CN104346821A - 用于医学成像的自动规划 - Google Patents
用于医学成像的自动规划 Download PDFInfo
- Publication number
- CN104346821A CN104346821A CN201410391775.6A CN201410391775A CN104346821A CN 104346821 A CN104346821 A CN 104346821A CN 201410391775 A CN201410391775 A CN 201410391775A CN 104346821 A CN104346821 A CN 104346821A
- Authority
- CN
- China
- Prior art keywords
- primitive
- view data
- imaging parameters
- detect
- imaging
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30008—Bone
-
- 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
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/30—Transforming light or analogous information into electric information
- H04N5/32—Transforming X-rays
- H04N5/321—Transforming X-rays with video transmission of fluoroscopic images
Abstract
本文公开了用于促进用于医学成像的自动规划的框架。根据一方面,该框架接收受试者的第一图像数据。然后可使用几何模型和在第一图像数据中所检测的至少一个参考图形基元来导出一个或多个成像参数。几何模型定义所检测参考解剖基元与一个或多个成像参数之间的几何关系。可经由用户接口来呈现所述一个或多个成像参数以便在受试者的第二图像数据的获取、重构或处理中使用。
Description
相关申请的交叉引用
本申请要求2013年8月9日提交的美国临时申请号61/863,934的权益,其全部内容被通过引用结合到本文中。
技术领域
本公开一般地涉及诊断成像,并且更具体地涉及用于促进用于医学成像的自动规划的自动化或半自动化系统和方法。
背景技术
自从X射线第一次被用来确定解剖异常而来,医学成像领域已经历显著的进步。医学成像硬件已从诸如医学共振(MR)成像扫描仪、计算机断层成像(CT)扫描仪和正电子发射断层成像(PET)扫描仪之类的现代机器发展成诸如PET-CT和PET0MRI系统之类的多模态成像系统。由于由此类现代医学扫描仪产生的大量图像数据,已存在且仍需要开放图像处理技术,其能够使某些或所有过程自动化以确定扫描医学图像中的解剖异常的存在。
使用从扫描仪、例如CAT扫描仪、MRI等获得的原始图像数据来构造数字医学图像。该数字医学图像通常是由像素元素构成的二维(“2D”)图像、由体积元素(“体素”)构成的三维(“3D”)图像或由动态元素(“动态体素”)构成的四维(“4D”)图像。使用医学图像识别技术来处理此类2D、3D或4D图像以确定诸如囊肿、肿瘤、息肉等解剖异常的存在。给定由任何给定图像扫描产生的图像数据的量,优选的是自动技术应向医生指出图像的所选区域中的解剖特征以用于任何疾病或条件的进一步诊断。
识别数字化医学图像内的解剖结构提出多个挑战。例如,第一个问题涉及图像内的解剖结构的识别的准确度。第二个有关的领域是识别速度。由于医学图像是用于医生诊断疾病或条件的辅助,所以能够用来处理图像的速度和所识别的该图像内的结构对于医生而言可能具有极高的重要性以便得到早期诊断。因此,需要改善识别技术,其提供解剖结构的准确且快速的识别和医学图像中的可能异常。
医学图像内的结构的自动化图像处理和识别一般地称为计算机辅助检测(CAD)。CAD系统能够处理医学图像并识别包括可能异常的解剖结构以用于进一步检查。此类可能异常常常称为候选,并被认为由CAD系统基于医学图像而生成。
使用MR的头部和颈部血管成像为狭窄症、解剖体、动脉瘤和血管瘤的诊断提供有价值的信息。为了在对比增强或非对比增强磁共振血管造影(MRA)中实现适当的成像质量,应相对于特定动脉或静脉血管将高分辨率MR切片定位于特定的位置和取向。例如,包括主动脉弓和威利斯环的两个颈动脉应被高分辨率冠状切片覆盖。此外,可获取附加侦察切片以促进所谓减少暴露组合应用(CARE)团注(bolus)或测试团注切片的定位。最后两个帮助可靠地满足造影剂团注到达感兴趣区(ROI)中的最佳时间点。
适当的切片定位是耗费时间的,并且切片的数目直接地与动态血管造影的获取时间及时间或空间分辨率有关。另外,切片取向也能够影响结果得到的图像中的伪迹的存在(例如,绕回,如果视场过小的话)。特别是在时间关键或紧急检查(例如,在中风MR检查中)中且由于不能在同一MR检查中重复造影剂给予的事实,需要避免用以获得适当定位和成像结果的多次重复。因此,切片定位需要用最小数目的切片来覆盖相关解剖结构并实现最佳成像结果。然而,在当前工作流程中,切片定位常常是增加工作流程速度和跨操作员的可靠性方面的瓶颈。
发明内容
本公开涉及用于促进用于医学成像的自动规划的框架。根据一方面,该框架接收受试者的第一图像数据。然后可使用几何模型和在第一图像数据中检测的至少一个参考解剖基元来导出一个或多个成像参数。几何模型定义所检测参考解剖基元与所述一个或多个成像参数之间的几何关系。可经由用户接口来呈现所述一个或多个成像参数以便在受试者的第二图像数据的获取、重构或处理中使用。
提供本发明内容是为了以简化型式来介绍下面将在以下详细描述中进一步描述的概念的选择。并不意图识别要求保护的主题的特征或本质特征,也不意图将其用来限制要求保护的主题的范围。此外,要求保护的主题不限于解决在本公开的任何部分中所述的任何或所有缺点的实施方式。
附图说明
当结合附图来考虑时,通过参考以下详细描述,将随着本公开及其许多伴随方面被更好地理解而很容易获得其更全面认识。此外,应注意的是遍及附图使用相同的附图标记来参考类似的元件和特征。
图1是图示出示例性成像系统的框图;
图2示出了训练分级检测器的示例性方法;
图3示出了医学成像规划的示例性方法;
图4图示出用于CARE团注切片群组的自动扫描定位的示例性应用;
图5图示出用于对比增强(CE)-MRA体积的自动扫描定位的示例性应用;
图6图示出用于飞行时间(TOF)血管造影获取体积的自动扫描定位的示例性应用;以及
图7图示出用于由T1加权的3D侦察图像重构2D血管侦察薄层最大密度投影(MIP)图像的示例性应用。
具体实施方式
在以下描述中,阐述了许多特定细节,诸如特定部件、设备、方法等的示例以便提供本发明的实施例的透彻理解。然而,对于本领域的技术人员而言将显而易见的是,不需要采用这些特定细节来实施本发明的实施例。在其他情况下,未详细地描述众所周知的材料或方法以免不必要地使本发明的实施例含糊难懂。虽然本发明可有各种修改和替换形式,在附图中已经以示例的方式示出了特定实施例及其方法并在本文中详细地描述。然而,应理解的是,并不意图使本发明局限于公开的特定形式,相反,本发明将覆盖落在本发明的精神和范围内的所有修改、等价物和替换。
本文所使用的术语“x射线图像”可意指可见x射线图像(例如,在视频屏幕上显示)或x射线图像的数字表示(例如,对应于x射线检测器的像素输出的文件)。本文所使用的术语“治疗中x射线图像”可以指的是在放射外科治疗或放射治疗程序的治疗递送阶段期间的任何时间点处捕捉的图像,其可包括当辐射源被开启或关闭的时间。不时地,为了便于描述,在本文中可使用MRI成像数据作为示例性成像模式。然而,将认识到的是在本发明的各种实施例中还可使用来自任何类型的成像模式的数据,包括但不限于X光射线照片、CT、PET(正电子发射断层成像)、PET-CT、SPECT、SPECT-CT、MR-PET、3D超声波图像等。
除非另外说明,如从以下讨论显而易见的,将认识到诸如“分段”、“生成”、“配准”、“确定”、“对准”、“定位”、“处理”、“计算”、“选择”、“估计”、“检测”、“追踪”等术语可以指的是参考计算机系统或类似电子计算设备的动作和过程,其对在计算机系统的寄存器和存储器内表示为物理(例如,电子)量的数据进行操纵并变换成在计算机系统存储器或寄存器或其他此类信息存储、传输或显示设备内同样地表示为物理量的其他数据。可使用计算机软件来实现本文所述的方法的实施例。如果用符合所识别标准的编程语言来编写,可以编译被设计成实现所述方法的指令序列以便在多种硬件平台上执行并用于对接到多种操作系统。另外,并未参考任何特定编程语言来描述本发明的实施例。将认识到的是可使用多种编程语言来实现如本发明的实施例。
本文所使用的术语“图像”指的是由离散图像元素(例如,用于2D图像的像素、用于3D图像的体素、用于4D图像的动态体素等)组成的多维数据。该图像可以是例如用本领域的技术人员所知的计算机断层成像、磁共振成像、超声波或任何其他医学成像系统收集的受试者的医学图像。还可从非医学背景提供图像,诸如,例如遥感系统、电子显微技术等。本发明的方法可以应用于任何维度的图像,例如2D图片、3D或4D体积。对于2或3维图像而言,图像的域通常是2或3维矩形数组,其中,可以参考一组的两个或三个相互正交的轴对每个像素或体素进行寻址。本文所使用的术语“数字”和“数字化”指的是适当地以经由数字获取系统或经由从模拟图像的转换所获取的数字或数字化格式的图像或体积。
在本文中描述了用于医学成像的自动规划的框架。根据一方面,该框架使用分集检测器来自动地检测受试者(例如,患者)的侦察图像数据中的参考解剖基元。可使用所检测参考解剖基元(例如,结构、表面、线、曲线、标志点等)来自动地导出并规定一个或多个成像参数以用于后续医学图像获取、重构或处理。示例性成像参数包括单独测试团注切片、CARE完级切片、更多侦察切片或高分辨率血管造影切片的定位和取向、基于两个自动检测感兴趣解剖体积之间的估计血流的图像获取定时等。另外,还可从所检测参考解剖基元导出多平面重构(MPR)侦察图像。
由本框架提供的成像参数的自动或半自动规划在例如头颈血管成像工作流程(例如,MR中工作流程)中有用。应认识到的是还可以将此框架扩展至与血管的局部化和识别有关的其他工作流程(例如,冠状血小板检测)、其他血管造影或动态工作流程。由本框架提供的数据驱动检测结果有利地可适应于受试者或患者的特定解剖结构。此外,该框架有利地是比先前的工作更快、更精确、稳健、用户友好、更加可再现和标准化的。在以下描述中将更详细地描述这些示例性优点和特征。
图1是图示出示例性成像系统100的框图。成像系统100包括用于实现如本文所述的框架的计算机系统101。计算机系统101还可通过有线或无线网络而连接到成像设备102和工作站103。成像设备102可以是放射扫描仪,诸如磁共振(MR)扫描仪、PET/MR、X射线或CT扫描仪。
计算机系统101可以是台式个人计算机、便携式膝上型计算机、另一便携式设备、微型计算机、主计算机、服务器、存储系统、专用数字仪器或具有被配置成存储许多数字数据项目的存储子系统的另一设备。在一个实施方式中,计算机系统101包括处理器或中央处理单元(CPU)104,其经由输入输出接口121而被耦合到一个或多个非瞬态计算机可读介质105(例如,计算机储存器或存储器)、输出设备108(例如,监视器、显示器、打印机等)和各种输入设备110(例如,鼠标、键盘、触控板、语音识别模块等)。计算机系统101还可包括支持电路,诸如高速缓存器、电源、时钟电路和通信总线。更进一步地,计算机系统101可以提供有图形控制器芯片诸如支持高性能图形功能的图形处理单元(GPU)。
应理解的是可以硬件、软件、固件、专用处理器或其组合的各种形式来实现本技术。在一个实施方式中,由学习单元106和规划单元107来实现本文所述的技术。学习单元106和规划单元107可包括在非瞬态计算机可读介质105中有形地体现的计算机可读程序代码。非瞬态计算机可读介质105可包括随机存取存储器(RAM)、只读存储器(ROM)、磁性软盘、闪速存储器以及其他类型的存储器或其组合。计算机可读程序代码由CPU 104执行以控制和/或处理来自成像设备102的图像数据。
同样地,计算机系统101是当执行计算机可读程序代码时变成专用计算机系统的通用计算机系统。计算机可读程序代码并不意图局限于任何特定编程语言及其实现。将认识到的是可使用多种编程语言及其编码来实现本文包含的公开的讲授内容。计算机系统101还可包括操作系统和微指令代码。可将本文所述的各种技术实现为微指令代码的一部分或者作为应用程序或软件产品的一部分或其组合,其是经由操作系统执行的。可将诸如附加数据存储设备和打印设备之类的各种其他外围设备连接到计算机系统101。
工作站103可包括计算机和适当的外围设备,诸如键盘和显示器,并且可以结合整个系统100来操作。例如,工作站103可与成像设备102通信,使得能够在工作站103处再现并在显示器上查看由例如成像设备102获取的图像数据。工作站103可包括用户接口130,其允许放射治疗师或any其他有技术的用户(例如医生、技师、操作员、科学家等)操纵和查看图像数据。此外,工作站103可直接地与计算机系统101通信以呈现已获取、已重构和/或已处理图像数据。例如,放射治疗师能够交互地操纵已处理图像数据的所显示表示,并从各种观点出发且在各种阅读模式下对其进行查看。
图2示出了训练分级检测器的示例性方法200。在某些实施方式中,离线地(例如,术前地,在对受试者或病人执行手术干预或程序之前)执行方法200。应注意的是可按照所示顺序或不同顺序来执行方法200的步骤。此外,可实现不同、附加或较少步骤。更进一步地,可用图1的系统100、不同系统或其组合来实现方法200。
在202处,学习单元106接收训练图像数据。可从一个受试者(例如,患者)或多个受试者获取训练图像数据。可基于非对比增强磁共振成像来获取训练图像数据。替换地,可基于血管的对比增强磁共振图像和/或非对比增强血管造影(MRA)数据(例如飞行时间(TOF)或其他标记流动自旋)来获取训练图像数据。其他类型的训练图像数据也是有用的。示例性血管包括但不限于颅内和/或外血管(例如,颈动脉、主动脉弓等)。其他类型的成像模式或感兴趣接收也是有用的。
在示例性步骤204、206、208和210中,学习单元106学习参考解剖基元的分级检测器及其关联解剖环境(例如,空间关系)。在某些实施方式中,独立地学习分级检测器。替换地,可基于其他分级检测器来学习一个或多个分级检测器。在学习之后,可在运行时间期间以分级方式调用分级检测器,如将参考图3所讨论的。
可使用参考解剖基元来导出成像参数以用于后续图像获取、重构或处理。某些参考解剖基元在训练图像数据内是可见的,而其他参考解剖基元可能不是在图像数据内可容易辨别或可见的,并且可基于其他参考解剖基元对其进行定位。例如,可基于T5椎骨的位置来预测主动脉弓的位置。示例性类型的参考解剖基元包括但不限于标志点、线、曲线、表面、结构等。出于举例说明的目的,在步骤204—210中描述的参考解剖基元包括骨骼结构、血管标志点和结构。然而,应认识到的是还可训练其他参考解剖基元的检测器。
更详细地转到步骤204,学习单元106可基于训练图像数据而学习至少一个骨骼检测器。由于骨骼结构相对于血管或其他软组织是更加有区别且通常相当一致的,所以其提供血管结构位置的粗糙但稳健的估计。示例性骨骼结构包括例如后头孔、C5椎骨、T5椎骨等。还可以有其他类型的骨骼机构。可使用表观模型、活动形状模型或任何其他适当机器学习技术来学习检测器。
在206处,学习单元106基于训练图像数据来学习至少一个空间关系模型。该空间关系模型捕捉至少一个参考解剖基元(例如,骨骼结构)与另一参考解剖基元(例如,血管结构或标志点)之间的几何关系。该空间关系模型可包括例如线性回归模型、活动形状模型等。
在208处,学习单元106基于训练图像数据来学习至少一个血管标志点检测器。标志点(或语音点)可以是图像数据中的任何可容易辨别或解剖上有意义点。例如,在血管的环境下,最具区别性标志点可包括但不限于血管分叉(例如,到脊椎动脉的基底动脉分叉)、血管接合点、主动脉弓中心、威利斯中心环等。可使用表观模型、活动形状模型或任何其他适当机器学习技术来学习检测器。
在210处,学习单元106基于训练图像数据来学习至少一个血管结构检测器。示例性血管结构可包括但不限于总颈动脉、升主动脉、降主动脉、基底动脉、大脑中动脉、典型解剖正常变异、模式和/或其病理等。可使用表观模型、活动形状模型或任何其他适当机器学习技术来学习检测器。
在212处,学习单元106生成几何模型即基于由所学习分级检测器所检测的参考解剖基元来导出一个或多个成像参数。该几何模型定义所检测参考解剖基元与一个或多个成像参数之间的几何关系(例如,所检测血管与MR切片位置之间的几何关系)。示例性几何关系包括但不限于相对角关系、尺寸、对称性、位置等。此类几何模型可以是可由系统管理员配置或调整的。
图3示出了医学成像规划的示例性方法300。在某些实施方式中,在线地执行方法300(例如,在对受试者或病人执行手术干预或程序的同时在术内)。应注意的是,可按照所示顺序或不同顺序来执行方法300的步骤。此外,可实现不同、附加或较少步骤。更进一步地,可用图1的系统100、不同系统或其组合来实现方法300。
在302处,规划单元107接收受试者(例如,病人)或一个或多个所学习分级检测器的侦察数据。侦察图像数据一般地是在执行特定研究的主要部分之前获取的低分辨率初步图像。侦察图像数据可由例如成像设备102获取。受试者的侦察图像数据可至少部分地由与用来学习分级检测器的训练图像数据相同的模式(例如,MR)所获取,如先前参考图2所讨论的。
可使用例如先前参考图2所讨论的方法200来学习一个或多个分层检测器。在步骤304、306、308和310处,规划单元107调用所学习分级检测器以检测侦察图像数据中的各种参考解剖基元。可在分级序列中调用该分级检测器。可基于例如检测可靠性、不同参考解剖基元之间的空间关系等来确定分级序列。例如,可首先检测具有最高检测可靠性的更有区别的参考解剖基元。此类所检测参考解剖基元的位置可用来预测其他空间相关参考解剖基元的位置。出于举例说明的目的,在步骤304、306、308和310中所述的分级检测器包括骨骼结构检测器、空间关系模型、血管标志点检测器和血管结构检测器。然而,应认识到的是根据特定应用,还可使用其他检测器。
更详细地转到步骤304,规划单元107使用所学习骨骼检测器来检测侦察图像数据中的骨骼标志点或结构。在306处,规划单元107通过应用所学习空间关系模型来预测侦察图像数据中的主要血管标志点的位置,该所学习空间关系模型捕捉所检测骨骼结构与主要血管标志点之间的几何关系。在308处,规划单元107使用所学习血管标志点检测器来检测侦察图像数据中的预测位置的局部近邻中的至少一个有区别的血管标志点或结构。在310处,规划单元107基于所检测有区别血管标志点和/或血管结构(例如,小血管结构及其正常变异)而检测和/或导出侦察图像数据中的血管结构的标志点和/或中心线。可使用所学习血管结构检测器来检测其他血管结构。
在314处,规划单元107基于几何模型和所检测参考解剖基元而导出一个或多个成像参数。所述一个或多个成像参数可包括病人特定图像获取体积及其相应取向,诸如用于使对比度增强、飞行时间血管造影获取体积等可视化的3D或4D对比增强磁共振血管造影体积。可基于所检测解剖基元且根据典型正常变异、典型病例和预置成像参数(例如,视场、相位编码方向、有效厚度、获取时间等)来规定体积。其他类型的成像参数可包括但不限于团注追踪切片或窗口的定位、用于根据侦察图像数据来重构图像的重构平面或体积等。
几何模型定义所检测参考解剖基元与所述一个或多个成像参数之间的几何关系。例如,在自动团注追踪定位应用的环境下,一个或多个成像参数可包括要获取的高分辨率切片群组的位置和取向、团注到达时的切片群组图像获取的定时等。可基于两个自动检测感兴趣体积之间的血管(例如,颈动脉)中的估计血流来确定图像获取的定时。根据特定应用,还可确定其他类型的成像参数,如稍后将更详细地描述的。规划单元107还可生成与此类程序参数相关联的性能数据。性能数据看包括例如建议切片位置的敏感性和特殊性。
在316处,规划单元107呈现一个或多个成像参数以便在受试者的医学图像数据的获取、重构或处理中使用。医学图像数据可包括例如受试者的头或颈的MR图像数据。可在工作站103处经由例如用户接口来呈现所述一个或多个成像参数。用户接口可支持不同类型的工作流程,诸如MR血管造影工作流程、中风MR成像工作流程或其他动态工作流程。可基于一个或多个成像参数而生成文本和/或图形用户指导,以促进用于医学图像获取、重构或处理的工作流程。该指导有利地允许甚至无经验的用户执行成像工作流程的步骤。例如,在测试团注工作流程中,用户指导可提供关于要注射测试团注或造影剂的时间和位置、对要获取的切片图像进行定位的位置、要触发切片图像获取的时间和方式等的指导。此外,用户接口可随着团注沿着血管(例如,颈动脉)行进并到达目标感兴趣区而提供团注的在线追踪。另外,用户接口可使得用户能够配置成像协议(例如,CARE团注协议、MR血管造影3D/4D协议、测试团注协议等)的参数。
图4图示出用于CARE团注切片群组的自动扫描定位的示例性应用。CARE团注是允许用户在团注一到达感兴趣区中时就触发扫描的示例性团注追踪程序。MR侦察图像402、404、406、410和418示出了在分级检测的不同阶段的受试者的头、颈和胸部区域的各种矢状视图。执行分级检测是为了检测参考解剖基元的位置,其然后被用来自动地导出CARE团注高分辨率切片群组的扫描定位以用于获取。
如在侦察图像402中所指示的,规划单元107首先使用所学习骨骼检测器来检测T5椎骨403。T5椎骨403在其脚至头(FH)位置方面与主动脉弓具有强大的空间相关性。如侦察图像404中所示,规划单元107可使用所学习空间关系模型来预测主动脉弓标志点405的位置,该所学习空间关系模型捕捉主动脉弓标志点405与T5椎骨403之间的几何关系。在侦察图像406中,规划单元107已使用所学习血管标志点检测器而检测到主动脉弓标志点405的预测位置的近邻408中的主动脉412的中心线。通过使用主动脉中心线412,规划单元107能够导出辅助结构—升主动脉414和降主动脉416(如图像410中所示),其否则将难以单独基于图像对比度而检测。
侦察图像418示出了由规划单元107基于几何模型和所检测参考解剖基元而生成的CARE团注切片群组扫描区(短划线框420)和团注追踪窗口(实线框422)。几何模型可定义沿着升和降主动脉414和416之间的中线的团注切片群组420的中心线。可沿着升主动脉414来定义团注追踪窗口422的位置。图像424示出了团注切片群组扫描区420的轴向视图。
图5图示出用于对比增强(CE)MRA体积的自动扫描定位的示例性应用。根据CE-MRA颈动脉协议,CE-MRA获取体积覆盖主动脉弓和威利斯环。可基于骨骼结构标志点和专用血管标志点而自动地对CE-MRA获取体积进行定位。更特别地,规划单元107可调用所学习骨骼检测器以检测C6椎骨,如轴向侦察图像502中的标志点506所指示的。图像504示出了C6椎骨区域的放大图。规划单元107然后使用所学习空间关系模型来预测分别地与威利斯环和主动脉弓相关联的主血管标志点510和511的位置。规划单元107然后可基于所检测骨骼结构和预测血管标志点位置而导出CE-MRA获取体积514,如矢状视图508和516中所示。更特别地,可通过使用所检测C6椎骨标志点506在第1近似中定义其中心线(和取向)512来导出CE-MRA获取体积514。可使用血管标志点的预测位置(510和511)来导出CE-MRA获取体积的位置和范围。
图6图示出用于飞行时间(TOF)血管造影获取体积的自动扫描定位的示例性应用。TOF是用以在不需要给予外来造影剂的情况下使血管内的流动可视化的MRI技术。如侦察图像602所示,规划单元107可基于使用分级检测器检测的骨骼标志点(例如,枕骨606)和血管标志点(例如,大脑前动脉、大脑中动脉、基底动脉等)而导出TOF获取体积608的中心线604和取向。
图7图示出用于根据T1加权的3D侦察图像来重构2D血管侦察—薄层最大强度投影(MIP)图像的示例性应用。MIP是用于在可视化平面中投射落在被从视点追踪到重构平面的平行射线的途中的具有最大强度的体素的3D数据的体积再现方法。规划单元107可首先自动地检测与C3椎骨和蝶胺(如横向侦察图像702中所示)相关联的骨骼结构标志点704和703,后面是在骨骼结构标志点703和704附近的左和右颈动脉标志点707和708(如轴向侦察图像706中所示)。然后可基于所检测的左和右颈动脉标志点707和708来导出薄层MIP重构平面(例如,5mm厚度)的取向、中心线和/或范围。然后可使用导出的重构平面由3D侦察图像(702和706)来重构前后(AP)和横向2D投影图像720和722。
虽然已参考示例性实施例详细地描述了本发明,但本领域的技术人员将认识到在不脱离如在所附权利要求中阐述的本发明的精神和范围的情况下对其进行各种修改和替换。例如,在本公开和所附权利要求的范围内可将不同示例性实施例的元素和/或特征相互组合和/或相互代替。
Claims (20)
1. 一种用于规划医学成像的方法,包括:
(i)基于训练图像数据而学习分级检测器;
(ii)通过应用所学习分级检测器来检测受试者的第一图像数据中的参考解剖基元;
(iii)基于几何模型而导出一个或多个成像参数,其中,该几何模型定义所检测参考解剖基元中的至少一个与一个或多个成像参数之间的几何关系;以及
(iv)呈现所述一个或多个成像参数以便在受试者的第二图像数据的获取、重构或处理中使用。
2. 权利要求1的方法,还包括:
学习骨骼检测器,以及
学习空间关系模型,其捕捉骨骼结构与血管结构或标志点之间的几何关系。
3. 一种用于规划医学成像的方法,包括:
(i)接收受试者的第一图像数据;
(ii)通过使用在第一图像数据中检测的至少一个参考解剖基元和几何模型来自动地导出一个或多个成像参数,其中,所述几何模型定义所检测参考解剖基元与一个或多个成像参数之间的几何关系;以及
(iii)呈现所述一个或多个成像参数以便在受试者的第二图像数据的获取、重构或处理中使用。
4. 权利要求3的方法,还包括通过调用所学习分级检测器以检测至少一个有区别标志点、曲线、表面、结构或其组合来检测参考解剖基元。
5. 权利要求4的方法,其中,检测参考解剖基元包括基于检测可靠性、不同参考解剖基元之间的空间关系或其组合而调用在分级序列中的分级检测器。
6. 权利要求4的方法,其中,检测第一图像数据中的参考解剖基元包括通过调用所学习骨骼检测器来检测第一图像数据中的至少一个骨骼结构。
7. 权利要求6的方法,其中,检测第一图像数据中的参考解剖基元还包括通过应用空间关系模型来检测第一图像数据中的第一血管标志点或结构,该空间关系模型捕捉所检测骨骼结构与第一血管标志点或结构之间的几何关系。
8. 权利要求7的方法,其中,检测第一图像数据中的参考解剖基元还包括通过应用所学习血管标志点检测器来检测第一血管标志点或结构的局部近邻内的第二血管标志点或结构。
9. 权利要求8的方法,其中,检测第一图像数据中的参考解剖基元还包括至少部分地基于所检测第二血管标志点或结构而导出血管结构的标志点或中心线。
10. 权利要求3的方法,其中,自动地导出所述一个或多个成像参数包括导出图像获取体积及其相应取向。
11. 权利要求3的方法,其中,自动地导出一个或多个成像参数包括确定团注追踪切片的扫描定位。
12. 权利要求11的方法,其中,所述团注追踪切片覆盖升主动脉和降主动脉。
13. 权利要求3的方法,其中,自动地导出一个或多个成像参数包括确定对比增强磁共振血管造影体积的扫描定位。
14. 权利要求13的方法,其中,所述对比增强磁共振血管造影体积包括用于使对比增强可视化的三维磁共振血管造影体积。
15. 权利要求13的方法,其中,所述对比增强磁共振血管造影体积包括用于使对比增强可视化的四维磁共振血管造影体积。
16. 权利要求13的方法,其中,所述对比增强磁共振血管造影体积覆盖主动脉弓和威利斯环。
17. 权利要求3的方法,其中,自动地导出一个或多个成像参数包括确定非对比增强获取体积的扫描定位。
18. 权利要求3的方法,其中,自动地导出一个或多个成像参数包括确定用于根据第一图像数据来重构一个或多个图像或体积的一个或多个重构平面或体积。
19. 权利要求3的方法,其中,呈现一个或多个成像参数包括通过呈现基于一个或多个成像参数而生成的指导来促进用于受试者的第二图像数据的获取、重构或处理的工作流程。
20. 一种医学成像规化系统,包括:
成像设备,获取受试者的第一图像数据;
学习单元,学习分级检测器;
规划单元,通过调用所学习分级检测器来检测第一图像数据中的参考解剖基元,该规划单元还基于几何模型而导出一个或多个成像参数,其中,该几何模型导出所检测参考解剖基元中的至少一个与所述一个或多个成像参数之间的几何关系;以及
用户接口,呈现所述一个或多个成像参数以便在受试者的第二图像数据的获取、重构或处理中使用。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361863934P | 2013-08-09 | 2013-08-09 | |
US61/863934 | 2013-08-09 | ||
US14/337,262 US9471987B2 (en) | 2013-08-09 | 2014-07-22 | Automatic planning for medical imaging |
US14/337262 | 2014-07-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104346821A true CN104346821A (zh) | 2015-02-11 |
CN104346821B CN104346821B (zh) | 2019-01-01 |
Family
ID=52448704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410391775.6A Active CN104346821B (zh) | 2013-08-09 | 2014-08-11 | 用于医学成像的自动规划 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9471987B2 (zh) |
CN (1) | CN104346821B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464231A (zh) * | 2016-06-03 | 2017-12-12 | 西门子保健有限责任公司 | 用于确定医学成像的最佳操作参数的系统和方法 |
CN107909622A (zh) * | 2017-11-30 | 2018-04-13 | 上海联影医疗科技有限公司 | 模型生成方法、医学成像的扫描规划方法及医学成像系统 |
CN108230261A (zh) * | 2016-12-09 | 2018-06-29 | 通用电气公司 | 基于自动器官识别的全自动图像优化 |
CN109074665A (zh) * | 2016-12-02 | 2018-12-21 | 阿文特公司 | 用于在基于医学成像的程序中导航到目标解剖对象的系统和方法 |
CN111356930A (zh) * | 2017-11-17 | 2020-06-30 | 皇家飞利浦有限公司 | 人工智能实现的解剖界标定位 |
CN114299072A (zh) * | 2022-03-11 | 2022-04-08 | 四川大学华西医院 | 一种基于人工智能的解剖变异识别提示方法及系统 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8917925B1 (en) * | 2014-03-28 | 2014-12-23 | Heartflow, Inc. | Systems and methods for data and model-driven image reconstruction and enhancement |
US9710880B2 (en) * | 2014-07-03 | 2017-07-18 | Siemens Product Lifecycle Management Software Inc. | User-guided shape morphing in bone segmentation for medical imaging |
EP3142069B1 (en) * | 2015-09-10 | 2020-05-13 | Agfa HealthCare | Method, apparatus and system for analyzing medical images of blood vessels |
DE102016220093A1 (de) * | 2016-10-14 | 2018-04-19 | Siemens Healthcare Gmbh | Bestimmen eines Aufnahmeparameters für ein bildgebendes Verfahren |
CN109754388B (zh) * | 2018-12-04 | 2021-03-16 | 众安信息技术服务有限公司 | 一种颈动脉狭窄程度计算方法、装置及存储介质 |
JP2022533583A (ja) | 2019-05-14 | 2022-07-25 | コーニンクレッカ フィリップス エヌ ヴェ | 3dプレスキャンボリュメトリック画像データに基づくプロトコル依存2dプレスキャン投影画像 |
EP3969923A1 (en) * | 2019-05-17 | 2022-03-23 | Koninklijke Philips N.V. | Automated field of view alignment for magnetic resonance imaging |
CN111445575B (zh) * | 2020-04-01 | 2023-09-29 | 沈阳先进医疗设备技术孵化中心有限公司 | 威利斯环的图像重建方法、装置、电子设备、存储介质 |
JP7451305B2 (ja) * | 2020-05-29 | 2024-03-18 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置及び医用画像処理方法 |
US11615529B2 (en) | 2020-11-18 | 2023-03-28 | Siemens Healthcare Gmbh | Automatic, dynamic, and adaptive slice planning for cardiac MRI acquisition |
CN113506262A (zh) * | 2021-07-07 | 2021-10-15 | 上海商汤智能科技有限公司 | 图像处理方法、装置及其相关设备和存储介质 |
US11955228B2 (en) | 2021-12-10 | 2024-04-09 | GE Precision Healthcare LLC | Methods and system for simulated radiology studies based on prior imaging data |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198447A1 (en) * | 2001-05-16 | 2002-12-26 | Van Muiswinkel Arianne Margarethe Corinne | Automatic prescription of tomographic imaging parameters |
CN101194845A (zh) * | 2007-12-25 | 2008-06-11 | 南京理工大学 | 基于双x射线机的同步实时动态跟踪立体定位方法及装置 |
US20100183206A1 (en) * | 2007-06-21 | 2010-07-22 | Koninklijke Philips Electronics N.V. | Adjusting acquisition protocols for dynamic medical imaging using dynamic models |
CN103096791A (zh) * | 2010-07-09 | 2013-05-08 | 圣文森特医院(墨尔本)有限公司 | 血氧饱和度的无创测量 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6106466A (en) * | 1997-04-24 | 2000-08-22 | University Of Washington | Automated delineation of heart contours from images using reconstruction-based modeling |
US7697743B2 (en) * | 2003-07-03 | 2010-04-13 | General Electric Company | Methods and systems for prescribing parameters for tomosynthesis |
-
2014
- 2014-07-22 US US14/337,262 patent/US9471987B2/en active Active
- 2014-08-11 CN CN201410391775.6A patent/CN104346821B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198447A1 (en) * | 2001-05-16 | 2002-12-26 | Van Muiswinkel Arianne Margarethe Corinne | Automatic prescription of tomographic imaging parameters |
US20100183206A1 (en) * | 2007-06-21 | 2010-07-22 | Koninklijke Philips Electronics N.V. | Adjusting acquisition protocols for dynamic medical imaging using dynamic models |
CN101194845A (zh) * | 2007-12-25 | 2008-06-11 | 南京理工大学 | 基于双x射线机的同步实时动态跟踪立体定位方法及装置 |
CN103096791A (zh) * | 2010-07-09 | 2013-05-08 | 圣文森特医院(墨尔本)有限公司 | 血氧饱和度的无创测量 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464231A (zh) * | 2016-06-03 | 2017-12-12 | 西门子保健有限责任公司 | 用于确定医学成像的最佳操作参数的系统和方法 |
CN109074665A (zh) * | 2016-12-02 | 2018-12-21 | 阿文特公司 | 用于在基于医学成像的程序中导航到目标解剖对象的系统和方法 |
CN109074665B (zh) * | 2016-12-02 | 2022-01-11 | 阿文特公司 | 用于经由医学成像系统导航到目标解剖对象的系统和方法 |
CN108230261A (zh) * | 2016-12-09 | 2018-06-29 | 通用电气公司 | 基于自动器官识别的全自动图像优化 |
CN111356930A (zh) * | 2017-11-17 | 2020-06-30 | 皇家飞利浦有限公司 | 人工智能实现的解剖界标定位 |
CN111356930B (zh) * | 2017-11-17 | 2023-09-12 | 皇家飞利浦有限公司 | 用于定位预定义的解剖结构的解剖界标的方法和系统 |
CN107909622A (zh) * | 2017-11-30 | 2018-04-13 | 上海联影医疗科技有限公司 | 模型生成方法、医学成像的扫描规划方法及医学成像系统 |
CN107909622B (zh) * | 2017-11-30 | 2021-05-14 | 上海联影医疗科技股份有限公司 | 模型生成方法、医学成像的扫描规划方法及医学成像系统 |
CN114299072A (zh) * | 2022-03-11 | 2022-04-08 | 四川大学华西医院 | 一种基于人工智能的解剖变异识别提示方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US9471987B2 (en) | 2016-10-18 |
CN104346821B (zh) | 2019-01-01 |
US20150043774A1 (en) | 2015-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104346821B (zh) | 用于医学成像的自动规划 | |
US9020235B2 (en) | Systems and methods for viewing and analyzing anatomical structures | |
EP3355273B1 (en) | Coarse orientation detection in image data | |
US9741131B2 (en) | Anatomy aware articulated registration for image segmentation | |
CN102067176B (zh) | 结合局部运动监测、校正和评估的辐射成像 | |
US10997475B2 (en) | COPD classification with machine-trained abnormality detection | |
JP6316671B2 (ja) | 医療画像処理装置および医用画像処理プログラム | |
US9082231B2 (en) | Symmetry-based visualization for enhancing anomaly detection | |
US11229377B2 (en) | System and method for next-generation MRI spine evaluation | |
US9336457B2 (en) | Adaptive anatomical region prediction | |
CN104252714A (zh) | 时变数据的重建 | |
US10275946B2 (en) | Visualization of imaging uncertainty | |
CN108876794A (zh) | 体积图像数据中的动脉瘤与载瘤血管的隔离 | |
US20160171698A1 (en) | Method of, and apparatus for, registration and segmentation of medical imaging data | |
US20180012363A1 (en) | Preview visualisation of tracked nerve fibers | |
US9020215B2 (en) | Systems and methods for detecting and visualizing correspondence corridors on two-dimensional and volumetric medical images | |
US9355454B2 (en) | Automatic estimation of anatomical extents | |
CN114943714A (zh) | 医学图像处理系统、装置、电子设备及存储介质 | |
US20150379744A1 (en) | Visualization Method for a Human Skeleton from a Medical Scan | |
US11423554B2 (en) | Registering a two-dimensional image with a three-dimensional image | |
US20220156904A1 (en) | Providing an optimum subtraction data set | |
EP3391332B1 (en) | Determination of registration accuracy | |
US11704795B2 (en) | Quality-driven image processing | |
WO2023194267A1 (en) | Automatic rib fracture detection from unfolded scan images | |
JP2023521838A (ja) | 合成医用画像の作成 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220125 Address after: Erlangen Patentee after: Siemens Healthineers AG Address before: Munich, Germany Patentee before: SIEMENS AG |
|
TR01 | Transfer of patent right |