CN104769641A - 灌注成像 - Google Patents
灌注成像 Download PDFInfo
- Publication number
- CN104769641A CN104769641A CN201380057139.3A CN201380057139A CN104769641A CN 104769641 A CN104769641 A CN 104769641A CN 201380057139 A CN201380057139 A CN 201380057139A CN 104769641 A CN104769641 A CN 104769641A
- Authority
- CN
- China
- Prior art keywords
- voxel
- histogram
- different
- activity curve
- time activity
- 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
- 230000010412 perfusion Effects 0.000 title claims abstract description 49
- 238000003384 imaging method Methods 0.000 title claims description 27
- 230000000694 effects Effects 0.000 claims abstract description 30
- 239000000470 constituent Substances 0.000 claims description 66
- 238000000034 method Methods 0.000 claims description 29
- 230000009471 action Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 239000000203 mixture Substances 0.000 description 12
- 230000005484 gravity Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000004087 circulation Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000002601 radiography Methods 0.000 description 5
- 230000017531 blood circulation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002440 hepatic effect Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 244000287680 Garcinia dulcis Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- PVBALTLWZVEAIO-UHFFFAOYSA-N diodone Chemical compound OC(=O)CN1C=C(I)C(=O)C(I)=C1 PVBALTLWZVEAIO-UHFFFAOYSA-N 0.000 description 1
- 229960001845 diodone Drugs 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004088 pulmonary circulation Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/10076—4D tomography; Time-sequential 3D tomography
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30061—Lung
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Pulmonology (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Graphics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本文中描述了用于分析4D图像数据集(即,对比度增强3D体积的时间系列)中的异质组织的灌注特性的方法,在所述方法中,在空间上纠缠的组织成分被分开成个体的组织成分,并且生成并在视觉上呈现针对所述个体的组织成分的灌注图。在一个实例中,所述方法包括:获得电子格式的所述4D数据集,针对正被评估的每个时间帧生成针对正被评估的每个体素的所述不同的组织成分中的每个的不同时间活动曲线点,并且至少基于所述时间活动曲线来生成指示针对所述不同的组织成分中的每个的不同参数图的信号。任选地,不同成分的参数之间的关系是在关系图中被确定并呈现的。
Description
技术领域
以下总体上涉及灌注成像,并且利用对计算机断层摄影(CT)的具体应用而得到描述;然而,以下也适用于其他成像模态,所述其他成像模态包括磁共振成像(MRI)、正电子发射断层摄影(PET)、单光子发射计算机断层摄影(SPECT)、超声(US)和/或其他成像模态。
背景技术
CT灌注成像使用诸如碘造影剂的造影材料通过与器官和组织中的血流有关的成像特性来提供功能信息。典型的灌注研究要求针对若干不同时间点对感兴趣体积的重复成像,例如,相继的扫描之间具有几秒差异的3-30个重复扫描(例如,1至10秒每时间帧)。在常见的灌注技术中,造影剂的药团被施予到患者的脉管系统中,并且在覆盖造影剂药团经过感兴趣区域中的组织的运送的时期内收集来自感兴趣区域的图像。
随时间推移的造影剂的局部浓度变化被用于分析生理参数。在临床实践中,利用特殊的分析算法来对灌注图像系列进行定性检验或量化评价是常见的。对于区域或每个体素,量化结果可以包括对血流、血液体积、平均运送时间、到达时间、渗透性、到峰值的时间、峰值强度、最大梯度和/或其他参数的测量结果。对与许多肿瘤类型和/或其他组织相关的异质组织的灌注成像常常造成对于准确的灌注量化的挑战。
通过范例的方式,能够使不同的组织成分在空间上纠缠在感兴趣区域之内,并且因此,由于时间系列可以不是在空间上对齐的,因此即使是在动态采集期间的细微患者或器官运动也能够引入显著的分析误差。一种将此减小的方法是使图像平滑并且计算器官区域的平均灌注值。另一种将此减小的方法是例如通过使用直方图或分割技术来总体地分析感兴趣区域中的体素。遗憾的是,这样的方法仍然不提供对异质组织的灌注参数的综合分析。
本文中描述的各方面解决了以上提到的问题和其他问题。
发明内容
以下描述了用于分析4D图像数据(即,对比度增强3D体积的时间系列)中的在空间上纠缠的异质组织的灌注特性的方法,在所述方法中,在空间上纠缠的组织成分被分开,并且生成并在视觉上呈现针对个体的组织成分的灌注图。
在一方面中,一种方法包括:获得电子格式的4D数据集,其中,所述4D数据集包括针对两个或更多个时间帧的对比度增强灌注成像数据的体素的多个3D体积,并且所述3D体积包括所述时间帧中的至少一个中的表示相同的感兴趣区域中的至少两个不同的组织成分的数据;针对正被评估的每个时间帧生成针对正被评估的每个体素的所述不同的组织成分中的每个的不同时间活动曲线点;并且至少基于所述时间活动曲线来生成指示针对所述不同的组织成分中的每个的不同参数图的信号。
在另一方面中,一种处理系统包括:直方图生成器,其针对两个或更多个时间帧生成针对对比度增强灌注成像数据的体素的多个3D体积中正被评估的每个体素的直方图,其中,所述3D体积包括所述时间帧中的至少一个中的表示相同感兴趣区域中的至少两个不同的组织成分的数据;时间活动曲线(TAC)生成器,其针对正被评估的每个时间帧生成针对正被评估的每个体素的所述不同的组织成分中的每个的不同时间活动曲线点;以及灌注图生成器,其至少基于所述时间活动曲线来生成指示针对所述不同的组织成分中的每个的不同参数图的信号。
在另一方面中,一种成像系统包括:被编码有一个或多个计算机可执行指令的计算机可读存储介质,所述计算机可执行指令在由计算系统的处理器运行时,令所述处理器:通过将在空间上纠缠的组织成分分开成两个或更多个组织类别并生成针对所述个体的组织成分中的每个的灌注图的集合来分析异质组织的灌注特性。
本发明可以采取各种部件和各部件的布置,以及各种步骤和步骤的安排的形式。附图只是出于图示优选实施例的目的,并且不得被解释为对本发明作出限制。
附图说明
图1示意性地图示了与成像系统相结合的范例处理系统。
图2示意性地图示了图1的处理系统的范例。
图3图示了体积图像的部分、加权掩膜和加权直方图。
图4图示了针对时间系列的不同体积和其中的组织成分的体素的范例加权直方图。
图5图示了针对时间系列的体积和其中的组织成分的体素的加权直方图的范例。
图6图示了针对来自直方图的不同的组织成分而生成的范例多个TAC。
图7图示了用于确定图6的所述多个TAC的第一模型。
图8图示了用于确定图6的所述多个TAC的第二不同模型。
图9图示了针对来自直方图的不同的组织成分而生成的多个TAC的另一范例。
图10图示了针对多个被分开的纠缠的组织成分中的一个的灌注图。
图11图示了针对多个被分开的纠缠的组织成分中的第二个的灌注图。
图12图示了现有技术灌注图,其中,在使全部时间帧的图像数据平滑后组织成分没有被分开。
图13图示了针对多个被分开的纠缠的组织成分中的一个的关系图。
图14图示了针对多个被分开的纠缠的组织成分中的另一个的关系图。
图15示意性地图示了包括优化器的处理系统的变型。
图16示意性地图示了用于将在空间上纠缠的异质组织成分分开的方法。
具体实施方式
以下描述了一种用于分析4D图像数据中的在空间上纠缠的异质组织的灌注特性的方法,在所述方法中,在空间上纠缠的组织成分被分开,并且生成并在视觉上呈现针对个体的组织成分的灌注图。
图1示意性地图示了诸如CT扫描器的范例成像系统100。在其他的实施例中,成像系统100可以包括以下中的一个或多个:MRI、PET、SPECT、US、它们的组合和/或被配置为执行动态对比度增强成像扫描的其他成像系统。所图示的成像系统100包括固定机架102和由固定机架102可旋转地支撑并且关于z轴围绕检查区域106旋转的旋转机架104.
诸如X射线管的辐射源110由旋转机架104可旋转地支撑,与旋转机架104一起旋转,并且发射穿过检查区域106的多色辐射。辐射敏感探测器阵列112跨检查区域106以角度弧与辐射源110相对,探测穿过检查区域106的辐射,并且生成指示其的信号。对象支撑体108将目标或对象支撑在检查区域106中。
任选的注射器114被配置为注射(一种或多种)造影材料,例如,用于诸如灌注扫描的对比度增强成像过程。所图示的注射器114由成像系统110控制,所述成像系统110可以触发或调用注射器114以施予造影材料。(一种或多种)造影材料能够备选地由临床医生等手动地施予。在手动地施予(一种或多种)造影材料的情况下,注射器114能够被省略。
重建器116重建投影数据,生成体积图像数据。对于灌注成像,这包括重建指示通过经扫描的感兴趣组织的灌注的对比度增强体积(3D)图像数据的时间系列(或4D数据集)。通用计算机充当操作者控制台118。驻留在控制台118上的软件允许操作者与扫描器100交互,例如以选择灌注成像协议。
处理系统126对由成像系统100和/或其他成像系统生成的4D数据集进行处理。在所图示的实施例中,处理系统126获得来自成像系统100的4D数据集。在另一实例中,处理系统126获得来自存储介质(例如,便携式存储器、服务器、数据库、辐射学信息系统(RIS)、医院信息系统(HIS)、电子医学记录(EMR)、图片归档与通信系统(PACS)和/或其他数据资源库)的4D数据集。
如以下更加详细地描述的,处理系统126被配置为将经扫描的组织的在空间上纠缠的异质组织成分(类别)划分成至少两个不同的成分,这允许生成针对组织的相同空间区域(体素)的灌注图的两个或更多个不同集合,包括针对组织成分中的每个的个体的图。这样的组织的范例包括但不限于:正常组织、肿瘤组织、肝组织、肺组织、包括经过实质性脏器的小血管的网络或网的组织区域,和/或组织网的小节段之间的肺组织或空气囊的网状结构。
处理系统126能够经由一个或多个处理器来实施,所述一个或多个处理器运行被嵌入、编码等在诸如物理存储器和/或其他非瞬态介质的计算机可读存储介质上的一个或多个计算机可读指令。额外地或备选地,计算机可读指令中的至少一个能够由载波、信号和/或其他瞬态介质来承载。
图2示意性地图示了处理系统126的范例。如所示,处理系统126接收4D数据集作为输入。
掩膜生成器200生成权重的掩膜以对包围当前正被分析的感兴趣体素(或体素的区域)的体素值进行加权,并且掩膜施加器202将掩膜施加到正被分析的体素。图3示出了具有向其施加的3D高斯掩膜306的体素304的体积302。掩膜306具有离体素308特定半径距离中的定义的西格玛值(或宽度)和定义的界限。与体素308相邻的体素的部分被利用接近一(1)的值进行加权,并且加权的值随一体素到体素308的距离而下降。本文中还预期其他加权函数(例如,二进制、线性、指数、阶梯等)。
参考图2和图3,直方图生成器204基于掩膜306来生成针对体素304中的一个或多个和一个或多个时间帧(例如,体素304和/或时间帧中的每个或子集)的加权直方图310。在范例直方图310中,将每个体素304的贡献乘以来自掩膜306的对应权重之后,x轴312表示指示图像信息(例如,CT图像中的亨斯菲尔德(Hounsfield)单位)的值,并且y轴314表示指示针对每个HU值的体素的数目的值。出于清楚和简要的目的,图3仅示出了体素304中的两个的加权贡献和一个时间帧。
对于掩膜306,如果体素304离感兴趣体素308相对远,则体素对y轴314中的直方图贡献将成比例地减小,但是它对x轴312的贡献不变。以这种方式,与特定的空间位置相对应的直方图310的形状将不是非常敏感于扫描的相继的时间帧之间任何组织的未对准,所述未对准是由运动和/或其他方式导致的。另外,在中心体素之外逐渐减小的加权模式将对更一致的灌注图做出贡献。一般地,直方图表示包围经分析的体素的加权图像信息。
通过更加具体的范例的方式,非限制性的合适的3D高斯掩膜306能够被定义为 其中,[rx,ry,rz]是图像体积中的方向性的mm/像素缩放,[i,j,k]是W0高于确定的阈值的指数(在感兴趣体素[0,0,0]周围)。经归一化的加权掩膜W能够被导出以满足ΣW=1。高斯宽度ξ(mm)确定了直方图的“群组长度”。相关的亨斯菲尔德单位(HU)范围中的直方图分箱分区是预定义的。在由掩膜覆盖的每个体素(在感兴趣体素附近)将对应的掩膜权重添加到包括图像体素HU值的直方图分箱的高度的过程中构建加权直方图。以这样的方式,在中心体素之外逐渐减小的加权模式将对平滑且更一致的灌注图做出贡献。
关于图2,直方图评估器206对加权直方图进行评估,并且针对每个组织成分确定代表性值。在该范例中,组织成分的数目是预定义的,并且被存储在组织类别存储器208中。在另一实例中,经由指示识别组织成分的期望数目的用户输入的信号来识别组织成分的数目,基于4D数据集(例如,基于经扫描的组织、成像协议等)来自动地确定组织成分的数目等。出于简要和清楚的目的,以下将描述组织成分的数目是二(2)的范例。
图4示出了分别表示针对三个不同时间帧的相同体素的三个范例直方图402、404和406。参考图2和图4,直方图评估器206包括直方图划分器210,所述直方图划分器210将每个直方图划分成与成分数目相等的若干段或范围。如所示,直方图402被划分成具有相等的宽度并且较高地重叠(>50%的重叠)的段408和410,直方图404被划分成具有相等的宽度并且较低地重叠(<50%的重叠)的段412和414,并且直方图406被划分成具有相等的宽度并且不重叠(包括间隔)的段416和418。
在另一实例中,范围中的至少两个具有不同的宽度。直方图估计器206还包括直方图代表性值确定器212,所述直方图代表性值确定器212针对段408-418中的每个确定代表性值。在该范例中,直方图代表性值确定器212通过确定段408-418中的每段周围的势头(例如一阶、二阶或高阶的)来确定代表性值。宽度还能够定义权重以用于计算所述势头。本文中还预期其他方法。
图5图示了另一范例。对于该范例,描述了针对两个组织成分的单直方图500分析。
参考图2和图5,直方图划分器210将下阈值502确定为高于来自较低的HU范围的直方图数据点的HU值,在所图示的实施例中,所述较低的HU范围表示低于总面积的5%(或其他百分数)的面积,并且将上阈值504确定为低于来自较高的HU范围的直方图数据点的HU值,在所图示的实施例中,所述较高的HU范围表示低于总面积的5%(或其他百分数)的面积。直方图代表性值确定器212计算总直方图500的“重心”506,例如(Σxi·yi)/(Σyi),其中,yi是直方图分箱高度,并且xi是分箱位置的HU值。直方图代表性值确定器212计算502与506之间的直方图500的HU范围508,并且计算506与504之间的直方图500的HU范围510。
如果508的长度小于预定的模型参数,则508根据模型参数与长度之间的差向右侧延伸(或者如果它较窄,则直到直方图的右边界)。在所图示的范例中,508的长度小于模型参数,并且因此向右延伸。长度508还向直方图的较低HU边界延伸,创建范围512。如果510的长度小于模型参数,则510根据模型参数与长度之间的差向左侧延伸(或者如果它较窄,则直到直方图的左边界)。在所图示的范例中,不对此做出要求,这是因为510的长度大于模型参数。长度510还向直方图500的较高HU边界504延伸,创建范围514。
直方图代表性值确定器212针对范围512计算“重心”516。为此,由512和514两者覆盖的数据点(在范例中是两个点)将它们的值的一半贡献给512范围的“重心”计算,确定516。直方图代表性值确定器212针对范围514计算“重心”518。为此,由512和514两者覆盖的数据点(在范例中是两个点)将它们的值的一半贡献给514范围的“重心”计算,确定518。HU值516和518是该位置和时间帧中的两个组织成分的代表性分布值。
关于图2,参数确定器214根据直方图确定一个或多个参数。例如,在一个实例中,任选的参数确定器214基于直方图来确定不同成分的相对体积之间的关系。组织类别的相对体积能够被确定为直方图的相关段中的加权面积。参数关系能够被确定为例如组织成分的相对体积之间的比率(或其他类似的函数)。本文中还预期其他的参数关系。
通过其他范例的方式,结合图2和图5,参数确定器214计算范围512的直方图值下由总直方图面积划分的总面积,并且计算范围514的直方图值下由总直方图面积划分的总面积。对于全部两种情况,由512和514两者覆盖的数据点(在范例中是两个点)将它们的值的一半贡献给512和514中的值的和。在所图示的范例中,针对第一相对体积的结果是66.3%,并且针对第二相对体积的结果是33.7%。
关于图2,时间活动曲线(TAC)生成器216基于直方图的段来生成针对体素304的时间活动曲线(TAC)。利用两个组织类别继续以上的范例,针对每个直方图生成两个TAC点,针对每个段有一个TAC点。图6示出了针对沿着被测时间帧的每个直方图的两个段的集合的两个TAC 602和604的范例。为了确定两个TAC 602和604,TAC生成器216采用找出(特定时间帧的)数据点中的哪个属于组织类别中的每个的算法。为此,相关的假定组织中的血流模式的模型能够用于促进对该信息进行确定。
图7和图8示出了这样的模型的范例。在图7中,模型(例如,基于关于器官的先验知识来)假设单个循环流是相关的(例如,只有动脉流)。这样,范例划分模式是主要包含血管并具有较高的对比度增强的一个组织类别(轮廓线702),以及诸如具有较低对比度增强的实质性器官的第二组织类别(轮廓线704)。在图8中,假设了两个不同的循环流,第一组织类别(轮廓线802)中的第一流和第二组织类别(轮廓线804)中的第二流。在该范例中,两条轮廓线802和804在806处交叉。
参考图5和图9,在另一范例中,一对TAC值中的成对点属于两个组织类别中的每个。遵循图5,对于每个时间帧存在两个数据点。TAC生成器216首先确定每个时间帧中的两个数据点中的哪个属于第一组织成分而哪个属于第二组织成分。一般地,能够预测经扫描的器官中的灌注模式的类型。例如,在肺组织中能够存在较早的肺循环和稍后的动脉循环,在肝中,能够存在较早的动脉循环和稍后的肝门循环,在许多其他器官中,可能只有动脉循环等。
在仅预测单个循环的简单情况下,如图6所示,模型能够在每个时间帧中选择针对第一组织成分的成对的最低数据点,以及针对第二组织成分的成对的最高数据点。这将导致第一TAC 602具有相对低的灌注并且第二TAC 604具有相对高的灌注。在预测两个不同的循环的更加复杂的情况下,能够确定其他模型条件。针对这样的模型的范例与图9中的数据点有关。对于该模型,以这样的方式来将数据点分组,使得两个二阶导数的两个绝对值的和最小。在离散的形式中,(对于任意的向量z的)二阶导数是:z(i)+z(i-2)-2*z(i-1)。
更具体地,在具有N个时间帧的数据集和两个初始数据集(即,(每对的)较低值的y1(1:N)和(每对的)较高值的y2(1:N)中,两个TAC c1(1:N)和c2(1:N)中的值被这样布置:即,它们将拟合定义的模型(在该范例中为最小的二阶导数)。在以下的简单方案中,以平凡的方式来确定前两个时间帧,而根据以下条件来连续地确定其他时间帧:
两个计算出的TAC 902和904在图9中被示出,并且正确地表示模拟肝扫描数据中的动脉循环和门脉循环。对两个TAC的交叉区域906的正确的识别是模型条件的结果。还可能为对噪声的鲁棒性添加条件,例如,数据平滑和核查不同比例上的曲线导数。
返回图2,灌注图生成器218基于TAC来生成一个或多个灌注图。能够使用标准或其他技术来计算体积灌注图,并且所述体积灌注图包括针对血流、血液体积、平均运送时间、到达时间、渗透性、到峰值的时间、峰值强度、最大梯度和/或其他参数的图。图10和图11分别示出了具有较低灌注的第一组织成分的第一灌注图和具有较高灌注的第二组织成分的第二灌注图。图12示出了现有技术的灌注图,其中,在使所有时间帧的图像数据平滑后,组织成分没有被分开。
在参数确定器214基于直方图来确定不同组织类别的相对体积之间的关系的情况下,关系图生成器220生成组织成分之间的参数关系图。图13和图14以灰度级示出了这样的图的范例。任选地,能够额外地或备选地使用彩色。对于图13和图14,如果两个组织类别可能相同(即,体素包含单个组织成分),则经由预定的灰度级别来表示体素。灰度级(或彩色级)被用于包括至少两个组织类别的体素。
在所图示的范例中,响应于在图13和图14中将光标悬停在体素上,如图13和图14中在1302、1394、1402和1404处所示,呈现了图像中组织成分的相对贡献。通过范例的方式,在所图示的实施例中,第一组织成分在1302处被示为在该体素处的组织的40%,而第二组织成分在1402处被示为在该体素处的组织的60%。相同的单个组织成分(例如,第一成分、第二成分或另一成分)在1304和1404处被示为在该体素处的组织的100%。
绘制引擎222在视觉上呈现灌注图(图10和图11)和/或关系图(图13和图14)中的一个或多个。
图15示出了图2的变型,在所述变型中,处理系统126还包括优化器1502。优化器1502包括将组织参数关系值的时间系列与预定义的模型1506进行比较的分析器1504。所述预定义的模型1506定义多个组织类别之间的参数关系模式的可能性。判据核查器1508核查对预定的判据1510的比较的结果。
如果结果满足预定的判据1510,则生成的TAC被用于生成如以上所讨论的参数图。如果不满足,则直方图划分器210被调用以采用针对后续的TAC生成迭代的每个直方图的范围的不同集合。这样的迭代能够被重复直到满足优化判据、达到迭代次数的预定义的界限、迭代结果之间的变化足够小、逝去预定的处理时间等。
通过更加详细的非限制性范例的方式,在确定TAC之后,TAC中的每个点具有其计算出的相对体积(关系参数)。这些值设定了两个组织类别之间的相互关系的类型。模型1506确定了如何将这些关系用于优化。范例模型确定应当沿着所有的时间帧(针对每个具体位置)理想地维持组织类别的相对体积。
能够如下地计算来自纯模型的偏差来创建成本函数:对于具有TAC数据点的集合的给定的位置(体素),计算每个组织类别的平均相对体积(所述平均沿着时间帧轴),计算算出的相对体积与平均值之间的距离的平方和,并且将组织关系成本函数定义为多个距离的平方和的和。
对于优化,确定多个成本函数,每个成本函数针对所述模型中的每个。成本函数确定对来自预定义的模型的实际结果的偏差的优化中的权重。优化准则的范例是全部三个成本函数的和应当最小。能够通过将每个时间帧中的重心(例如,图5中的506)的值向直方图的左或右移位并再次计算整个过程来完成优化过程(数据修改)。
范例第一成本函数是新的重心的集合与原始的重心的集合之间的距离(可能乘以预定义的恒定权重)的平方和。范例第二成本函数是两个TAC的二阶导数(可能乘以预定义的恒定权重)的和。范例第三成本函数是上述组织关系成本函数(可能乘以预定义的恒定权重)。
另一优化步骤(或中间步骤)能够是改变TAC的定义(方框5中的代表性组织类别值之间的偏差)而不改变重心的值,如果这对总成本函数的最小化做出贡献的话。根据来自模型的(针对每个时间帧的)关系参数的偏差来设定在优化期间改变重心506的方向和幅值。
例如,如果对于特定的位置和特定的时间帧,第一组织类别的相对体积大于计算出的第一TAC的平均相对体积,并且第二组织类别的相对体积小于计算出的第二TAC的平均相对体积,则在优化期间506应当被(以预定义的移位幅值)向直方图的左移位,以潜在地减小第一组织类别的体积并增大第二组织类别的相对体积。以这种方式,优化能够快速地收敛到“最佳”解决方案。
图16图示了用于将纠缠的异质组织成分分开并且生成针对个体的组织成分的个体TAC的方法。
应当理解,动作的顺序不是限制性的。这样,本文中预期其他的顺序。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1602处,获得对比度增强动态扫描的4D数据集。
在1604处,针对要被评估的每个时间帧的要被评估的4D数据集中的每个空间位置(即,体素或区域)生成直方图。
在1606处,对于每个直方图,针对多个组织成分定义多个分布范围,针对每个组织成分有一个范围。
在1608处,针对每个范围确定代表性值。
在1610处,基于直方图和范围来确定多个组织成分之间的参数关系。
在1612处,基于每个时间帧的代表性值和多个组织成分的TAC模式的可能性来针对每个组织成分生成TAC。
在1614处,确定是否要执行TAC优化。
如果不执行,则在1616处,基于对应的TAC来创建针对每个类别的灌注图,并且在视觉上呈现所述灌注图中的至少一个,并且任选的,创建并在视觉上呈现关系图。
如果执行,则在1618处,将参数关系与模型进行比较,所述模型定义多个组织成分之间的参数关系模式的可能性。
在1620处,核查结果以查看是否满足预定的判据。
如果满足,则执行动作1616。
如果不满足,则在1622处定义不同范围的集合并且重复动作1606。
以上可以以计算机可读指令的方式实施,所述计算机可读指令被编码或嵌入在计算机可读存储介质上,所述计算机可读指令当由(一个或多个)计算机处理器执行时,令(一个或多个)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由信号、载波或其他瞬态介质携带。
已经参考优选实施例描述了本发明。他人在阅读和理解以上具体实施方式的情况下可能想到修改或替代。本文旨在将本发明解释为包括所有这种修改和替代,只要它们落入权利要求书及其等价方案的范围之内。
Claims (20)
1.一种方法,包括:
获得电子格式的4D数据集,其中,所述4D数据集包括针对两个或更多个时间帧的对比度增强灌注成像数据的体素的多个3D体积,并且所述3D体积包括所述时间帧中的至少一个中的表示相同的感兴趣区域中的至少两个不同的组织成分的数据;
针对正被评估的每个时间帧的正被评估的每个体素生成针对所述不同的组织成分中的每个的不同时间活动曲线点;并且
至少基于所述时间活动曲线来生成指示针对所述不同的组织成分中的每个的不同参数图的信号。
2.根据权利要求1所述的方法,还包括:
向3D体积的关于感兴趣体素的子部分应用掩膜;并且
基于在所述掩膜之内的体素来生成针对所述体素的直方图,
其中,与所述体素相对应的时间活动曲线是基于所述直方图来生成的。
3.根据权利要求2所述的方法,其中,所述掩膜基于一体素到所述感兴趣体素的距离来向不同体素的值应用不同的加权。
4.根据权利要求2至3中的任一项所述的方法,还包括:
将所述直方图划分成至少两个不同的范围,每个范围与不同的组织成分相对应;
针对所述至少两个范围中的每个计算代表性值;并且
针对所述范围中的每个确定时间活动曲线点,从而针对所述不同的组织成分中的每个确定时间活动曲线。
5.根据权利要求4所述的方法,还包括:
基于预定的模型来确定所述时间活动曲线,所述预定的模型定义多个不同的时间活动曲线模式中的每个的可能性。
6.根据权利要求4至5中的任一项所述的方法,还包括:
基于所述直方图和所述范围来确定所述不同的组织成分之间的参数关系;并且
基于所述参数关系来生成指示针对所述不同的组织成分中的每个的不同关系图的第二信号。
7.根据权利要求6所述的方法,还包括:
将所述参数关系与表示不同成分之间的参数关系可能性的预定数据进行比较;
利用预定义的判据来核查所述比较的结果;并且
响应于所述结果满足所述预定义的判据而在视觉上呈现至少所述参数图。
8.根据权利要求7所述的方法,还包括:
响应于所述结果不满足所述预定义的判据:
修改所述至少两个范围,生成至少两个经修改的范围;
将所述直方图划分成所述至少两个经修改的范围;
针对所述至少两个经修改的范围中的每个计算后续代表性值;并且
针对所述经修改的范围中的每个确定后续时间活动曲线,从而针对所述不同的组织成分中的每个确定后续时间活动曲线。
9.根据权利要求8所述的方法,还包括:
重复修改所述范围的动作,基于所述经修改的范围来划分所述直方图,计算所述后续代表性值,并且确定所述后续时间活动曲线直到达到停止判据。
10.根据权利要求9所述的方法,其中,所述停止判据包括以下中的至少一个:达到预定义数目的迭代、相继的迭代之间的结果的差低于预定的阈值,或者逝去预定的时间量。
11.一种处理系统(126),包括:
直方图生成器(204),其针对两个或更多个时间帧生成针对对比度增强灌注成像数据的体素的多个3D体积中正被评估的每个体素的直方图,其中,所述3D体积包括所述时间帧中的至少一个中的表示相同的感兴趣区域中的至少两个不同的组织成分的数据;
时间活动曲线生成器(216),其针对正被评估的每个时间帧生成针对正被评估的每个体素的所述不同的组织成分中的每个的不同时间活动曲线点;以及
灌注图生成器(218),其至少基于所述时间活动曲线来生成指示针对所述不同的组织成分中的每个的不同参数图的信号。
12.根据权利要求11所述的处理系统,还包括:
掩膜施加器(202),其将掩膜施加到3D体积的关于感兴趣体素的子部分,其中,所述直方图生成器基于在所述掩膜之内的体素来生成针对所述体素的对应的直方图,并且与所述体素相对应的时间活动曲线是基于所述直方图而生成的。
13.根据权利要求12所述的处理系统,其中,所述掩膜基于一体素到所述感兴趣体素的距离来将不同的权重施加到不同体素的值,其中,所述权重基于以下中的至少一个:高斯分布、二进制分布、线性分布、指数分布或阶梯分布。
14.根据权利要求12至13中的任一项所述的处理系统,还包括:
直方图评估器(206),其将所述直方图中的每个划分成至少两个不同的范围,每个范围与不同的组织成分相对应;计算所述至少两个范围中的每个的代表性值;并且针对所述范围中的每个确定时间活动曲线点,从而针对所述不同的组织成分中的每个确定时间活动曲线。
15.根据权利要求14所述的处理系统,其中,所述时间活动曲线是基于预定的模型而确定的,所述预定的模型定义多个不同时间活动曲线模式中的每个的可能性。
16.根据权利要求14至15中的任一项所述的处理系统,还包括:
参数确定器(214),其基于所述直方图和所述范围来确定所述不同的组织成分之间的参数关系;以及
关系图生成器(220),其基于所述参数关系来生成针对所述不同的组织成分中的每个的不同关系图。
17.根据权利要求16所述的处理系统,还包括:
优化器(1502),其包括:
分析器(1504),其将所述参数关系与表示所述不同成分之间的参数关系的可能性的预定数据进行比较;以及
判据核查器(1508),其核查与预定义的判据比较的结果,以及
绘制引擎(222),其响应于所述结果满足所述预定义的判据而在视觉上呈现至少所述参数图。
18.根据权利要求17所述的处理系统,其中,响应于所述结果不满足所述预定义的判据,所述直方图评估器将所述直方图划分成所述至少两个经修改的范围,针对所述至少两个经修改的范围中的每个计算后续代表性值;并且针对所述经修改的范围中的每个确定后续时间活动曲线,从而针对所述不同的组织成分中的每个确定后续时间活动曲线。
19.根据权利要求18所述的处理系统,
重复修改所述范围的动作,基于所述经修改的范围来划分所述直方图,计算所述后续代表性值,并且确定所述后续时间活动曲线直到达到停止判据。
20.一种被编码有一个或多个计算机可执行指令的计算机可读存储介质,所述一个或多个计算机可执行指令在由计算机系统的处理器运行时,令所述处理器:通过将在空间上纠缠的组织成分分开成两个或更多个组织类别并生成针对个体的组织成分中的每个的灌注图的集合来分析异质组织的灌注特性。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261720475P | 2012-10-31 | 2012-10-31 | |
US61/720,475 | 2012-10-31 | ||
PCT/IB2013/059829 WO2014068520A1 (en) | 2012-10-31 | 2013-10-31 | Perfusion imaging |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104769641A true CN104769641A (zh) | 2015-07-08 |
CN104769641B CN104769641B (zh) | 2018-01-26 |
Family
ID=50030347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380057139.3A Active CN104769641B (zh) | 2012-10-31 | 2013-10-31 | 灌注成像 |
Country Status (7)
Country | Link |
---|---|
US (1) | US9478024B2 (zh) |
EP (1) | EP2915141B1 (zh) |
JP (1) | JP6645831B2 (zh) |
CN (1) | CN104769641B (zh) |
BR (1) | BR112015009354A2 (zh) |
RU (1) | RU2015120325A (zh) |
WO (1) | WO2014068520A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113616226A (zh) * | 2021-09-14 | 2021-11-09 | 上海联影医疗科技股份有限公司 | 一种血管分析方法、系统、设备及存储介质 |
US11727571B2 (en) | 2019-09-18 | 2023-08-15 | Bayer Aktiengesellschaft | Forecast of MRI images by means of a forecast model trained by supervised learning |
US11915361B2 (en) | 2019-09-18 | 2024-02-27 | Bayer Aktiengesellschaft | System, method, and computer program product for predicting, anticipating, and/or assessing tissue characteristics |
US12002203B2 (en) | 2020-03-10 | 2024-06-04 | Bayer Healthcare Llc | Systems and methods for assessing a likelihood of CTEPH and identifying characteristics indicative thereof |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9953439B2 (en) * | 2014-11-25 | 2018-04-24 | University Of Virginia Patent Foundation | Systems and methods for three-dimensional spiral perfusion imaging |
RU2599209C1 (ru) * | 2015-07-14 | 2016-10-10 | Федеральное государственное бюджетное научное учреждение "Томский Научно-исследовательский институт онкологии (Томский НИИ онкологии) | Способ прогнозирования вероятности риска развития недостаточности анастомозов в послеоперационном периоде у больных раком пищевода |
US10902619B2 (en) * | 2016-10-26 | 2021-01-26 | Duke University | Systems and methods for determining quality metrics of an image or images based on an edge gradient profile and characterizing regions of interest in an image or images |
US11399779B2 (en) * | 2018-05-16 | 2022-08-02 | Case Western Reserve University | System-independent quantitative perfusion imaging |
EP3946061A4 (en) | 2019-04-04 | 2022-12-14 | Centerline Biomedical, Inc. | MODELING AREAS OF INTEREST OF AN ANATOMIC STRUCTURE |
CN110264565B (zh) * | 2019-05-27 | 2021-07-30 | 浙江大学 | 一种基于半峰值概率密度分布的三维重建方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030211036A1 (en) * | 2002-05-07 | 2003-11-13 | Hadassa Degani | Method and apparatus for monitoring and quantitatively evaluating tumor perfusion |
CN1509685A (zh) * | 2002-11-26 | 2004-07-07 | 通用电气公司 | 用来计算体积灌注的方法和设备 |
US20040218794A1 (en) * | 2003-05-01 | 2004-11-04 | Yi-Hsuan Kao | Method for processing perfusion images |
CN1579324A (zh) * | 2003-08-04 | 2005-02-16 | 西门子公司 | 用于自动校准灌注参数图像的方法 |
CN1650188A (zh) * | 2001-12-18 | 2005-08-03 | 皇家飞利浦电子股份有限公司 | 用于显示组织灌注和随时间变化的其它参数的超声成像系统和方法 |
US20070167731A1 (en) * | 2004-05-04 | 2007-07-19 | Stiftelsen Universitetsforskning Bergen Of Prof Keysersg 8 | Method of MR imaging |
CN101329388A (zh) * | 2007-06-22 | 2008-12-24 | 西门子公司 | 借助磁共振设备自动确定灌注的方法和装置 |
CN101658428A (zh) * | 2008-08-28 | 2010-03-03 | 西门子(中国)有限公司 | 灌注成像技术中对位图进行处理的方法和系统 |
CN101756713A (zh) * | 2009-09-09 | 2010-06-30 | 西安交通大学 | 超声造影成像、灌注参量估计和灌注参量功能成像及其集成方法 |
CN102473297A (zh) * | 2009-06-30 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 量化灌注分析 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003210456A (ja) * | 2002-01-21 | 2003-07-29 | Toshiba Corp | 時系列画像の処理装置 |
JP5053606B2 (ja) * | 2006-09-22 | 2012-10-17 | 株式会社東芝 | 医用画像診断装置及び医用画像処理装置 |
US8233965B2 (en) | 2007-03-08 | 2012-07-31 | Oslo Universitetssykehus Hf | Tumor grading from blood volume maps |
GB0705223D0 (en) | 2007-03-19 | 2007-04-25 | Univ Sussex | Method, apparatus and computer program for analysing medical image data |
US7848557B2 (en) * | 2007-03-23 | 2010-12-07 | University Of Utah Research Foundation | Rapid multi-tracer PET imaging systems and methods |
US20080262344A1 (en) | 2007-04-23 | 2008-10-23 | Brummett David P | Relative value summary perfusion map |
JP5010375B2 (ja) * | 2007-07-18 | 2012-08-29 | 株式会社東芝 | 医用画像診断装置 |
CA2762562A1 (en) | 2009-05-19 | 2010-11-25 | Endra, Inc. | Thermoacoustic system for analyzing tissue |
US9002089B2 (en) * | 2010-05-06 | 2015-04-07 | Koninklijke Philips N.V. | Image data registration for dynamic perfusion CT |
EP2770910B1 (en) * | 2011-10-24 | 2018-05-23 | Koninklijke Philips N.V. | Perfusion imaging |
JP5820549B2 (ja) * | 2012-04-17 | 2015-11-24 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 灌流イメージング |
-
2013
- 2013-10-31 WO PCT/IB2013/059829 patent/WO2014068520A1/en active Application Filing
- 2013-10-31 BR BR112015009354A patent/BR112015009354A2/pt not_active IP Right Cessation
- 2013-10-31 US US14/436,492 patent/US9478024B2/en active Active
- 2013-10-31 JP JP2015538626A patent/JP6645831B2/ja active Active
- 2013-10-31 CN CN201380057139.3A patent/CN104769641B/zh active Active
- 2013-10-31 EP EP13826598.8A patent/EP2915141B1/en active Active
- 2013-10-31 RU RU2015120325A patent/RU2015120325A/ru unknown
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1650188A (zh) * | 2001-12-18 | 2005-08-03 | 皇家飞利浦电子股份有限公司 | 用于显示组织灌注和随时间变化的其它参数的超声成像系统和方法 |
US20030211036A1 (en) * | 2002-05-07 | 2003-11-13 | Hadassa Degani | Method and apparatus for monitoring and quantitatively evaluating tumor perfusion |
CN1509685A (zh) * | 2002-11-26 | 2004-07-07 | 通用电气公司 | 用来计算体积灌注的方法和设备 |
US20040218794A1 (en) * | 2003-05-01 | 2004-11-04 | Yi-Hsuan Kao | Method for processing perfusion images |
CN1579324A (zh) * | 2003-08-04 | 2005-02-16 | 西门子公司 | 用于自动校准灌注参数图像的方法 |
US20070167731A1 (en) * | 2004-05-04 | 2007-07-19 | Stiftelsen Universitetsforskning Bergen Of Prof Keysersg 8 | Method of MR imaging |
CN101329388A (zh) * | 2007-06-22 | 2008-12-24 | 西门子公司 | 借助磁共振设备自动确定灌注的方法和装置 |
CN101658428A (zh) * | 2008-08-28 | 2010-03-03 | 西门子(中国)有限公司 | 灌注成像技术中对位图进行处理的方法和系统 |
CN102473297A (zh) * | 2009-06-30 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 量化灌注分析 |
CN101756713A (zh) * | 2009-09-09 | 2010-06-30 | 西安交通大学 | 超声造影成像、灌注参量估计和灌注参量功能成像及其集成方法 |
Non-Patent Citations (3)
Title |
---|
LI CHEN ET AL.: ""CAM-CM: a signal deconvolution tool for in vivo dynamic contrast-enhanced imaging of complex tissues"", 《BIOINFORMATICS APPLICATIONS NOTE》 * |
YEN-CHUN CHOU ET AL.: ""Classification of hemodynamics from dynamic-susceptibility-contrast magnetic resonance (DSC-MR) brain images using noiseless independent factor analysis"", 《SCIENCEDIRECT》 * |
贾飞鸽等: ""软组织肿瘤MR 灌注成像的时间- 信号曲线研究"", 《实用医学杂志》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11727571B2 (en) | 2019-09-18 | 2023-08-15 | Bayer Aktiengesellschaft | Forecast of MRI images by means of a forecast model trained by supervised learning |
US11915361B2 (en) | 2019-09-18 | 2024-02-27 | Bayer Aktiengesellschaft | System, method, and computer program product for predicting, anticipating, and/or assessing tissue characteristics |
US12002203B2 (en) | 2020-03-10 | 2024-06-04 | Bayer Healthcare Llc | Systems and methods for assessing a likelihood of CTEPH and identifying characteristics indicative thereof |
CN113616226A (zh) * | 2021-09-14 | 2021-11-09 | 上海联影医疗科技股份有限公司 | 一种血管分析方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20160048955A1 (en) | 2016-02-18 |
EP2915141A1 (en) | 2015-09-09 |
JP2015532872A (ja) | 2015-11-16 |
US9478024B2 (en) | 2016-10-25 |
WO2014068520A1 (en) | 2014-05-08 |
BR112015009354A2 (pt) | 2017-07-04 |
CN104769641B (zh) | 2018-01-26 |
JP6645831B2 (ja) | 2020-02-14 |
RU2015120325A (ru) | 2016-12-20 |
EP2915141B1 (en) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104769641A (zh) | 灌注成像 | |
Kang et al. | Cycle‐consistent adversarial denoising network for multiphase coronary CT angiography | |
Emami et al. | Generating synthetic CTs from magnetic resonance images using generative adversarial networks | |
AU2019449137B2 (en) | sCT image generation using cyclegan with deformable layers | |
Segars et al. | Application of the 4-D XCAT phantoms in biomedical imaging and beyond | |
Rohkohl et al. | Improving best‐phase image quality in cardiac CT by motion correction with MAM optimization | |
Wang et al. | Deep learning-based image quality improvement for low-dose computed tomography simulation in radiation therapy | |
Yang et al. | 4D‐CT motion estimation using deformable image registration and 5D respiratory motion modeling | |
JP2010517672A (ja) | 数量的データ分析の運動補償及び治療 | |
JP2009537241A (ja) | 誤差適応的な機能的画像化 | |
Qi et al. | Extraction of tumor motion trajectories using PICCS‐4DCBCT: a validation study | |
CN107077731B (zh) | 成像不确定性的可视化 | |
Hamill et al. | Respiratory‐gated CT as a tool for the simulation of breathing artifacts in PET and PET/CT | |
Papadimitroulas et al. | Investigation of realistic PET simulations incorporating tumor patientˈs specificity using anthropomorphic models: Creation of an oncology database | |
Li et al. | Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm | |
Van Der Heyden et al. | Automatic multiatlas based organ at risk segmentation in mice | |
Yang et al. | The impact of audio‐visual biofeedback on 4D PET images: results of a phantom study | |
Mastropietro et al. | A supervised deep neural network approach with standardized targets for enhanced accuracy of IVIM parameter estimation from multi‐SNR images | |
Dasari et al. | Adaptation of the modified Bouc–Wen model to compensate for hysteresis in respiratory motion for the list‐mode binning of cardiac SPECT and PET acquisitions: Testing using MRI | |
EP3629931B1 (en) | Heatmap and atlas | |
Chen | Spatiotemporal imaging with diffeomorphic optimal transportation | |
Madesta et al. | Deep learning‐based conditional inpainting for restoration of artifact‐affected 4D CT images | |
Imran et al. | Scout-Net: Prospective Personalized Estimation of CT Organ Doses from Scout Views | |
Ma et al. | Automated quantification and evaluation of motion artifact on coronary CT angiography images | |
White et al. | Modeling and incorporating cardiac‐induced lung tissue motion in a breathing motion model |
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 |