CN103493098A - 医学图像处理系统和方法 - Google Patents
医学图像处理系统和方法 Download PDFInfo
- Publication number
- CN103493098A CN103493098A CN201280020631.9A CN201280020631A CN103493098A CN 103493098 A CN103493098 A CN 103493098A CN 201280020631 A CN201280020631 A CN 201280020631A CN 103493098 A CN103493098 A CN 103493098A
- Authority
- CN
- China
- Prior art keywords
- medical image
- displacement vector
- image
- displacement
- deformation values
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 6
- 238000000034 method Methods 0.000 title claims description 26
- 238000006073 displacement reaction Methods 0.000 claims abstract description 148
- 239000013598 vector Substances 0.000 claims abstract description 100
- 210000003484 anatomy Anatomy 0.000 claims abstract description 35
- 230000000007 visual effect Effects 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 25
- 238000005516 engineering process Methods 0.000 claims description 16
- 239000003814 drug Substances 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000295 complement effect Effects 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 abstract 2
- 210000004556 brain Anatomy 0.000 description 15
- 238000002595 magnetic resonance imaging Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 206010003694 Atrophy Diseases 0.000 description 6
- 230000037444 atrophy Effects 0.000 description 6
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000013425 morphometry Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种用于处理医学图像的系统100,所述系统被布置为获得第一医学图像102和第二医学图像104,所述第一医学图像和所述第二医学图像是解剖结构的刚性配准医学图像,并且所述系统包括:位移估计器120,其用于建立针对所述第一医学图像的至少第一部分的位移矢量122,所述位移矢量将所述第一医学图像的所述第一部分与所述第二医学图像的第二部分相匹配;变形估计器140,其用于根据所述位移矢量来建立针对所述第一部分的变形值142,所述变形值表示所述第一部分相对于所述第二部分的变形;以及可视化生成器160,其用于生成可视化数据162,当所述可视化数据被显示在显示器180上时,所述可视化数据用于建立多维图形182,所述多维图形包括作为第一变量184的所述位移矢量的幅值以及作为第二变量186的所述变形值。
Description
技术领域
本发明涉及用于处理医学图像的系统和方法。本发明进一步涉及一种包括所述系统的工作站或者成像装置,以及一种用于执行所述方法的计算机程序产品。
在医学成像领域,对于临床医生而言常见的是比较同一解剖结构的两幅不同的医学图像。例如,第一医学图像可以是在第一时间点的患者脑部的磁共振成像(MRI)图像,第二图像可以是在较后时间点的患者脑部的MRI图像,并且临床医生可以比较两幅医学图像以确定例如恶性肿瘤生长的出现或者萎缩的发生。在另一范例中,第一医学图像可以是包括参考解剖结构的参考图像,第二医学图像可以是包括患者的解剖结构的患者图像,并且临床医生可以比较两幅医学图像以确定例如患者的解剖结构相对于参考解剖结构的偏差。
当比较两幅医学图像时,临床医生可以将注意力放到相对于第一医学图像已经发生变形的第二医学图像的部分,或者反之亦然。这可以允许临床医生视觉上获得关于例如患者健康或者医学治疗的疗效的信息。
背景技术
对于临床医生而言,可能难以通过视觉上比较两幅不同的医学图像来直观地确定解剖结构的一部分的变形。
P.M.Thompson等人在The British Journal of Radiology,volume80,2007,pp.78-91中发表的公开文本“Computational anatomical methods as applied toageing and dementia”描述了基于张量的形态测量学,其据说能够追踪整个患者脑部的体积变化。如果经过一段时间从同一对象收集一对扫描,则使用以局部水平在整个解剖结构上应用压缩和扩张的流体变换,能够将所述一对扫描彼此对齐。只要匹配是准确的,那么采取变形网格形式的变换的空间梯度测量了在扫描之间随时间间隔丢失了多少组织。所述变形网格能够被标绘以及进行色彩编码。被应用于从同一患者随时间采集到的扫描序列,也被称为雅可比(Jacobian)图的这些变形网格或者体素压缩图能够展现萎缩的程度和蔓延。
因而,所述基于张量的形态测量学允许临床医生获得患者脑部的变形部分的经标绘和色彩编码的可视化。
发明内容
所述基于张量的形态测量学的问题在于变形网格并不足以适于允许临床医生准确地解释患者解剖结构的一部分的变形。
具有一种用于允许临床医生更加准确地解释患者解剖结构的一部分的变形的系统或者方法将是有利的。
为了解决这一问题,本发明的第一方面提供一种用于处理医学图像的系统,所述系统被布置为获得第一医学图像和第二医学图像,所述第一医学图像和所述第二医学图像是解剖结构的刚性配准医学图像,以及所述系统包括位移估计器、变形估计器和可视化生成器,所述位移估计器用于针对所述第一医学图像的至少第一部分建立位移矢量,所述位移矢量将所述第一医学图像的所述第一部分与所述第二医学图像的第二部分相匹配,所述变形估计器用于根据所述位移矢量来建立针对所述第一部分的变形值,所述变形值表示所述第一部分相对于所述第二部分的变形,所述可视化生成器用于生成可视化数据,当被显示在显示器上时,所述可视化数据用于建立多维图形,所述多维图形包括作为第一变量的所述位移矢量的幅值以及作为第二变量的所述变形值。
在本发明的其他方面中,一种工作站或者成像装置包括所提出的所述系统。
在本发明的其他方面中,提供一种处理医学图像的方法,所述方法包括获得第一医学图像和第二医学图像,所述第一医学图像和所述第二医学图像是解剖结构的刚性配准医学图像;针对所述第一医学图像的至少第一部分建立位移矢量,所述位移矢量将所述第一医学图像的所述第一部分与所述第二医学图像的第二部分相匹配;根据所述位移矢量来建立针对所述第一部分的变形值,所述变形值表示所述第一部分相对于所述第二部分的变形;以及生成可视化数据,当被显示在显示器上时,所述可视化数据用于建立多维图形,所述多维图形包括作为第一变量的所述位移矢量的幅值以及作为第二变量的所述扩张值。
在本发明的其他方面中,提供一种计算机程序产品,其包括用于使处理器系统执行所提出的所述方法的指令。
所述系统获得均包括某个解剖结构的第一医学图像和第二医学图像。为了将第一医学图像中的解剖结构与第二医学图像中的解剖结构空间对齐,使用刚性配准技术,即,线性变换,将两幅医学图像相互配准。刚性配准技术在医学成像领域中是已知的,并且用于补偿在医学图像中解剖结构之间的对齐中的全局差异,所述差异可以由例如患者相对于医学成像设备的取向的差异、医学采集参数的差异等造成。因此,第一医学图像中的解剖结构与第二医学图像中的解剖结构至少粗略地对齐。
所述系统包括位移估计器,其估计第一医学图像的第一部分相对于第二医学图像的位移。因而,所述位移估计器估计第一医学图像的第一部分的子部分位于第二医学图像内的何处。因此,所述位移估计器生成将第一医学图像的第一部分与第二医学图像的第二部分相匹配的位移矢量。
所述系统还包括变形估计器,其使用第一部分的位移矢量来建立针对所述第一部分的变形值。因而,所述变形值从位移矢量得出,并且有效地构成对第一部分的子部分相对于第二医学图像的特征位移的解释。例如,当第一部分的位移矢量从第一部分的中心向外径向定向时,变形值可以指示第一部分相对于第二医学图像的扩张,即,第二部分可以是第一部分的扩张版。
所述系统还包括可视化生成器,其处理位移矢量和变形值,以便生成可视化数据。当所述可视化数据被显示在显示器上时,所述可视化数据提供多维图形,所述多维图形在视觉上表示与变形值相关的位移矢量的幅值(即,它们的长度)。为了在视觉上表示所述关系,位移矢量的幅值形成所述多维图形内的第一变量组,并且变形值形成该多维图形内的第二变量组。
以上措施具有以下效果:提供可视化数据,当所述可视化数据被显示在显示器上时,建立多维图形,所述多维图形比照第一部分的变形展示第一部分的位移,以位移幅值形式示出所述位移。当表征第一部分的位移时,所述幅值是尤其重要的。因而,提供对第一部分的位移的幅值、第一部分的变形及其关系的可视化。
本发明部分地基于这样的认识:假设变形值是对位移矢量的算法解释,在部分的位移和所述部位的变形之间具有固有的关系。所述算法解释可能是偶尔不正确的,或者可能遵从对于临床医生而言可能不直观的变形的定义。通过建立将部分的位移幅值、部分的变形及其关系进行可视化的多维图形,所述系统可以在视觉上比照该位移的幅值关联所述变形,从而允许临床医生更加准确地解释患者解剖结构的所述部分的变形。
此外,在第一医学图像和第二医学图像中的解剖结构的刚性配准可能是不完美的。对此的原因可能在于,解剖结构的变形会干扰刚性配准技术。有利地,通过在视觉上从多维图形对照位移的幅值关联所述变形,可以为临床医生提供医学图像被不完美地刚性配准的视觉反馈。有利地,可以避免临床医生通过观察医学图像而得到错误的结论。
此外,与所述部分的实际图像数据相分离地并且与该部分内的空间位置相分离地,多维图形将所述部分的位移幅值、所述部分的变形及其关系进行可视化。因而,未示出解剖结构本身,但是有利地仅在单个多维图形中显示所述部分内的位移和变形。有利地,避免给临床医生提供过多的视觉信息。
任选地,第一医学图像和第二医学图像是三维[3D]医学图像,位移矢量是3D位移矢量,并且多维图形是二维[2D]图形。
第一医学图像和第二医学图像是3D医学图像,诸如,体积图像。因此,第一医学图像的第一部分的位移可以是三维中的位移,即,3D位移。为了表示所述3D位移,位移矢量是3D位移矢量,即,包括x分量、y分量和z分量。然而,通过将位移矢量的幅值可视化,位移的维数从三简化为一,即,将3D位移示为标量。此外,变形值是标量。通过在2D图形中特定示出两个标量序列,为临床医生提供易于解释的可视化。有利地,2D图形会比3D图形造成更少的困惑,导致临床医生的更加准确且较不易于出错的解释。
任选地,所述2D图形是2D散点图。2D散点图非常适于将第一部分的位移幅值与所述第一部分的变形之间的关系可视化。有利地,临床医生会在视觉上获得来自散点图的全局轮廓的相关信息。
任选地,可视化生成器被布置为生成另外的可视化数据,当所述另外的可视化数据被显示在显示器上时,用于建立另外的2D图形,所述另外的2D图形包括作为第一变量的位移矢量的倾斜角,以及作为第二变量的位移矢量的方位角。
位移矢量是3D位移矢量,即,包括x分量、y分量和z分量。所述2D图形将3D位移矢量的一个方面(即,它们的幅值)可视化。然而,位移矢量的方向也是相关的。位移矢量的方向可以根据倾斜角和方位角来表达,在3D空间中产生相对于位移矢量原点的方向。通过建立包括作为第一变量的位移矢量的倾斜角以及作为第二变量的位移矢量的方位角的另外的2D图形,对临床医生使倾斜角、方位角及其关系可视化。有利地,临床医生可以更加准确地解释第一医学图像的第一部分的位移,继而允许对其变形的更加准确的解释。
任选地,变形值表示第一部分相对于第二部分的扩张和/或收缩。所述第一部分的扩张和/或收缩对于解释其变形是尤其相关的。此外,所述扩张和/或收缩可以是尤其医学相关的,允许临床医生视觉上获得与例如患者脑部的一部分的萎缩的发生有关的信息。萎缩的某些特征可以涉及阿尔茨海默氏病的发生。有利地,可视化数据可以使临床医生能够更好地诊断阿尔茨海默氏病。
任选地,变形估计器被布置为通过将基于微分的函数应用于位移矢量来建立变形值。由于变形涉及第一部分中的位移矢量之间的局部差异,因此基于微分的函数非常适于从位移矢量中建立变形值。基于微分的函数提供位移矢量如何相对于第一部分中的位置发生变化的量度。因而,通过将基于微分的函数应用于位移矢量,获得所述局部差异的量度。
任选地,应用所述基于微分的函数包括(i)根据位移矢量来计算雅可比矩阵,以及(ii)计算所述雅可比矩阵的行列式。雅可比矩阵的行列式非常适于从位移矢量建立变形值。具体而言,本发明人已经认识到从以上的雅可比行列式的计算中获得的变形值提供非常适于用作阿尔茨海默氏病的指示的多维图形。
任选地,位移估计器被布置为使用弹性配准技术来建立位移矢量。由于第一医学图像和第二医学图像是解剖结构的刚性配准医学图像,因此第一部分的位移涉及局部位移,并且不涉及或者在更少程度上涉及全局位移。弹性配准技术非常适于从刚性配准医学图像中获得所述局部位移。
任选地,所述系统还包括用户输入部,其用于使用户能够选择第一医学图像的第一部分。该用户输入部使用户(例如临床医生)能够选择第一医学图像的第一部分,以获得多维图形,所述多维图形对第一医学图像的第一部分的位移和变形进行特定的可视化。有利地,临床医生可以特定地选择第一医学图像的医学相关或者医学疑似部分。
任选地,所述系统被布置为获得第三医学图像,以及所述系统还包括图像插值器,其用于(i)根据第一医学图像和第三医学图像来生成插值医学图像,以及(ii)建立所述插值医学图像作为第二医学图像。
通过使用作为第二医学图像的插值医学图像,相对于所述插值医学图像获得第一部分的位移和变形。所述插值医学图像与第三医学图像相比更类似于第一医学图像。例如,当第一医学图像来自第一时间点并且第三医学图像来自较后的时间点时,插值医学图像可以对应于中间的时间点。因此,通过使用插值医学图像而不是第三医学图像,在第一部分的位移和变形中获得更精细的间隔尺寸。有利地,临床医生可以更加准确地解释第一医学图像的第一部分的变形。有利地,通过生成针对中间时间点的插值医学图像,临床医生可以在视觉上获得与变形的进展或者蔓延有关的信息。
任选地,可视化生成器还被布置为生成可视化数据,当所述可视化数据被显示在显示器上时,其用于建立位移矢量的幅值的第一直方图和/或变形值的第二直方图。
通过额外地示出第一直方图和/或第二直方图,为临床医生提供与第一部分的位移和/或第一部分的变形有关的额外信息。有利地,临床医生可以更加准确地解释第一部分的变形。
本领域技术人员将意识到,可以以任何被认为是有用的方式来将以上提及的本发明的选项、实现方式和/或方面中的两个或多个进行组合。
本领域技术人员基于本说明书能够实现与所描述的系统的修改和变型相对应的成像装置、工作站、方法,和/或计算机程序产品的修改和变型。
本领域技术人员将意识到,该方法可以应用于多维图像数据,例如,应用于由各种采集模态,诸如但不限于,标准X射线成像、计算机断层摄影(CT)、磁共振成像(MRI)、超声(US)、正电子发射断层摄影(PET)、单光子发射计算机断层摄影(SPECT)以及核医学(NM)采集的2维(2-D)、3维(3-D)或者4维(4-D)图像。多维图像数据的维度可以涉及时间。例如,三维图像可包括时域上的一系列二维图像。
本发明在独立权利要求中进行定义。有利的实施例在从属权利要求中进行定义。
附图说明
参考下文描述的实施例,本发明的这些和其他方面是显而易见的并将得到阐述。在附图中,
图1示出了用于生成可视化数据的系统,以及根据所述可视化数据显示多维图形的显示器;
图2示出了生成可视化数据的方法;
图3示出了用于脑部的一部分的位移矢量的幅值;
图4示出了用于脑部的一部分的变形值;
图5示出了包括多维图形的用户界面;
图6示出了用于医学图像的另一部分的用户界面;
图7示出了用于生成可视化数据的系统,所述系统包括用于生成插值医学图像的图像插值器以及用户输入部;
图8a-8d示出了用于一系列插值医学图像的一系列多维图形。
具体实施方式
图1示出了用于处理医学图像的系统100。所述系统100被布置为获得第一医学图像102和第二医学图像104。所述获得可以包括从系统100的输入部接收第一医学图像102和/或第二医学图像104。所述第一医学图像102和第二医学图像104是解剖结构的刚性配准医学图像。所述解剖结构可以是例如患者的器官或者血管分布。
第一医学图像102和第二医学图像104可以是例如二维图像或者三维图像。所述三维图像可以是体积图像。所述医学图像可以通过例如MRI、X射线成像、计算机断层摄影(CT)或者任何其他适当的采集模态而获得。
系统100包括位移估计器120,其用于建立针对第一医学图像102的至少第一部分的位移矢量122。所述第一部分可以是例如当第一医学图像102为二维图像时的矩形部分。然而,将意识到,所述第一部分可以在第一医学图像102内呈现任何适当形状,并且其维数典型地涉及,或者对应于第一医学图像102的维数。所述位移估计器120建立针对所述第一部分的位移矢量122,使得所述位移矢量122将第一医学图像102的第一部分与第二医学图像104的第二部分相匹配。以位移矢量的幅值123(即,其欧几里得长度)的形式在图3中示出针对第一部分的位移矢量122的范例。这里,第一部分是脑部的一部分,并且位移矢量的幅值123被示为灰度值图像数据,具有表示位移矢量的幅值123的大小的强度。
系统100包括变形估计器140,其用于根据位移矢量122来建立针对所述第一部分的变形值142。出于该目的,变形估计器140被示为与位移估计器120连接,用于接收位移矢量122。变形值142表示第一部分相对于第二部分的变形,并且因此,可以指示例如变形的幅值、变形的类型等。在图4中示出了变形值142的范例。这里,变形值142被示为灰度值图像数据,具有表示变形量的强度。
系统100还包括可视化生成器160,其用于生成可视化数据162,当所述可视化数据162被显示在显示器180上时,所述可视化数据用于建立多维图形182,所述多维图形182包括作为第一变量184的位移矢量122的幅值以及作为第二变量186的变形值142。出于该目的,可视化生成器160被示为与位移估计器120连接,用于接收位移矢量122,以及与变形估计器140连接,用于接收变形值142。此外,系统100被示为与显示器180连接,用于为所述显示器180提供可视化数据162。所述可视化数据162可以具有任何适当的格式,例如二进制数据,所述二进制数据直接包括多维图形182的数据表示,或者包括以适当格式化形式的位移矢量122的幅值和变形值142,以能够在多维图形中显示所述值。
多维图形182在图1中被示为二维散点图182。在这一散点图182中,通过将具有变形值142的点标绘为第一坐标并且将具有位移矢量122的幅值的点标绘为第二坐标而比照位移矢量122的幅值展示变形值142。因此,散点图182的x轴186表示变形值142,并且散点图182的y轴184表示位移矢量122的幅值。因而,散点图182可以被理解为包括作为独立第一变量的变形值142以及作为依赖于第一变量的第二变量的位移矢量122的幅值,并将这两者可视化。
将意识到,多维图形可以是允许比照位移矢量122的幅值展示变形值142(即,将其关系可视化)的任何其他适当的图形。在这一方面中,术语图形被理解为涉及第一变量和第二变量的抽象表示,并且因而与医学图像分离地提供所述图形。例如,可以使用在Clifford Konold等人在ICOTS6,2002的公开“Alternatives to scatterplots”中所描述的任何标绘技术。多维图形也可以是三维图形,例如,三维图形的z轴表示另一系列值。显示器180可以是用于直接示出三维图形的三维显示器,或者用于示出三维图形的二维表示的二维显示器。
图5示出了可以通过系统100将其建立在显示器180上的用户界面300的范例。用户界面300可以通过由可视化生成器160生成的可视化数据162来建立。将意识到,用户界面300可以允许用户向系统100提供输入。然而,用户界面300也可以,或者专门地,由系统100使用,用于向用户提供系统输出。用户界面300示出了第一散点图320,其比照y轴上的位移矢量122的幅值在x轴上展示变形值142。可视化数据162还可以建立位移矢量的幅值的第一直方图322,以及变形值的第二直方图324。在用户界面300中,在第一散点图320的侧面示出这些直方图,每个直方图在其x轴上示出范围,并且在其y轴上示出频率。
第一医学图像102和第二医学图像104可以是三维医学图像,并且位移矢量122可以是三维位移矢量。因而,位移矢量122可以被表达为幅值(即,矢量长度)和在三维空间中定义的角度的组合。在三维空间中定义的角度可以是所谓的极角,其针对每个矢量包括倾斜角和方位角θ的组合。虽然在图1中未示出,但是可视化生成器120可以被布置为用于生成另外的可视化数据,当所述另外的可视化数据被显示在显示器180上时,其在用户界面中建立第二散点图,以比照y轴上的倾斜角或者“phi”在x轴上展示方位角θ或者“theta”。图5的用户界面300示出了第二散点图340。所述另外的可视化数据还可以建立倾斜角的第三直方图342,以及方位角的第四直方图344。在第二散点图340的侧面示出这些直方图,每个直方图在其x轴上示出范围,并且在其y轴上示出频率。
用于生成图5中示出的散点图和直方图的医学图像是被诊断患有阿尔茨海默氏病的患者脑部体积的三维MRI图像,所述MRI图像对应于在由Clifford R.Jack等人在J Magn Reson Imaging.,vol.27(4),pp.685-691,April2008的公开“The alzheimer's disease neuroimaging initiative”中描述的所谓1.5T ADNI T1-加权MR脑部体积。图6示出了可以通过系统100将其建立在显示器180上的用户界面400的其他范例。图6的用户界面400类似于图5的用户界面300,除了用于生成图6中示出的散点图和直方图的医学图像是被诊断为没有患有阿尔茨海默氏病的患者脑部体积的三维MRI图像。因此,第一散点图360、第二散点图380、第一直方图362、第二直方图364、第三直方图382以及第四直方图384在外观上都与图5中示出的那些不同。
位移估计器120可以被布置为通过使用弹性配准技术来建立位移矢量122。具体而言,所述弹性配准技术可以是基于流体流动模型的模板匹配技术。在G.E.Christensen等人在IEEE Transactions on Image Processing,vol.5,no.10,pp.1435-1447,October1996的公开“De-formable templates using largedeformation kinematics”,中描述了这种技术的范例。
在这一技术中,为了将基线图像(例如,第一医学图像102)与后续图像(例如,第二医学图像104)相匹配,通过三维位移矢量u来将模板中的像素x-u移动至研究中的像素x。所述位移矢量u可以通过求解以下方程而计算出来:
(1)
这里,t使各个像素当它们从基线图像位置“变形”到后续图像位置时所勾画出的路径参数化。速度v可以通过所谓的修正纳维尔-斯托克斯(Navier-Stokes)方程来计算:
(2)
其中λ和μ是常数,并且b是“体力(body force)”,其引起变形并且通过以下定义:
(3) b[x,u(x,t)]=-α(T[x-u(x,t)]-S(x))ΔT|x-u(x,t)
这里,T和S分别是(变形的)基线和后续图像的强度。以上的方程(1)、(2)和(3)可以被离散化并且迭代求解,例如,使用在数值线性代数领域中已知的所谓的逐次超松弛(SOR)方法。然而,将意识到,也可以使用在图像配准、光流以及运动估计领域中已知的任何适当技术来建立位移矢量。
uz=|u|cosθ
变形估计器140可以被布置为通过计算所谓的雅可比行列式J来建立变形值142,所述雅可比行列式指示第一部分是收缩的(J<1),或者是扩张的(J>1),并且也指示其发生的比率。可以计算雅可比作为位移矢量u加上单位矩阵的空间导数:
(5)
所述雅可比和雅可比行列式在矢量计算领域中是已知的,并且可以用于计算第一部分相对于第二部分的扩张和/或收缩。然而,将意识到,也可以使用任何适当的技术来建立位移值142。例如,可以将任何其他基于微分的函数应用于位移矢量122。
图7示出了系统400,其包括在图1中示出的系统100的变形估计器140和可视化生成器160。所述系统400还包括用户输入部440,其用于使用户能够选择第一医学图像的第一部分。用户可以通过操作计算机鼠标、键盘等来选择第一部分。通过系统400在显示器上显示反馈,在操作计算机鼠标、键盘等期间,用户可以获得所述反馈。用户的选择命令可导致选择数据442被发送到位移估计器460。出于该目的,位移估计器460被示为与用户输入部440连接,用于接收选择数据442。因此,例如,当医学图像是脑部体积图像时,用户可以选择所述脑部体积中的海马体或者脑室。第一部分可以是三维第一部分,例如,盒形部分。除了用户输入部440之外,或者可选地,系统400还可以包括感兴趣区域检测器,其用于检测第一医学图像中的感兴趣区域。所述感兴趣区域检测器然后可以建立所述感兴趣区域作为第一部分。
系统400还包括图像插值器420,其用于根据第一医学图像102和第三医学图像106生成插值医学图像404。第三医学图像106可以由所述系统通过例如从系统400的输入部接收第三医学图像160来获得。所述插值医学图像404是中间医学图像,其反映在第一医学图像102和第三医学图像106之间的解剖结构的状态。为了生成插值医学图像404,图像插值器420可以使用来自例如时间图像插值以及图像变形领域中的任何适当的技术。图像插值器420然后建立插值医学图像404作为第二医学图像,以便在位移估计器460中进一步使用。
尽管在图7中被示为分离的部件,但是图像插值器420可以是位移估计器460的一部分。具体而言,当位移估计器460采用前述Christensen等人的基于流体流动模型的模板匹配技术时,建立位移矢量122的功能可以允许针对第一医学图像102与第三医学图像106之间的任意数量的中间医学图像来建立位移矢量122。具体而言,在Christensen等人的技术中,解剖结构可以在N个步骤中在“基线”或者初始解剖结构(即第一医学图像102)和“后续”或者最终解剖结构(即,第三医学图像106)之间变形,其中,每个步骤被描述为在内部空间中的轨迹中的点。这N个步骤是实际医学图像之间的解剖结构的中间表示,并且因而它们描述了在关于解剖结构的信息中的N倍增大。
系统400被布置为相对于解剖结构的至少一个中间表示来建立多维图形。用户输入部440可以使用户能够选择特定一个中间表示。系统400也可以针对N个中间表示的子集或者所有N个中间表示来建立多维图形。因而,对于每个所述中间表示,可以通过可视化来建立雅可比行列式。
图8a-8d示出了针对四个前述中间表示而建立的二维散点图500、520、540、560的范例。所述散点图500、520、540、560因而对应于第一医学图像的第一部分相对于每个中间表示的位移和变形。例如,当将图8a的散点图500与图8d的散点图560相比较时,该图示出了散点图的轮廓中的明显差别。这可以允许临床医生在视觉上获得与例如患者脑部一部分中的萎缩的发生有关的信息。将意识到,所述系列二维散点图500、520、540、560可以被可视化为三维散点图,其中,x轴表示变形值,y轴表示位移矢量的幅值并且z轴表示时间轴。
尽管在图7中未示出,但是系统400也可以包括图像处理器,其用于预处理任意或者所有的第一医学图像102、第二医学图像104和第三医学图像106。所述图像处理器可以通过执行任意或者所有的以下步骤而被布置用于所述预处理:
1.用于移除由于例如MRI扫描设备的缺陷或者固有特性引起的图像亮度不均匀的偏置场移除。
2.用于通过例如医学图像的旋转和平移而将医学图像对齐的刚性配准。
3.用于移除颅骨结构的颅骨移除,所述颅骨结构可以存在于医学图像中,并且可以不与例如萎缩的确定相关;
4.用于将医学图像缩放至同等强度范围的线性强度缩放;以及
5.用于移除医学图像之间的强度差别的直方图均衡化,其在强度缩放之后可以保留具有比周围组织的强度值显著更高或者更低的强度值的像素的预期出现。
图像处理器和变型估计器122也可以被布置为连带地迭代前述刚性配准步骤以及建立变形值122,当前迭代步骤的变形值122用于后续迭代步骤的刚性配准中。当变形值122已经收敛到某个状态或者当获得的医学图像之间的某个匹配误差比阈值匹配误差更低时,所述迭代可以结束。
图2示出了处理医学图像的方法200,所述方法包括获得220第一医学图像和第二医学图像,所述第一医学图像和第二医学图像是解剖结构的刚性配准医学图像;建立240针对第一医学图像的至少第一部分的位移矢量,所述位移矢量将第一医学图像的第一部分与第二医学图像的第二部分相匹配;根据该位移矢量建立260针对所述第一部分的变形值,所述变形值表示第一部分相对于第二部分的变形;以及生成280可视化数据,当所述可视化数据被显示在显示器上时,所述可视化数据用于建立多维图形,所述多维图形包括作为第一变量的位移矢量的幅值以及作为第二变量的扩张值。
将意识到,本发明也适用于适于将本发明付诸实践的计算机程序,尤其是载体上或者载体中的计算机程序。所述程序可以是源代码、目标代码、代码中间源的形式,并且可以是诸如部分编译形式的目标代码形式,或者是适于在实现根据本发明的方法中使用的任何其他形式。也将意识到,这种程序可以具有很多不同的架构设计。例如,实现根据本发明的方法或者系统的功能的程序代码可以被再细分为一个或者更多的子例程。对本领域技术人员而言,将该功能分布于这些子例程之中的很多不同方式将是显而易见的。所述子例程可以共同存储在一个可执行文件中,以形成自包含程序。这种可执行文件可以包括计算机可执行指令,例如,处理器指令和/或解释器指令(例如,Java解释器指令)。备选地,一个或多个子例程或者所有子例程可以存储在至少一个外部库文件中,并且例如在运行时与主程序静态或者动态地链接。该主程序包含对至少一个子例程的至少一个调用。所述子例程也可以包括对彼此的函数调用。涉及计算机程序产品的实施例包括与在本文中提出的至少一个方法的每个处理步骤相对应的计算机可执行指令。这些指令可以被再细分为子例程和/或被存储在可以被静态或者动态链接的一个或多个文件中。涉及计算机程序产品的另一实施例包括与在本文中提出的至少一个系统和/或产品的每个装置相对应的计算机可执行指令。这些指令可以被再细分为子例程和/或被存储在可以被静态或者动态链接的一个或多个文件中。
计算机程序的载体可以是能够携载程序的任何实体或者设备。例如,所述载体可以包括存储器介质,诸如ROM,例如CD ROM或者半导体ROM,或者磁性记录介质,例如硬盘。此外,所示载体可以是可传送载体,诸如,电或光信号,其可以经由电缆或光缆或者通过无线电或其他手段进行传播。当程序包含于这种信号中时,所述载体可以由这样的缆线或者其他设备或装置构成。备选地,所述载体可以是其中嵌入有程序的集成电路,所述集成电路适于执行相关方法,或者在相关方法的执行中使用。
应当注意的是,以上提及的实施例举例说明而不是限制本发明,并且本领域技术人员将能够设计出很多可选实施例,而不偏离所附权利要求的范围。在权利要求中,放入圆括号之间的任何附图标记不应被解释为限制权利要求。动词“包括”及其词形变化的使用不排除存在权利要求所记录的那些部件或步骤之外的部件或步骤。在部件前面的冠词“一”或“一个”不排除存在多个这样的部件。本发明可以通过包括若干截然不同的部件的硬件以及通过被适当编程的计算机来实现。在列举若干装置的设备权利要求中,这些装置中的若干装置可以具体实现为一个以及相同的硬件项。有些手段记载在相互不同的从属权利要求中,这一事实并不表示不能用这些手段的组合来获益。
Claims (14)
1.一种用于处理医学图像的系统(100、400),所述系统被布置为获得第一医学图像(102)和第二医学图像(104),所述第一医学图像和所述第二医学图像是解剖结构的刚性配准医学图像,并且所述系统包括:
-位移估计器(120、460),其用于建立针对所述第一医学图像的至少第一部分的位移矢量(122),所述位移矢量将所述第一医学图像的所述第一部分与所述第二医学图像的第二部分相匹配;
-变形估计器(140),其用于根据所述位移矢量来建立针对所述第一部分的变形值(142),所述变形值表示所述第一部分相对于所述第二部分的变形;以及
-可视化生成器(160),其用于生成可视化数据(162),当所述可视化数据被显示在显示器(180)上时,所述可视化数据用于建立多维图形(182、320、360),所述多维图形包括作为第一变量(184)的所述位移矢量的幅值(123)以及作为第二变量(186)的所述变形值。
2.如权利要求1所述的系统(100、400),其中,所述第一医学图像(102)和所述第二医学图像(104)是三维[3D]医学图像,所述位移矢量(122)是3D位移矢量,并且所述多维图形是二维[2D]图形(182、320、360)。
3.如权利要求2所述的系统(100、400),其中,所述2D图形是2D散点图(182、320、360)。
4.如权利要求2所述的系统(100、400),其中,所述可视化生成器(160)被布置为生成另外的可视化数据,当所述另外的可视化数据被显示在所述显示器(180)上时,其用于建立另外的2D图形(340、380),所述另外的2D图形包括作为第一变量的所述位移矢量(122)的倾斜角,以及作为第二变量的所述位移矢量的方位角。
5.如权利要求1所述的系统(100、400),其中,所述变形值(142)表示所述第一部分相对于所述第二部分的扩张和/或收缩。
6.如权利要求5所述的系统(100、400),其中,所述变形估计器(140)被布置为通过将基于微分的函数应用于所述位移矢量(122)来建立所述变形值(142)。
7.如权利要求6所述的系统(100、400),其中,应用所述基于微分的函数包括(i)根据所述位移矢量(122)来计算雅可比矩阵,以及(ii)计算所述雅可比矩阵的行列式。
8.如权利要求1所述的系统(100、400),其中,所述位移估计器(120、460)被布置为使用弹性配准技术来建立所述位移矢量(122)。
9.如权利要求1所述的系统(400),其中,所述系统还包括用户输入部(440),其用于使用户能够选择所述第一医学图像(102)的所述第一部分。
10.如权利要求1所述的系统(400),其中,所述系统被布置为获得第三医学图像(106),并且其中,所述系统还包括图像插值器(420),其用于(i)根据所述第一医学图像(102)和所述第三医学图像来生成插值医学图像(404),以及(ii)建立所述插值医学图像作为所述第二医学图像。
11.如权利要求1所述的系统(100、400),其中,所述可视化生成器(160)还被布置为生成所述可视化数据,当所述可视化数据被显示在所述显示器(180)上时,所述可视化数据用于建立所述位移矢量的所述幅值(123)的第一直方图(322、362)和/或所述变形值(142)的第二直方图(324、364)。
12.一种包括如权利要求1所述的系统的工作站或者成像装置。
13.一种处理医学图像的方法(200),所述方法包括:
-获得(220)第一医学图像和第二医学图像,所述第一医学图像和所述第二医学图像是解剖结构的刚性配准医学图像;
-建立(240)针对所述第一医学图像的至少第一部分的位移矢量,所述位移矢量将所述第一医学图像的所述第一部分与所述第二医学图像的第二部分相匹配;
-根据所述位移矢量来建立(260)针对所述第一部分的变形值,所述变形值表示所述第一部分相对于所述第二部分的变形;以及
-生成(280)可视化数据,当所述可视化数据被显示在显示器上时,所述可视化数据用于建立多维图形,所述多维图形包括作为第一变量的所述位移矢量的幅值以及作为第二变量的扩张值。
14.一种包括用于使处理器系统执行如权利要求13所述的方法的指令的计算机程序产品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP11164082A EP2518690A1 (en) | 2011-04-28 | 2011-04-28 | Medical image processing system and method |
EP11164082.7 | 2011-04-28 | ||
PCT/IB2012/051917 WO2012147011A1 (en) | 2011-04-28 | 2012-04-17 | Medical image processing system and method |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103493098A true CN103493098A (zh) | 2014-01-01 |
CN103493098B CN103493098B (zh) | 2017-06-13 |
Family
ID=44312366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280020631.9A Expired - Fee Related CN103493098B (zh) | 2011-04-28 | 2012-04-17 | 医学图像处理系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9547895B2 (zh) |
EP (2) | EP2518690A1 (zh) |
JP (1) | JP6093347B2 (zh) |
CN (1) | CN103493098B (zh) |
WO (1) | WO2012147011A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745467A (zh) * | 2014-01-07 | 2014-04-23 | 东南大学 | 一种基于数字体积相关法的三维图像配准方法 |
CN104077780A (zh) * | 2014-07-07 | 2014-10-01 | 上海电力学院 | 一种基于分割的医学图像非刚性配准算法性能评价方法 |
CN110599442A (zh) * | 2019-07-01 | 2019-12-20 | 兰州大学 | 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9741166B2 (en) * | 2012-11-24 | 2017-08-22 | Novarad Corporation | Generation and viewing of panoramic images |
DE102013205278A1 (de) * | 2013-03-26 | 2014-10-02 | Siemens Aktiengesellschaft | Verfahren zur Darstellung von Signalwerten eines kombinierten Magnetresonanz-Positronenemissionstomographie-Geräts sowie entsprechend ausgestaltetes Magnetresonanz-Positronenemissionstomographie-Gerät |
KR101579111B1 (ko) * | 2014-02-24 | 2015-12-21 | 삼성전자주식회사 | 영상 진단 방법, 장치 및 기록매체 |
US10470000B2 (en) | 2016-02-12 | 2019-11-05 | Samsung Electronics Co., Ltd. | Methods and apparatus for enhanced MBMS content provisioning and content ingestion |
CN106251359A (zh) * | 2016-08-09 | 2016-12-21 | 南通大学 | 基于Clifford代数几何相对不变量的3D图像配准方法 |
CN109308717B (zh) * | 2016-08-09 | 2022-04-26 | 南通大学 | 基于直观几何特征的三维医学图像简化配准方法 |
CN109669196B (zh) * | 2019-02-21 | 2022-07-12 | 哈尔滨工程大学 | 一种顾及基线形变的多天线gnss载波相位精密测姿方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101809620A (zh) * | 2007-08-01 | 2010-08-18 | 德普伊矫形外科有限责任公司 | 通过标志跟踪对运动伪像进行图像处理 |
Family Cites Families (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5542003A (en) * | 1993-09-13 | 1996-07-30 | Eastman Kodak | Method for maximizing fidelity and dynamic range for a region of interest within digitized medical image display |
US6366797B1 (en) | 1998-08-25 | 2002-04-02 | The Cleveland Clinic Foundation | Method and system for brain volume analysis |
JP2000185036A (ja) * | 1998-12-24 | 2000-07-04 | Toshiba Corp | 医用画像表示装置 |
GB2357649A (en) * | 1999-12-22 | 2001-06-27 | Nokia Mobile Phones Ltd | Image enhancement using inverse histogram based pixel mapping |
JP4109076B2 (ja) * | 2002-06-06 | 2008-06-25 | Sriスポーツ株式会社 | 曲面体の回転量と回転軸方向の測定方法、及び、曲面体の回転量と回転軸方向の測定装置 |
EP1624921A4 (en) * | 2003-04-28 | 2008-12-31 | Univ Vanderbilt | DEVICE AND METHOD FOR THE OPTIMUM PLACEMENT OF A DEEP BRAIN STIMULATOR |
US8111947B2 (en) * | 2004-06-08 | 2012-02-07 | Canon Kabushiki Kaisha | Image processing apparatus and method which match two images based on a shift vector |
US8233681B2 (en) * | 2004-09-24 | 2012-07-31 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer program products for hierarchical registration between a blood vessel and tissue surface model for a subject and a blood vessel and tissue surface image for the subject |
US7872654B2 (en) * | 2004-11-15 | 2011-01-18 | Dreamworks Animation Llc | Animating hair using pose controllers |
JP2006141534A (ja) | 2004-11-17 | 2006-06-08 | Hitachi Medical Corp | 医用画像表示装置 |
US7792343B2 (en) | 2004-11-17 | 2010-09-07 | Koninklijke Philips Electronics N.V. | Elastic image registration functionality |
US20090030332A1 (en) * | 2005-01-26 | 2009-01-29 | Schecter Stuart O | microfabricated cardiac sensor with tactile feedback and method and apparatus for calibrating the same using a plurality of signals |
WO2006087981A1 (ja) * | 2005-02-15 | 2006-08-24 | Olympus Corporation | 医用画像処理装置、管腔画像処理装置、管腔画像処理方法及びそれらのためのプログラム |
JP2006239195A (ja) | 2005-03-04 | 2006-09-14 | Fuji Photo Film Co Ltd | コンピュータによる画像診断支援方法および画像診断支援装置ならびにプログラム |
JP2006271800A (ja) * | 2005-03-30 | 2006-10-12 | Konica Minolta Medical & Graphic Inc | 画像処理装置、画像処理方法及び画像処理プログラム |
US8050734B2 (en) * | 2005-09-07 | 2011-11-01 | General Electric Company | Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure |
EP1949335A1 (en) * | 2005-11-10 | 2008-07-30 | Philips Intellectual Property & Standards GmbH | Adaptive point-based elastic image registration |
ATE470921T1 (de) * | 2005-12-14 | 2010-06-15 | Koninkl Philips Electronics Nv | Verfahren und einrichtung zum miteinander in beziehung setzen von medizinischen 3d-datenbild- ansichtsebenen |
US8188971B2 (en) * | 2006-03-15 | 2012-05-29 | Kabushiki Kaisha Toshiva | Medical image interpreting apparatus and cursor-moving method |
US7813537B2 (en) * | 2006-05-15 | 2010-10-12 | Siemens Medical Solutions Usa, Inc. | Motion-guided segmentation for cine DENSE images |
US8086010B2 (en) * | 2006-06-30 | 2011-12-27 | Kabushiki Kaisha Toshiba | Medical image diagnosis apparatus and the control method thereof |
US7646936B2 (en) * | 2006-10-03 | 2010-01-12 | Varian Medical Systems International Ag | Spatially variant image deformation |
US7940970B2 (en) * | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging, Ltd | Method and system for automatic quality control used in computerized analysis of CT angiography |
US7769219B2 (en) * | 2006-12-11 | 2010-08-03 | Cytyc Corporation | Method for assessing image focus quality |
US7778488B2 (en) * | 2007-03-23 | 2010-08-17 | Varian Medical Systems International Ag | Image deformation using multiple image regions |
EP1990768A1 (en) | 2007-05-11 | 2008-11-12 | INSERM (Institut National de la Santé et de la Recherche Médicale) | Method for analysing an image of the brain of a subject, computer program product for analysing such image and apparatus for implementing the method |
JP2008307184A (ja) * | 2007-06-13 | 2008-12-25 | Fujifilm Corp | 画像処理装置および画像処理プログラム |
JP4921253B2 (ja) * | 2007-06-13 | 2012-04-25 | 富士フイルム株式会社 | 画像処理装置および画像処理プログラム |
DE102007037726B4 (de) * | 2007-08-09 | 2010-07-08 | Lavision Gmbh | Verfahren zur berührungslosen Messung von Verformungen einer Oberfläche eines Messobjektes |
US20100256494A1 (en) * | 2007-11-16 | 2010-10-07 | Takashi Azuma | Ultrasonic imaging system |
DE102007059602A1 (de) * | 2007-12-11 | 2009-06-18 | Siemens Ag | Bewegungskorrektur von tomographischen medizinischen Bilddaten eines Patienten |
WO2009097612A1 (en) | 2008-01-31 | 2009-08-06 | The Johns Hopkins University | Automated image analysis for magnetic resonance imaging |
RU2460187C2 (ru) * | 2008-02-01 | 2012-08-27 | Рокстек Аб | Переходная рама с встроенным прижимным устройством |
JP5138431B2 (ja) * | 2008-03-17 | 2013-02-06 | 富士フイルム株式会社 | 画像解析装置および方法並びにプログラム |
US8433114B2 (en) * | 2008-09-10 | 2013-04-30 | Siemens Aktiengesellschaft | Method and system for elastic composition of medical imaging volumes |
KR101221451B1 (ko) * | 2008-12-22 | 2013-01-11 | 한국전자통신연구원 | 다시점 영상기반 동적 개체의 디지털 클론 생성 방법 |
EP2389663B1 (en) * | 2009-01-22 | 2018-10-31 | Koninklijke Philips N.V. | Pixel-feature hybrid fusion for pet/ct images |
JP2010279601A (ja) | 2009-06-05 | 2010-12-16 | Toshiba Corp | 磁気共鳴イメージング装置、画像表示装置および画像表示システム |
JP5584441B2 (ja) * | 2009-08-20 | 2014-09-03 | アズビル株式会社 | ボリュームデータ間の対応付け方法 |
US20110081054A1 (en) * | 2009-10-02 | 2011-04-07 | Harris Corporation | Medical image analysis system for displaying anatomical images subject to deformation and related methods |
US20110081061A1 (en) * | 2009-10-02 | 2011-04-07 | Harris Corporation | Medical image analysis system for anatomical images subject to deformation and related methods |
US20110081055A1 (en) * | 2009-10-02 | 2011-04-07 | Harris Corporation, Corporation Of The State Of Delaware | Medical image analysis system using n-way belief propagation for anatomical images subject to deformation and related methods |
JP5546230B2 (ja) * | 2009-12-10 | 2014-07-09 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
EP2369551B1 (en) * | 2010-03-25 | 2019-10-30 | Emory University | Imaging system and method |
US9142061B2 (en) * | 2011-01-26 | 2015-09-22 | Rutgers, The State University Of New Jersey | Fluid flow analysis for cardiovascular diagnostics |
WO2012109658A2 (en) * | 2011-02-11 | 2012-08-16 | Emory University | Systems, methods and computer readable storage mediums storing instructions for segmentation of medical images |
US9020229B2 (en) * | 2011-05-13 | 2015-04-28 | Broncus Medical, Inc. | Surgical assistance planning method using lung motion analysis |
US9773311B2 (en) * | 2011-06-29 | 2017-09-26 | The Regents Of The University Of Michigan | Tissue phasic classification mapping system and method |
WO2013006506A1 (en) * | 2011-07-01 | 2013-01-10 | The Regents Of The University Of Michigan | Pixel and voxel-based analysis of registered medical images for assessing bone integrity |
WO2013078370A1 (en) * | 2011-11-23 | 2013-05-30 | The Regents Of The University Of Michigan | Voxel-based approach for disease detection and evolution |
US20130315448A1 (en) * | 2012-03-28 | 2013-11-28 | Evan Fletcher | Systems and methods for measuring longitudinal brain change incorporating boundary-based analysis with tensor-based morphometry |
JP6225636B2 (ja) * | 2013-10-22 | 2017-11-08 | コニカミノルタ株式会社 | 医用画像処理装置及びプログラム |
-
2011
- 2011-04-28 EP EP11164082A patent/EP2518690A1/en not_active Withdrawn
-
2012
- 2012-04-17 US US14/113,733 patent/US9547895B2/en active Active
- 2012-04-17 JP JP2014506958A patent/JP6093347B2/ja not_active Expired - Fee Related
- 2012-04-17 CN CN201280020631.9A patent/CN103493098B/zh not_active Expired - Fee Related
- 2012-04-17 EP EP12721350.2A patent/EP2702557B1/en active Active
- 2012-04-17 WO PCT/IB2012/051917 patent/WO2012147011A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101809620A (zh) * | 2007-08-01 | 2010-08-18 | 德普伊矫形外科有限责任公司 | 通过标志跟踪对运动伪像进行图像处理 |
Non-Patent Citations (5)
Title |
---|
ANDREW L. JANKE等: "4D Deformation Modeling of Cortical Disease Progression in Alzheimer’s Dementia", 《MAGNETIC RESONANCE IN MEDICINE》 * |
MING-CHANG CHIANG等: "3D pattern of brain atrophy in HIV/AIDS visualized using tensor-based morphometry", 《NEUROIMAGE》 * |
OLIVIER CLATZ等: "Robust Nonrigid Registration to Capture Brain Shift From Intraoperative MRI", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
P. PIEPERHOFF等: "Detection of structural changes of the human brain in longitudinally acquired MR images by deformation field morphometry: Methodological analysis, validation and application", 《NEUROIMAGE》 * |
T. HARTKENS等: "Measurement and Analysis of Brain Deformation During Neurosurgery", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745467A (zh) * | 2014-01-07 | 2014-04-23 | 东南大学 | 一种基于数字体积相关法的三维图像配准方法 |
CN103745467B (zh) * | 2014-01-07 | 2016-08-17 | 东南大学 | 一种基于数字体积相关法的三维图像配准方法 |
CN104077780A (zh) * | 2014-07-07 | 2014-10-01 | 上海电力学院 | 一种基于分割的医学图像非刚性配准算法性能评价方法 |
CN104077780B (zh) * | 2014-07-07 | 2017-03-15 | 上海电力学院 | 一种基于分割的医学图像非刚性配准算法性能评价方法 |
CN110599442A (zh) * | 2019-07-01 | 2019-12-20 | 兰州大学 | 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 |
CN110599442B (zh) * | 2019-07-01 | 2022-08-12 | 兰州大学 | 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 |
Also Published As
Publication number | Publication date |
---|---|
EP2702557A1 (en) | 2014-03-05 |
WO2012147011A1 (en) | 2012-11-01 |
CN103493098B (zh) | 2017-06-13 |
US9547895B2 (en) | 2017-01-17 |
EP2518690A1 (en) | 2012-10-31 |
EP2702557B1 (en) | 2018-09-26 |
JP6093347B2 (ja) | 2017-03-08 |
US20140044329A1 (en) | 2014-02-13 |
JP2014516637A (ja) | 2014-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103493098A (zh) | 医学图像处理系统和方法 | |
Schnabel et al. | Validation of nonrigid image registration using finite-element methods: application to breast MR images | |
Tobon-Gomez et al. | Benchmarking framework for myocardial tracking and deformation algorithms: An open access database | |
Hartkens et al. | Measurement and analysis of brain deformation during neurosurgery | |
Ceritoglu et al. | Multi-contrast large deformation diffeomorphic metric mapping for diffusion tensor imaging | |
US9262583B2 (en) | Image similarity-based finite element model registration | |
Ferrant et al. | Serial registration of intraoperative MR images of the brain | |
EP2369551B1 (en) | Imaging system and method | |
CN104424647A (zh) | 用于对医学图像进行配准的方法和设备 | |
Crouch et al. | Automated finite-element analysis for deformable registration of prostate images | |
Warfield et al. | Real-time biomechanical simulation of volumetric brain deformation for image guided neurosurgery | |
Schreibmann et al. | Narrow band deformable registration of prostate magnetic resonance imaging, magnetic resonance spectroscopic imaging, and computed tomography studies | |
US20140064588A1 (en) | Quantifying curvature of biological structures from imaging data | |
Alam et al. | Evaluation of medical image registration techniques based on nature and domain of the transformation | |
Man et al. | Machine learning for liver and tumor segmentation in ultrasound based on labeled ct and mri images | |
EP2483864A1 (en) | Medical image analysis system for displaying anatomical images subject to deformation and related methods | |
Fourcade et al. | Deformable image registration with deep network priors: a study on longitudinal PET images | |
Batchelor et al. | 3D medical imaging | |
Leung et al. | A real-time intrasubject elastic registration algorithm for dynamic 2-D ultrasound images | |
Li et al. | 3D and 4D medical image registration combined with image segmentation and visualization | |
Wu et al. | Cardiac motion recovery using an incompressible B-solid model | |
Liu et al. | Estimating nonrigid motion from inconsistent intensity with robust shape features | |
Dirks et al. | Automated threshold selection on whole-body 18F-FDG PET/CT for assessing tumor metabolic response | |
Courtecuisse et al. | Computational Biomechanics of the Brain in the Operating Theatre | |
Warfield et al. | Capturing brain deformation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170613 |
|
CF01 | Termination of patent right due to non-payment of annual fee |