在要分割的导管内选择初始中心点；在步骤1108基于初始中心点对第一图像片执行初始分割，第一图像片是导管的2D横截面；在步骤1110基于初始分割来创建导管的横截面的模板；在步骤1112使用卡尔曼滤波器预测作为初始点沿束方向的平移的下一个中心点；在步骤1114基于在图像体积中的下一个中心点的测量来校正下一个中心点；在步骤1116基于下一个中心点分割导管的第二图像片；以及在步骤1118重复预测、校正和分割的步骤，直至导管在3D图像体积内已完全分割为止。
步骤1102至1110能够从以上提供的描述来理解。此外，使用卡尔曼滤波器来预测下一个中心点的步骤1112包括：定义用于通过沿束方向的空间位移来平移初始中心点的转移矩阵，定义初始中心点的预测误差方差P，基于转移矩阵来预测下一个中心点和下一个预测误差方差，定义预测误差方差和一系列中心点测量的过程噪声方差，基于测量误差方差、预测的中心点的测量和中心点测量的过程噪声方差来校正中心点预测，以及基于测量误差方差和中心点测量的过程噪声方差来校正预测误差方差（步骤1114）。
步骤1114随后，在步骤1116得到导管的第二图像片并基于校正的下一个中心点来分割导管的第二图像片。该方法1100进一步包括在步骤1118重复预测、校正和分割的步骤直至导管在3D图像体积中已完全分割。
因此，第一超声体积的初始分割为我们提供了提取的导管中心线（CL0），中心线必须要随时间保持（即跟踪）（以得到CL0，CL1，...，CLt等）。出于许多因素（诸如在连续两次获得之间的时间延迟（δTaq）、标称探头运动、由于心脏泵、呼吸等引起的考虑中的血管的运动），这是具有挑战性的任务，相应地，本发明还描述了时间中心线跟踪方法。
时间跟踪是导管可视化的重要部分，它使得能够随时间而维护和可视化血管中心线。时间卡尔曼滤波器被用于在相继获得的3D体积上实时跟踪和维持导管中心线。在实践中，在横截面超声图像中血管被实时分割，其中帧速率为10-16Hz或更高，并且使用时间卡尔曼滤波器在连续的3D体积上跟踪特征位置。
为了执行这一跟踪，导管横截面位置的初始分割被使用来创建横截面的模板，并且基于模板匹配的卡尔曼滤波器被用来跟踪穿过连续时间体积的这一横截面。跟踪图像的程序涉及通过计算运动矢量来发现在血管内超声（IVUS）图像序列中的相邻图像帧之间的相对运动，每个运动矢量是在图像矩形的稀疏网格上的相邻图像帧之间的偏移。
典型地，从一个时间片到另一个时间片，导管中心位置中不存在大偏差，因此跟踪参数相应地被初始化。对卡尔曼滤波器的动态，假定导管的中心从帧到帧以恒定速度移动。卡尔曼滤波器有两个明显的阶段：预测和更新。预测阶段使用来自先前的时间步的预测来产生当前状态的估计。在更新阶段，来自当前的时间步的测量信息被用于完善这一预测以达到新的、更准确的估计。
用于跟踪从一个时间体积到下一个时间体积的导管中心线的方法与初始的导管中心线检测步骤的相当相似之处在于，执行基于卡尔曼滤波器的跟踪以及模板匹配用于卡尔曼滤波器测量步骤。
虽然这种方法与初始分割是类似的，但一个重要的区别是用于横截面跟踪的模板匹配测量。鲁棒的最大似然匹配测量被使用，它是通过使用在横截面图像中的斑点是用瑞利分布近似的这一事实而导出的。
图12示出了一个示意图，其描绘跟踪在成像片i中的导管横截面的示例性方法。用于“相同”横截面片（即Si t）的时间跟踪是在先前的时间片（在时间t-1）中的“相同”导管横截面片Si t-1的时间移动图像（在时间t）。这允许使用本文称为“CD2相似性测量”的相似性测量。
使用用于模板匹配的这一相似性测量限制了模板更新步骤（因为加权模板更新不能执行，因为加权模板将不遵守瑞利近似）。因此，“新跟踪的”导管横截面被用作更新的模板。这是加权更新的一个特殊情况，其中给予先前的模板的权重为零。这是有效的，因为CD2相似性测量已被证明对时间匹配是鲁棒的。
在跟踪导管横截面的过程中，每个横截面片相互独立进行处理（代替联合跟踪方法）。为跟踪在比如片i（Si t）看到的导管，可使用来自在先前的时间体积中的片i（Si t-1）的中心和导管模板。这一初始化和跟踪参数允许从Si t-1到Si t跟踪中心点。如图1所示的步骤然后对每一个这样的片i进行，其中i = 0，1，...，n。
参照在图1的初始化步骤104中所述的选择初始中心和模板的步骤，对初始分割后的第一时间片（t1），初始中心和导管模板由分割结果（t0）提供，该分割结果是由在导管分割步骤中估计的导管中心给出的。对于相继的时间片（t2），初始化（中心、模板和跟踪参数）可从t1的跟踪结果获得，依此类推。
继续参照图1，参照在图1的初始化步骤104中所描述的设立中心线跟踪参数的步骤，中心线跟踪参数能够被描述为包括卡尔曼滤波器参数和模板匹配参数。
卡尔曼滤波器参数包括过程噪声方差（Q）（设置为常数，跟踪结果对这个参数的灵敏度低）、测量噪声方差（R）（从基于图像的测量获得的噪声方差，即模板匹配得分）、估计误差方差（P）（由卡尔曼滤波器基于测量误差和系统的转移矩阵（A）来计算）、卡尔曼增益（K）（在跟踪的每一步骤更新）、Delta_T（时间步，表示跳过的时间片的数目，用于从一个时间点跟踪到下一个时间点，这设置为1）和λ（用于更新测量误差方差的参数）。
模板匹配参数包括初始观察窗口尺寸（与实际导管尺寸有关，并能够使用默认导管的尺寸和获得几何结构来预先计算）、匹配得分阈值（模板匹配阈值用于确定测量值是否“滑行（coasting）”）和α（参数，其控制总匹配得分计算并且便于使模板匹配结果偏向有利于更接近于预测的备选）。
参照图1所示的卡尔曼滤波器初始化步骤106，使用预设的配置文件对卡尔曼滤波器参数进行初始化。在随后的时间步中，它们得到更新，并用于随后的时间步。例如，为跟踪t1的片i的中心点，能够使用来自配置/测试文件的初始参数。然而，在这个跟踪步骤的结束，卡尔曼滤波器参数基于测量进行更新。这些更新的参数被随后用于跟踪在时间步t2的片i的中心点，依此类推。
参照图1所示的预测步骤108，该预测步骤提供了基于过去的观察的预测的导管中心点。卡尔曼滤波器利用在先前的跟踪步骤的“更新”阶段期间计算的测量误差方差，以估计预测（即，如果在先前的中心点的估计期间测量误差小，则先前的中心点的贡献更大）。
继续参照图1，卡尔曼预测的有效性检查的步骤110包括检查预测的中心点（Ckp）是否在体积范围内以及还有估计误差是否合理。
参照图1所示的基于卡尔曼滤波器的模板匹配步骤112，在估计的模板和测量的模板之间的相似性是使用CD2相似性测量来计算的。这种相似性考虑利用斑点噪声的近似瑞利分布的最大似然计算。
当比较（近似）对应于受检者中的相同物理位置的超声数据的两个时间上分隔的片/体积时，CD2相似性测量尤其有用。如果A=[Aij]是在Si t-1中的导管横截面的像素和B = [Bij]是在Si t中的同一导管的横截面的像素，那么瑞利噪声近似被用来计算A和B的匹配得分，该计算使用最大似然并且相互独立地处理单个像素。
参照图1所示的随后的卡尔曼滤波器更新步骤114，测量的中心点（C km ）和速度（V km ）以及从使用CD2相似性测量获得的测量误差方差（Rk）一起作为输入供给，以获得下一个导管中心点。
在测量更新期间的第一任务是计算卡尔曼增益。下一个步骤是实际地测量过程，且然后通过合并测量来产生后验估计。最后的步骤是获得后验误差方差的估计。这样获得的卡尔曼增益（K）随后被更新，以在将来的迭代中使用。
对每一个片i（如图12中所示），其中i = 0，1，...，n，重复如下的步骤：预测导管中心点的步骤108、检查预测的有效性的步骤110、执行模板匹配以估计测量误差的步骤112和随后的更新卡尔曼滤波器的步骤114。
图13示出了一个流程图，其描述了在另一个实施例中所描述的对沿导管的每一个图像片实施的时间中心线跟踪方法1300的概览。导管时间跟踪方法1300包括如下步骤：在步骤1302获得3D图像体积；在步骤1304使用预设的配置文件来初始化卡尔曼滤波器参数；在步骤1306标识第一图像片；在步骤1308对第一图像片执行初始分割；在步骤1310选择分割的图像片的初始中心点；在步骤1312基于初始分割来创建在初始中心点周围的导管横截面的模板；在步骤1314找到下一个中心点；并且在步骤1316重复寻找下一个中心点的步骤，直至达到导管中心线的终点或进行了预定迭代数为止。
如在上面列出的一个实施例中所述，导管横截面的模板被近似为椭圆。因此，采用了适应的椭圆模型来寻找下一个中心点。结合图14来进一步解释寻找下一个中心点的步骤1314。参照图14，步骤1314包括如下步骤：在步骤1402将适应的椭圆模型的参数复制到邻近初始中心点的多个备选点；在步骤1404使用复制的参数来定向在多个备选点中的每一个周围的椭圆可适应模型；在步骤1406基于在备选点中的每一个周围的椭圆可适应模型来搜索在备选点中的每一个周围的中心点；在步骤1408将在备选点周围的椭圆可适应模型适应于找到的中心点；以及在步骤1410选择其可适应模型最适合导管的备选点中的一个作为下一个中心点。
搜索在备选点中的每一个周围的中心点的步骤1406包括执行形态学滤波以消除比斑点尺寸小的结构。此外，执行形态学滤波包括如下步骤：对在搜索区的连续导管的数目计数；计算每一个连续的导管的面积；以及拒绝具有位于预定范围之外的面积的导管。
一般地，目标搜索区域可包含一个以上的导管段。能够基于任何合理的形态学特征来选择“最佳”的导管段，诸如导管直径（最接近于与用户选择的应用程序类型关联的导管类型的标准尺寸）、最大的导管长度或面积、或最均匀的直径（因为用户通常移动探头以获取感兴趣的导管的最佳视图）或优度测量的组合的。备选地，最佳的导管段可以定义为离预设位置距离最短的导管段。
可以理解，本发明的实施例可以用各种形式的硬件、软件、固件、专用过程或其组合实现。在一个实施例中，本发明能够软件实现为包含在计算机可读程序存储装置中的有形应用程序。应用程序能够上传到包括任何合适的架构的机器并由其执行。
因此，在又一实施例中，提供了一种计算机系统，其包括处理器和可由计算机系统读取的程序存储装置，其中程序存储装置包含可由处理器执行的指令程序来执行用于血管的自动分割和时间跟踪的方法步骤。该方法包括如下步骤：从超声成像系统获得图像体积；对3D图像体积执行导管分割以生成血管的3D超声图像；检测分割的血管的导管中心线；使用计算的导管中心线来估计分割的血管的横截面面积；以及基于模板匹配准则来执行估计的横截面的时间跟踪。在上述实施例中示出的方法中描述了每一个步骤。检测导管中心线的步骤在方法100中描述。估计分割的导管的横截面面积的步骤在方法700中描述，并且执行时间跟踪的步骤在方法1300中描述。
本文所述的发明的一个或多个实施例的技术效果包括为了有效诊断的目的而使用单个软件工具由数据集的组合形成的三维解剖数据的自动分割和跟踪。
本文公开的方法的另一技术效果包括提供用于计划和实施介入式程序的信息和图像，从而使电生理学家、心脏病科医生和/或外科医生能够有效地进行介入式程序。
本文所述的方法（即导管中心线检测、分割和时间跟踪）的可行性已经使用均不包含任何导液管的合成物（模拟静态导管幻像）和活体3D数据集得以展示。
本文所述的导管分割和跟踪的方法提供改进的可视化能力，以查看在使用超声成像取得的获得体积内的所有血管元件。本文描述的方法通过突出感兴趣的血管树来辅助临床医生，突出感兴趣的血管树有助于临床医生分清血管树和其它周围解剖。此外，该方法允许即使在存在运动的期间的期望导管的可视化。
还有，本文所描述的方法提供了导液管的改进的可视化。这有助于临床医生将针或导液管引导到期望的位置，而同时避免对周围组织的潜在的损害。分割的导管不仅缓解临床医生在超声引导下正确和精确地放置和推进导液管的困难，而且还为在实时3D数据中建立更多的在临床上有意义的导液管视图（诸如导管中心线弧形切割视图）铺平了道路。
当本文所述的导管分割和跟踪的方法用于超声诊断成像时，本方法的提供自动分割和改进的可视化的能力导致减少了使用超声成像系统所需要的训练量。
此外，本文所述的方法是自动的，其可适应以选择用于显示的最佳观察平面（或体积），消除了对复杂的用户界面的需求。
本发明描述了使用卡尔曼滤波器进行中心线检测、分割和时间跟踪的方法。由于卡尔曼滤波器设计为在存在噪声的情况下操作，所以近似拟合往往好到足以使滤波器非常有用。因此，虽然在一般情况下超声图像遭受严重的斑点噪声，但本文所述的方法能够更有效地提供改进的导管可视化。
在本发明的各个实施例中，描述了用于超声成像系统的分割和跟踪方法以及使用分割和跟踪方法的超声成像系统。然而，实施例不受限并且可结合不同的应用来实施。本发明的应用可以扩展到其它领域，例如其它成像设备。具体的临床应用领域包括超声心动图、乳房超声、经直肠超声（TRUS）、血管内超声（IVUS）和使用假设的特征几何结构的多种方法。本发明提供了利用分割和跟踪方法以提高可视化的广泛的概念，该概念可以适应于用于非医疗应用的任何成像系统。这一设计可以以各种形式和规格进一步进行和实施。
本书面描述使用示例来公开包括最佳模式的本发明，也使本领域的任何技术人员能制作和使用本主题。本主题的可取得专利范围是由权利要求限定的，并可包括本领域的技术人员想到的其它示例。如果这些其它示例具有与权利要求的字面语言无不同的结构要素，或者如果它们包括与权利要求的字面语言无实质性差异的等效结构要素，则这样的其它示例意于在权利要求的范围内。

Claims (28)

1. 一种检测导管的中心线的方法，所述方法包括：
获得3D图像体积；
初始化中心线；
初始化卡尔曼滤波器；
使用所述卡尔曼滤波器预测下一个中心点；
检查所述预测的有效性；
执行用于估计测量误差的模板匹配；
基于所述模板匹配更新所述卡尔曼滤波器；以及
以预定次数重复预测、检查、执行和更新的所述步骤。
2. 如权利要求1所述的方法，其中所述初始化步骤包括：
从所述图像体积选择初始中心点；
从所述3D图像体积获得导管横截面的模板；以及
基于所述初始中心点和所获得的模板设立中心线跟踪参数。
3. 如权利要求2所述的方法，其中获得模板的所述步骤包括：
从图像数据的阈值处理和形态学处理获得掩模；
基于所获得的掩模估计近似的导管尺寸；
基于所述导管尺寸指定门尺寸；以及
创建以所述初始中心点为中心并具有所指定的门尺寸的所述导管横截面的2D模板。
4. 如权利要求3所述的方法，其中所述导管尺寸表示导管段的内径。
5. 如权利要求2所述的方法，其中设立中心线跟踪参数包括：
获得一个或多个卡尔曼滤波器参数，所述卡尔曼滤波器参数包括过程噪声方差（Q）、测量误差方差（R）、预测误差方差（P）和卡尔曼增益（K）；以及
获得一个或多个模板匹配参数，所述模板匹配参数包括初始观察窗口的尺寸、运动矢量和匹配得分阈值。
6. 如权利要求1所述的方法，其中初始化所述卡尔曼滤波器包括：
使用预设的配置文件初始化所述卡尔曼滤波器参数。
7. 如权利要求5所述的方法，其中预测所述下一个中心点包括：
提供第一估计中心点和速度；
提供卡尔曼滤波器参数值；
执行卡尔曼预测；
获得预测的中心点和速度；以及
根据所预测的中心点和速度更新预测误差方差。
8. 如权利要求7所述的方法，其中所述第一估计的中心点是用于第一次迭代的所述初始中心点。
9. 如权利要求7所述的方法，其中检查所述预测的有效性包括：
检查所预测的中心点是否位于预定体积内；以及
检查所预测的误差方差是否低于估计阈值。
10. 如权利要求7所述的方法，其中执行模板匹配的所述步骤包括：
提供所预测的中心点和速度作为输入；
提供更新的预测误差方差；
执行模板匹配；
获得测量的中心点和速度；以及
获得测量误差方差。
11. 如权利要求10所述的方法，其中所述模板匹配是基于瑞利近似执行的。
12. 如权利要求10所述的方法，其中更新所述卡尔曼滤波器的所述步骤包括：
提供所测量的中心点和速度以及测量误差方差作为输入；
获得第二估计中心点和速度；以及
更新所述可变的卡尔曼增益（K）。
13. 如权利要求12所述的方法，其中所述第二估计中心点是所述下一个中心点。
14. 一种用于产生导管的表面轮廓的自动分割方法，所述方法包括：
获得3D图像体积；
初始化导管横截面；
初始化迭代计数器；
向着导管边界演化活动轮廓；
通过使用最小二乘拟合从所述活动轮廓演化来调整轮廓；
确定所述迭代计数器的值是否大于预定值；
如果所述迭代计数器的值小于所述预定值，就使用所调整的轮廓执行重新初始化；
使所述迭代计数器增加；以及
以由所述预定值指示的预定迭代数重复演化、调整、确定、执行和增加的所述步骤。
15. 如权利要求14所述的方法，其中所述初始化步骤包括：
使用导管中心线检测方法检测导管的中心线；
获取根据从所述导管中心线检测方法检测所述中心线来估计的初始中心点；
标识初始椭圆轮廓；以及
基于所述初始中心点和所述初始椭圆轮廓来设立活动轮廓参数。
16. 如权利要求15所述的方法，其中标识初始的椭圆轮廓的所述步骤包括如下步骤：
基于在所述导管中心线检测方法中使用的一个或多个门尺寸来确定长轴和短轴的长度；以及
将所述长轴离参照轴的方向设置为约等于零。
17. 如权利要求15所述的方法，其中设立活动轮廓参数的所述步骤包括：
指定一个或多个活动轮廓参数，所述一个或多个活动轮廓参数包括用于面积加权平均差的加权参数、曲线长度的加权参数、曲线演化的时间步大小、最大再迭代值和轮廓收敛公差。
18. 如权利要求14所述的方法，其中所述导管从包括血管、淋巴管和乳糜管的组中来选择。
19. 一种分割包括多个横截面的导管的方法，所述方法包括：
获得3D图像体积；
使用预设的配置文件初始化一个或多个卡尔曼滤波器参数；
在要分割的所述导管内选择初始中心点；
基于所述初始中心点在第一图像片上执行初始分割，所述第一图像片是所述导管的2D横截面；
基于所述初始分割来创建导管横截面的模板；
使用所述卡尔曼滤波器预测作为所述初始点沿束方向的平移的下一个中心点；
基于在所述图像体积中的所述下一个中心点的测量来校正所述下一个中心点；
基于所述下一个中心点分割第二图像片；以及
重复预测、校正和分割的所述步骤，直至所述导管在所述3D图像体积内已完全分割为止。
20. 如权利要求19所述的方法，其中使用所述卡尔曼滤波器来预测下一个中心点包括：定义用于通过沿所述束方向的空间位移来平移所述初始中心点的转移矩阵，定义用于所述初始中心点的预测误差方差P，基于所述转移矩阵来预测下一个中心点和下一个预测误差方差，定义用于所述预测误差方差和所述一系列中心点测量的过程噪声方差，基于测量误差方差、所预测的中心点的测量和所述中心点测量的所述过程噪声方差来校正所述中心点预测，以及基于所述测量误差方差和所述中心点测量的所述过程噪声方差来校正所述预测误差方差。
21. 一种导管时间跟踪的方法，所述方法包括：
获得3D图像体积；
使用预设的配置文件来初始化一个或多个卡尔曼滤波器参数；
标识第一图像片；
对所述第一图像片执行初始分割；
选择所述分割的图像片的初始中心点；
基于所述初始分割来创建在所述初始中心点周围的导管横截面的模板，所述模板是椭圆模型；
通过如下步骤找到下一个中心点：将所适应的椭圆模型的参数复制到邻近所述初始中心点的备选点；使用所复制的参数来定向在所述多个备选点中的每一个周围的椭圆可适应模型；基于在所述备选点中的每一个周围的所述椭圆可适应模型来搜索在所述备选点中的每一个周围的中心点；将在所述备选点周围的所述椭圆可适应模型适应于所找到的中心点；选择其适应模型最适合所述导管的所述备选点中的一个作为所述下一个中心点；并且重复寻找下一个中心点的所述步骤，直至达到所述导管中心线的终点或预定迭代数为止。
22. 如权利要求21所述的方法，其中，所述相似性是使用CD2相似性测量来计算的。
23. 如权利要求21所述的方法，其中，所述搜索步骤包括执行形态学滤波以消除比斑点尺寸小的结构。
24. 如权利要求23所述的方法，其中，所述搜索步骤进一步包括：
对在所述搜索区域中的连续导管的数目进行计数；
计算每个连续导管的面积；以及
拒绝具有位于预定范围之外的面积的导管。
25. 一种计算机系统，包括：处理器和可由所述计算机系统读取的程序存储装置；其中所述程序存储装置包含可由所述处理器执行的指令程序来执行方法步骤，该方法步骤用于通过在选择的区域中沿血管提取中心线来在2D或3D图像数据集中进行所述血管的自动分割和时间跟踪，所述方法包括：
从超声成像系统获取图像体积；
对3D图像体积执行导管分割以生成所述血管的3D超声图像；
检测所分割的血管的导管中心线；
使用所计算的导管中心线来估计所分割的血管的横截面面积；以及
基于模板匹配来执行所估计的横截面的时间跟踪。
26. 如权利要求23所述的方法，其中，所述检测导管中心线的方法包括如下步骤：
初始化中心线；
初始化卡尔曼滤波器；
使用所述卡尔曼滤波器预测下一个中心点；
检查所述预测的有效性；
执行用于估计测量误差的模板匹配；
基于所述模板匹配来更新所述卡尔曼滤波器；以及
以预定次数重复预测、检查、执行和更新的所述步骤。
27. 如权利要求25所述的方法，其中，估计横截面面积的所述方法包括如下步骤：
初始化导管横截面；
初始化迭代计数器；
向着导管边界演化活动轮廓；
通过使用最小二乘拟合从所述活动轮廓演化来调整轮廓；
确定所述迭代计数器的值是否大于预定值；
如果所述迭代计数器的所述值小于所述预定值，则使用所述调整的轮廓执行重新初始化；
使所述迭代计数器增加；并且
以由所述预定值所指示的预定迭代数重复演化、调整、确定、执行和增加的所述步骤。
28. 如权利要求25所述的计算机系统，其中，执行时间跟踪的所述方法包括如下步骤：
使用预设的配置文件初始化一个或多个卡尔曼滤波器参数；
标识第一图像片；
执行在所述第一图像片上的初始分割；
选择所述分割的图像片的初始中心点；
基于所述初始分割来创建在所述初始中心点周围的导管横截面的模板，所述模板是椭圆模型；
通过如下步骤找到下一个中心点：将所适应的椭圆模型的参数复制到邻近所述初始中心点的多个备选点；使用所复制的参数来定向在所述多个备选点中的每一个周围的椭圆可适应模型；基于在所述备选点中的每一个周围的所述椭圆可适应模型来搜索在所述备选点中的每一个周围的中心点；将在所述备选点周围的所述椭圆可适应模型适应于所述找到的中心点；选择其可适应模型最适合所述导管的所述备选点中的一个作为所述下一个中心点并且重复寻找下一个中心点的所述步骤，直至达到所述导管中心线的终点或达到预定迭代数为止。
CN201080064647.0A 2009-12-23 2010-12-08 用于自动分割和时间跟踪的方法 Active CN102763135B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US12/645781 2009-12-23
US12/645,781 US8483432B2 (en) 2009-12-23 2009-12-23 Methods for automatic segmentation and temporal tracking
PCT/US2010/059358 WO2011078969A2 (en) 2009-12-23 2010-12-08 Methods for automatic segmentation and temporal tracking

Publications (2)

Publication Number Publication Date
CN102763135A true CN102763135A (zh) 2012-10-31
CN102763135B CN102763135B (zh) 2016-01-20

Family

ID=43806971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201080064647.0A Active CN102763135B (zh) 2009-12-23 2010-12-08 用于自动分割和时间跟踪的方法

Country Status (5)

Country Link
US (3) US8483432B2 (zh)
EP (1) EP2517178A2 (zh)
JP (1) JP5873440B2 (zh)
CN (1) CN102763135B (zh)
WO (1) WO2011078969A2 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324934A (zh) * 2013-06-19 2013-09-25 北京理工大学 基于平行结构检测与聚类的血管中心线自动提取方法
CN103961135A (zh) * 2013-02-04 2014-08-06 通用电气公司 用于侦测三维超声图像中导管位置的系统及方法
CN104095654A (zh) * 2014-08-04 2014-10-15 深圳市开立科技有限公司 一种导管尺寸选取方法、装置和系统
CN104783820A (zh) * 2014-01-20 2015-07-22 三星电子株式会社 追踪感兴趣区域的方法、放射摄影设备及其控制方法
CN107106119A (zh) * 2014-10-30 2017-08-29 皇家飞利浦有限公司 弯曲结构的超声可视化
CN107392872A (zh) * 2017-07-27 2017-11-24 强联智创（北京）科技有限公司 一种微导管塑形器的生成方法及生成系统
CN109993729A (zh) * 2019-03-20 2019-07-09 北京理工大学 血管跟踪方法及装置
CN110992403A (zh) * 2019-12-18 2020-04-10 中山大学 一种实时水面船只视觉跟踪系统及其方法
WO2020177126A1 (zh) * 2019-03-07 2020-09-10 深圳先进技术研究院 图像处理方法、系统、计算设备及存储介质
CN113017694A (zh) * 2019-12-24 2021-06-25 柯尼卡美能达株式会社 超声波诊断装置、超声波诊断装置的控制方法及记录介质

Families Citing this family (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7983835B2 (en) 2004-11-03 2011-07-19 Lagassey Paul J Modular intelligent transportation system
US8126232B2 (en) * 2008-03-05 2012-02-28 Siemens Aktiengesellschaft System and method for 3D vessel segmentation with minimal cuts
US20110172526A1 (en) * 2010-01-12 2011-07-14 Martin Lachaine Feature Tracking Using Ultrasound
KR101662738B1 (ko) * 2010-02-05 2016-10-05 삼성전자주식회사 영상 처리 방법 및 그 장치
US20130289407A1 (en) * 2010-09-14 2013-10-31 Samsung Medison Co., Ltd. 3d ultrasound system for extending view of image and method for operating the 3d ultrasound system
US9443303B2 (en) * 2011-09-09 2016-09-13 Calgary Scientific Inc. Image display of a centerline of tubular structure
US9443317B2 (en) * 2011-09-09 2016-09-13 Calgary Scientific Inc. Image display of a centerline of tubular structure
CN102819823B (zh) * 2012-01-12 2016-03-09 北京理工大学 一种从造影图像中全自动跟踪提取血管的方法
US9552648B1 (en) * 2012-01-23 2017-01-24 Hrl Laboratories, Llc Object tracking with integrated motion-based object detection (MogS) and enhanced kalman-type filtering
ITPD20120026A1 (it) * 2012-02-03 2013-08-04 Univ Padova Metodo di misura automatico per una arteria di un feto ed in particolare per l'aorta addominale e dispositivo ecografico per una arteria di un feto, in particolare per la realizzazione di tale metodo
WO2013163605A1 (en) * 2012-04-26 2013-10-31 Dbmedx Inc. Ultrasound apparatus and methods to monitor bodily vessels
CN103505288B (zh) * 2012-06-29 2017-11-17 通用电气公司 超声成像方法和超声成像设备
CN104603837A (zh) * 2012-08-13 2015-05-06 皇家飞利浦有限公司 管状结构跟踪
JP6422198B2 (ja) * 2012-11-29 2018-11-14 オリンパス株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
US9600895B2 (en) * 2013-05-02 2017-03-21 Saso Koceski System and method for three-dimensional nerve segmentation using magnetic resonance imaging
US20140364739A1 (en) * 2013-06-06 2014-12-11 General Electric Company Systems and methods for analyzing a vascular structure
US9430706B1 (en) * 2013-10-02 2016-08-30 Given Imaging Ltd. System and method for detection of in-vivo pathology sequences
CN103559724A (zh) * 2013-10-31 2014-02-05 苏州相城常理工技术转移中心有限公司 一种高粘连度细胞环境下的多细胞同步跟踪方法
EP3084723B1 (en) 2013-12-17 2021-04-28 Koninklijke Philips N.V. Spectral image data processing
EP3108456B1 (en) * 2014-02-19 2020-06-24 Koninklijke Philips N.V. Motion adaptive visualization in medical 4d imaging
KR102281184B1 (ko) 2014-11-20 2021-07-23 삼성전자주식회사 영상 보정 방법 및 장치
CN107438408B (zh) * 2015-04-03 2021-03-26 皇家飞利浦有限公司 血管识别的超声系统及方法
GB201601142D0 (en) 2016-01-21 2016-03-09 Oxehealth Ltd Method and apparatus for estimating breathing rate
GB201601140D0 (en) * 2016-01-21 2016-03-09 Oxehealth Ltd Method and apparatus for estimating heart rate
GB201601143D0 (en) 2016-01-21 2016-03-09 Oxehealth Ltd Method and apparatus for health and safety monitoring of a subject in a room
GB201601217D0 (en) 2016-01-22 2016-03-09 Oxehealth Ltd Signal processing method and apparatus
CA2958010C (en) * 2016-02-19 2021-09-07 Covidien Lp System and methods for video-based monitoring of vital signs
GB201615899D0 (en) 2016-09-19 2016-11-02 Oxehealth Ltd Method and apparatus for image processing
CN106487358B (zh) * 2016-09-30 2019-05-10 西南大学 一种机动目标转弯跟踪方法
EP3539082A1 (en) 2016-11-08 2019-09-18 Oxehealth Limited Method and apparatus for image processing
EP3552179B1 (en) 2016-12-12 2021-03-10 Koninklijke Philips N.V. A method and apparatus for segmenting two dimensional images of an anatomical structure
US10360724B2 (en) 2016-12-21 2019-07-23 Uih America, Inc. Methods and systems for emission computed tomography image reconstruction
US10255694B2 (en) * 2016-12-21 2019-04-09 Uih America, Inc. Methods and systems for emission computed tomography image reconstruction
CN106709940A (zh) * 2016-12-22 2017-05-24 上海斐讯数据通信技术有限公司 一种计数方法和系统
CN107016412A (zh) * 2017-03-29 2017-08-04 北京北昂科技有限公司 基于外观和运动连续性交叉验证的自适应模板更新策略
GB201706449D0 (en) 2017-04-24 2017-06-07 Oxehealth Ltd Improvements in or realting to in vehicle monitoring
EP3681394A1 (en) 2017-11-13 2020-07-22 Covidien LP Systems and methods for video-based monitoring of a patient
CN107909590B (zh) * 2017-11-15 2021-10-01 北京工业大学 一种基于Snake改进算法的IVUS图像外膜边缘分割方法
US12004849B2 (en) * 2017-12-11 2024-06-11 Covidien Lp Systems, methods, and computer-readable media for non-rigid registration of electromagnetic navigation space to CT volume
CA3086527A1 (en) 2018-01-08 2019-07-11 Covidien Lp Systems and methods for video-based non-contact tidal volume monitoring
GB201803508D0 (en) 2018-03-05 2018-04-18 Oxehealth Ltd Method and apparatus for monitoring of a human or animal subject
US10937549B2 (en) * 2018-05-22 2021-03-02 Shenzhen Keya Medical Technology Corporation Method and device for automatically predicting FFR based on images of vessel
US11510584B2 (en) 2018-06-15 2022-11-29 Covidien Lp Systems and methods for video-based patient monitoring during surgery
EP3833241A1 (en) 2018-08-09 2021-06-16 Covidien LP Video-based patient monitoring systems and associated methods for detecting and monitoring breathing
JP7488272B2 (ja) * 2018-10-22 2024-05-21 コーニンクレッカ フィリップス エヌ ヴェ 血管からの流れに関するパラメータを導出するための方法及びシステム
JP2022506135A (ja) * 2018-10-30 2022-01-17 アレン インスティテュート ヒトの寄与を組み込む反復的深層学習フローを使用した顕微鏡画像内の３ｄ細胞間構造のセグメント化
US10930386B2 (en) 2018-12-11 2021-02-23 International Business Machines Corporation Automated normality scoring of echocardiograms
US11617520B2 (en) 2018-12-14 2023-04-04 Covidien Lp Depth sensing visualization modes for non-contact monitoring
GB201900034D0 (en) 2019-01-02 2019-02-13 Oxehealth Ltd Method and apparatus for monitoring of a human or animal subject
GB201900032D0 (en) 2019-01-02 2019-02-13 Oxehealth Ltd Method and apparatus for monitoring of a human or animal subject
GB201900033D0 (en) 2019-01-02 2019-02-13 Oxehealth Ltd Mrthod and apparatus for monitoring of a human or animal subject
US11315275B2 (en) 2019-01-28 2022-04-26 Covidien Lp Edge handling methods for associated depth sensing camera devices, systems, and methods
WO2021006991A2 (en) * 2019-06-12 2021-01-14 Carnegie Mellon University System and method for vessel segmentation
CN110349203B (zh) * 2019-07-15 2023-05-09 深圳市威尔德医疗电子有限公司 一种超声设备及其超声图像中血管直径的测量方法
US11004212B1 (en) 2020-01-02 2021-05-11 Hong Kong Applied Science and Technology Research Institute Company Limited Object tracking method and system using iterative template matching
US11484208B2 (en) 2020-01-31 2022-11-01 Covidien Lp Attached sensor activation of additionally-streamed physiological parameters from non-contact monitoring systems and associated devices, systems, and methods
CN116600714A (zh) * 2020-11-05 2023-08-15 希特里特私人有限公司 从2d投影估计3d分割内运动的卡尔曼滤波器框架
CN112819800A (zh) * 2021-02-10 2021-05-18 昆明同心医联科技有限公司 Dsa影像识别方法、装置及存储介质
CN113391287B (zh) * 2021-06-10 2023-09-01 哈尔滨工业大学 基于时间序列的高频地波雷达海态数据融合方法
CN113256707B (zh) * 2021-06-25 2021-09-28 西南交通大学 一种基于轨顶面种子点自动追踪的轨道中心线提取方法
CN114399594A (zh) * 2021-12-28 2022-04-26 深圳先进技术研究院 一种基于中心线提取的血管壁影像自动曲面重建方法
CN114881948B (zh) * 2022-04-26 2023-05-12 青岛埃米博创医疗科技有限公司 一种基于蒙特卡洛算法的探索盒子自动生成血管教具方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060251304A1 (en) * 2005-03-21 2006-11-09 Charles Florin System and method for kalman filtering in vascular segmentation
CN101393644A (zh) * 2008-08-15 2009-03-25 华中科技大学 一种肝门静脉血管树建模方法及其系统

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000126181A (ja) * 1998-10-27 2000-05-09 Mitani Sangyo Co Ltd 腫瘍抽出処理方法
US6464641B1 (en) 1998-12-01 2002-10-15 Ge Medical Systems Global Technology Company Llc Method and apparatus for automatic vessel tracking in ultrasound imaging
US6251072B1 (en) 1999-02-19 2001-06-26 Life Imaging Systems, Inc. Semi-automated segmentation method for 3-dimensional ultrasound
US6385332B1 (en) 1999-02-19 2002-05-07 The John P. Roberts Research Institute Automated segmentation method for 3-dimensional ultrasound
US6312385B1 (en) 2000-05-01 2001-11-06 Ge Medical Systems Global Technology Company, Llc Method and apparatus for automatic detection and sizing of cystic objects
JP4609967B2 (ja) * 2000-09-11 2011-01-12 株式会社日立メディコ 画像表示装置
US6643533B2 (en) * 2000-11-28 2003-11-04 Ge Medical Systems Global Technology Company, Llc Method and apparatus for displaying images of tubular structures
WO2003021532A2 (en) 2001-09-06 2003-03-13 Koninklijke Philips Electronics N.V. Method and apparatus for segmentation of an object
US6728566B1 (en) * 2001-11-21 2004-04-27 Koninklijke Philips Electronics, N.V. Vessel tracking and tree extraction method and apparatus
US6782284B1 (en) * 2001-11-21 2004-08-24 Koninklijke Philips Electronics, N.V. Method and apparatus for semi-automatic aneurysm measurement and stent planning using volume image data
GB0228300D0 (en) * 2002-12-04 2003-01-08 Isis Innovation Improvements in image velocity estimation
JP3927488B2 (ja) * 2002-12-25 2007-06-06 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 画像処理方法及び画像処理装置並びにプログラム
JP2005165791A (ja) * 2003-12-03 2005-06-23 Fuji Xerox Co Ltd 対象物の追跡方法及び追跡システム
US7620501B2 (en) * 2004-05-06 2009-11-17 Siemens Medical Solutions Usa, Inc. Artery-vein separation and vessel modeling
US7397935B2 (en) 2004-05-10 2008-07-08 Mediguide Ltd. Method for segmentation of IVUS image sequences
JP2006068351A (ja) * 2004-09-03 2006-03-16 Toshiba Corp 医用画像処理方法、医用画像処理プログラム及び医用画像処理装置
EP2050074A2 (en) * 2006-07-13 2009-04-22 The Regents Of The University Of Colorado Echo particle image velocity (epiv) and echo particle tracking velocimetry (eptv) system and method
US7940974B2 (en) * 2006-11-21 2011-05-10 General Electric Company Method and system for adjusting 3D CT vessel segmentation
US8050476B2 (en) 2006-11-22 2011-11-01 General Electric Company Heart rate demodulation of periodic movement in ultrasound data for object identification
US8526704B2 (en) * 2007-01-11 2013-09-03 Intellectual Property Mvm B.V. Measurement of functional microcirculatory geometry and velocity distributions using automated image analysis
JP5137540B2 (ja) * 2007-11-29 2013-02-06 オリンパスメディカルシステムズ株式会社 内視鏡システム
EP2130497A1 (en) 2008-06-05 2009-12-09 Medison Co., Ltd. Anatomical feature extraction from an ultrasound liver image
US8414495B2 (en) 2008-09-10 2013-04-09 General Electric Company Ultrasound patch probe with micro-motor

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060251304A1 (en) * 2005-03-21 2006-11-09 Charles Florin System and method for kalman filtering in vascular segmentation
CN101393644A (zh) * 2008-08-15 2009-03-25 华中科技大学 一种肝门静脉血管树建模方法及其系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DAVID LESAGE等: "A review of 3D vessel lumen segmentation techniques: Models, features and extraction schemes", 《MEDICAL IMAGE ANALYSIS》, vol. 13, no. 6, 31 December 2009 (2009-12-31), pages 819 - 845, XP026718617, DOI: doi:10.1016/j.media.2009.07.011 *
GREG WELCH等: "An Introduction to the Kalman Filter", 《TECHNICAL REPORT，DEPARTMENT OF COMPUTER SCIENCE UNIVERSITY OF NORTH CAROLINA AT CHAPEL HILL》, 17 September 1997 (1997-09-17), pages 1 - 16 *
O.CHUTATAPE等: "retinal blood vessel detection and tracking by matched gaussian and kalman filters", 《PROCEEDINGS OF THE 20TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》, vol. 20, no. 6, 1 November 1998 (1998-11-01), pages 3144 - 3149 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103961135A (zh) * 2013-02-04 2014-08-06 通用电气公司 用于侦测三维超声图像中导管位置的系统及方法
CN103324934B (zh) * 2013-06-19 2016-08-17 北京理工大学 基于平行结构检测与聚类的血管中心线自动提取方法
CN103324934A (zh) * 2013-06-19 2013-09-25 北京理工大学 基于平行结构检测与聚类的血管中心线自动提取方法
CN104783820B (zh) * 2014-01-20 2020-02-28 三星电子株式会社 追踪感兴趣区域的方法、放射摄影设备及其控制方法
CN104783820A (zh) * 2014-01-20 2015-07-22 三星电子株式会社 追踪感兴趣区域的方法、放射摄影设备及其控制方法
CN104095654B (zh) * 2014-08-04 2016-05-25 深圳开立生物医疗科技股份有限公司 一种导管尺寸选取方法、装置和系统
CN104095654A (zh) * 2014-08-04 2014-10-15 深圳市开立科技有限公司 一种导管尺寸选取方法、装置和系统
CN107106119A (zh) * 2014-10-30 2017-08-29 皇家飞利浦有限公司 弯曲结构的超声可视化
CN107392872A (zh) * 2017-07-27 2017-11-24 强联智创（北京）科技有限公司 一种微导管塑形器的生成方法及生成系统
CN107392872B (zh) * 2017-07-27 2020-04-28 强联智创（北京）科技有限公司 一种微导管塑形器的生成方法及生成系统
WO2020177126A1 (zh) * 2019-03-07 2020-09-10 深圳先进技术研究院 图像处理方法、系统、计算设备及存储介质
CN109993729A (zh) * 2019-03-20 2019-07-09 北京理工大学 血管跟踪方法及装置
CN110992403A (zh) * 2019-12-18 2020-04-10 中山大学 一种实时水面船只视觉跟踪系统及其方法
CN110992403B (zh) * 2019-12-18 2022-05-10 中山大学 一种实时水面船只视觉跟踪系统及其方法
CN113017694A (zh) * 2019-12-24 2021-06-25 柯尼卡美能达株式会社 超声波诊断装置、超声波诊断装置的控制方法及记录介质

Also Published As

Publication number Publication date
US9092848B2 (en) 2015-07-28
WO2011078969A2 (en) 2011-06-30
US8942423B2 (en) 2015-01-27
US20110150274A1 (en) 2011-06-23
EP2517178A2 (en) 2012-10-31
WO2011078969A3 (en) 2011-08-18
US20130266184A1 (en) 2013-10-10
CN102763135B (zh) 2016-01-20
US20130267846A1 (en) 2013-10-10
US8483432B2 (en) 2013-07-09
JP5873440B2 (ja) 2016-03-01
JP2013516001A (ja) 2013-05-09

Similar Documents

Publication Publication Date Title
CN102763135A (zh) 用于自动分割和时间跟踪的方法
JP5108905B2 (ja) ３ｄデータセット中の画像ビューを自動的に特定する方法および装置
CN109589170B (zh) 医学成像中的左心耳闭合引导
CN102920477B (zh) 医学影像的目标区域边界确定装置和方法
CN103402453B (zh) 用于导航系统的自动初始化和配准的系统和方法
JP5670324B2 (ja) 医用画像診断装置
JP6173886B2 (ja) 超音波診断装置、画像処理装置及び画像処理方法
KR102251830B1 (ko) 초음파 및 ct 영상의 정합에 관한 시스템 및 작동 방법
US8218845B2 (en) Dynamic pulmonary trunk modeling in computed tomography and magnetic resonance imaging based on the detection of bounding boxes, anatomical landmarks, and ribs of a pulmonary artery
EP2846310A2 (en) Method and apparatus for registering medical images
CN108882917A (zh) 一种心脏容积识别分析系统和方法
KR20090059048A (ko) ３차원 이미지 및 표면 맵핑으로부터의 해부학적 모델링 방법 및 시스템
JP2014161734A (ja) 医療画像を整合する方法及びその装置
KR20140096919A (ko) 의료 영상 정합 방법 및 장치
US20230026942A1 (en) Intelligent measurement assistance for ultrasound imaging and associated devices, systems, and methods
US11712224B2 (en) Method and systems for context awareness enabled ultrasound scanning
JP6381972B2 (ja) 医用画像処理装置および医用画像診断装置
WO2006115567A1 (en) Three-dimensional cardiac border delineation in medical imaging
KR20150026354A (ko) 의료영상들을 정합하는 방법 및 장치
CN112336378B (zh) 一种用于动物超声诊断的m型超声心动图处理方法和系统
CN117729890A (zh) 用于二尖瓣反流评估的具有用户指导和自动图像设置选择的方法和装置
Noorda Automatic image processing solutions for MRI-guided minimally invasive intervention planning
Leung Experimental Validation of an Elastic Registration Algorithm for Ultrasound Images

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