CN102939616A - 组织分类 - Google Patents
组织分类 Download PDFInfo
- Publication number
- CN102939616A CN102939616A CN2011800291092A CN201180029109A CN102939616A CN 102939616 A CN102939616 A CN 102939616A CN 2011800291092 A CN2011800291092 A CN 2011800291092A CN 201180029109 A CN201180029109 A CN 201180029109A CN 102939616 A CN102939616 A CN 102939616A
- Authority
- CN
- China
- Prior art keywords
- voxel
- heart
- tissue
- damaged
- gradient
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
一种用于将组织分类为正常组织或异常组织的方法,包括获取预定感兴趣组织的分割重建体积图像数据;生成所述分割重建体积图像数据的2D体素表示;以及基于所述2D体素表示将所述分割重建体积图像数据的体素分类为对应于异常组织和正常组织。
Description
技术领域
下文总体涉及基于体积图像数据将区域组织分类为异常或正常,并且将结合针对计算机断层摄影(CT)的具体应用加以描述;然而,本文也想到了诸如MRI、PET、SPECT和/或其他成像模态的其他成像应用。
背景技术
作为致病和死亡的主要原因之一的冠状动脉疾病常常表示为心肌梗塞或缺血。这些缺损的大小和严重度是这种疾病预后的主要决定因素。多切片计算机断层摄影(MSCT)能够用于无创成像,从而实现对冠状动脉心脏疾病的可视化和评价。然而,MSCT不提供关于冠状动脉狭窄的功能意义的信息。灌注缺损和梗塞大小目前是利用多种源来采集,诸如超声心动描记术和单光子发射计算机断层摄影(SPECT)心肌灌注成像(MPI)。
文献已经指出在增强的动脉阶段期间造影剂的心肌内分布与心肌灌注有关。然而,这些灌注增强区域的可视化是依赖于操作员的并且需要图像开窗的操作。梗塞范围的估计需要跨相邻切片的进一步手动卷动(scrolling)和标记。文献也揭示了通过与正常人群相比而言简单的基于阈值的方法使用SPECT或PET图像以及延迟增强图像来执行灌注缺损的自动量化从而基于自动特征分析和组合阈值化来测量心肌梗塞大小的多种尝试。
现有方法主要使用基于心肌中的CT值的简单体素分类,心肌中的CT值可以通过除以左心室腔值、除以同一心脏中的正常段中的值或者除以基于正常研究针对特定区域的正常值来进行归一化。一种研究基于心内膜更容易损伤的证据通过计算心内膜与心外膜的比率来进行归一化。文献基于直方图分析和与正常值的比较以及基于通过心内膜与心外膜的体素密度的比率量度的跨壁灌注,提供了对灌注缺损的客观3D量化的描述。
发明内容
本申请的各方面解决了上述问题和其他问题。
根据一个方面,一种用于将组织分类为正常组织或异常组织的方法,包括获取预定感兴趣组织的分割重建体积图像数据;生成所述分割重建体积图像数据的2D体素表示;以及基于所述2D体素表示将所述分割重建体积图像数据的体素分类为对应于异常组织和正常组织。
根据另一方面,一种系统,包括组织分类器,其生成重建体积图像数据的2D体素表示并基于所述2D体素表示将所述重建体积图像数据的体素分类为对应于异常组织和正常组织。
根据另一方面,一种利用指令编码的计算机可读存储介质,当所述指令由计算机的处理器运行时,令所述处理器:基于对应于组织的体积图像数据的体素的分类将所述组织分类为正常的和异常的,其中,所述分类基于对2D体素表示的分析,该2D体素表示包括去噪的体素和归一化的体素距离。
附图说明
本发明可以采取各种部件和部件布置以及各种步骤和步骤安排的形式。附图仅用于图示说明优选实施例,而不应将其解释为限制本发明。
图1图示了与组织分类器关联的成像系统。
图2图示了范例组织分类器。
图3图示了在处理2D体素表示之前和之后的,异常心肌的范例直方图。
图4图示了拟合到图3的处理的直方图的高斯混合模型的范例。
图5图示了针对正常心肌的拟合直方图。
图6图示了用于对区域组织分类的范例方法。
具体实施方式
图1图示了成像系统100,诸如计算机断层摄影(CT)扫描器。成像系统100包括静止机架102和旋转机架104,旋转机架104由静止机架102可旋转地支撑。旋转机架104关于纵轴或z轴围绕检查区域106旋转。
辐射源108,诸如X射线管,由旋转机架104支撑并随着旋转机架104一起旋转,并且发射辐射。位于源108对侧的辐射敏感探测器阵列110探测贯穿检查区域106的辐射并生成指示其的投影数据。
重建器112重建投影数据并生成指示检查区域106的体积图像数据。支撑物114,诸如卧榻,支撑检查区域106中的受试者。支撑物114能够用于在扫描前、扫描中和\或扫描后将受试者相对于x、y和/或z轴不同的定位。
通用计算系统充当操作员控制台116,其包括诸如显示器和/或打印机的人类可读输出装置,以及包括诸如键盘和/或鼠标的输入设备。驻留在控制台116上的软件允许操作员控制系统100的操作。
分割器118用于对体积图像数据进行不同的分割。通过非限制性范例,在心脏应用的背景中,所述分割可以包括从体积图像数据中分割心肌体素。所述分割可以是自动的、半自动的(有部分用户交互)或手动的(有用户交互)。
组织分类器120对分割的图像数据的至少子部分进行分类。在一种情况下,所述分类包括将体素(以及因此,在分割的图像数据中表示的组织)分类为正常组织或异常组织。如在下文更详细描述的,在一个实施例中,组织分类器120采用基于多维直方图的分类算法将组织分类为正常的或异常的。在心脏应用的背景中,在一个实施例中,2D表示是以体素去噪CT值和距心内膜的体素归一化距离为基础的,并且所述分类考虑CT值在跨壁方向上的梯度(外观)。
应当认识到,组织分类器120可以是系统100的部分(如所示)或者与其远离,例如,在诸如工作站等的计算系统中。在任一种情况下,一个或多个处理器可以运行在诸如存储器的本地或远程计算机可读存储介质上包含和/或编码的计算机可读指令来实施组织分类器120。
图2图示了范例组织分类器120。为了清晰和解释说明的目的,结合心脏应用来描述范例组织分类器120。然而,本文也想到了其他应用。如所示的,组织分类器120接收分割的图像数据,该分割的图像数据可以是由分割器118或以其他方式分割的。
重新格式化器202能够被用于将分割的图像数据进行重新格式化。通常,从沿受试者的长轴的切片形成原始分割的图像数据。在心脏范例的背景中,在一种情况下,重新格式化器202在分割的图像数据中识别心脏的长轴;基于长轴识别心脏的短轴(例如,垂直于长轴的轴);并沿心脏的短轴对分割的图像数据进行重新格式化。换言之,重新格式化器202将数据变换(例如,旋转和/或平移)至心脏轴坐标系。在分割的图像数据已经是合适的格式的情况下,能够省略重新格式化器202。
如果重新格式化的数据尚未处在合适的坐标系中,坐标系变换器204将重新格式化的数据变换至合适的坐标系中。例如,在感兴趣的坐标系是圆柱坐标系而重新格式化的数据处在诸如直角坐标系的另一坐标系中的情况下,坐标系变换器204将重新格式化的数据变换至圆柱坐标系中。本文也想到了在其他坐标系之间的坐标变换。在分割的图像数据已处在合适的坐标系中的情况下,能够省略坐标系变换器204。
滤波器206能够用于对变换的图像数据进行滤波。在一种情况下,所述滤波包括边缘保持去噪,其便于在图像数据中辨别组织类型。合适的快速边缘保持去噪滤波器的范例是二维中值滤波器。这种滤波器在保持边缘的同时在圆周和径向取向上对图像数据进行平滑。在这种心脏范例中,图像数据被重新格式化以在进行滤波之前通过将心内边界绘制成直线中来排列心脏肌肉。在另一实施例中,省略滤波器206。
2D体素表示生成器208从经滤波的图像数据生成2D直方图。在受试者心脏的范例中,2D表示能够使用多种值来表示在心肌数据中的体素,所述多种值诸如是通过边缘保持图像滤波(例如,通过滤波器206或以其他方式)获取的体素去噪灰度,以及距心内膜的体素归一化距离。这样的2D表示能够通过方程1描述:
方程1:
其中,Y表示二维体素表示,X’表示去噪体素CT值,以及D表示距心内膜的体素归一化距离。
分类部件210基于2D体素表示来对体素并且因此对由其表示的组织进行分类。分类部件210能够使用多种算法来对处于二维空间中的、在简化子空间处的(例如,基于主成分分析)或其他的体素进行分类。在下文的范例中,利用基于主成分分析的简化子空间方法。
对于这种方法,变换部件212处理2D直方图。在图示的实施例中,数据变换部件212被配置成在2D表示上执行主成分分析(PCA)。仅使用正常体素来应用PCA。在一种情况下,由于正常体素可能不是先验已知的,于是假设大多数心肌体素是正常的,并且获取具有接近2D直方图的峰值的体素。
所得到的直方图包括针对诸如脂肪、正常肌肉、缺血肌肉和过度增强组织(例如,由于血液和图像伪影)的材料的若干主模式(mode)。不同模式的相对位置依赖于血液中碘的浓度和分布,并且在对于不同患者是不同的。一种查找阈值以对异常区域进行分割的方法是基于概率组织建模的,其中,根据体素的最大后验概率(MAP)将其分类为属于正常组织部分或者异常组织部分。
利用这种方法,数据作为具有特定分布的随机变量的混合的样本进行处理。合适的混合模型包括高斯混合模型。这样的混合模型假设数据分布被表示为若干高斯模型的总和。在这一范例中,分布是基于四个高斯(模型)的混合确定的,四个高斯(模型)对应于上面提到的组织:脂肪、异常组织(缺血)、正常组织和过度增强组织。备选地可以使用用于对异常组织和正常组织进行分类的其他模型和阈值技术。
所述模型的参数包括:
其中,x为灰度体素值,j为种类(脂肪、异常组织、正常组织和过度增强组织),p(j|x)为后验概率密度函数,p(x|j)为属于种类j的x的条件概率密度函数,P(j)为属于种类j的先验概率,μj为分类j的平均值,以及∑j为种类j的协方差矩阵。
基于上文,分类能够通过方程2来描述:
方程2:
其中,p(Y’|正常)和p(Y’|异常)为条件概率密度函数,P(正常)和P(异常)为先验概率,并且Y’=VT﹒Y,其中,Y’表示在变换至正常体素的第一主成分后的一维体素值,而V为第一主成分的特征向量。
包括数值非线性优化求解器的参数估计器214能够用于估计模型参数。
在一个非限制性实施例中,逻辑216使用遗传算法(GA)优化或其他非线性优化技术来执行概率密度函数的拟合。给定特定优化问题,典型的GA通过首先定义称为染色体的潜在解的初始群体、并且之后紧接着使用预定义的拟合函数评估每个染色体来搜索最优解。拟合分数被用于通过使用重组、交叉和突变这三个遗传算子来创建新群体(代)。这种从旧群体创建新群体的过程迭代直到满足预定义的终止条件。本文也想到了其他方案。
图3、4和5示出了上述方案的结果。图3示出了异常心肌的第一未处理的直方图302和在上述PCA处理之后异常心肌的第二直方图304。需要注意的是,第一直方图302不具有区别的峰而第二直方图304包括区别的峰306和308。图4示出了区别的峰306和308拟合至高斯混合模型402和404。应当注意的是,所述拟合清晰地示出了异常组织和正常组织两者的存在,因为存在两个区别的曲线402和404,而不是在所有组织都是正常组织时的仅单一曲线,如图5所示,其示出了在上述PCA处理之后正常心肌的直方图502以及直方图502拟合至单一高斯混合模型504。应当注意的是,直方图502通常具有单一的窄的并且对称的形状,不像图3的直方图302,其既不窄也不对称。分类部件120使用这些直方图来从正常组织识别和辨别异常组织。
返回图2,度量确定器218生成多种绘图,诸如极坐标图、覆盖层和/或其他绘图。在一种情况下,度量确定器218确定指示沿贯穿肌肉的径向射线具有低于最大后验概率(MAP)阈值的体素的百分比的度量。示出这样的信息的覆盖层能够根据为正常或异常的概率被叠加在图像体素上。所述覆盖层提供了对在对数域中获取的似然比(为正常/异常)的量度。这种度量非常适于将健康组织和缺血组织分开,例如,因为大部分体素将具有低的值。
在另一范例中,度量确定器218确定指示从心内膜到心外膜的跨壁梯度的度量。一般而言,正常心肌通常具有负斜率并且真实的灌注缺损通常具有正斜率(例如,因为心内膜区域总是首先受到缺血影响)。这种度量提供了对通过心室壁的径向厚度的亨斯菲尔德值(Hounsfield value)的斜率的量度,或者对沿贯穿肌肉的射线的心内膜的增强与心外膜的分割相比的差异的量度。这种度量产生了在黑暗伪影与真实缺血组织之间的良好区分,例如,因为伪影不倾向于具有在心内膜组织和心外膜组织之间的这种差异。
分类部件210能够使用一个或全部两个上述度量,和/或任选地使用一个或多个其他度量,来确定在健康组织与缺血组织之间、以及在缺血组织与图像伪影之间的最优区分。这允许分类部件210根据异常体素的百分比以及通过其心内膜与心外膜的体素密度差,诸如通过这些因素的加权的结合来确定异常的可能性,来识别贯穿肌肉每条径向射线是正常的或异常的。对于正常区域或对于跨壁缺损而言,跨壁密度差应当接近零,并且低于零的值指示灌注缺损,而高于零的值表示为伪影。
图6图示了一种用于识别正常组织和/或异常组织的方法。出于解释性的目的,结合心脏数据和从所述心脏的体积图像数据对心肌灌注缺损或梗塞的量化来对所述方法进行描述。
在602,获取分割的体积图像数据。在这一范例中,分割的数据包括来自3D体积的心肌体素的分割。
在604,对分割的体积图像数据进行滤波。在一个范例中,这应用了边缘保持去噪滤波器。这样的滤波器能够增强体素值中的区域差异,这可以增强正常体素与异常体素之间的区分。
在606,针对分割的图像数据生成二维体素表示。在一种情况下,心肌中的每个体素(或体素的子集)通过体素去噪CT值(从滤波图像数据获取)和距心内膜体素归一化距离来表示。归一化因子能够是心肌宽度或其他距离。
在608,体素被分类为正常组织或异常组织。在一种情况下,这通过应用维度缩减,诸如主成分分析(PCA)来实现。在另一种情况下,体素分类能够在更高或更低的维度空间中执行。
在610,识别错误分类。这能够通过使用亨斯菲尔德梯度二次穿过空间域来完成以区分真实缺损和伪影。对于心脏应用而言,应当注意的是,正常心肌通常具有负斜率,而真实灌注缺损通常具有正斜率,因为心内膜区域首先受到缺血影响。在另一实施例中,省略这一动作。
另一减少假阳性的方法是基于梗塞区域的典型几何形状的。不像伪影,梗塞区域不倾向具有直的、长的和薄的,或者尖的和小的几何形状,而是具有连续的和平滑的形状,因为它们发生在阻塞或严重狭窄远端的病变冠状动脉区域。因此,能够被执行对分类体素的空间评估以移除低于预定义阈值的小的孤立区域,其可能是伪影。
上文描述的动作可以通过计算机可读指令的方式来实施,当所述指令在计算机的一个或多个处理器上运行时,令所述一个或多个处理器执行本文描述的动作。在这样的情况中,所述指令被存储于计算机可读存储介质中,诸如与相关计算机相关联的和/或可以以其他方式由相关计算机访问的存储器。
出于解释的目的,上文结合CT进行描述。然而,本文描述的方法还能够与其他成像模态一起利用,诸如MRI、PET、SPECT和/或其他模态。本文描述的方法还能够应用于采用专用造影剂的超声心动描记术以识别和按大小排列灌注缺损。
本文描述的方法能够应用于所种应用。例如,本文描述的方法能够用于从CT研究自动识别和量化心肌中的灌注缺损。在另一种情况下,所述方法能够用在探测和量化心肌延迟增强中。在这种情况中,算法将会搜索具有增加的CT值而不是减小的CT值的体素。
本发明参考优选的实施例进行了描述。他人可以根据阅读和理解之前的详细描述做出修改和变型。其意图是说明本发明被创建为包括所有这样的修改和变型,只要其落入了权利要求或其等要件的范围内。
Claims (20)
1.一种用于基于体积图像数据将组织分类为正常组织或异常组织的方法,包括:
获取预定感兴趣组织的分割体积图像数据;
生成所述分割体积图像数据的2D体素表示;以及
基于所述2D体素表示将所述分割体积图像数据的体素分类为对应于异常组织和正常组织。
2.根据权利要求1所述的方法,其中,所述感兴趣组织是心脏组织,并且所述2D体素表示考虑了正常组织跨心肌灌注梯度。
3.根据权利要求1到2中的任一项所述的方法,其中,所述2D体素表示以去噪体素和体素归一化距离为基础。
4.根据权利要求3所述的方法,还包括:
使用边缘保持平滑滤波对体素数值去噪。
5.根据权利要求3到4中的任一项所述的方法,还包括:
基于心肌宽度来对距心内膜区域的体素距离进行归一化。
6.根据权利要求2到5中的任一项所述的方法,还包括:
根据异常体素的百分比和心内膜与心外膜体素密度差的加权组合来将体素识别为正常的和异常的。
7.根据权利要求2到6中的任一项所述的方法,其中,所述分类包括使用主成分分析的维度缩减。
8.根据权利要求7所述的方法,还包括:
将高斯混合模型拟合至所述2D体素表示。
9.根据权利要求8所述的方法,还包括:
使用非线性优化来拟合高斯混合模型,所述非线性优化包括遗传算法。
10.根据权利要求1到9中的任一项所述的方法,还包括:
处理缺损的分类以在真实缺损与伪影之间进行辨别。
11.根据权利要求10所述的方法,其中:
确定体素梯度;
当对应体素梯度具有正斜率时将缺损识别为真实缺损;以及
当所述对应体素梯度具有负斜率时将所述缺损识别为伪影。
12.根据权利要求11所述的方法,其中,所述梯度为从心内膜到心外膜的跨壁梯度。
13.一种系统(100),包括:
组织分类器(120),其生成重建体积图像数据的2D体素表示,并基于所述2D体素表示将所述重建体积图像数据的体素分类为对应于异常组织和正常组织。
14.根据权利要求13所述的系统,其中,所述2D体素表示以去噪体素和体素归一化距离为基础,并且考虑了正常组织灌注梯度。
15.根据权利要求13到14中的任一项所述的系统,其中,所述组织分类器根据异常体素的百分比和心内膜与心外膜的体素密度差的加权组合来对体素进行分类。
16.根据权利要求13到15中的任一项所述的系统,其中,当从心内膜体素到心外膜体素的跨壁梯度具有正斜率时,所述组织分类器识别缺损的分类为真实缺损。
17.根据权利要求13到16中的任一项所述的系统,其中,当从心内膜体素到心外膜体素的跨壁梯度具有负斜率时,所述组织分类器识别缺损的分类为伪影。
18.根据权利要求13到16中的任一项所述的系统,其中,当从心内膜体素到心外膜体素的跨壁梯度具有不分明的模式时,所述组织分类器识别缺损的分类为伪影。
19.根据权利要求13到18中的任一项所述的系统,其中,所述组织分类器基于预定义阈值识别分类为假阳性。
20.一种利用计算机可执行指令编码的计算机可读存储介质,当所述计算机可执行指令由计算机的处理器执行时,令所述处理器:
基于对应于组织的体积图像数据的体素的分类,将所述组织分类为正常的和异常的,其中,所述分类以对2D体素表示的分析为基础,所述2D体素表示包括去噪体素和归一化体素距离。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US35429110P | 2010-06-14 | 2010-06-14 | |
US61/354,291 | 2010-06-14 | ||
PCT/IB2011/051845 WO2011158135A1 (en) | 2010-06-14 | 2011-04-27 | Tissue classification |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102939616A true CN102939616A (zh) | 2013-02-20 |
CN102939616B CN102939616B (zh) | 2015-11-25 |
Family
ID=44120316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201180029109.2A Active CN102939616B (zh) | 2010-06-14 | 2011-04-27 | 组织分类 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8781192B2 (zh) |
EP (1) | EP2580737B1 (zh) |
CN (1) | CN102939616B (zh) |
WO (1) | WO2011158135A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106510708A (zh) * | 2015-09-15 | 2017-03-22 | 西门子保健有限责任公司 | 用于多对比度脑磁共振数据中异常检测的框架 |
CN110520866A (zh) * | 2017-04-18 | 2019-11-29 | 皇家飞利浦有限公司 | 用于对感兴趣对象的成分进行建模的设备和方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8965484B2 (en) * | 2011-04-27 | 2015-02-24 | General Electric Company | Method and apparatus for generating a perfusion image |
US11610390B2 (en) | 2019-05-15 | 2023-03-21 | Getac Technology Corporation | System for detecting surface type of object and artificial neural network-based method for detecting surface type of object |
US10671934B1 (en) | 2019-07-16 | 2020-06-02 | DOCBOT, Inc. | Real-time deployment of machine learning systems |
US11423318B2 (en) * | 2019-07-16 | 2022-08-23 | DOCBOT, Inc. | System and methods for aggregating features in video frames to improve accuracy of AI detection algorithms |
CN111311525A (zh) * | 2019-11-20 | 2020-06-19 | 重庆邮电大学 | 一种基于直方图概率修正的图像梯度场双区间均衡化算法 |
US11100373B1 (en) | 2020-11-02 | 2021-08-24 | DOCBOT, Inc. | Autonomous and continuously self-improving learning system |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004032021A1 (en) * | 2002-10-03 | 2004-04-15 | Siemens Corporate Research, Inc. | System and method for using delayed enhancement magnetic resonance imaging and artificial intelligence to identify non-viable myocardial tissue |
WO2009088370A1 (en) * | 2008-01-10 | 2009-07-16 | Agency For Science, Technology And Research | Discriminating infarcts from artifacts in mri scan data |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU1837495A (en) * | 1994-10-13 | 1996-05-06 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
US7912528B2 (en) * | 2003-06-25 | 2011-03-22 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions |
CN101689301B (zh) | 2007-06-20 | 2013-09-25 | 皇家飞利浦电子股份有限公司 | 在ct图像数据中检测出血性卒中 |
US8150119B2 (en) * | 2008-01-24 | 2012-04-03 | Siemens Aktiengesellschaft | Method and system for left ventricle endocardium surface segmentation using constrained optimal mesh smoothing |
US8139838B2 (en) * | 2008-05-22 | 2012-03-20 | Siemens Aktiengesellschaft | System and method for generating MR myocardial perfusion maps without user interaction |
WO2009147605A1 (en) * | 2008-06-04 | 2009-12-10 | Koninklijke Philips Electronics N.V. | Reconstruction of dynamical cardiac spect for measuring tracer uptake and redistribution |
-
2011
- 2011-04-27 EP EP11722170.5A patent/EP2580737B1/en active Active
- 2011-04-27 WO PCT/IB2011/051845 patent/WO2011158135A1/en active Application Filing
- 2011-04-27 US US13/702,136 patent/US8781192B2/en active Active
- 2011-04-27 CN CN201180029109.2A patent/CN102939616B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004032021A1 (en) * | 2002-10-03 | 2004-04-15 | Siemens Corporate Research, Inc. | System and method for using delayed enhancement magnetic resonance imaging and artificial intelligence to identify non-viable myocardial tissue |
WO2009088370A1 (en) * | 2008-01-10 | 2009-07-16 | Agency For Science, Technology And Research | Discriminating infarcts from artifacts in mri scan data |
Non-Patent Citations (4)
Title |
---|
CYBELE CIOFOLO AND MAXIM FRADKIN: "Segmentation of Pathologic Hearts in Long-Axis Late-Enhancement MRI", 《MICCAI 2008》, vol. 5241, 31 December 2008 (2008-12-31) * |
E.V.R. DI BELLA ET AL: "On the Dark Rim Artifact in Dynamic Contrast-Enhanced MRI Myocardial Perfusion Studies", 《MAGN RESON MED.》, vol. 54, no. 5, 30 November 2005 (2005-11-30) * |
HUNTER C. CHAMPION ET AL: "Robust Adenoviral and Adeno-Associated Viral Gene Transfer to the In Vivo Murine Heart: Application to Study of Phospholamban Physiology", 《CIRCULATION》, 24 November 2003 (2003-11-24) * |
SHIRI GORDON ET AL: "Image Segmentation of Uterine Cervix Images for Indexing in PACS", 《PROCEEDINGS OF THE 17TH IEEE SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS》, 31 December 2004 (2004-12-31) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106510708A (zh) * | 2015-09-15 | 2017-03-22 | 西门子保健有限责任公司 | 用于多对比度脑磁共振数据中异常检测的框架 |
CN106510708B (zh) * | 2015-09-15 | 2021-10-22 | 西门子医疗有限公司 | 用于多对比度脑磁共振数据中异常检测的框架 |
CN110520866A (zh) * | 2017-04-18 | 2019-11-29 | 皇家飞利浦有限公司 | 用于对感兴趣对象的成分进行建模的设备和方法 |
CN110520866B (zh) * | 2017-04-18 | 2023-12-26 | 皇家飞利浦有限公司 | 用于对感兴趣对象的成分进行建模的设备和方法 |
Also Published As
Publication number | Publication date |
---|---|
EP2580737A1 (en) | 2013-04-17 |
US8781192B2 (en) | 2014-07-15 |
WO2011158135A1 (en) | 2011-12-22 |
US20130077838A1 (en) | 2013-03-28 |
CN102939616B (zh) | 2015-11-25 |
EP2580737B1 (en) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anirudh et al. | Lose the views: Limited angle CT reconstruction via implicit sinogram completion | |
Setio et al. | Pulmonary nodule detection in CT images: false positive reduction using multi-view convolutional networks | |
US10102641B2 (en) | Methods for extracting shape feature, inspection methods and apparatuses | |
CN102939616B (zh) | 组织分类 | |
US6909797B2 (en) | Density nodule detection in 3-D digital images | |
Sharma et al. | A review on image segmentation with its clustering techniques | |
Mouton et al. | Materials-based 3D segmentation of unknown objects from dual-energy computed tomography imagery in baggage security screening | |
US7286695B2 (en) | Density nodule detection in 3-D digital images | |
US9014456B2 (en) | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules | |
US9230320B2 (en) | Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules | |
US7602965B2 (en) | Object detection using cross-section analysis | |
Selvathi et al. | Thyroid classification and segmentation in ultrasound images using machine learning algorithms | |
EP2434434A2 (en) | Method and system for training a landmark detector using multiple instance learning | |
Zhang et al. | A segmentation method for lung nodule image sequences based on superpixels and density-based spatial clustering of applications with noise | |
US20070248254A1 (en) | System and Method for Automatic Detection of Internal Structures in Medical Images | |
US20060153451A1 (en) | System and method for detecting ground glass nodules in medical images | |
RU2526752C1 (ru) | Система и способ для автоматического планирования двухмерных видов в объемных медицинских изображениях | |
CN104871207A (zh) | 定量成像 | |
Gao et al. | Segmentation of ultrasonic breast tumors based on homogeneous patch | |
Aswathy et al. | Brain tumor detection and segmentation using a wrapper based genetic algorithm for optimized feature set | |
Gonçalves et al. | Learning lung nodule malignancy likelihood from radiologist annotations or diagnosis data | |
Lal et al. | Automatic segmentation of tumors in B-Mode breast ultrasound images using information gain based neutrosophic clustering | |
Farhangi et al. | Automatic lung nodule detection in thoracic CT scans using dilated slice‐wise convolutions | |
Prabusankarlal et al. | Segmentation of breast lesions in ultrasound images through multiresolution analysis using undecimated discrete wavelet transform | |
AlZu'bi et al. | 3D medical volume segmentation using hybrid multiresolution statistical approaches |
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 |