CN103054602A

CN103054602A - 用于在计算机断层扫描容积中肋骨指上矢量探测的方法和系统

Info

Publication number: CN103054602A
Application number: CN2012104386435A
Authority: CN
Inventors: 刘大元; 徐昊; 吴迪嘉; C·蒂金; G·索扎; 周少华; D·科马尼丘
Original assignee: Siemens AG
Current assignee: Siemens Medical Ag
Priority date: 2011-09-19
Filing date: 2012-09-19
Publication date: 2013-04-24
Anticipated expiration: 2032-09-19
Also published as: US9020233B2; US20130070996A1; CN103054602B

Abstract

本发明公开了一种在3D医学图像容积、诸如计算机断层扫描(CT)容积中用于探测肋骨的指上矢量的方法和系统。在3D医学图像容积中抽取至少一个肋骨的肋骨中心线。在至少一个肋骨的肋骨中心线的多个中心线点中的每个处自动地探测指上矢量。可以使用受训回归函数来探测每个中心线点处的指上矢量。替代地，可以通过探测在每个中心线点处所产生的横截面肋骨图像中的椭圆形状来探测每个中心线点处的指上矢量。

Description

用于在计算机断层扫描容积中肋骨指上矢量探测的方法和系统

本申请要求2011年9月19日提交的美国临时申请No.61/536,093的权益，其公开内容通过引用合并于此。

技术领域

本发明涉及在计算机断层扫描(CT)容积中对肋骨进行可视化，以及更特别地，涉及在3D CT容积中探测肋骨的“指上矢量(up-vector)”以将胸腔展开成2D图像。

背景技术

肋骨可能受到各种疾病的影响，诸如创伤性、代谢性和先天性疾病。CT成像可以辅助对肋骨上的病变进行可视化。然而，在3D CT容积中所产生的多切片扫描提供了大量数据，这对于医师来说进行检查是困难和冗长的。因此，计算机辅助探测是重要的，用于帮助医生来可视化肋骨上的病变。

可以帮助医生容易地和精确地定位肋骨病变的计算机辅助探测系统是所希望的。这种系统的重要方面在于，能够将CT容积数据从3D展开为2D。这是因为小病变典型地难于在3D CT容积中进行识别和定位，但是在对应的2D展开图像中却更为容易地定位。此外，可能存在由关于肋骨的长或短轴的肋骨横切面引起的对相同病变的不同解释。据此，正确地将3D胸腔展开为2D的方法不仅能节约检查时间，而且能减少解释CT数据的含糊性。

发明内容

本发明提供用于在3D医学图像容积(诸如3D计算机断层扫描(CT)容积)中探测肋骨指上矢量以及将3D医学图像容积中的胸腔展开为2D图像的方法和系统。本发明的实施例采用基于机器学习的方法或非基于学习的方法来预测肋骨中心线点处的指上矢量，以及基于指上矢量将3D容积中的肋骨展开以产生2D图像。

在本发明的一个实施例中，在3D医学图像容积中抽取至少一个肋骨的肋骨中心线。在至少一个肋骨的肋骨中心线的多个中心线点中的每个处自动地探测指上矢量。在一个实施例中，使用受训回归函数来探测每个中心线点处的指上矢量。在其它实施例中，通过探测每个中心线点处所产生的横截面肋骨图像中的椭圆形状来探测每个中心线点处的指上矢量。

本发明的这些和其它优点将通过参考如下详细描述和附图而对于本领域普通技术人员显而易见。

附图说明

图1示出了将3D计算机断层扫描(CT)容积中的肋骨展开成2D图像的方法；

图2示出了依照本发明实施例用于探测3D CT容积中的指上矢量的回归函数训练方法；

图3示出了依照本发明实施例使用受训回归函数探测多个肋骨中心线点处的指上矢量的方法；

图4示出了依照本发明另一实施例探测多个肋骨中心线点的指上矢量的方法；

图5示出了在强度和梯度阈值处理之前和之后的示范性横截面图像；

图6示出了在强度和梯度阈值处理后的另外的示范性横截面图像；

图7示出了示范性的2D展开的胸腔图像；以及

图8是能够实施本发明的计算机的高级框图。

具体实施方式

本发明涉及用于预测3D医学图像容积诸如3D计算机断层扫描(CT)容积中的肋骨的指上矢量，以及将3D容积中的肋骨展开成2D图像的方法和系统。本文中描述本发明的实施例以给出指上矢量预测和肋骨展开方法的可视理解。数字图像通常由一个或多个对象(或形状)的数字表示来组成。对象的数字表示通常在本文中在识别和操纵对象方面来描述。这种操纵是在计算机系统的存储器或其它电路/硬件中完成的虚拟操纵。据此，应当理解的是本发明实施例可以使用在计算机系统内所存储的数据在计算机系统内被执行。

本发明的实施例利用方法来将3D CT容积中的肋骨展开成2D图像，其中从3D CT容积数据中抽取肋骨中心线。基于每个肋骨的中心线结果，在沿着肋骨中心线的各个点处探测椭圆形横截面的长轴。如本文中所使用的，术语“指上矢量”指的是在肋骨上的给定点处肋骨的基本椭圆形横截面的长轴方向。可以通过沿着由沿着每个肋骨的每个点的指上矢量所限定的方向使用来自3D CT容积的图像数据产生2D图像而实现肋骨展开。据此，如何在沿着肋骨的每个点处正确地确定指上矢量对于最终的胸腔展开结果是非常重要的。考虑胸腔保护肺和腹部器官的事实，可以合理地假设肋骨的指上矢量正切于通过所有肋骨拟合的虚构(imaginary)表面。在这种假设下，通过所有肋骨的表面可以近似为由所有肋骨上的相邻点内插的所有样条曲线的联合。用于预测指上矢量的方法在除了第一对肋骨(即，最接近颈部的肋骨)之外的所有肋骨上都良好地工作。由于第一对肋骨相比其它对肋骨通常必须更短、更窄、更平，因此表面拟合方法对于第一对肋骨并不良好地工作。本发明的实施例提供指上矢量预测/探测方法，其改善第一对肋骨的3D到2D肋骨展开的结果。应当理解的是，本文中所描述的方法并不局限于第一对肋骨，而也可以应用于其他肋骨。

图1示出了将3D CT容积中的肋骨展开成2D图像的方法。图1的方法转换表示肋骨的CT容积数据以产生“展开的”肋骨的2D图像，以便提供患者肋骨的改善可视化。如图1中所示的，在步骤102，接收CT容积。CT容积包括患者的肋骨区域。CT容积可以直接从CT扫描器接收或者CT容积可以通过加载之前存储的CT容积而接收。

在步骤104，在CT容积中抽取肋骨中心线。可以使用自动或半自动肋骨中心线抽取方法来在3D CT容积中抽取肋骨中心线。在本发明的有利实施例中，可以使用基于学习的可变形模板匹配(deformable template matching)方法来自动地在3D CT容积中抽取每个肋骨的肋骨中心线。在用于自动肋骨中心线抽取的基于学习的可变形模板匹配方法中，可以使用基于学习的肋骨中心点探测来从3D CT容积中获取概率响应映射，所述基于学习的肋骨中心点探测可以利用粗到细金字塔学习结构执行。随后使用所获取的概率响应映射以通过整个胸腔模板的匹配而抽取肋骨中心线。随后使用主动轮廓模型改进单独地改进每个肋骨中心线。所述用于自动肋骨中心线抽取的基于学习的可变形模板匹配方法在2011年9月27目所提交的美国临时申请No.61/539,561中较详细地得以描述，其通过引用合并于此。

在步骤106，在肋骨中心线的中心线点处探测指上矢量。在本发明的一个实施例中，可以使用基于机器学习的预测来探测指上矢量。在该情况下，肋骨横截面上的椭圆形状的所注释的地面实况可以被用作机器学习探测器的离线训练中的训练实例，诸如回归函数。随后应用受训探测器来预测给定中心线点的指上矢量。在替代实施例中，可以使用基于非机器学习的探测来探测指上矢量。在该情况下，在给定中心线点处在横截面图像上直接直接椭圆，并且确定所探测的椭圆的长轴为该中心线点处的指上矢量。

在基于机器学习的指上矢量探测中，对于给定肋骨中心线点来说定位长轴方向(指上矢量)的问题可以被概括为回归问题。可以基于具有已知输入(肋骨中心线点位置)和输出(指上矢量)的训练数据组训练回归函数，以学习训练数据组的输入和输出之间的关系。图2示出了依照本发明实施例用于探测3DCT容积中指上矢量的回归函数训练方法。图2的方法可以在图1的方法实施之前离线地执行，并且随后所产生的受训回归函数可以被存储并在图1的步骤106的实施中使用。

参考图2，在步骤202，接收注释的训练容积组。训练组包括具有肋骨椭圆形横截面的所注释的地面实况(ground truth)的容积，包括肋骨中心线点、指上矢量、切线矢量、和肺矢量。特定肋骨中心线点处的切线矢量是在特定肋骨中心线点处与肋骨中心线相切的矢量。特定肋骨中心线点处的肺矢量是从特定肋骨中心线点向内指向肺并且在特定肋骨中心线点处与切线矢量和指上矢量垂直的矢量。训练组可以仅仅包括来自特定肋骨组的训练实例，诸如仅仅来自第一肋骨的训练实例，以便特别地训练要用于特定肋骨组中指上矢量探测的回归函数。在该情况下，对于不同肋骨组可以训练单独的回归函数。

在步骤204，对训练容积中的肋骨抽取肋骨中心线。肋骨中心线可以手动注释或自动选择，例如，使用上面结合图1的步骤104描述的方法。

在步骤206，对不同训练容积中的对应肋骨的肋骨中心线点进行重新采样，使得每个容积中对应肋骨的采样(中心线点)数目相同。为了对训练容积中的对应肋骨(例如第一肋骨)的肋骨中心线点进行重新采样，确定所有训练容积中的(对应肋骨的)中心线点的最小数目。于是目标是将所有训练容积中的中心线点的数目减小为点的该最小数目。为了减少训练容积中的肋骨中心线点的数目，肋骨中心线点被迭代地移除直到训练容积中的肋骨中心线点的数目等于点的最小数目。在每次迭代中，计算在沿着肋骨中心线的每个方向从每个肋骨中心线点到与最近的相邻点的距离，并且移除最靠近其剩余最近邻居(即，从点到每个方向上其最近邻居之间的总距离最小)的点。这样，不需要内插并且所有点仍然精确地为地面实况的子组，其保留了原始信息。重新采样肋骨中心线点的该方法还粗略地确保了给定训练容积的肋骨中心线点最终组之间的相等距离。

在步骤208，对应的肋骨跨(across)所有训练容积都对齐。为了对齐对应的肋骨，对于每个将对齐的肋骨确定中间肋骨中心线点。特别地，对于相同肋骨上的每个肋骨中心线点，计算肋骨中心线点和肋骨中心线一端上的第一端点(例如，最左侧肋骨中心线点)之间的第一距离和计算肋骨中心线点和肋骨中心线另一端上的第二端点(例如，最右侧肋骨中心线点)之间的第二距离。具有第一和第二距离的最类似值的肋骨中心线点被选择为该肋骨的中间肋骨中心线点。随后基于由该肋骨的第一端点、中心肋骨中心线点和第二端点所限定的每个肋骨的相应平面来执行肋骨对齐。在抽取每个所述肋骨的平面后，通过将相应肋骨的中间肋骨中心线点放置于原点并且旋转每个平面以与坐标系的xy平面对齐可以将每个平面与坐标系对齐。随后再次旋转每个平面使得从第一端点指向第二端点的矢量与坐标系的x轴相平行。这导致所有平面在xy平面上对齐并且平面的边彼此平行。接着，检查是否所有的肋骨都位于坐标系的相同侧以及所有肋骨的曲率是否一致。随后必要时可以沿着x或y轴翻转肋骨。应用于对齐每个肋骨的相同变换也应用到与该肋骨的肋骨中心线点相关联的指上矢量。

在步骤210，基于训练实例来训练回归函数。在对齐数据后，将回归应用于训练实例，产生受训的回归函数。在本发明的示范性实施例中，使用多变量偏最小二乘(PLS)回归来训练回归函数。多变量(PLS)的通用基本模型如下：

X＝TP^T+E，Y＝TQ^T+F，

其中X(肋骨中心线点)是n*m预测值的矩阵，并且Y(指上矢量)是相同大小响应的矩阵。n是训练实例的数目以及m是每个肋骨上肋骨中心线点数目*3(*3是因为数据在x、y和z轴上级联)。T是潜在因素(latent factor)的n*1(1是要确定的潜在因素的数目)矩阵。P和Q是加载矩阵。E和F是误差项。PLS回归假设X和Y两者由同组潜在因素产生，并且通过最大化它们之间的协方差来迭代地找寻潜在因素。PLS回归构建X和Y之间的线性回归评估为：

Y = X \tilde{B} + {\tilde{B}}_{0} .

PLS回归训练的结果给出了系数

和因此导致可以用于从输入X(肋骨中心线点)组来预测输出量(outcome)Y(指上矢量)组的受训回归函数。

为了评估受训回归函数，可以使用留一交叉验证，其中受训容积之一被用于测试而剩余的被用于训练回归系数。在该情况下，可以通过计算测试容积中每个评估指上矢量和相应地面实况指上矢量之间的余弦相似性的平均值来评估受训回归函数。作为基线比较，还可以确定z矢量([0，0，1])和地面实况之间的余弦相似性的平均值。

图2的训练方法“逐肋(rib-wise)”执行回归，其保留整个肋骨结构。在替代实施例中，可以替代地“逐点(point-wise)”执行回归。在该情况下，可以跳过重新采样步骤(206)并且可以使用所有地面实况点。在回归步骤(210)中，数据可以逐点级联而不区别不同的训练容积。因此，在该实施例中，X(肋骨中心线点)是预测值(predictor)的n’*3矩阵，Y(指上矢量)是响应的相同大小的矩阵，并且n’是所有训练实例中的肋骨中心线点的数目。逐点回归的优点在于更多的训练采样可以被用于训练回归函数。缺点在于受训回归函数携带较少的全局肋骨结构信息。

如在上面在图2的方法中描述的，使用肋骨中心线点作为输入X来训练回归函数。在代替实施例中，也可以使用图像强度特征作为输入。在该情况下，肋骨中心线点和与每个中心线点相关联的图像特征均可以被用作输入X来训练回归函数。在每个肋骨中心线点处，可以通过采取两个邻近中心点之间的差来计算肋骨的方向。随后可以确定与该规范矢量(norm vector)(表示肋骨的方向)相正交的切割平面。通过在平面上定位两个垂直矢量v1和v2来确定切割平面。通过采取规范矢量和单位z矢量([0，0，1])的外积来确定矢量v1(在规范矢量是z矢量的情况下，v1和v2分别是x和y矢量)。矢量v2是垂直于v1和规范矢量的矢量。据此，矢量v1和v2限定与规范矢量垂直的切割平面。在正交切割平面上抽取图像强度特征的采样。从肋骨中心线点开始并且在v1的方向上并且与v1每隔θ(theta)角，沿着每个方向采样一定数目的点(邻近点远离1个像素)。使用三线性内插来确定每个采样点的像素值。可以在回归中要使用的列矢量中重新布置这些像素值。据此，除了每个肋骨中心线点的位置之外，在用于训练回归函数所使用的学习过程中可以与每个肋骨中心线点对应的强度特征组作为输入。

图3示出了依照本发明实施例使用受训回归函数探测多个肋骨中心线点处的指上矢量的方法。图3的方法可以用于实施图1中的步骤106。如图3中所示，在步骤302，对每个肋骨的肋骨中心线点进行重新采样。特别地，对肋骨的肋骨中心线点进行重新采样以将肋骨中心线点的数目减少到预定数目，所述预定数目对应于用于训练回归函数所使用的训练容积组中的该肋骨的肋骨中心线点的数目。使用结合图2的步骤206在上面所描述的重新采样方法可以将每个肋骨的肋骨中心线点的数目减少到预定数目。特别地，迭代地移除肋骨的肋骨中心线点直到该肋骨的肋骨中心线点的数目等于预定数目。在每次迭代中，计算在沿着肋骨中心线的每个方向上从每个肋骨中心线点到最近的相邻肋骨中心线点的距离，并且移除最靠近其剩余最近邻居(即，在每个方向上从肋骨中心线点到其最近邻居的总距离最小)的肋骨中心线点。

应当理解的是图3的方法描述使用利用图2的方法所训练的“逐肋”回归函数探测指上矢量。在基于训练容积中所有肋骨中心线点训练“逐点”回归函数的情况下，可以省略步骤302并且可以使用受训回归函数为所接收的容积中的所有肋骨中心线点探测指上矢量。

在步骤304，将每个肋骨的肋骨中心线(即，肋骨中心线点)与训练容积的坐标系对齐。每个肋骨的肋骨中心线可以如结合图2的步骤208在上面所述的来与训练容积的坐标系对齐。特别地，肋骨的肋骨中心线点组的中间肋骨中心线点被识别。对于每个肋骨中心线点，计算肋骨中心线点和肋骨中心线点组的第一端点(例如，肋骨中心线点的最左侧一个)之间的第一距离和计算肋骨中心线点和肋骨中心线点组的第二端点(例如，肋骨中心线点的最右侧一个)之间的第二距离。具有第一和第二距离的最类似的值的肋骨中心线点被选择为中间肋骨中心线。由第一端点、中心肋骨中心线点和第二端点限定平面。可以通过将中间肋骨中心线点放置于原点并且旋转平面与坐标系的xy平面对齐来将平面与训练容积的坐标系对齐。随后可以再次旋转平面使得从第一端点指向第二端点的矢量与坐标系的x轴相平行。接着，可以确定是否肋骨中心线点与在训练容积中一样位于坐标系的相同侧并且肋骨中心线的曲率是否与训练容积中的曲率一致。随后必要时可以基于该确定而沿着x或y轴翻转肋骨中心线点。

在步骤306，使用受训回归函数来对于每个肋骨中心线点探测指上矢量。特别地，可以使用受训回归函数

来从对应的输入肋骨中心线点组X中确定指上矢量组Y，其中系数

和

如上所述从训练数据中学习。应当理解的是，如果除了肋骨中心线点位置之外使用图像特征来训练受训回归函数，那么如上所述的，对于所接收的容积中的每个肋骨中心线点都可以抽取图像特征并且将图像特征和肋骨中心线点一起作为受训回归函数的输入来探测指上矢量。

在步骤308，对于每个肋骨的肋骨中心线点所探测的指上矢量在沿着肋骨中心线的剩余点上被内插。因此，每个肋骨的中心线点的数目可以在重新采样步骤(302)中减少，可以不通过受训回归函数对于沿着肋骨中心线的每个点进行指上矢量探测。据此，对于没有通过受训回归函数进行指上矢量探测的沿着肋骨中心线的每个点，可以使用内插来确定指上矢量。例如，可以使用线性内插或其他任意内插技术来在肋骨中心线的剩余点上对指上矢量进行内插。

图4示出了依照本发明另一实施例探测多个肋骨中心线点的指上矢量的方法。图4的方法可以在不使用基于机器学习的探测的情况下被用于实施图1的步骤106。如图4中所示，在步骤402，在每个肋骨中心线点处产生横截面图像。肋骨中心线点处的横截面图像可以被产生为肋骨中心线点正交切割平面上的2D图像。可以通过采取两个邻近肋骨中心线点之间的差来在肋骨中心线点处计算限定肋骨方向的规范矢量。在与该规范矢量正交的切割平面上产生横截面图像。通过在平面上定位两个垂直矢量v1、v2来确定正交切割平面。通过采取规范矢量和单位z矢量([0，0，1])的外积来确定矢量v1(在规范矢量是z矢量的情况下，v1和v2分别是x和y矢量)。应当理解的是在3D医学成像中，单位z矢量指的是方向从患者足部到患者头部的“上下”方向，x矢量指的是“左右”方向，并且y矢量指的是“前后”方向。矢量v2是垂直于v1和规范矢量的矢量。据此，矢量v1和v2限定与规范矢量垂直的切割平面。通过在正交切割平面中从3D Ct容积中抽取nxn子图像来产生横截面图像。使用三线性内插来从3D CT容积中的体素值中确定横截面图像中的每个点处的像素值。

在步骤404，在每个横截面图像中探测椭圆。可以将霍夫(Hough)变换应用到横截面图像上以在横截面图像中探测椭圆。霍夫变换利用从横截面图像中抽取的输入梯度信息并且基于梯度信息探测横截面图像中的椭圆形状。在有利的实施例中，可以在应用霍夫变换之间，将梯度和强度阈值处理(thresholding)应用于横截面图像，使得由霍夫变换仅仅处理梯度值和强度值大于相应阈值的像素。梯度阈值处理确保仅强边缘(即，具有高梯度的像素)被输入到霍夫变换，而强度阈值处理试图将霍夫变换处理限制到包括肋骨横截面的横截面图像的区域。

图5示出了在强度和梯度阈值处理之前和之后的示范性横截面图像。如图5中所示的，图像500示出了强度和梯度阈值处理之前的横截面图像并且图像502示出了强度和梯度阈值处理之后的横截面图像。箭头表示每个像素的梯度和规范矢量。图6示出了在强度和梯度阈值处理之后的另外的示范性横截面图像602、604、606、608、610和612。

回到图4，在步骤406，每个肋骨中心线点的指上矢量被探测为与肋骨中心线点对应的横截面图像中所探测的椭圆的长轴。

回到图1，在步骤108，基于所探测的指上矢量和肋骨中心线从3D CT容积产生2D图像。特别地，可以通过将每个肋骨的中心线与2D图像的x轴进行第一对齐而产生可视化展开的胸腔的2D图像。然后，对于沿着肋骨中心线的每个点，为在源自肋骨中心线点的两个方向上沿着为相应肋骨中心线点所探测的指上矢量的多个像素(即，指上矢量方向上的多个像素和与指上矢量相反的方向上的多个像素)从3D图像中抽取强度值，以及将所抽取的强度值分配给2D图像的y轴方向上的每个肋骨中心线点上方和下方的像素。也就是说，在所得出的2D图像中，每个肋骨中心线与图像的x轴平行并且在沿着特定肋骨中心线的给定点处，环绕给定点的y方向上的像素沿着与肋骨中心线上的点相对应的指上矢量而从3D容积中抽取。附加或替代示出整个展开的胸腔的单个2D到像，可以产生示出特定肋骨或特定肋骨组的2D图像(例如，第一肋骨)。所产生的2D图像(或多个图像)可以在例如计算机系统的显示器上显示或者存储在计算机系统的存储器或存储装置中。

图7示出了示范性的2D展开胸腔图像。如图7所示的，包括第一肋骨702a和702b的每个肋骨的中心线与图像的x方向对齐。在沿着每个肋骨的中心线的每个点处，该点的指上矢量限定该点处的y轴。即，沿着为特定肋骨中心线点所探测的指上矢量，从输入3D容积中抽取图7的y方向上任意特定肋骨中心线点上方和下方的像素。

上述方法采用计算机断层扫描(CT)作为图像模态进行描述，但是本发明并不限于此。上述方法可以类似地应用于其他成像模态，诸如磁共振(MR)、x射线、超声等。

上述的用于将肋骨从3D容积展开为2D图像、训练回归函数以及探测肋骨中心线点的指上矢量的方法，可以使用众所周知的计算机处理器、存储单元、存储装置、计算机软件和其它组件在计算机上被实施。在图8中示出了这种计算机的高级框图。计算机802包含处理器804，其通过执行限定这种操作的计算机程序指令来控制计算机802的全部操作。计算机程序指令可以存储在存储装置812中、或者其他计算机可读介质(诸如磁盘、CD ROM等)，并且在期望执行计算机程序指令时被加载到存储器810中。因此，图1、2、3和4的方法的步骤可以通过存储在存储器810和/或存储装置812中的计算机程序指令来限定并且通过执行计算机程序指令的处理器804来控制。图像获取装置820，诸如CT扫描器，可以连接到计算机802上以输入图像给计算机802。可以将图像获取装置820和计算机802实施成一个装置。还可能的是，图像获取装置820和计算机802通过网络无线通信。计算机802还包括一个或多个网络接口806，用于通过网络和其它装置通信。计算机802还包括其他输入/输出装置808，其能够使用户与计算机802交互(例如，显示器、键盘、鼠标、扬声器、按钮等)。本领域技术人员将会意识到，实际计算机的实施还可以包含其它组件，并且图8是用于图解目的的这种计算机的某些组件的高级表示。

前述详细描述应被解释为在任何方面是图解性的和示范性的，而非约束性的，并且本文中所公开的发明的范围并不能由详细说明来确定，而是依照专利法所允许的完整宽度所解释的权利要求来确定。应当理解的是，本文中所示出和描述的实施例仅仅是为了图解本发明的原理，并且在不脱离本发明范围和精神的情况下本领域技术人员可以实施各种修改。本领域技术人员在不脱离本发明范围和精神的情况下可以实施各种其它特征组合。

Claims

1.一种方法，包括：

在3D医学图像容积中抽取至少一个肋骨的肋骨中心线；以及

在至少一个肋骨的肋骨中心线的多个中心线点中的每个处自动地探测指上矢量。

2.如权利要求1所述的方法，其中在至少一个肋骨的肋骨中心线的多个中心线点中的每个处自动地探测指上矢量的步骤包括：

使用受训回归函数来探测多个中心线点的每个处的指上矢量。

3.如权利要求2所述的方法，其中使用受训回归函数来探测多个中心线点的每个处的指上矢量的步骤包括：

重新采样多个中心线点以创建减少的中心线点组；

将肋骨中心线与用于训练回归函数所使用的训练容积的坐标系相对齐；以及

使用受训回归函数探测减少的中心线点组的每个处的指上矢量。

4.如权利要求3所述的方法，其中重新采样多个中心线点以创建减少的中心线点组的步骤包括：

(a)对于多个中心线点的每个，计算在该中心线点的每侧上距最近相邻中心线点的组合距离；

(b)从多个中心线点中的具有在该中心线点的每侧上距最近相邻中心线点的最小组合距离的一个中移除中心线点；并且

(c)重复步骤(a)和(b)直到多个中心线点的数目减少到预定数目。

5.如权利要求3所述的方法，其中使用受训回归函数探测多个中心线点的每个处的指上矢量的步骤，还包括：

通过对在减少的中心线点组处所探测的指上矢量进行内插来在没有包含在减少的中心线点组中的多个中心线点的剩余中心线点处探测指上矢量。

6.如权利要求2所述的方法，其中使用受训回归函数来探测多个中心线点的每个处的指上矢量的步骤还包括：

抽取与多个中心线点的每个相关联的图像特征；以及

使用受训回归函数基于多个中心线点以及与多个中心线点的每个相关联的图像特征来探测多个中心线点的每个处的指上矢量。

7.如权利要求7所述的方法，其中抽取与多个中心线点的每个相关联的图像特征的步骤包括，对于多个中心线点的每个：

探测在中心线点处与肋骨方向正交的切割平面；以及

对在中心线点处所探测的切割平面中的像素值进行采样。

8.如权利要求1所述的方法，其中在至少一个肋骨的肋骨中心线的多个中心线点中的每个处自动地探测指上矢量的步骤包括：

在多个中心线点的每个处产生横截面图像；以及

探测每个横截面图像中的椭圆，其中在每个横截面图像中所探测的椭圆的长轴限定多个中心线点的相应一个处的指上矢量。

9.如权利要求8所述的方法，其中在多个中心线点的每个处产生横截面图像的步骤包括：

在多个中心线点的每个处探测与肋骨方向正交的切割平面；以及

从3D医学图像容积中产生切割平面中的横截面图像。

10.如权利要求8所述的方法，其中探测每个横截面图像中的椭圆的步骤包括：

使用霍夫变换来探测每个横截面图像中的椭圆。

11.如权利要求8所述的方法，其中探测每个横截面图像中的椭圆的步骤还包括：

在使用霍夫变换来探测每个横截面图像中的椭圆之前，将强度和梯度阈值处理应用于每个横截面图像。

12.如权利要求1所述的方法，还包括：

基于至少一个肋骨的所抽取的肋骨中心线和多个中心线点的每一个的所探测的指上矢量，从3D医学图像容积中产生至少一个肋骨的2D图像。

13.如权利要求12所述的方法，其中至少一个肋骨的肋骨中心线与2D图像中的x轴对齐，以及在沿着肋骨中心线的多个肋骨中心线点的相应的每一个处，沿着在多个中心线点的相应一个处所探测的指上矢量从3D医学图像容积中抽取2D图像中的沿着y轴的像素值。

14.如权利要求1所述的方法，其中3D医学图像容积包括3D计算机断层扫描(CT)容积。

15.一种设备，包括：

用于在3D医学图像容积中抽取至少一个肋骨的肋骨中心线的装置；以及

用于在至少一个肋骨的肋骨中心线的多个中心线点中的每个处自动地探测指上矢量的装置。

16.如权利要求15所述的设备，其中所述用于在至少一个肋骨的肋骨中心线的多个中心线点中的每个处自动地探测指上矢量的装置包括：

用于使用受训回归函数来探测多个中心线点的每个处的指上矢量的装置。

17.如权利要求16所述的设备，其中所述用于使用受训回归函数来探测多个中心线点的每个处的指上矢量的装置包括：

用于重新采样多个中心线点以创建减少的中心线点组的装置；

用于将肋骨中心线与用于训练回归函数所使用的训练容积的坐标系相对齐的装置；以及

用于使用受训回归函数探测减少的中心线点组的每个处的指上矢量的装置。

18.如权利要求16所述的设备，其中所述用于使用受训回归函数来探测多个中心线点的每个处的指上矢量的装置包括：

用于抽取与多个中心线点的每个相关联的图像特征的装置；以及

用于使用受训回归函数基于多个中心线点以及与多个中心线点的每个相关联的图像特征来探测多个中心线点的每个处的指上矢量的装置。

19.如权利要求15所述的设备，其中所述用于在至少一个肋骨的肋骨中心线的多个中心线点中的每个处自动地探测指上矢量的装置包括：

用于在多个中心线点的每个处产生横截面图像的装置；以及

用于探测每个横截面图像中的椭圆的装置，其中在每个横截面图像中所探测的椭圆的长轴限定多个中心线点的相应一个处的指上矢量。

20.如权利要求15所述的设备，还包括：

用于基于至少一个肋骨的所抽取的肋骨中心线和多个中心线点的每个的所探测的指上矢量从3D医学图像容积中产生至少一个肋骨的2D图像的装置。

21.一种存储计算机程序指令的非瞬时性计算机可读介质，所述计算机程序指令当在处理器上被执行时使处理器执行方法，所述方法包括：

在3D医学图像容积中抽取至少一个肋骨的肋骨中心线；以及

22.如权利要求21所述的非瞬时性计算机可读介质，其中在至少一个肋骨的肋骨中心线的多个中心线点中的每个处自动地探测指上矢量的步骤包括：

23.如权利要求22所述的非瞬时性计算机可读介质，其中使用受训回归函数来探测多个中心线点的每个处的指上矢量的步骤包括：

重新采样多个中心线点以创建减少的中心线点组；

24.如权利要求23所述的非瞬时性计算机可读介质，其中使用受训回归函数探测多个中心线点的每个处的指上矢量的步骤，还包括：

25.如权利要求22所述的非瞬时性计算机可读介质，其中使用受训回归函数来探测多个中心线点的每个处的指上矢量的步骤包括：

抽取与多个中心线点的每个相关联的图像特征；以及

26.如权利要求21所述的非瞬时性计算机可读介质，其中在至少一个肋骨的肋骨中心线的多个中心线点中的每个处自动地探测指上矢量的步骤包括：

在多个中心线点的每个处产生横截面图像；以及

27.如权利要求26所述的非瞬时性汁算机可读介质，其中探测每个横截面图像中的椭圆的步骤包括：

使用霍夫变换来探测每个横截面图像中的椭圆。

28.如权利要求21所述的非瞬时性计算机可读介质，其中所述方法还包括：

基于至少一个肋骨的所抽取的肋骨中心线和多个中心线点的每一个的所探测的指上矢量从3D医学图像容积中产生至少一个肋骨的2D图像。

29.如权利要求28所述的非瞬时性计算机可读介质，其中至少一个肋骨的肋骨中心线与2D图像中的x轴对齐，以及在沿着肋骨中心线的多个中心线点的相应每个处，沿着在多个中心线点的相应一个处所探测的指上矢量从3D医学图像容积中抽取2D图像中的沿着y轴的像素值。