CN104115191B - 以手动&自动分割算法量化轮廓的不确定度的系统 - Google Patents
以手动&自动分割算法量化轮廓的不确定度的系统 Download PDFInfo
- Publication number
- CN104115191B CN104115191B CN201380009392.1A CN201380009392A CN104115191B CN 104115191 B CN104115191 B CN 104115191B CN 201380009392 A CN201380009392 A CN 201380009392A CN 104115191 B CN104115191 B CN 104115191B
- Authority
- CN
- China
- Prior art keywords
- subregion
- uncertainty
- boundary
- region
- ooi
- 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.)
- Expired - Fee Related
Links
- 230000011218 segmentation Effects 0.000 title description 11
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 230000004044 response Effects 0.000 claims description 5
- 239000003973 paint Substances 0.000 claims 1
- 238000013139 quantization Methods 0.000 abstract description 2
- 230000003902 lesion Effects 0.000 description 13
- 238000000034 method Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000007408 cone-beam computed tomography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012633 nuclear imaging Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000011285 therapeutic regimen Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 201000008827 tuberculosis Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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]
-
- 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
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种量化轮廓中的不确定度的系统(10)。所述系统(10)包括至少一个处理器(42)，所述至少一个处理器被编程为接收包括感兴趣对象(OOI)(20)的图像(18)。此外，接收在接收到的图像(18)中描绘区域(34)的不确定带(32)。所述区域(34)包括所述OOI(20)的边界。使用对所述区域(34)的迭代滤波在所述区域(34)中描绘边界，并且确定对所述区域(34)的所述描绘的不确定度的度量。
Description
技术领域
本申请总体涉及图像处理。本申请具体与分割医学图像结合应用，并将具体参考其进行描述。然而，应当理解，本申请还适用于其他使用场景，而不必限于上述应用。
背景技术
病变(例如肿瘤)的级别和强度，是为患者确定诊断和可用治疗方案的重要因素。通常，病变的级别和强度通过评估病变图像来确定。核医学成像模态是用于生成图像的主要成像模态。在评估图像中，病变描绘是正确确定病变的级别和强度的重要步骤。然而，病变描绘可能具有挑战性。
恶性肿瘤的特征在于模糊和不规则的边界。因此，病变边界的探测是个难题，并且常要求熟练医师的手动介入。在一些情况下，即便是熟练医师也不能置信地确定边界。存在用于增强图像的滤波方法，但是滤波方法基于校正图像的错误，例如散射、衰减等等。当解剖固有地模糊时，得到的滤波图像依然很难绘制轮廓和描绘。因此，在病变描绘中可以具有低置信水平。
病变边界中的低置信并不必然是缺点。医师使用边界的不规则和不精确性质作为肿瘤的重要特征，其区分良性病变和肿瘤。例如，肿瘤边界的不规则性能够用于区分活性肺结核节结和恶性病变(这两者在正电子发射断层摄影(PET)中具有高新陈代谢并且优选地吸收氟脱氧葡萄糖(FDG))。因此，表征，优选地量化，边界描绘中的不确定度用于辅助诊断和指示结果的置信很重要。
区域划分的当前方法导致二进制输出，所述二进制输出指示由用户或算法做出的决定。而且，即使边界要进一步修改，其能够仅基于重新估计进行。先前识别边界的不确定度不被用于指导下一个阶段或评估最终结果的置信。而且，没有办法从自动算法中获得不确定度信息。
发明内容
本申请提供克服上述挑战和其他挑战的新的和改进的方法和系统。
根据一个方面，提供一种用于量化轮廓的不确定度的系统。所述系统包括至少一个处理器，所述至少一个处理器被编程为接收包括感兴趣对象 (OOI)的图像。此外，接收在接收到的图像中描绘一区域的不确定带。所述区域包括所述OOI的边界。使用对所述区域的迭代滤波来在所述区域中描绘所述边界，并且确定所述区域的所述描绘的不确定度的至少一个度量。
根据另一方面，提供用于量化轮廓的不确定度的方法。所述方法包括接收包括感兴趣对象(OOI)的图像。此外，接收在接收到的图像中描绘一区域的不确定带。所述区域包括所述OOI的边界。使用所述区域的迭代滤波来在所述区域中描绘边界，并且针对所述区域确定所述描绘的不确定度的至少一个度量。
根据另一方面，提供一种用于量化轮廓不确定度的系统。所述系统包括处理器，所述处理器被编程为接收包括感兴趣对象(OOI)的图像。此外，接收在接收到的图像中描绘一区域的不确定带。所述区域包括OOI的边界。对于所述区域的多个子区域中的每个，做出关于是否对所述子区域进行滤波的确定。所述确定包括确定是否能够以超过第一预定水平的置信水平在所述子区域中描绘所述OOI的边界并且确定是否满足停止条件中的至少一个。停止条件指示置信水平小于第二预定水平。响应于确定能够以超过第一预定水平的置信水平在所述子区域中描绘所述OOI的边界或者满足停止条件，在所述子区域中描绘所述OOI的边界。响应于确定不能够以超过第一预定水平的置信水平在所述子区域中描绘所述OOI的边界并且不满足停止条件，对所述子区域进行迭代滤波预定次数，并且重复关于是否对所述子区域进行滤波的确定。
一个优点在于确定区和不确定区的分开识别和量化。
另一优点在于基于置信水平将子区域滤波到不同程度。
另一优点在于为专家提供额外的信息以辅助不确定区的分割。
另一优点在于更少的时间用于不规则、模糊边界的区中的准确描绘。
另一优点在于指示一部分或整个识别边界的准确度。
本领域的普通技术人员在阅读和理解下面详细描述的基础上将认识到本发明的再其他的优点。
附图说明
本发明可以采取各种部件和各部件的布置以及各种步骤和各步骤的安排的形式。附图仅出于图示优选实施例的目的，并不应被解释为对本发明的限制。
图1图示了用于在手动和自动分割算法中量化轮廓的不确定度的系统的方框图。
图2图示了肺部具有恶性病变的患者的正电子发射断层摄影(PET)图像。
图3图示了图2的PET图像的缩放轴向视图。
图4和5图示了用于描绘图像中的感兴趣对象的方法的方框图。
图6A-D图示了增加滤波程度的图像。
图7图示了具有不确定点的内分割和外分割的不确定带部分。
具体实施方式
参考图1，治疗系统10包括一个或多个成像模态12，成像模态12用于采集感兴趣对象，例如患者体内病变的图像。成像模态12适当地包括计算机断层摄影(CT)扫描器、正电子发射断层摄影(PET)扫描器、磁共振(MR)扫描器、单光子发射计算机断层摄影(SPECT)扫描器、锥形束计算机断层摄影(CBCT)扫描器等等中的一个或多个。从成像模态12中采集的图像被存储在一个或多个图像存储器14中。
分割设备16接收到的图像18，例如感兴趣对象(OOI)20(例如病变) 的三维和/或四维图像，感兴趣对象(OOI)20的范例在图2和3中示出。例如，接收到的图像18可以是动态造影增强MR图像。通常，从成像模态 12和/或图像存储器14中接收到的图像18。例如，能够通过图像存储器14 从成像模态12中接收到的图像18。然而，预期图像18的其他来源。此外，通常从核成像模态中接收到的图像18。通过执行分割设备16的分割应用程序22，分割设备16在接收到的图像18中描绘OOI 20。如果接收到的图像18是四维的，那么在接收到的图像18描绘所有阶段的OOI 20。
当执行分割应用程序22时，分割应用程序22的用户接口被显示在分割设备16的显示设备24上。用户接口适当地允许相关联的用户察看接收到的图像18。此外，用户接口允许相关联的用户使用分割设备16的用户输入设备30在接收到的图像18上创建和/或修改轮廓26、28。在二维图像空间，轮廓指定区域(例如病变)的边界。因此，例如，相关联的用户能够采用鼠标在接收到的图像18上绘制轮廓，和/或在接收到的图像18上调整轮廓的大小。在一些实施例中，用户接口还允许相关联的用户使用用户输入设备30来指定分割的参数。
为了在接收到的图像18中描绘OOI 20，分割应用程序22采用图4的方法50。根据方法50，接收52接收到的图像18的不确定带32，其范例在图2和3中图示。由外轮廓26和内轮廓28定义不确定带32，其共同地识别区域34，在区域34内期望OOI 20的边界。通常区域34包括接收到的图像18的部分，但也能够包括整个图像。外轮廓26标记OOI 20的边界在其内的区域，以及内轮廓28标记OOI 20的边界在其之外的区域。
通常，相关联的用户使用用户接口来绘制不确定带32，使得接收来自用户输入设备30的内轮廓28和外轮廓26。然而，能够接收来自其他来源的不确定带32。例如，能够接收来自自动确定不确定带32的算法的不确定带32。
在接收到不确定带32之后，对于区域34或区域34的多个子区域中的每个，在区域34或子区域中描绘54边界，并且确定54区域34或子区域的置信水平或不确定度的度量。子区域的每个从内轮廓28延伸到外轮廓26。而且，子区域可以由相关联的用户使用用户接口能够至少部分地识别。额外地或备选地，能够使用算法来至少部分地识别子区域。例如，不确定带 32能够被分解成预定数量的等区的子区域。能够顺序地和/或并行地处理子区域。
参考图5，为了在区域34或子区域中描绘54边界，并且确定54区域 34或子区域的置信水平或不确定度的度量，做出关于是否可能确定区域34 或子区域中OOI 20的边界的确定56。能够手动地和/或自动地执行确定56。对于前者，通过来自用户输入设备30的数据接收，相关联的用户能够做出手动确定。例如，相关联的用户能够使用用户接口来观察接收到的图像18，以做出确定。如果能够在接收到的图像18中可视化地描绘边界点，则能够置信地手动确定边界。对于后者，能够采用算法以评估是否可能在区域34 或子区域中置信地确定OOI 20的边界。如果边界点包括超过滤波图像中其他点的强度，则能够置信地自动确定边界。
如果可能在区域34或子区域中置信地手动和/或自动确定OOI 20的边界，则在接收到的图像18中手动和/或自动描绘58边界。对于前者，能够采用用户接口，以允许相关联的用户描绘围绕区域或子区域的OOI 20的至少部分轮廓。对于后者，可以采用算法。如果不可能在区域34或子区域中置信地手动和/或自动确定OOI 20的边界，则做出对于是否满足停止条件的确定60。
停止条件指示区域34或子区域的增强是没有价值的。例如，停止条件可以是预定迭代数量，如下所述，边界的置信水平小于预定水平，或区域 34或子区域中的点的强度梯度为零或均匀。下面讨论，可以使用至少迭代数量的函数来评估置信。如果达到停止条件，则通常边界不能清晰可视或获得均匀密度。为解决此问题，相关联的用户可以使用另一图像来在区域 34或子区域中描绘56OOI 20的边界并且，任选地，将所述另一图像配准到接收到的图像18。额外地，或备选地，可以沿着区域34或子区域的中线在接收到的图像18中描绘56区域34或子区域中OOI 20的边界。
如果未达到停止条件，那么在区域34或子区域中迭代地运行62用于增强边缘的滤波算法预定迭代数量，例如五次迭代，并且重复确定56。通常，滤波算法是随机尺度空间算法，但能够采用任何滤波算法。分割设备 16的相关联的用户和/或管理员适当地确定预定迭代数量。而且，预定数量是这样的迭代次数，即确定预定数量的一个认为足以对区域34或子区域实现明显增强的迭代次数。
图6图示了若干图像，其中边缘被加强到随后仅通过阈值处理就能够对其进行描绘的程度。图6A示出了原始图像，图6B示出了滤波算法的50 次迭代之后的原始图像，图6C示出了滤波算法的100次迭代之后的原始图像，并且图6D示出了滤波算法的200次迭代之后的原始图像。因此，图6 图示了针对增加迭代数量的边缘增强的进展。
为了加速方法50，区域34的滤波，可以仅进行穿过边界的滤波(即，方向垂直于边界方向)。在这方面，不确定带32的区域34能够被分成多个子区域，针对不确定带32内的每个点(下文称为不确定点)一个子区域。通过沿着外线段38和内线段40的所有点定义不确定点36的子区域，不确定点36的所述子区域的范例在图7中图示。通过将不确定点36与其在外轮廓26上的投影连接来确定外线段38，并且通过将不确定点36与其在内轮廓28上的投影连接确定内线段40。不确定点36在外轮廓26上的投影是最靠近不确定点36在外轮廓26上的点，并且不确定点36在内轮廓28上的投影是最靠近不确定点36在内轮廓28上的点。应当认识到，多个子区域包括交叠的子区域。
返回参考图5，一旦确定了区域34或子区域的OOI 20的边界，就确定 64区域34或子区域的置信水平或不确定度的度量。置信水平和不确定度的度量基于确定边界所需的滤波程度。而且，不确定度的度量和置信水平反相关。例如，随着滤波迭代数量增加，不确定度增加并且置信水平减少。因此，从不确定度的度量中能够确定置信水平，并且反之亦然。
例如，可以如下地确定区域34或子区域的不确定度。如果没有任何滤波而置信地绘制区域34或子区域的边界，则能够将不确定值0赋值给区域 34或子区域。如果在第n次迭代确定边界，取决于迭代数量n和边界强度，可以选择0和100之间的值。这样度量的一个选择是：
其中，x是迭代数量，并且F(x)是区域34或子区域的强度梯度。其他选择也是可能的，要求它们在极限点保持连续性(即，当n＝0时度量应该是0，当梯度F(x)为0时度量应该是100)。如果采用区域34或子区域的中线，则可以将最大不确定值(例如，100)赋予给区域34或子区域。然后置信能够被定义为关于100的不确定度的加法反元。换言之，置信能够被定义如下：
置信度(x)＝100-不确定度(x)
一旦识别出区域34或所有子区域的边界，分割即完成。然后可以使用用户接口显示接收到的图像18与对应于识别出的边界的轮廓。而且，可以根据置信水平和/或不确定度的度量来对轮廓进行颜色编码。例如，可以将对于相应的置信水平或不确定度的度量唯一的颜色赋值给每个边界点。
使用边界与相对应的置信水平和/或不确定度的度量，临床医师能够诊断患者并且确定最佳治疗方案。临床医师使用边界的不规则和不精确性质作为肿瘤的重要特征，其将它们与良性病变中区分。例如，肿瘤边界的不规则性能够用于区分活性肺结核节结和恶性病变。置信水平和/或不确定度的度量能够被采用以确定边界是否不规则和不精确。而且，基于置信水平和/或分割的不确定度的度量能够确定最终诊断的置信。例如，当最终诊断中的置信为低时，能够采用更为保守的治疗方案。
返回参考图1，分割设备16包括至少一个处理器12，所述至少一个处理器12执行其中至少一个存储器44上的计算机可执行指令。计算机可执行指令实施分割设备16的功能，并且包括分割应用程序22。此外，分割设备16可以包括通信单元46和/或至少一个系统总线48。通信单元46为处理器42提供到至少一个通信网络的接口。例如，通信单元46能够被采用以与成像模态12和/或图像存储器14通信。系统总线48允许显示设备24、用户输入设备30、处理器42、存储器44和通信单元46之间的数据交换。
本文中使用的存储器包括以下中的一个或多个：非暂态计算机可读介质；磁盘或其他磁性存储介质；光盘或其他光存储介质；随机存取存储器 (RAM)、只读存储器(ROM)、或其他电子存储设备或芯片或一组可操作地的互联的芯片；因特网/内联网服务器，可以经由因特网/内联网或局域网从所述因特网/内联网服务器中检索存储指令等。而且，本文中使用的处理器包括微处理器、微控制器、图形处理单元(GPU)、特定应用集成电路 (ASIC)、现场可编程门阵列(FPGA)等中的一个或多个；用户输入设备包括鼠标、键盘、触摸屏显示、一个或多个按钮、一个或多个开关、一个或多个触发器等中的一个或多个；数据库包括一个或多个存储器；并且显示设备包括LCD显示器、LED显示器、等离子显示器、投影显示器、触摸屏显示器等中的一个或多个。
已经参考优选实施例描述了本发明。他人在阅读和理解上述详细描述之后可以进行修改和变型。本发明旨在被解释为包括所有这样的修改和变型，只要它们落在权利要求或其等价方案的范围之内。
Claims (18)
1.一种用于量化轮廓的不确定度的系统(10)，所述系统(10)包括：
至少一个处理器(42)，其被编程为：
接收包括感兴趣对象OOI(20)的图像(18)；
接收在接收到的图像(18)中描绘一区域(34)的不确定带(32)，所述区域(34)包括所述OOI(20)的边界；
使用对所述区域(34)的迭代滤波来在所述区域(34)中描绘所述边界；
确定对所述区域(34)的所述边界的描绘的不确定度的至少一个度量；并且，
根据不确定度的度量显示表示所描绘的所述OOI(20)的边界的轮廓。
2.根据权利要求1所述的系统(10)，其中，所述不确定带(32)包括内轮廓(28)和外轮廓(26)，所述内轮廓(28)处于所述外轮廓(26)之内。
3.根据权利要求1和2中的任一项所述的系统(10)，其中，所述轮廓根据不确定度的度量而被颜色编码。
4.根据权利要求1-2中的任一项所述的系统(10)，其中，所述处理器(42)还被编程为：
针对定义所述区域(34)的多个子区域中的至少一个子区域中的每个：
对所述子区域进行迭代滤波直到能够以超过预定水平的置信水平在所述子区域中描绘所述边界；并且，
在经滤波的子区域中描绘所述边界。
5.根据权利要求4所述的系统(10)，其中，所述处理器(42)还被编程为：
针对所述多个子区域中的所述至少一个子区域中的每个：
确定对所述子区域的描绘的不确定度的度量，所述不确定度的度量基于迭代次数。
6.根据权利要求4所述的系统(10)，其中，所述多个子区域包括针对所述区域(34)内的每个不确定点(36)的子区域，所述子区域由所述不确定点(36)的内线段(38)和外线段(40)的点定义，所述内线段(38)从所述不确定点(36)延伸到所述不确定点(36)在所述不确定带(32)的内轮廓(28)上的投影，并且所述外线段(40)从所述不确定点(36)延伸到所述不确定点(36)在所述不确定带(32)的外轮廓(26)上的投影。
7.根据权利要求1-2中的任一项所述的系统(10)，其中，所述处理器(42)还被编程为：
针对定义所述区域(34)的多个子区域中的每个：
确定是否对所述子区域进行滤波，所述确定包括以下中的至少一项：
确定是否能够以超过第一预定水平的置信水平在所述子区域中描绘所述OOI(20)的边界；并且，
确定是否满足停止条件，所述停止条件指示所述置信水平小于第二预定水平；
响应于确定能够以超过所述第一预定水平的置信水平在所述子区域中描绘所述OOI(20)的所述边界或者满足所述停止条件，在所述子区域中描绘所述OOI(20)的所述边界；并且，
响应于确定不能够以超过所述第一预定水平的置信水平在所述子区域中描绘所述OOI(20)的所述边界并且不满足所述停止条件，对所述子区域进行迭代滤波预定次数，并且重复关于是否对所述子区域进行滤波的所述确定。
8.根据权利要求7所述的系统(10)，其中，所述处理器(42)还被编程为：
响应于确定能够以超过所述第一预定水平的置信水平在所述子区域中描绘所述OOI(20)的边界或者满足所述停止条件，确定对所述子区域的描绘的不确定度的度量。
9.至少一个处理器(42)，其被配置为：
接收包括感兴趣对象OOI(20)的图像(18)；
接收(52)在接收到的图像(18)中描绘一区域(34)的不确定带(32)，所述区域(34)包括所述OOI(20)的边界；
使用对所述区域(34)的迭代滤波来在所述区域(34)中描绘(58)所述边界；
确定(64)对所述区域(34)的所述边界的描绘的不确定度的至少一个度量；并且，
根据不确定度的度量显示表示所描绘的所述OOI(20)的边界的轮廓。
10.根据权利要求9所述的至少一个处理器(42)，其中，所述轮廓根据不确定度的度量而被颜色编码。
11.根据权利要求9和10中的任一项所述的至少一个处理器(42)，还被配置为：
针对所述区域(34)的多个子区域中的至少一个子区域中的每个：
对所述子区域进行迭代滤波(62)直到能够以超过预定水平的置信水平在所述子区域中描绘所述边界；并且，
在经滤波的子区域中描绘(58)所述边界。
12.根据权利要求11所述的至少一个处理器(42)，还被配置为：
针对所述多个子区域中的至少一个子区域中的每个：
确定(64)对所述子区域的描绘的不确定度的度量，所述不确定度的度量基于迭代次数。
13.根据权利要求11所述的至少一个处理器(42)，其中，所述多个子区域包括针对所述区域(34)内的每个不确定点(36)的子区域，所述子区域由所述不确定点(36)的内线段(38)和外线段(40)的点定义，所述内线段(38)从所述不确定点(36)延伸到所述不确定点(36)在所述不确定带(32)的内轮廓(28)上的投影，并且所述外线段(40)从所述不确定点(36)延伸到所述不确定点(36)在所述不确定带(32)的外轮廓(26)上的投影。
14.一种承载有软件的非暂态计算机可读介质(44)，所述软件控制一个或多个处理器(42)以执行以下步骤：
接收包括感兴趣对象OOI(20)的图像(18)；
接收(52)在接收到的图像(18)中描绘一区域(34)的不确定带(32)，所述区域(34)包括所述OOI(20)的边界；
使用对所述区域(34)的迭代滤波来在所述区域(34)中描绘(58)所述边界；
确定(64)对所述区域(34)的所述边界的描绘的不确定度的至少一个度量；并且，
根据不确定度的度量显示表示所描绘的所述OOI(20)的边界的轮廓。
15.根据权利要求14所述的非暂态计算机可读介质(44)，其中，所述轮廓根据不确定度的度量而被颜色编码。
16.根据权利要求14或15所述的非暂态计算机可读介质(44)，所述软件还控制一个或多个处理器(42)以执行以下步骤：
针对所述区域(34)的多个子区域中的至少一个子区域中的每个：
对所述子区域进行迭代滤波(62)直到能够以超过预定水平的置信水平在所述子区域中描绘所述边界；并且，
在经滤波的子区域中描绘(58)所述边界。
17.根据权利要求16所述的非暂态计算机可读介质(44)，所述软件还控制一个或多个处理器(42)以执行以下步骤：
针对所述多个子区域中的至少一个子区域中的每个：
确定(64)对所述子区域的描绘的不确定度的度量，所述不确定度的度量基于迭代次数。
18.根据权利要求16所述的非暂态计算机可读介质(44)，其中，所述多个子区域包括针对所述区域(34)内的每个不确定点(36)的子区域，所述子区域由所述不确定点(36)的内线段(38)和外线段(40)的点定义，所述内线段(38)从所述不确定点(36)延伸到所述不确定点(36)在所述不确定带(32)的内轮廓(28)上的投影，并且所述外线段(40)从所述不确定点(36)延伸到所述不确定点(36)在所述不确定带(32)的外轮廓(26)上的投影。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201261598368P | 2012-02-14 | 2012-02-14 | |
| US61/598,368 | 2012-02-14 | ||
| PCT/IB2013/050952 WO2013121321A1 (en) | 2012-02-14 | 2013-02-05 | Method for quantification of uncertainty of contours in manual & auto segmenting algorithms |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104115191A CN104115191A (zh) | 2014-10-22 |
| CN104115191B true CN104115191B (zh) | 2018-11-09 |
Family
ID=47997624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201380009392.1A Expired - Fee Related CN104115191B (zh) | 2012-02-14 | 2013-02-05 | 以手动&自动分割算法量化轮廓的不确定度的系统 |
Country Status (6)
| Country | Link |
|---|---|
| US (2) | US10460448B2 (zh) |
| EP (1) | EP2815382B1 (zh) |
| CN (1) | CN104115191B (zh) |
| BR (1) | BR112014019791A8 (zh) |
| RU (1) | RU2014137155A (zh) |
| WO (1) | WO2013121321A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11024034B2 (en) * | 2019-07-02 | 2021-06-01 | Acist Medical Systems, Inc. | Image segmentation confidence determination |
| WO2021032325A1 (en) * | 2019-08-16 | 2021-02-25 | Siemens Healthcare Gmbh | Updating boundary segmentations |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0811205B1 (en) * | 1994-11-25 | 2003-09-10 | Sophisview Technologies, Ltd | System and method for diagnosis of living tissue diseases |
| US7038697B2 (en) * | 2003-02-25 | 2006-05-02 | Microsoft Corporation | Color gradient paths |
| EP1603076A1 (en) * | 2004-05-13 | 2005-12-07 | Aalborg Universitet | Computerized cortex boundary extraction from MR images |
| US7804989B2 (en) * | 2006-10-30 | 2010-09-28 | Eigen, Inc. | Object recognition system for medical imaging |
| EP2188776B1 (en) | 2007-08-31 | 2011-05-25 | Koninklijke Philips Electronics N.V. | Uncertainty maps for segmentation in the presence of metal artifacts |
| US8094896B2 (en) * | 2008-04-14 | 2012-01-10 | General Electric Company | Systems, methods and apparatus for detection of organ wall thickness and cross-section color-coding |
| US20100104513A1 (en) * | 2008-10-28 | 2010-04-29 | General Electric Company | Method and system for dye assessment |
| CN101833750A (zh) * | 2010-04-15 | 2010-09-15 | 清华大学 | 基于形状约束和方向场的主动轮廓方法及其系统 |
| DE102010022307A1 (de) | 2010-06-01 | 2011-12-01 | Siemens Aktiengesellschaft | Verfahren zur Überprüfung der Segmentierung einer Struktur in Bilddaten |
| US8750615B2 (en) * | 2010-08-02 | 2014-06-10 | Case Western Reserve University | Segmentation and quantification for intravascular optical coherence tomography images |
| EP2878338B1 (en) * | 2013-11-28 | 2018-04-11 | RaySearch Laboratories AB | Method and system for uncertainty based radiotherapy treatment planning |
-
2013
- 2013-02-05 CN CN201380009392.1A patent/CN104115191B/zh not_active Expired - Fee Related
- 2013-02-05 EP EP13711967.3A patent/EP2815382B1/en active Active
- 2013-02-05 BR BR112014019791A patent/BR112014019791A8/pt not_active IP Right Cessation
- 2013-02-05 US US14/375,836 patent/US10460448B2/en not_active Expired - Fee Related
- 2013-02-05 WO PCT/IB2013/050952 patent/WO2013121321A1/en active Application Filing
- 2013-02-05 RU RU2014137155A patent/RU2014137155A/ru not_active Application Discontinuation
-
2019
- 2019-09-20 US US16/576,971 patent/US20200013171A1/en not_active Abandoned
Non-Patent Citations (1)
| Title |
|---|
| Comparison of two-dimensional and three-dimensional iterative watershed segmentation methods in hepatic tumor volumetric;Ray Shonket et al.;《Medical Physics》;20081231;第5872页第Ⅲ节，第5871页图2，第5874页第Ⅲ.C.4节， * |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2014137155A (ru) | 2016-04-10 |
| WO2013121321A1 (en) | 2013-08-22 |
| EP2815382B1 (en) | 2022-01-19 |
| US20200013171A1 (en) | 2020-01-09 |
| US20150043797A1 (en) | 2015-02-12 |
| BR112014019791A2 (zh) | 2017-06-20 |
| BR112014019791A8 (pt) | 2017-07-11 |
| EP2815382A1 (en) | 2014-12-24 |
| US10460448B2 (en) | 2019-10-29 |
| CN104115191A (zh) | 2014-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Van Rikxoort et al. | Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection | |
| Diciotti et al. | Automated segmentation refinement of small lung nodules in CT scans by local shape analysis | |
| Schreibmann et al. | Multiatlas segmentation of thoracic and abdominal anatomy with level set‐based local search | |
| US9600877B2 (en) | Quantitative imaging | |
| US11741598B2 (en) | Method for aiding visualization of lesions in medical imagery and apparatus using the same | |
| von Falck et al. | Influence of sinogram affirmed iterative reconstruction of CT data on image noise characteristics and low-contrast detectability: an objective approach | |
| US9105085B2 (en) | Methods and apparatus for aligning sets of medical imaging data | |
| CN107077731B (zh) | 成像不确定性的可视化 | |
| US20110200227A1 (en) | Analysis of data from multiple time-points | |
| Sun et al. | Juxta-vascular nodule segmentation based on flow entropy and geodesic distance | |
| JP2018500061A (ja) | 画像データ用のテクスチャ解析マップ | |
| US10062167B2 (en) | Estimated local rigid regions from dense deformation in subtraction | |
| US9117141B2 (en) | Method and apparatus for identifying regions of interest in medical imaging data | |
| JP6257949B2 (ja) | 画像処理装置および医用画像診断装置 | |
| JP2016016265A (ja) | 画像処理装置、画像処理方法及び医用画像診断装置 | |
| US9082193B2 (en) | Shape-based image segmentation | |
| JP6564075B2 (ja) | 医用画像を表示するための伝達関数の選択 | |
| Hanzouli‐Ben Salah et al. | A framework based on hidden Markov trees for multimodal PET/CT image co‐segmentation | |
| US7907756B2 (en) | System and method for validating an image segmentation algorithm | |
| CN104115191B (zh) | 以手动&自动分割算法量化轮廓的不确定度的系统 | |
| US20140341452A1 (en) | System and method for efficient assessment of lesion development | |
| US8873817B2 (en) | Processing an image dataset based on clinically categorized populations | |
| US20240037754A1 (en) | Method for identifying a material boundary in volumetric image data | |
| Kaba et al. | Nephroblastoma analysis in MRI images | |
| Kockelkorn et al. | Optimization strategies for interactive classification of interstitial lung Disease Textures |
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: 20181109 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |