CN104508710A - 对图像数据中的选择性组织的视觉抑制 - Google Patents
对图像数据中的选择性组织的视觉抑制 Download PDFInfo
- Publication number
- CN104508710A CN104508710A CN201380018030.9A CN201380018030A CN104508710A CN 104508710 A CN104508710 A CN 104508710A CN 201380018030 A CN201380018030 A CN 201380018030A CN 104508710 A CN104508710 A CN 104508710A
- Authority
- CN
- China
- Prior art keywords
- opacity
- suppresses
- possibility
- data
- voxel
- 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
- G06T7/0002—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
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/32—Image data format
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/62—Semi-transparency
Abstract
一种方法,图像数据处理器(318)包括:形状可能性确定器(402),其处理图像数据的体素,并且基于由所述体素表示的组织的形状,针对多个所述体素确定所述体素表示预定的感兴趣组织的可能性;不透明度确定器(406),其基于所述可能性,针对所述多个体素中的每个确定不透明度抑制;重新格式化器(410),其基于所确定的不透明度抑制,重新格式化所述图像数据,生成不透明度抑制的重新格式化的数据;以及绘制引擎(412),其视觉呈现所述不透明度抑制的重新格式化的数据。
Description
技术领域
以下总体涉及图像数据处理,并且更具体地涉及视觉抑制图像数据中的选择性组织,并且利用对计算机断层摄影(CT)的具体应用进行描述。然而,以下也接受其他成像模态,诸如磁共振成像(MRI)、数字放射摄影和/或其他成像模态。
背景技术
CT扫描器包括由旋转框架支撑的x射线管。旋转框架以及因此x射线管围绕检查区域旋转,并且x射线管发射贯穿检查区域的辐射。辐射敏感探测器位于x射线管的对面,跨越检查区域,并探测贯穿检查区域的辐射。辐射敏感探测器生成指示所探测的辐射的投影数据。重建器重建投影数据,并且生成体积图像数据。图像处理器可以用于处理体积图像数据,并且生成一个或多个图像。
CT(以及其他成像)已经用于视觉评价组织(诸如结节和淋巴结)。对结节和淋巴结的视觉评价是针对肿瘤探测、分期和治疗监测的标准临床任务。不幸的是,结节和/或结点常常例如被周围血管在视觉上遮蔽,这是由于它们的类似的外观以及由此的视觉遮挡。因此,在例如肺部研究的背景中,中央肺结节或其他肺结节的大部分可能在视觉评价期间被忽视,例如,由于它们的类似的外观以及周围肺部脉管的遮挡。
结合图1示出这样的范例,在所述图1中,模拟结节102近似地具有与围绕模拟结节102的模拟血管104相同的横截面形状。在该范例中,模拟结节102可以被混淆为模拟血管104,反之亦然。结合图2示出另一范例,在所述图2中,模拟结节202完全被围绕模拟结节202的模拟血管204部分地视觉遮挡。在该范例中,模拟血管204视觉遮挡结节202。
计算机辅助探测(CAD)软件已经用于自动地在结节与周围血管之间进行区分。通常,这包括基于形状(例如管状对团状)将体素的组分类为结节或血管,并且进行二元判定(结节或血管)。然后,将视觉标记(诸如箭头、圆圈等)叠加在(常规或层块的)最大强度投影(MIP)或其他绘制(例如,直接体积绘制(DVR)、数字重建放射摄影(DRR)等)上以识别结节。不幸的是,由CAD系统进行的这样的二元分类也产生假阳性和假阴性,并且重叠的标记可能以令人迷惑的方式使图像杂乱。
本文描述的各方面解决以上提及的问题和其他问题。
发明内容
在一方面中,一种图像数据处理器,其包括形状可能性确定器,所述形状可能性确定器处理图像数据的体素,并且基于由所述体素表示的组织的形状针对多个所述体素确定所述体素表示预定的感兴趣组织的可能性。所述图像数据处理器还包括不透明度确定器,所述不透明度确定器基于所述可能性针对多个所述体素中的每个确定不透明度抑制。所述图像数据处理器还包括重新格式化器,所述重新格式化器基于所确定的不透明度抑制重新格式化所述图像数据,生成不透明度抑制的重新格式化数据。所述图像数据处理器还包括绘制引擎,所述绘制引擎视觉呈现所述不透明度抑制的重新格式化数据。
在另一方面中,一种方法,其包括基于由体素表示的组织的形状来确定图像数据的多个所述体素中的每个表示预定的感兴趣组织的可能性。所述方法还包括获得用于不透明度映射的可能性。所述方法还包括基于所述可能性和所述用于不透明度映射的可能性来重新格式化所述图像数据,生成不透明度抑制的格式化数据。所述方法还包括显示所述不透明度抑制的重新格式化数据。
在另一方面中,一种计算机可读储存介质,其被编码具有计算机可读指令。当处理器执行所述计算机可读执行时,所述计算机可读指令使得所述处理器:基于由体素表示的组织的形状来确定图像数据的多个体素中的每个表示预定的感兴趣组织的可能性;获得用于不透明度映射的可能性;基于所述可能性和所述用于不透明度映射的可能性来重新格式化所述图像数据,从而生成不透明度抑制的格式化数据;以及显示所述不透明度抑制的重新格式化数据。
附图说明
本发明可以采取各种部件和部件的布置,以及各种步骤和步骤的布置的形式。附图仅出于图示优选实施例的目的,并且不应被解读为限制本发明。
图1示出了模拟的血管和结节的横截面的现有技术图像,其中,结节和血管近似地具有相同的横截面形状和强度,并且因此不容易在视觉上进行区分。
图2示出了模拟的血管和结节的现有技术的图像,其中,血管在视觉上遮蔽结节的可视化。
图3示意性地图示了与图像数据处理器结合的成像系统,其以如下方式视觉呈现经处理的图像数据,即,基于体素表示预定组织的可能性来可变地光学抑制表示预定组织的体素的不透明度。
图4示意性地图示了图像数据处理器的范例。
图5示出了模拟的血管和结节的横截面视图的MIP图像,其中,基于体素表示血管的可能性来可变地光学抑制血管。
图6示出了MIP图像模拟的血管和结节,其中,基于体素表示血管的可能性来可变地光学抑制血管。
图7示出了没有应用不透明度抑制的层块MIP图像。
图8示出了应用50%的不透明度抑制的图7的层块MIP图像。
图9示出了应用80%的不透明度抑制的图7的层块MIP图像。
图10图示了范例方法,其中,基于体素表示感兴趣组织的可能性来抑制表示感兴趣组织的体素的强度。
图11图示了范例方法,其中,使不透明度抑制变化。
具体实施方式
首先参考图3,图示了成像系统300(诸如CT扫描器)。成像系统300包括一般为固定机架302和旋转机架304,所述旋转机架304由固定机架302可旋转地支撑,并且围绕检查区域306关于z轴旋转。对象支撑物308(例如卧榻)支撑检查区域306中的目标或对象。
辐射源310(诸如x射线管)由旋转机架304可旋转地支撑,与旋转机架304一起旋转,并且发射贯穿检查区域306的辐射。辐射敏感探测器阵列312跨越检查区域306对向辐射源310对面的角度圆弧。辐射敏感探测器阵列312探测贯穿检查区域306的辐射,并且生成指示针对每个探测到的光子的辐射的信号。
重建器314重建投影,生成指示位于成像区域306中的对象或目标的被扫描部分的体积图像数据。通用计算系统或计算机充当操作者控制台316。控制台316包括人类可读的输出设备(诸如监测器)和输入设备(诸如键盘、鼠标等)。驻留在控制台316上的软件允许操作者经由图形用户界面(GUI)或以其他方式与扫描器300交互和/或操作扫描器300。
图像数据处理器318包括至少一个处理器320,所述至少一个处理器320运行储存在计算机可读储存介质(诸如物理存储器322或其他非暂态储存介质)中的至少一个计算机可读指令。处理器320也可以运行由载波、信号或其他暂态介质承载的一个或多个计算机可读指令。输入/输出(I/O)324被配置为从一个或多个输入设备326(例如键盘、鼠标等)接收信息和/或传送信息(例如在显示区域中的图形用户界面(GUI)及其中的信息)到一个或多个输出设备328(例如监测器、放映机(filmer)、便携式存储器等)。
图像数据处理器318基于至少一个指令来处理来自成像系统300和/或其他成像系统的图像数据的体素,并且经由一个或多个输出设备328视觉呈现所处理的图像数据。如以下更加详细地描述的,这样的处理包括识别体素表示预定类型的组织的可能性,以及基于所述可能性抑制体素的不透明度。这样的抑制是渐进的,这是因为它不是无抑制或全抑制的二元抑制,而是基于可能性的抑制的程度。例如,被识别为表示预定类型的组织但具有不同可能性的体素将被抑制到不同程度。
通过范例的方式,肺部研究的目标可以是视觉观察结节、裂缝、肿瘤和/或与肺部组织连接的其他感兴趣组织。然而,脉管(例如,血管)可以约束或遮挡这样的观察。图像数据处理器318能够处理肺部的图像数据,使得视觉抑制表示脉管的体素的不透明度,应用于体素的抑制对应于该体素表示脉管的概率。正因如此,具有较高概率为脉管的体素被视觉抑制到比具有较低概率为脉管的体素更大的程度。本文中也预期非肺部研究。例如,感兴趣组织能够为肝部肿瘤并且要抑制的组织可以为肝脏脉管。
图4示意性地图示了图像数据处理器318的范例。在该范例中,图像数据处理器318基于体素为具体组织类型(基于具体组织的形状)的可能性来视觉抑制表示具体组织类型的体素的不透明度。
形状可能性确定器402基于一个或多个形状算法404来确定图像数据中的体素表示具有特定形状的组织的可能性。例如,形状算法404可以确定体素表示与非管状组织(诸如团状组织)相反的管状组织的可能性。这样的算法可以便于确定在肺部研究图像数据中的体素表示肺部中的脉管组织(例如与团状结节相反)的可能性。
在Qiang Li等人的“Selective enhancement filters for nodules,vessels,and airway walls in two-and three-dimensional CT scans”,Med.Phys.卷30,2003年,第2040-2051页;Lorenz等人的“Multi-scale line segmentation withautomatic estimation of width,contrast and tangential direction in 2D and 3Dmedical images”,First Joint Conference on Computer Vision,Virtual Realityand Robotics in Medicine,and Medical Robotics and Computer-AssistedSurgery”,1997年,第233-242页;以及Agam等人的“Vessel TreeReconstruction in Thoracic CT Scans With Application to Nodule Detection”,IEEE Transactions on Medical Imaging,卷24,第4号,2005年4月中讨论了用于在管状与团状之间进行区分的算法的范例。
其他合适的算法包括基于hessian特征值的广泛应用的算法、采用多重分辨率尺度的算法和/或其他算法。
不透明度识别器406基于一个或多个不透明度映射408针对每个体素识别不透明度抑制的水平。例如,一个映射408可以指示:具有表示具有具体形状的组织的可能性为零(0)的体素完全不被抑制,具有表示具有具体形状的组织的可能性为一(1)的体素被完全抑制,从而其在最终图像数据中不可见,并且具有表示具有具体形状的组织的可能性在零与一之间的体素被部分抑制,其中抑制的程度基于可能性。
在一个实例中,一个或多个映射408中的一个指示针对在零与一之间的可能性线性地抑制不透明度抑制。在该实例中,较高的可能性引起较大的不透明度抑制,而较低的可能性引起较小的不透明度抑制。在另一实例中,一个或多个映射408中的另一个指示不透明度抑制被非线性地(例如平方地、指数地等)抑制。一个或多个映射408中的另一个可以指示不透明度抑制针对一个或多个预定的可能性范围是平滑或恒定的,并且在一个或多个其他预定的可能性范围内是可变的。
重新格式化器410重新格式化体积图像数据。例如,数据重新格式化器410可以重新格式化体积图像数据,并且创建MIP、DVR、DRR或其他重新格式化的数据集。通过生成经受单调传递函数的可能性图像体积能够生成不透明度抑制的重新格式化的体积图像数据。然后,在针对每个视线对重新格式化的体积图像数据进行计算之前,从原始图像强度(密度)减去经受单调传递函数的可能性图像体积。
绘制引擎412视觉呈现重新格式化的图像数据。在一个实例中,重新格式化的图像数据被呈现在图形用户界面(GUI)中。例如,GUI可以包括至少两个显示窗口,其中体积图像数据被呈现在显示窗口中的一个中,并且重新格式化的(不透明度抑制的或非不透明度抑制的)图像数据被显示在显示窗口中的另一个中。当重新格式化的图像数据被显示为层块视图时,层块可以对应于默认视图和/或体积图像数据中的用户选择的区域。
GUI可以包括软控制,例如,其允许用户在不透明度抑制的重新格式化的图像数据与非不透明度抑制的重新格式化的图像数据之间切换。这可以包括交换数据集或改变不透明度传递函数以及重新绘制重新格式化的图像数据。软控制也可以包括用于选择不透明度映射408中的具体的一个以改变不透明度抑制的控制。软控制也可以包括用于手动调节不透明度抑制传递函数的控制。
图5和图6示出了本文描述的不透明度抑制应用于用于生成图1的MIP重新格式化的数据集的范例。
在图5中,模拟结节502基本上没有被不透明度抑制,而围绕模拟结节502的模拟血管504逐渐地在视觉上被不透明度抑制,其中抑制从血管504的中心到血管504的外周逐渐增加,在血管504的外周处抑制减小。应当理解,图示的抑制是基于采用的整形器算法,并且然后针对不同的整形器算法,图5中示出的抑制可以不同。
在图6中,模拟结节602基本上没有被不透明度抑制,而围绕模拟结节602的模拟血管604逐渐地在视觉上被不透明度抑制,其中抑制从血管604的中心到血管604的外周逐渐增加。类似于图5,应当理解,图示的抑制是基于采用的整形器算法,并且然后针对不同的整形器算法,图6中示出的抑制可以不同。
图7、图8以及图9示出了本文描述的不透明度抑制应用于层块MIP重新格式化的数据集的范例。在图8中,用户已将不透明度抑制设定到零,在图9中,用户已将不透明度抑制设置到50%,并且在图10中,用户已将不透明度抑制设置到80%。如所示,图7中的脉管700和结节702均没有被不透明度抑制,图8中的脉管700被不透明度抑制而结节702没有被不透明度抑制,并且图9中的脉管700进一步被不透明度抑制而结节702没有被不透明度抑制。
在一个实例中,使用分辨率金字塔,在多尺度方案中,在不同的空间分辨率水平上能够实现本文描述的途径。例如,以最高分辨率取得图像体积,并且将其分解为血管增强图像及其补充(残余图像)。对残余图像二次采样至较低分辨率(例如使用二项式二次采样、高斯二次采样或样条二次采样)。在该分辨率水平处,重复分解,以此推类。然后,在每个水平上,利用线性查找函数或非线性查找函数(其可以针对每个分辨率水平不同)弱化血管增强图像。最终,(以分辨率水平的相反顺序)重构完整图像。利用残余图像重构在最低水平处修正的血管增强图像,结果是上采样到下一更高水平,重构,以此类推。
图10图示了基于体素表示感兴趣组织的可能性来抑制表示感兴趣组织的体素的强度的范例方法。
应当理解,动作的排序不是限制性的。正因如此,本文也预期其他排序。另外,可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在1002处,获得图像数据。
在1004处,确定每个体素表示预定的感兴趣组织的可能性。
在1006处,获得对可能性的不透明度映射。
在1008处,基于不透明度映射和可能性,重新格式化图像数据,不透明度抑制预定的感兴趣组织。
在1010处,显示不透明度抑制的重新格式化的数据。
图11图示了使不透明度抑制变化的范例方法。
应当理解,动作的排序不是限制性的。正因如此,本文也预期其他排序。另外,可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在1102处,显示不透明度抑制的重新格式化的图像。如本文所公开的,例如,类似于图10和/或以其他方式能够生成不透明度抑制的重新格式化的图像。
在1104处,接收指示用户对不透明度抑制的改变的信号。
在1106处,基于不透明度抑制的改变以及不透明度映射和组织可能性来重新格式化用于生成不透明度抑制的重新格式化的图像的图像数据。
在1108处,显示不透明度抑制的重新格式化的图像。
以上可以通过被编码或嵌入在计算机可读储存介质上的计算机可读指令的方式来实施,当(多个)计算机处理器运行所述计算机可读指令时,所述计算机可读指令使得(多个)处理器执行所描述的动作。额外地或备选地,计算机可读指令中的至少一个是由信号、载波或其他暂态介质承载的。
在一个非限制性实例中,通过如本文所描述的不透明度抑制某个组织,球形肿块(诸如结节和淋巴结)由于较少被血管遮挡而可以更加突出,下方的薄壁组织由于较少被血管遮挡而可以更加突出,血管压制的MIP非常类似于放射科医师所习惯的标准MIP,图像没有被令人迷惑的离散标记弄得杂乱,由于强度仅被逐渐地减弱,但没有体素被基于任意的二元分类完全抑制,因此没有产生完全地假阴性或阳性,血管弱化量级的交互式改变为用户提供特征出现和消失的额外线索,暗示新的绘制能够用于常常在放射科中使用的灰度值显示上,利用血管滤波器的某种选择,潜在的异常(结节、结点)的强度值保持不变(仅正常结构被压制),压制将使较大血管的中心线可视(细化而非全宽度压制),因此允许改进的空间取向等。
已经参考优选实施例描述了本发明。在阅读和理解以上具体实施方式的情况下对于其他人可能想到修改或替代。本文意图将本发明解释为包括所有这种修改和替代,只要它们落入所附权利要求及其等价方案的范围之内。
Claims (20)
1.一种图像数据处理器(318),包括:
形状可能性确定器(402),其处理图像数据的体素,并基于由所述体素表示的组织的形状,针对多个所述体素确定所述体素表示预定的感兴趣组织的可能性;
不透明度确定器(406),其基于所述可能性,针对所述多个体素中的每个确定不透明度抑制;
重新格式化器(410),其基于所确定的不透明度抑制来重新格式化所述图像数据,生成不透明度抑制的重新格式化的数据;以及
绘制引擎(412),其视觉呈现所述不透明度抑制的重新格式化的数据。
2.如权利要求1所述的图像数据处理器,其中,所述感兴趣组织为管状组织。
3.如权利要求2所述的图像数据处理器,其中,所述管状组织包括一个或多个血管。
4.如权利要求1至3中的任一项所述的图像数据处理器,其中,不透明度抑制作为所述可能性的函数线性地改变。
5.如权利要求1至3中的任一项所述的图像数据处理器,其中,不透明度抑制作为所述可能性的函数非线性地改变。
6.如权利要求1至5中的任一项所述的图像数据处理器,其中,所述不透明度抑制针对第一可能性范围是恒定的,并且针对第二不同的可能性范围,作为所述可能性的函数是可变的。
7.如权利要求1至6中的任一项所述的图像数据处理器,其中,所述不透明度确定器(406)基于不透明度映射,针对所述多个体素中的每个确定所述不透明度抑制,其中,所述映射对应于指示用户选择的感兴趣映射的信号。
8.如权利要求7所述的图像数据处理器,其中,所述不透明度确定器(406)基于所述不透明度映射中的改变,针对所述多个体素中的每个确定所述不透明度抑制,并且所述重新格式化器基于不透明度抑制的所述改变,重新格式化所述图像数据,生成第二不透明度抑制的重新格式化的数据。
9.如权利要求1至8中的任一项所述的图像数据处理器,其中,所述重新格式化的数据为以下中的一个:最大强度投影、层块最大强度投影、直接体积绘制或数字重建的放射摄影数据。
10.如权利要求1至9中的任一项所述的图像数据处理器,其中,所述绘制引擎在显示器上显示的图形用户界面的显示窗口中视觉呈现所述不透明度抑制的重新格式化的数据。
11.一种方法,包括:
基于由体素表示的组织的形状,确定图像数据的多个所述体素中的每个表示预定的感兴趣组织的可能性;
获得用于不透明度映射的可能性;
基于所述可能性和所述用于不透明度映射的可能性,重新格式化所述图像数据,生成不透明度抑制的格式化的数据;以及
显示所述不透明度抑制的重新格式化的数据。
12.如权利要求11所述的方法,其中,所述感兴趣组织为管状组织。
13.如权利要求11至12中的任一项所述的方法,其中,所述不透明度抑制与所述可能性成比例。
14.如权利要求11至13中的任一项所述的方法,还包括:
接收指示所述不透明度抑制中的改变的信号;
基于所述信号,重新格式化所述图像数据,生成第二不透明度抑制的格式化的数据;以及
显示所述第二不透明度抑制的重新格式化的数据。
15.如权利要求11至14中的任一项所述的方法,还包括:
在显示重新格式化的图像数据与显示所述不透明度抑制的重新格式化的数据之间进行切换。
16.如权利要求11至15中的任一项所述的方法,还包括:
在显示重新格式化的图像数据与显示所述不透明度抑制的重新格式化的数据之间进行切换。
17.如权利要求11至16中的任一项所述的方法,其中,所述重新格式化的数据为以下中的一个:最大强度投影、层块最大强度投影、直接体积绘制或数字重建的放射摄影数据。
18.如权利要求11至17中的任一项所述的方法,其中,第一体素集对应于所述图像数据中的同一血管,并且所述第一体素集中的至少两个体素的不透明度被不同地抑制。
19.如权利要求11至18中的任一项所述的方法,其中,手动调节所述不透明度抑制。
20.一种被编码具有计算机可读指令的计算机可读储存介质,当处理器运行所述计算机可读指令时,所述计算机可读指令使得所述处理器:
基于由体素表示的组织的形状,确定图像数据的多个所述体素中的每个表示预定的感兴趣组织的可能性;
获得用于不透明度映射的可能性;
基于所述可能性和所述用于不透明度映射的可能性,重新格式化所述图像数据,生成不透明度抑制的格式化的数据;以及
显示所述不透明度抑制的重新格式化的数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261617391P | 2012-03-29 | 2012-03-29 | |
US61/617,391 | 2012-03-29 | ||
PCT/IB2013/052276 WO2013144794A2 (en) | 2012-03-29 | 2013-03-22 | Visual suppression of selective tissue in image data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104508710A true CN104508710A (zh) | 2015-04-08 |
CN104508710B CN104508710B (zh) | 2018-04-27 |
Family
ID=48521370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380018030.9A Active CN104508710B (zh) | 2012-03-29 | 2013-03-22 | 对图像数据中的选择性组织的视觉抑制 |
Country Status (6)
Country | Link |
---|---|
US (1) | US9424641B2 (zh) |
EP (1) | EP2831845B1 (zh) |
JP (1) | JP6251721B2 (zh) |
CN (1) | CN104508710B (zh) |
RU (1) | RU2014143472A (zh) |
WO (1) | WO2013144794A2 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816630A (zh) * | 2018-12-21 | 2019-05-28 | 中国人民解放军战略支援部队信息工程大学 | 基于迁移学习的fMRI视觉编码模型构建方法 |
CN110868939A (zh) * | 2017-06-07 | 2020-03-06 | 皇家飞利浦有限公司 | 超声系统和方法 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9990743B2 (en) * | 2014-03-27 | 2018-06-05 | Riverain Technologies Llc | Suppression of vascular structures in images |
US9552663B2 (en) * | 2014-11-19 | 2017-01-24 | Contextvision Ab | Method and system for volume rendering of medical images |
GB2536650A (en) | 2015-03-24 | 2016-09-28 | Augmedics Ltd | Method and system for combining video-based and optic-based augmented reality in a near eye display |
US9741104B2 (en) * | 2015-05-18 | 2017-08-22 | Toshiba Medical Systems Corporation | Apparatus, method, and computer-readable medium for quad reconstruction using hybrid filter convolution and high dynamic range tone-mapping |
US20180108169A1 (en) * | 2016-10-14 | 2018-04-19 | Toshiba Medical Systems Corporation | Image rendering apparatus and method |
WO2019211741A1 (en) | 2018-05-02 | 2019-11-07 | Augmedics Ltd. | Registration of a fiducial marker for an augmented reality system |
US11766296B2 (en) | 2018-11-26 | 2023-09-26 | Augmedics Ltd. | Tracking system for image-guided surgery |
US11382712B2 (en) | 2019-12-22 | 2022-07-12 | Augmedics Ltd. | Mirroring in image guided surgery |
JP2022128218A (ja) * | 2021-02-22 | 2022-09-01 | ザイオソフト株式会社 | 医用画像処理装置、医用画像処理方法、及び医用画像処理プログラム |
US11896445B2 (en) | 2021-07-07 | 2024-02-13 | Augmedics Ltd. | Iliac pin and adapter |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1620990A (zh) * | 2003-11-25 | 2005-06-01 | 通用电气公司 | 在ct血管造影术中分割结构的方法及设备 |
US20070165920A1 (en) * | 2005-12-29 | 2007-07-19 | Gering David T | Computer-aided detection system utilizing temporal analysis as a precursor to spatial analysis |
CN102216960A (zh) * | 2008-11-17 | 2011-10-12 | 皇家飞利浦电子股份有限公司 | 新形成的脉管系统的可视化和量化 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003216295A1 (en) | 2002-02-15 | 2003-09-09 | The Regents Of The University Of Michigan | Lung nodule detection and classification |
US7499578B2 (en) | 2002-10-18 | 2009-03-03 | Cornell Research Foundation, Inc. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
US6937776B2 (en) | 2003-01-31 | 2005-08-30 | University Of Chicago | Method, system, and computer program product for computer-aided detection of nodules with three dimensional shape enhancement filters |
JP5312803B2 (ja) | 2005-02-11 | 2013-10-09 | コーニンクレッカ フィリップス エヌ ヴェ | コンピュータ断層撮影のためのイメージング方法及びコンピュータ断層撮影装置 |
US7778380B2 (en) * | 2005-09-06 | 2010-08-17 | Koninklijke Philips Electronics N.V. | Data handling and analysis in computed tomography with multiple energy windows |
US8126229B2 (en) | 2007-08-03 | 2012-02-28 | Siemens Medical Solutions Usa, Inc. | Reduction of lymph tissue false positives in pulmonary embolism detection |
WO2009131109A1 (ja) * | 2008-04-22 | 2009-10-29 | 株式会社 日立メディコ | 医用画像処理装置、医用画像処理方法、プログラム |
CN102549623B (zh) * | 2009-06-10 | 2014-11-19 | 皇家飞利浦电子股份有限公司 | 用于将图像数据集可视化的可视化设备 |
-
2013
- 2013-03-22 CN CN201380018030.9A patent/CN104508710B/zh active Active
- 2013-03-22 WO PCT/IB2013/052276 patent/WO2013144794A2/en active Application Filing
- 2013-03-22 RU RU2014143472A patent/RU2014143472A/ru not_active Application Discontinuation
- 2013-03-22 EP EP13725201.1A patent/EP2831845B1/en active Active
- 2013-03-22 JP JP2015502501A patent/JP6251721B2/ja active Active
- 2013-03-22 US US14/388,008 patent/US9424641B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1620990A (zh) * | 2003-11-25 | 2005-06-01 | 通用电气公司 | 在ct血管造影术中分割结构的方法及设备 |
US20070165920A1 (en) * | 2005-12-29 | 2007-07-19 | Gering David T | Computer-aided detection system utilizing temporal analysis as a precursor to spatial analysis |
CN102216960A (zh) * | 2008-11-17 | 2011-10-12 | 皇家飞利浦电子股份有限公司 | 新形成的脉管系统的可视化和量化 |
Non-Patent Citations (3)
Title |
---|
HORST K. HAHN 第: "Visualization and Interaction Techniques for the Exploration of Vascular Structures", 《IEEE VISUALIZATION 2001》 * |
JC SILVERSTEIN 等: "Automatic perceptual color map generation for realistic volume visualization", 《JOURNAL OF BIOMEDICAL INFORMATICS》 * |
YOSHINOBU SATO 等: "Tissue Classification Based on 3D Local Intensity Structures for Volume Rendering", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110868939A (zh) * | 2017-06-07 | 2020-03-06 | 皇家飞利浦有限公司 | 超声系统和方法 |
CN109816630A (zh) * | 2018-12-21 | 2019-05-28 | 中国人民解放军战略支援部队信息工程大学 | 基于迁移学习的fMRI视觉编码模型构建方法 |
CN109816630B (zh) * | 2018-12-21 | 2020-09-04 | 中国人民解放军战略支援部队信息工程大学 | 基于迁移学习的fMRI视觉编码模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
RU2014143472A (ru) | 2016-05-20 |
WO2013144794A3 (en) | 2014-11-27 |
US20150063669A1 (en) | 2015-03-05 |
US9424641B2 (en) | 2016-08-23 |
CN104508710B (zh) | 2018-04-27 |
EP2831845A2 (en) | 2015-02-04 |
WO2013144794A2 (en) | 2013-10-03 |
JP2015511523A (ja) | 2015-04-20 |
EP2831845B1 (en) | 2021-05-12 |
JP6251721B2 (ja) | 2017-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104508710B (zh) | 对图像数据中的选择性组织的视觉抑制 | |
CN108022238B (zh) | 对3d图像中对象进行检测的方法、计算机存储介质和系统 | |
JP6302934B2 (ja) | コンピュータ支援による関心組織の特定 | |
GB2472313A (en) | Analyzing A Selected Region Of Interest In Medical Image Data | |
US8705821B2 (en) | Method and apparatus for multimodal visualization of volume data sets | |
CN107077731B (zh) | 成像不确定性的可视化 | |
CN106716496B (zh) | 对解剖结构的体积图像进行可视化 | |
CN104871207A (zh) | 定量成像 | |
Ye et al. | Improved discrimination between benign and malignant LDCT screening-detected lung nodules with dynamic over static 18F-FDG PET as a function of injected dose | |
Noguchi et al. | Deep learning–based algorithm improved radiologists’ performance in bone metastases detection on CT | |
Guo et al. | High performance lung nodule detection schemes in CT using local and global information | |
CN103049920B (zh) | 用于识别医学成像数据中感兴趣区域的方法及装置 | |
JP2023011833A (ja) | 診断撮像における画像特徴のアノテーション | |
CN102483862B (zh) | 对曲面重组的改进 | |
Ropinski et al. | Multimodal vessel visualization of mouse aorta PET/CT scans | |
EP4026102B1 (en) | Confidence map for neural network based limited angle artifact reduction in cone beam ct | |
CN106415659B (zh) | 成像处理方法和计算系统 | |
US9349177B2 (en) | Extracting bullous emphysema and diffuse emphysema in E.G. CT volume images of the lungs | |
Delogu et al. | Preprocessing methods for nodule detection in lung CT | |
Qi et al. | Deep learning enhanced ultra-fast SPECT/CT bone scan in patients with suspected malignancy: quantitative assessment and clinical performance | |
Wiemker et al. | Informatics in radiology: Hesse rendering for computer-aided visualization and analysis of anomalies at chest CT and breast MR imaging | |
Ghassel | Artificial Count Enhancement of Lung Scintigraphic Images Using Deep Learning Techniques | |
Liang et al. | GUEST EDITORIAL:: MEDICAL IMAGING INFORMATICS—AN INFORMATION PROCESSING FROM IMAGE FORMATION TO VISUALIZATION. | |
WO2024017742A1 (en) | Efficient rib plane visualization via auto augmentation | |
Mendonça et al. | Model-Based Methods for Detection of Pulmonary Nodules |
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 |