CN103845056A - 用于评估图像数据组的方法 - Google Patents
用于评估图像数据组的方法 Download PDFInfo
- Publication number
- CN103845056A CN103845056A CN201310624594.9A CN201310624594A CN103845056A CN 103845056 A CN103845056 A CN 103845056A CN 201310624594 A CN201310624594 A CN 201310624594A CN 103845056 A CN103845056 A CN 103845056A
- Authority
- CN
- China
- Prior art keywords
- image data
- magnetic resonance
- data set
- data group
- resonance image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 39
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 31
- 238000010276 construction Methods 0.000 claims description 35
- 230000010412 perfusion Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 210000004072 lung Anatomy 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000036541 health Effects 0.000 claims description 2
- 238000005295 random walk Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 3
- 230000000877 morphologic effect Effects 0.000 abstract description 3
- 238000002595 magnetic resonance imaging Methods 0.000 abstract 2
- 238000002600 positron emission tomography Methods 0.000 abstract 1
- 238000002591 computed tomography Methods 0.000 description 6
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000002685 pulmonary effect Effects 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 206010003598 Atelectasis Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 208000035269 cancer or benign tumor Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10084—Hybrid tomography; Concurrent acquisition with multiple different tomographic modalities
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
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)
Abstract
一种用于评估利用为了在共同的坐标系中拍摄磁共振图像数据和正电子发射断层造影数据而构造的组合图像拍摄装置（20）拍摄的图像数据组（2，5，6）、以用于确定在人体的目标区域中的目标结构的，特别是肿瘤（9）的位置和范围的方法，其中，利用组合图像拍摄装置拍摄目标区域的PET图像数据组（2）、功能磁共振图像数据组（5）和其位置分辨率高于功能磁共振图像数据组的形态学磁共振图像数据组（6），然后在PET图像数据组中定位目标结构的中心、特别是中心区域和/或中心点，将该中心传输到功能磁共振图像数据组，从该中心出发分割功能磁共振图像数据组中的目标结构，将该分割传输到形态学磁共振图像数据组并且在那里在细分割的范围内改善。
Description
技术领域
本发明涉及一种用于评估利用为了在共同的坐标系中拍摄磁共振图像数据和正电子发射断层造影数据而构造的组合图像拍摄装置拍摄的图像数据组、以用于确定在人体的目标区域中的目标结构的，特别是肿瘤的位置和范围（Ausdehnung）的方法。此外，本发明还涉及一种组合图像拍摄装置和计算机程序。
背景技术
通常也称为混合模态的组合图像拍摄装置对于正电子发射断层造影（PET）来说在现有技术中是已经广泛公知的。公知的组合图像拍摄装置包含与磁共振图像数据或计算机断层造影图像数据（CT图像数据）一起拍摄PET图像数据的可能性。形成的相应的图像数据组由于在唯一的装置中的拍摄而在重建之后在相同的坐标系中呈现。纯粹的PET图像拍摄装置越来越频繁地通过这样的组合图像拍摄装置排挤，因为组合图像拍摄装置共同地提供关于待检查的器官的解剖的和功能的信息。
通常采用这样的设备用于监视和用于规划治疗。例如在肿瘤的射线治疗中重要的是，将肿瘤作为目标体积精确地定位和界定，以便能够很好地规划辐照场。在例如借助RECIST（Response Evaluation Criteria in Solid Tumors）评价治疗成功时，也必须精确界定肿瘤，以便获得正确的结果。
在这些情况下或在其中要确定人体中目标结构的范围的类似情况下，已知的是，使用PET图像数据组首先用于找到目标结构、特别是肿瘤。这一点由于PET的高灵敏度而是很可能的。然后将目标结构在CT或MR图像数据组中根据高的位置分辨率再次分割。PET图像数据组中的精确分割是不可能的，因为PET的位置分辨率是相对差的并且信噪比通常是低的。而且目标结构通常不均匀地增长。由于这些问题，目标结构在PET中通常没有清楚的、特别是可自动确定的界限，从而分割通过用户主观地进行并且在不同的用户情况下引起明显不同的结果。
根据在相同的时间段中完成的形态学CT及MR拍摄，虽然分割可以变得更简单，但是在这些图像数据组中目标结构通常是不能明显识别的或者本身不可清楚地界定。
该问题特别地在肺部肿瘤的情况下出现。与该疾病有关地通常出现空气路径的移动或者对周围组织产生压力，该周围组织于是不再有气体。该状态称为“肺膨胀不全”。肺膨胀不全在CT或MR图像中看起来就像其他软组织（软组织密度）并且由此与肿瘤亮度相同。在PET中虽然可以很好识别在肺膨胀不全内的肿瘤，但是由于提到的原因而不能足够精确地界定。
另一个有问题的区域是脑瘤。实际的肿瘤与周围组织改变（水肿）很难界定。在PET中很好识别肿瘤，然而在其空间范围方面又不能很好确定。在功能磁共振图像数据组中可以更好地在空间上确定肿瘤，然而完全的、所需的位置分辨率仅从形态学图像得到。
为了更好确定肿瘤的或其他目标结构的空间边界也已经建议，使用特定的磁共振对比度。例如参见M.Horn et al.的文章“Dynamic contrast-enhanced MRimaging for differentiation of rounded atelectasis from neoplasm”,JMRI31:1364-1370(2010)。然而在这样的工作方式中缺乏仅能通过PET提供的、关于组织的活性状态的信息。
发明内容
本发明要解决的技术问题是，提供一种获得关于人体中的目标结构的位置和范围的更精确的空间信息的可能性。
为了解决上述技术问题，在开头提到的那种方法中按照本发明设置成，利用组合图像拍摄装置拍摄目标区域的PET图像数据组、功能磁共振图像数据组和其位置分辨率高于功能磁共振图像数据组的形态学磁共振图像数据组，然后在PET图像数据组中定位目标结构的中心、特别是中心区域和/或中心点，将该中心传输到功能磁共振图像数据组，从该中心出发分割功能磁共振图像数据组中的目标结构，将功能磁共振图像数据组中的目标结构的分割传输到形态学磁共振图像数据组并且在那里在细分割的范围内改善。
由此建议利用组合图像拍摄装置的、在此是MR-PET装置的优点，以便实现通过自动评估图像数据组来更好地确定目标结构的位置和范围。如果通过组合图像拍摄装置利用不同的模态拍摄图像数据组，则其在相同的坐标系中被重建，这意味着，具有相同坐标的体素示出相同的解剖结构。按照本发明的工作方式现在基于三个图像数据组。首先拍摄PET图像数据组，其按照小的位置分辨率和差的可界定性示出目标结构。然而很好地识别PET图像数据组中的目标结构。思路现在是，借助两个磁共振图像数据组来改善从PET图像数据组中粗略已知的目标结构的位置和范围，方法是，将对目标结构的已经已知的空间信息在各个图像数据组之间传输。
首先，也就是最终使用具有其低位置分辨率的PET图像数据组，以便能够识别目标结构并且至少能够空间地说明其中心。为了使得该粗略说明进一步精确，在第二步骤中使用更好分辨的功能磁共振图像数据组。其可以基于功能生物标记（灌注、扩散等），其中就肿瘤作为目标结构来说灌注图像数据组是优选的。一般地可以设置成，作为扩散加权的磁共振图像数据组和/或作为动态对比度增强磁共振图像数据组（DCE图像数据组，Dynamic Contrast Enhancement）和/或作为动脉自旋标记磁共振图像数据组（Arterial Spin Labeling，ASL图像数据组）和/或优选作为灌注磁共振图像数据组来拍摄功能磁共振图像数据组。用于拍摄这样的功能图像数据组的相应技术在现有技术中已经公知。
在该功能MR图像数据组中现在传输说明目标结构的粗略位置的中心，这由于一致的坐标系而容易实现。中心形成用于目标结构的分割的起始点，该分割由于磁共振图像数据组的功能特征而可以很好实现。但是根据按照本发明的方法现在还呈现另一个形态学磁共振图像数据组，其由此高分辨地示出人体的解剖结构，但是目标结构不明显。然而由于分割现在已经提供了一个相当精确的位置信息，其说明目标结构的位置和范围，从而形态学磁共振图像数据组适合于，将功能磁共振图像数据组中由于较小的位置分辨率而较粗略的分割细化并且由此改善。也就是将分割从功能磁共振图像数据组传输到形态学磁共振图像数据组，在那里在从功能磁共振图像数据组确定的目标结构的边界的窄的范围中可以寻找边，该边于是高分辨地反映了该边界。
以这种方式可以在使用组合图像拍摄装置的特殊特性和可能性的条件下完成可自动化的过程，该过程可以实现对目标结构的位置和范围的高度精确的确定，所述确定例如可以被用于后面进行的诊断、治疗规划或对治疗成功的评价。
具体地可以设置成，质子密度加权地和/或T1加权地和/或T2加权地拍摄形态学磁共振图像数据组。为了对作为目标结构的肿瘤成像，特别地提供T1加权，其中在检测肺部中的损伤的情况下质子密度加权是优选的，因为在那里由于许多出现的磁化率跳变而出现快速的信号衰减，从而提供短的回波时间。
优选地所述PET图像数据组和磁共振图像数据组可以至少部分地同时和/或在不运动的身体的情况下拍摄。由此尽可能降低在检查期间患者的运动的影响并且图像数据组是可以特别好地比较的。
为了确定中心可以设置成，选择目标结构的最大的正电子发射断层造影图像数据和/或基于阈值地分割中心区域。也就是中心的确定可以通过使用具有最高PET信号强度的体素来进行。以这种方式给出好的起始点，而不会可能选择太大的区域。但是也可以考虑，进行中心的确定，方法是，通过与阈值比较来选择具有特别高的PET信号强度的区域，即，中心区域。阈值在此应当这样来选择，使得虽然可能找到较大区域，但是其进一步可以理解为中心，即，中心区域。当然原则上也可以考虑用于从PET图像数据组中确定目标结构的中心的其他可能性，例如作为其中超过阈值的中心区域的重心来确定中心点。
为了进行功能磁共振图像数据组中的分割，合适地可以使用区域增长算法和/或随机行走算法（Random-Walker-Algorithmus）。在此，区域增长算法是优选的，其从中心出发向外寻找功能磁共振图像数据组中的目标结构的实际边界。这样的分割算法在现有技术中已经最大程度公知并且在此无需详细示出。
在本发明的优选构造中可以设置成，为了精细分割，在形态学磁共振图像数据组中在围绕在功能磁共振图像数据组中确定的边的搜索区域中搜索边。也就是定义一个搜索区域，其允许，在形态学磁共振图像数据组中在更精确的位置上找到从功能磁共振图像数据组中粗略公知的边。
在此特别有利的是，搜索区域在其大小上与功能磁共振图像数据组的体素相应。因为功能磁共振图像数据组的体素大小最终反映了尚存在的并且可以通过形态学磁共振图像数据组来改进的不精确性。例如功能磁共振图像数据组的体素相应于5mm的长度，而对于形态学磁共振图像数据组，体素具有1mm的边长，这样在形态学磁共振图像数据组的五个与在功能磁共振图像数据组中的边相邻的体素中搜索相应的边。特别地，搜索区域可以向内包括功能磁共振图像数据组的一半体素范围并且向外包括功能磁共振图像数据组的一半体素范围。
替换地或附加地可以设置成，搜索区域的大小可以通过用户设置。为此例如设置用户界面中的滑块（Schiebeleisten），在那里用户可以对于不同设置的搜索区域观察结果。
此外合适的是，根据描述局部噪声的噪声值确定用于在形态学磁共振图像数据组中检测边的阈值。在考虑噪声的条件下可以更好地判断，何时涉及的是边并且何时涉及的是噪声效果。这一点特别是重要的，因为在形态学磁共振图像数据组中目标结构只能差地识别。
由于该原因也可能在搜索区域中根本没有检测到边。优选地，在在搜索区域中没有可检测的边的情况下，保持在功能磁共振图像数据组中找到的目标结构的边界。这样不会变差。
按照本发明的方法特别有利地可以在肺部区域中被采用，当目标结构是肿瘤时。由此可以设置成，目标区域是肺并且质子加权地拍摄形态学磁共振图像数据组。如上面已经示出的，在肺部中得到短的回波时间，从而提供质子加权。合适地在这种情况下还可以设置成，作为灌注磁共振图像数据组来拍摄功能磁共振图像数据组。
除了该方法，本发明还涉及一种具有用于执行按照本发明的方法而构造的控制装置的组合图像拍摄装置。关于按照本发明的方法的全部叙述可以类似地转用到按照本发明的组合图像拍摄装置，从而利用其也可以获得相应的优点。
这样的组合图像拍摄装置通常也称为MR-PET装置，也就是构造为用于同时拍摄PET图像数据和磁共振图像数据。不同的构造形式在现有技术中公知，其中大多数在患者容纳处、可能在磁共振模态的组件之间，设置PET检测环。组合图像拍摄装置的运行由控制装置控制，所述控制装置现在执行按照本发明的方法，由此控制组合图像拍摄装置，所述组合图像拍摄装置拍摄三个图像数据组，并且分别然后相应评估。为此可以使用合适的硬件和软件组件。
最后本发明还涉及一种计算机程序，当其在计算装置上运行时，其实现按照本发明的方法的步骤。计算机程序可以存储在数据载体上，例如CD-ROM等。对于计算机程序也适合关于按照本发明的方法的描述。
附图说明
本发明的其他优点和细节从以下描述的实施例以及根据附图得到。其中，
图1示出按照本发明的方法的流程图，
图2示出在按照本发明的方法中用于定位目标结构的草图，和
图3示出按照本发明的组合图像拍摄装置。
具体实施方式
图1示出按照本发明的方法的实施例的流程图，利用所述方法要自动确定肺部的肿瘤的位置和范围。这一点可以用于例如通过辐照的治疗的准备，但是也可以用于肿瘤的分类或后面要通过医生进行的其他任务。
在患者、特别是不动地，被移动到可以用来拍摄磁共振图像数据以及正电子发射断层造影图像数据的组合图像拍摄装置中并且正确放置之后，在步骤1中在给予特别地在寻找的肿瘤中积聚的示踪物之后进行PET图像数据组的拍摄。平行于PET图像数据的拍摄在步骤3和4中拍摄磁共振图像数据组5和6，并且具体来说在步骤3中拍摄功能磁共振图像数据组5，其中现在使用灌注磁共振成像，并且在步骤4中拍摄形态学磁共振图像数据组6，现在是质子密度加权地拍摄。图像数据组2、5和6在不动的患者情况下部分地同时拍摄。因为使用组合图像拍摄装置，相应重建的图像数据组2、5和6互相配准，也就是特别地在相同的坐标系中呈现。
所有图像数据组2、5和6现在作为目标区域涉及肺。
图像数据组2、5和6现在被自动地评估，以确定肿瘤的位置和范围。为此首先在步骤7中从PET图像数据组2中确定作为目标结构的肿瘤的中心、在此是中心点。这一点示意性借助图2中的第一子图8详细示出。那里粗略示出肿瘤9，PET图像数据组2的大的体素10重叠于其上。在肿瘤9内部的位置处明显呈现更高的PET信号强度。作为中心点现在选择体素10a，其具有最大的信号强度，由此最大的正电子发射断层造影图像数据。在PET图像数据组2与在其中也可以界定肿瘤9的功能磁共振图像数据组5配准之后，体素10a的位置也可以传输到功能磁共振图像数据组5中，如这一点在图2的第二子图11中所示。这一点在步骤12（图1）中进行。在步骤12中还从中心点出发应用区域增长算法，以分割肿瘤9。因为在功能磁共振图像数据组5中位置分辨率也还不是最佳的，人们获得边界13作为结果。
为了进一步改进该粗略分割，现在在步骤14（图1）中，在磁共振图像数据组5、6也互相配准之后，将边界13作为分割结果传输到形态学磁共振图像数据组6，参见图2的子图15。在步骤14中然后也定义搜索区域，其与功能磁共振图像数据组5的体素大小相应。这一点通过图2中的放大的区域16详细示出。搜索区域在功能磁共振图像数据组5中从边界13出发向分别作为体素范围的一半的两边定义，这通过线17示出。也就是例如可以检查形态学磁共振图像数据组6的五至十个体素。在搜索区域内部现在在形态学磁共振图像数据组6中、特别是在与边界13垂直的搜索方向上，搜索相应的边，所述边描述了肿瘤9的实际边界18。在此考察取决于在形态学磁共振图像数据组6中的局部噪声的阈值，以便能够找到边。
如果在搜索区域中找到边，则该边作为分割的改善而被设置为肿瘤9的最终的边界。如果没有找到边，则保持在功能磁共振图像数据组5中的分割时获得的边界13。由此最后在步骤14结束时获得对肿瘤9的进一步改进的分割。在步骤19中然后结束该方法。改进的分割给出了肿瘤9的边界并且由此给出了其位置和范围。
在此还要指出，在按照本发明的方法的范围内优选地利用三维的图像数据组2、5和6工作，但是本方法也可以被转用于二维层的重建，其中可以逐层地，也就是一层一层地工作。
此外要指出，在步骤14中搜索区域的描述的范围也可以通过用户来可设置地实现。
图3最后以原理图的形式示出按照本发明的组合图像拍摄装置20（MR-PET装置），其现在按照“洋葱原理（zwiebelprinzip）”构造。PET检测器环21在此设置在梯度线圈布置22和高频线圈布置23之间。这些布置包围患者容纳处24。当然也可以考虑这样的组合图像拍摄装置20的其他实现可能性。
组合图像拍摄装置20具有控制装置25，其构造为用于执行按照本发明的方法。
尽管详细通过优选实施例详细示出并描述了本发明，本发明不受所公开的例子限制并且专业人员可以从中导出其他变化，而不脱离本发明的保护范围。
Claims (13)
1.一种用于评估利用为了在共同的坐标系中拍摄磁共振图像数据和正电子发射断层造影数据而构造的组合图像拍摄装置（20）拍摄的图像数据组（2，5，6）、以用于确定在人体的目标区域中的目标结构的，特别是肿瘤（9）的位置和范围的方法，
其特征在于，
利用所述组合图像拍摄装置（20）拍摄目标区域的PET图像数据组（2）、功能磁共振图像数据组（5）和其位置分辨率高于所述功能磁共振图像数据组（5）的形态学磁共振图像数据组（6），然后，在所述PET图像数据组（2）中定位目标结构的中心、特别是中心区域和/或中心点，将该中心传输到所述功能磁共振图像数据组（5），从该中心出发分割所述功能磁共振图像数据组（5）中的目标结构，将所述功能磁共振图像数据组（5）中的目标结构的分割传输到所述形态学磁共振图像数据组（6）并且在那里在细分割的范围内进行改善。
2.根据权利要求1所述的方法，其特征在于，作为扩散加权的磁共振图像数据组和/或作为动态对比度增强磁共振图像数据组和/或作为动脉自旋标记磁共振图像数据组和/或优选作为灌注磁共振图像数据组，来拍摄所述功能磁共振图像数据组（5）。
3.根据权利要求1或2所述的方法，其特征在于，质子密度加权地和/或T1加权地和/或T2加权地拍摄所述形态学磁共振图像数据组（6）。
4.根据上述权利要求中任一项所述的方法，其特征在于，至少部分地同时和/或在不运动的身体的情况下拍摄所述PET图像数据组（2）和所述磁共振图像数据组（5，6）。
5.根据上述权利要求中任一项所述的方法，其特征在于，为了确定所述中心，选择目标结构的最大的正电子发射断层造影图像数据和/或基于阈值地分割所述中心区域。
6.根据上述权利要求中任一项所述的方法，其特征在于，为了进行所述功能磁共振图像数据组（5）中的分割，使用区域增长算法和/或随机行走算法。
7.根据上述权利要求中任一项所述的方法，其特征在于，为了进行精细分割，在所述形态学磁共振图像数据组（6）中在围绕在所述功能磁共振图像数据组（5）中所确定的边的搜索区域中搜索边。
8.根据权利要求7所述的方法，其特征在于，所述搜索区域在其大小上与所述功能磁共振图像数据组（5）的体素相应，和/或能够通过用户设置。
9.根据权利要求7或8所述的方法，其特征在于，根据描述局部噪声的噪声值确定用于在所述形态学磁共振图像数据组（6）中检测边的阈值。
10.根据权利要求7至9中任一项所述的方法，其特征在于，在在搜索区域中没有能检测的边的情况下，保持在所述功能磁共振图像数据组（5）中找到的目标结构的边界（13）。
11.根据上述权利要求中任一项所述的方法，其特征在于，所述目标区域是肺并且质子加权地拍摄所述形态学磁共振图像数据组（6）。
12.一种具有用于执行按照上述权利要求中任一项所述的方法而构造的控制装置（25）的组合图像拍摄装置（20）。
13.一种计算机程序，当其在计算装置上运行时，其实现按照权利要求1至11中任一项所述的方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102012222073.9 | 2012-12-03 | ||
| DE102012222073.9A DE102012222073B4 (de) | 2012-12-03 | 2012-12-03 | Verfahren zur Auswertung von Bilddatensätzen und Kombinationsbildaufnahmeeinrichtung |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103845056A true CN103845056A (zh) | 2014-06-11 |
Family
ID=50725991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310624594.9A Pending CN103845056A (zh) | 2012-12-03 | 2013-11-26 | 用于评估图像数据组的方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20140153804A1 (zh) |
| CN (1) | CN103845056A (zh) |
| DE (1) | DE102012222073B4 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105492919A (zh) * | 2013-07-30 | 2016-04-13 | 皇家飞利浦有限公司 | 组合式mri pet成像 |
| CN109478321A (zh) * | 2016-07-25 | 2019-03-15 | 索尼公司 | 自动3d脑肿瘤分割和分类 |
| CN110023777A (zh) * | 2016-11-17 | 2019-07-16 | 皇家飞利浦有限公司 | 针对选择性动脉自旋标记mr成像方法的规划支持 |
| US20220012876A1 (en) * | 2018-11-20 | 2022-01-13 | Koninklijke Philips N.V. | Determination of a further processing location in magnetic resonance imaging |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6548393B2 (ja) * | 2014-04-10 | 2019-07-24 | キヤノンメディカルシステムズ株式会社 | 医用画像表示装置および医用画像表示システム |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4653542B2 (ja) * | 2005-04-06 | 2011-03-16 | 株式会社東芝 | 画像処理装置 |
| DE102006059383A1 (de) * | 2006-12-15 | 2008-06-19 | Siemens Ag | Verfahren und Bildbearbeitungssystem zur Erzeugung von Ergebnisbildern eines Untersuchungsobjekts |
| JP5562598B2 (ja) * | 2008-10-24 | 2014-07-30 | 株式会社東芝 | 画像表示装置、画像表示方法および磁気共鳴イメージング装置 |
| US8819591B2 (en) * | 2009-10-30 | 2014-08-26 | Accuray Incorporated | Treatment planning in a virtual environment |
-
2012
- 2012-12-03 DE DE102012222073.9A patent/DE102012222073B4/de active Active
-
2013
- 2013-11-20 US US14/084,892 patent/US20140153804A1/en not_active Abandoned
- 2013-11-26 CN CN201310624594.9A patent/CN103845056A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105492919A (zh) * | 2013-07-30 | 2016-04-13 | 皇家飞利浦有限公司 | 组合式mri pet成像 |
| CN109478321A (zh) * | 2016-07-25 | 2019-03-15 | 索尼公司 | 自动3d脑肿瘤分割和分类 |
| CN109478321B (zh) * | 2016-07-25 | 2022-04-26 | 索尼公司 | 自动3d脑肿瘤分割和分类 |
| CN110023777A (zh) * | 2016-11-17 | 2019-07-16 | 皇家飞利浦有限公司 | 针对选择性动脉自旋标记mr成像方法的规划支持 |
| US20220012876A1 (en) * | 2018-11-20 | 2022-01-13 | Koninklijke Philips N.V. | Determination of a further processing location in magnetic resonance imaging |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102012222073A1 (de) | 2014-06-05 |
| US20140153804A1 (en) | 2014-06-05 |
| DE102012222073B4 (de) | 2014-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3367331B1 (en) | Deep convolutional encoder-decoder for prostate cancer detection and classification | |
| US10769791B2 (en) | Systems and methods for cross-modality image segmentation | |
| Jacobs et al. | Benign and malignant breast lesions: diagnosis with multiparametric MR imaging | |
| Steenbergen et al. | Prostate tumor delineation using multiparametric magnetic resonance imaging: Inter-observer variability and pathology validation | |
| Jeong et al. | Brain tumor segmentation using 3D Mask R-CNN for dynamic susceptibility contrast enhanced perfusion imaging | |
| CN102473302B (zh) | 用于感兴趣肿瘤区域定义的解剖结构建模 | |
| Kim et al. | Automatic hippocampal segmentation in temporal lobe epilepsy: impact of developmental abnormalities | |
| Ren et al. | Convolutional neural network detection of axillary lymph node metastasis using standard clinical breast MRI | |
| US20080021301A1 (en) | Methods and Apparatus for Volume Computer Assisted Reading Management and Review | |
| US20180344161A1 (en) | Medical instrument for analysis of white matter brain lesions | |
| Yang et al. | Computer-aided detection of metastatic brain tumors using magnetic resonance black-blood imaging | |
| US20140010428A1 (en) | Method for extraction of a dataset from a medical image dataset and also medical imaging device | |
| CN103845056A (zh) | 用于评估图像数据组的方法 | |
| CN104424647A (zh) | 用于对医学图像进行配准的方法和设备 | |
| US8781552B2 (en) | Localization of aorta and left atrium from magnetic resonance imaging | |
| CN106388843A (zh) | 医学影像设备及其扫描方法 | |
| US10521906B2 (en) | Method and image processor for evaluating a contrast agent-enhanced magnetic resonance slice image of a heart | |
| US8363916B2 (en) | Method and image processing system for producing result images of an examination object | |
| CA2940256A1 (en) | Methods and systems for performing segmentation and registration of images using neutrosophic similarity scores | |
| CN106470613A (zh) | 用来针对特定对象表征病理的病变签名 | |
| CN109498046A (zh) | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 | |
| US20110052024A1 (en) | method of analysing stroke images | |
| Tokuda et al. | Impact of nonrigid motion correction technique on pixel‐wise pharmacokinetic analysis of free‐breathing pulmonary dynamic contrast‐enhanced MR imaging | |
| Marrone et al. | Automatic lesion detection in breast DCE-MRI | |
| Somasundaram et al. | Fully automatic method to identify abnormal MRI head scans using fuzzy segmentation and fuzzy symmetric measure |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140611 |