CN104838422B - 图像处理设备及方法 - Google Patents
图像处理设备及方法 Download PDFInfo
- Publication number
- CN104838422B CN104838422B CN201380062997.7A CN201380062997A CN104838422B CN 104838422 B CN104838422 B CN 104838422B CN 201380062997 A CN201380062997 A CN 201380062997A CN 104838422 B CN104838422 B CN 104838422B
- Authority
- CN
- China
- Prior art keywords
- voxel
- line model
- interested
- image
- model
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims description 17
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012805 post-processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000004072 lung Anatomy 0.000 description 33
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000002591 computed tomography Methods 0.000 description 13
- 230000011218 segmentation Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 210000000056 organ Anatomy 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 238000009877 rendering Methods 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 230000004256 retinal image Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000012885 constant function Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000001027 hydrothermal synthesis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004154 testing of material Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002792 vascular Effects 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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/10081—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
- G06T2207/20—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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于检测图像数据集中的线结构的图像处理设备。所述设备包括：模型定义单元(12)，其用于定义要被检测的线结构的线模型，所述线模型包括多个体素；计算单元(14)，其用于，按所述图像数据集的感兴趣体素，计算所述线模型与围绕所述感兴趣体素的图像区之间的相关性的若干相关性值，所述图像区包括与所述线模型相对应的数量的体素，其中，针对所述线模型关于所述图像区的多个不同相对取向中的每个，各自的相关性值被计算；以及确定单元(16)，其用于根据计算的所述相关性值按感兴趣体素确定所述最大相关性值并且确定所述最大相关性值被获得处的对应的最优取向。
Description
技术领域
本发明涉及一种用于检测图像数据集中的线结构的图像处理设备及对应的图像处理方法。本发明尤其涉及对诸如X射线图像的医学图像的处理，例如以找到在肺叶之间的肺叶裂隙。
背景技术
对特定器官或器官部分的描绘对于许多临床应用而言是必要的先决条件。在任何可能之时，该任务将由自动的无监督的图像处理来执行。这常常需要检测图像数据集中的线结构。
用于检测线结构的图像处理设备及方法的一个应用领域是检测在肺叶之间的肺叶裂隙。肺叶裂隙是肺划分为五个肺叶的窄边界；左肺包括两个肺叶并且右肺包括三个肺叶。通常，计算机断层摄影(CT)是被选择用于捕捉人肺部的三维图像数据的模态。在该背景下，从CT图像对肺叶的自动分割作为使能器正在变得临床相关，所述使能器例如用于针对诊断或更准确的介入规划的基于肺叶的定量分析。在CT扫描中裂隙的衰减通常大于周围肺实质，使得裂隙表现为明亮的盘状结构。然而，对肺叶的分割仍然是十分具有挑战的，尤其因为裂隙非常窄，因此即使在最新的高分辨率CT上产生在横断面视图中的仅一个或两个像素厚度的明亮线。出于该原因，图像噪声、部分体积效应以及不同重建核和图像协议严重妨碍提取。最后，一旦存在解剖结构异常，则肺叶分割更复杂。
过去十年已经进行了与从CT数据的肺叶分割有关的许多努力。多数方法通常建立在类似的想法上。首先，执行裂隙检测，其通常产生特征图像，其中，裂隙应该被突出显示并且其他结构应该被抑制。该特征然后集成到分割算法中，并且分水岭、水平集、图形优化以及图库配准和多图库配准已经用于该目的。由于对特征图像的计算是更全面的分割框架中的第一步骤，所以对裂隙的检测是关键性的并且已经提出了各种不同方法。Zhang等人(L.Zhang、E.Hoffman和J.Reinhardt的“Atlas-driven lung lobe segmentation involumetric X-ray CT images”，IEEE Transactions On Medical Imaging，25(1)，第1至16页(2006年))以及Ukil等人(S.Ukil和J.Reinhardt的“Anatomy-guided lung lobesegmentation in X-ray CT images”，IEEE Transactions On Medical Imaging，28(2)、第202至214页(2009年))使用2D多局部水平集外在曲率测量(MLSEC)，所述2D多局部水平集外在曲率测量的确检测出了裂隙但也突出显示许多其他结构。
另一常常使用的方法是分析每个体素的Hessian矩阵的特征向量，以测量体素是否属于具有明亮外观的局部盘状对象。在有监督的学习步骤中，从大量的特征集选择最适于裂隙检测的特征集。尽管有已经通过使用不同方法解决了裂隙检测的事实，但是仍然有若干限制。尽管理论上对Hessian矩阵的特征向量的分析能够检测明亮盘状裂隙，但是实际上，由于上面陈述的挑战，滤波器能够给出针对裂隙体素的低的响应。然而，即使当滤波器未恰当地响应时，人类观测者在多数情况下仍然能够清晰地看到裂隙。显然，可能由于该不合适的检测发生的分割错误因此极其引人注目。有监督的滤波器与Hessian滤波器的比较示出有监督的滤波器实现较好的检测。然而，主要不足是该方法需要大的基础真实标注(ground truth annotation)集来执行学习。通过学习低阶特征集的组合内含地解决了检测明亮盘状对象的问题。
因此，尽管已知多种线检测算法，但是它们在下面的环境中出问题：要检测的线是非连续的(中断的、包括单点)；线包括线片断，所述线片断是轻微弯曲并且在所述图像上是不共线的(如假设的，例如，针对霍夫变换)；图像具有很多噪声；或者相比于周围图像结构，线的对比度及强度是较弱的。
Shinhsuke Saita等人在“An extraction algorithm of pulmonary fissuresfrom multislice CT image”，Proceedings of SPIE，第5370卷(2004年)，第1590至1597页，中公开了通过提供3D(立方体)模型，计算(在体素上求和)并且然后提取肺裂，来在CT图像数据中检测肺裂。
Subhasis Chauduri等人在“Detection of blood vessels in retinal imagesusing two-dimensional matched filters”，IEEE Transactions On Medical Images，IEEE Service Center、Piscataway、NJ、US，第23卷，第10号，第1196至1204页(2004)中公开了一种用于在视网膜图像中检测血管的检测算法，其中，匹配的滤波器检测用于逐段检测血管的线性片段。
发明内容
本发明的目的是提供用于检测图像数据集中的线结构的图像处理设备和对应的图像处理方法，所述设备和方法克服上面提到的不足并且能够用已知设备和方法出问题的上面提到的环境中。
在本发明的第一方面中，提供了一种用于检测图像数据集中的线结构的图像处理设备，包括：
-模型定义单元，其用于定义要被检测的线结构的线模型，所述线模型包括多个体素，
-计算单元，其用于，针对所述图像数据集的每个感兴趣体素，计算所述线模型与围绕所述感兴趣体素的图像区之间的相关性的若干相关性值，所述图像区包括与所述线模型相对应的数量的体素，其中，针对所述线模型关于所述图像区的多个不同相对取向中的每个，各自的相关性值被计算，以及
-确定单元，其用于针对每个感兴趣体素根据计算的所述相关性值确定所述最大相关性值并且确定所述最大相关性值被获得处的对应的最优取向。
在本发明的又一方面中，提供了一种对应的图像处理方法。
在本发明的又一方面中，提供了一种包括程序代码单元的计算机程序，当所述计算机程序在计算机上运行时，所述程序代码单元用于令所述计算机执行所述处理方法的步骤。
在从属权利要求中定义了本发明的优选实施例。应理解，要求保护的方法和计算机程序与要求保护的并在从属权利要求中定义的设备具有相似和/或相同的优选实施例。
根据本发明，检测算法，其也被称为滤波器，被有效地应用，所述检测算法通过测量体素是否局部地属于例如在可用3D图像数据集的横断面视图中的明亮外观的(细的)线片断，来增强要被检测的线结构(例如，人肺的数据集中的裂隙)。该新的线增强滤波器针对每个体素测试多重假设以捕获可能线取向，并且因此针对微弱线结构响应恰当同时针对其他对象给予低的响应。
本发明能够有利地应用于在医学图像，例如由X射线设备或CT扫描器获得的X射线图像中描绘在五个肺叶之间的肺叶裂隙、肝中的肝叶裂隙、导丝、活检针以及支气管。
根据实施例，所述计算单元被配置为，针对所述图像数据集的每个感兴趣体素，计算在所述线模型与围绕所述感兴趣体素的图像区之间的线性相关性的若干相关性值。能够利用有限的努力而计算出这样的线性相关性，并且这样的线性相关性与图像噪声以及解剖噪声(不相关的紧密相邻结构)比较是非常鲁棒的。
在现实的实施方式中，所述计算单元被配置为，针对所述图像数据集的每个感兴趣体素，通过计算围绕所述感兴趣体素的图像区的强度值与所述线模型的强度值的协方差相比于所述图像区的所述强度值的方差和所述线模型的所述强度值的方差的比率，计算在所述线模型与所述图像区之间的所述线性相关性的若干相关性值。
通常，能够使用针对要被检测的所述线结构的不同线模型。此外，提出的线结构检测能够用于在3D图像数据集中或在2D图像数据集(例如，通过3D图像的图像切片)中的线结构。在实施例中，所述模型定义单元被配置为定义具有预定的长度和宽度的二维矩形线模型，并且其中，所述计算单元被配置为，针对二维图像数据集的每个感兴趣像素，计算所述二维矩形线模型与围绕所述感兴趣像素的二维图像区之间的相关性的若干相关性值。当所述图像数据可用在矩形网格上时，矩形线模型尤其有用，从而实现所需计算的有限的数量和复杂性。能够例如根据要被检测的所述线结构的对应的尺寸，选择和/或调节长度和宽度。
另外，所述模型定义单元优选地被配置为定义在沿要被检测的所述线结构的方向上比在垂直于要被检测的所述线结构的方向上具有更大延伸的二维矩形线模型。这提供了：沿线方向获得更多信号，而不考虑围绕所述线的大的近邻。
再另外，所述计算单元和所述确定单元被配置为针对不同二维图像数据集，尤其是三维图像数据集的不同图像切片，重复计算和确定的步骤。因此，能够在完全3D图像数据集中检测线结构，其中，通常每个2D图像切片地执行所述检测方法(尤其是计算所述相关性值和确定所述最大相关性值的步骤)。
在备选实施例中，所述模型定义单元被配置为定义具有预定的长度、宽度和高度的三维立方形线模型。根据该实施例，所述检测方法能够应用于3D图像数据集(而不将其单独地应用于图像切片)。
取决于所期望的实施方式，所述模型定义单元被配置为将体素图或解析函数定义为线模型。如果特定外观(体素图)还未已知，则优选地使用解析函数，并且在较后的迭代中替换为体素图，如下面将提到的。
在优选实施例中，所述模型定义单元被配置为首先定义要被检测的所述线结构的总体线模型，并且被配置为使用通过使用所述总体线模型获得的所述最大相关性值以及所述对应的最优取向，来定义要被检测的所述线结构的改善的线模型，并且其中，所述计算单元和所述确定单元被配置为通过使用所述改善的线模型，重复计算和确定的步骤。因此，提供了使用线模型的自适应地改进的迭代流程，其实现对所述线结构的检测的增加的准确性。
优选地，所述计算单元被配置为仅针对属于预定的感兴趣区域的体素计算所述相关性值，并且被配置为基于指示体素是否属于所述预定的感兴趣区域、或体素属于所述预定的感兴趣区域的概率的概率值的掩模图像，来确定体素是否属于所述预定的感兴趣区域。能够例如从图像分割算法获得所述掩模图形，所述图像分割算法例如分割医学图像，以获得对示出在所述图像中的器官或期望的结构的指示。这样的分割算法是本领域中公知的。改进的算法也给出体素属于预定的区域(例如器官)的概率值。对这样的掩模图像的使用减小必要的计算的数量，并且进一步改进对所述线结构的检测的准确性。
根据实施例，所述计算单元被配置为，针对所述图像数据集的每个感兴趣体素，针对所述线模型关于所述图像区的不同相对取向，通过旋转所述线模型和/或围绕所述感兴趣体素的所述图像区来改变所述相对取向，来计算所述线模型与围绕所述感兴趣体素的图像区之间的线性相关性的若干相关性值。以该方式，能够容易地获得对所述取向的改变。
根据实施例，所述图像处理设备还包括后处理单元，所述后处理单元用于在所述图像数据集内识别针对其基本上相同的最优取向已经被找到的体素的区。特定近邻中的全部体素的最优取向符合的程度被计算并且被称为局部取向性，即，取向是角，取向性是符合程度。该信息能够有利地被利用，尤其是用在又一个实施例中，根据所述实施例，所述后处理单元被配置为针对每个感兴趣体素确定局部取向性值，并且针对每个感兴趣体素将所述局部取向性值与所获得的最大相关性值相乘，以获得放大的最大相关性值。以该方式，如果在特定近邻中的所述取向角基本上符合，则相关性被强调。
附图说明
本发明的这些及其他方面将从下文描述的(一个或多个)实施例变得显而易见并将参考下文描述的(一个或多个)实施例得到阐述。在下图中：
图1示出了根据本发明的图像处理设备的示意图，
图2示出了肺的原始图像以及根据通过处理所述原始图像获得的最大相关值构建的肺的图像，
图3示出了线模型的范例，
图4示出了肺的另一幅原始图像以及其中检测到的线结构被指示的图像，
图5示出了原始图像以及利用提出的方法的不同实施例获得的若干幅图像。
具体实施方式
图1示出了根据本发明的图像处理设备10的示意图。其包括模型定义单元12，所述模型定义单元用于定义要被检测的线结构的线模型，所述线模型包括多个体素。此外，计算单元14被提供用于，针对所述图像数据集的每个感兴趣体素，计算所述线模型与围绕所述感兴趣体素的图像区之间的相关性的若干相关性值，所述图像区包括与所述线模型对应的数量的体素，其中，针对所述线模型关于所述图像区的多个不同相对取向中的每个，各自的相关性值被计算。再另外，确定单元16被提供用于针对每个感兴趣体素根据计算的所述相关性值确定最大相关性值并且确定所述最大相关性值被获得处的对应的最优取向。
任选地，后处理单元18被提供用于在图像数据集内识别针对其基本上相同的最优取向已经被找到的体素的区，以针对每个感兴趣体素确定局部取向性值，并且针对每个感兴趣体素将所述局部取向性值与获得的最大相关性值相乘，从而获得放大的最大相关性值。
所获得的最大相关性值例如能够用于通过利用所获得的最大相关性值替换原始像素值，来指示在原始图像数据中(例如在2D图像中)的检测到的局部结构。备选地，能够通过使用如像素(或体素)值、所获得的取向性值或最大相关性与局部取向性的乘积，来构建新的图像。最大相关性值的所获得的取向通常不被显示；取向角主要是构建取向性所需的并且然后能够被丢弃。
通过该图像处理设备，来应用一种使用多重假设检验的新的线增强滤波器，以克服上面提到的Hessian滤波器的缺点。所述滤波器的主要想法是通过将线结构的模型模板与所观测的图像数据相关，针对每个体素计算线度量。因为针对3D中的潜在表面取向的大的搜寻空间，所以提出的方法优选地应用于2D中的线，即，期望突出显示横断面图像(优选地是矢状和冠状切片图像)上的(通常是细的)明亮线结构，同时抑制其他结构。
本发明优选地提供这样的检测算法(也被称为滤波器)，即，其优选地在2D图像切片上操作，并且能够用作针对诸如基于3D模型的分割、3D区域增长等的另外的图像处理的输入。通过将本发明的应用用于2D图像切片，将在下面中解释本发明的实施例。
所述滤波器提供产生针对每个图像像素的优度值(最大相关性值)及估计的取向的滤波器响应。图2A示出了，作为原始输入图像的范例，在肺分割之后的矢状CT切片图像，所述矢状CT切片图像示出了肺血管及水平和垂直肺叶裂隙线。图2B示出了作为针对每个像素的优度的滤波器响应(未示出的是作为针对每个像素的估计的取向的滤波器响应)。
提出的图像处理设备10假定针对线及其近邻的特定模型。所述模型通常不需要是方形的。优选地，使用具有独立长度l及宽度w的(例如，至少10x 5像素的尺寸的)矩形模型，所述模型能够是图像(例如，像素图)或解析函数。对于计算而言，当模型函数可分离在主方向eW和eL(例如，x和y方向)中时其尤其有效。
在优选实施例中，提供任选的掩模图像M(x)，其给予每个像素在位置x处的该像素是感兴趣区域的部分的概率，所述感兴趣区域例如是例如根据对原始图像的分割导出其信息的感兴趣器官(例如，肺)。备选地，掩模图像M(x)例如通过对每个像素赋予二值指示值(例如，0或1)，来指示像素是否属于感兴趣区域。
针对所述图像中M(x)>0的每个像素，计算所述模型与以x为中心的l×w的扩展的区中的图像像素x’的(优选地线性)相关性。线性相关性系数优选地被计算为图像强度值和模型强度值的协方差相比于图像强度的方差和模型强度的方差自身的比率。此外，通过使用针对每个像素x’的权重因子计算相关性，所述权重因子由器官相似度图像M(x)与二元高斯函数G(x’-x)的乘积所给出，二元高斯函数G(x’-x)在模型的中心处达到峰值并且朝向模型边界消减。在点x处的协方差cov(IM)(符号σ2 IM)被计算为σ2 IM(x)＝Σ(I(x’)-I平均)*(M(x’)-M平均)*G(x’-x)*M(x’)/ΣG(x’-x)*M(x’)，其中，x’通过在围绕x的(矩形)近邻掩模中的全部像素位置x’上求和∑而被合计，并且I平均和M平均是近邻中的平均值。能够分别通过I和M的代替获得针对σ2 MM(x)和σ2 II(x)的方程式。
优选地针对取向(角；例如针对180°的角范围，其中，针对每个新的计算，角增加1°)中的每个计算相关性。然后，全部相关性中的最高的及其对应的取向角被采用为滤波器输入。能够通过将模型旋转到不同方向上实现在全部方向(角)上的迭代。然而，如果模型可分离到两个主方向上，那么旋转图像本身而不是模型更加计算高效。
裂隙线模型的示范性示出在图3中。模型片块由它的在轴eL的方向上的长度l及它的在轴eW的方向上的宽度w所定义。线的取向在eL方向上。沿eW轴的线轮廓p(xW)被给出为具有针对裂隙宽度的σF和针对伴随裂隙的暗色背景的σB的两个高斯分布的差异。
作为针对肺叶裂隙的解析模型，在主方向eW中的两个高斯分布A和B的差异以及在主方向eL中的常值函数在优选实施例中被选择：
在模型与观测到的图像数据之间的针对每个体素的线性相关性例如被计算为：
其中，σ2 IM给出协方差，并且σII和σMM分别给出观测到的图像和模型的标准差。
根据本发明，通过多重假设检验实现对裂隙线片断的检测，所述裂隙线片断在数据集中可以是不同取向的。针对每个体素，计算模型在不同取向中与对应的图像数据的相关性。给出最大相关性的假设然后属于线片断的正确取向。为了使得对针对多个角的相关性的计算是计算高效的，旋转2D图像切片而不是旋转模型。以该方式，能够以轴平行并且因此可分离的方式针对全部切片像素执行必要的卷积。
重要的是要注意，作为来自提出的线增强滤波器(即提出的方法)的输出，针对所选择的体素或每个体素，获得了使用的模型的相关性的幅度连同最优取向。因此，不仅获得裂隙度量，而且获得取向信息。相比于已知的Hessian滤波器，提出的线增强滤波器允许经由模型的长度l和宽度w定义要被评估的局部近邻。一方面，当计算线性相关性时能够考虑围绕每个体素的较大的近邻。另一方面，相比于采取对称近邻的Hessian滤波器，能够定义具有在线的方向上的较大的延伸、具有垂直于线的较小的延伸的矩形线模型。利用该不对称模型，能够沿线方向收集更多信号而不考虑围绕线的大的近邻。同时，定义轮廓的形状的参数表示预期的线的厚度。多尺度Hessian滤波器并不提供该整体灵活性。
提出的方法的输出能够用于在原始图像，例如如图4A中示出的原始矢状CT切片图像中指示检测到的线结构(图4B中指示的20、21、22、23、24、25)，并且如果感兴趣，指示由30指示的滤波器模型的宽度，如图4B中围绕线结构20的范例。
本发明使用通常是协方差相比于两个个体方差的比率的相关性，因此需要三个独立卷积。相关性(而不是简单的卷积)是提出的算法的检测相比于周围的图像结构对比度微弱得多的线的能力的实质。
能够通过额外的算法实现对滤波器输出的进一步增强，优选地针对所选择的像素或全部像素执行所述算法。将通过使用图5A图示这些增强，图5A示出了人肺的原始输入图像切片。图5B示出了其中有检测到的线结构的获得的最大相关性值的图像。
在一个实施例中，围绕像素的全部近邻取向角θ和相关性值c在具有特定半径的球形近邻内被采样，由径向高斯权重函数w加权。在另一实施例中，该结果图像再次用作与之前相同的滤波流程的输入图像。这在迭代过程中能够重复。
在另一实施例中，获得的角θ被转换为向量vθ并且被合计到公知的结构张量T＝Σw·c·vθ·vθ中，其中，·指代如在J.Bigün和G.H.Granlund的“Optimal orientationdetection of linear symmetry”,Proceedings First International Conference onComputer Vision，IEEE Computer Society Press，第433至438页(1987年)中定义的向量外积。T的特征值被计算并且通过绝对幅度被排序。然后局部取向性o被计算为第一特征值和第二特征值的比率。局部取向性被示出在图5C中。
在又一个实施例中，针对所选择的像素或全部像素，通过(逐像素地)将最大线性相关性系数c(如图5B中示出的)与局部取向性o(如图5C中示出的)相乘，来计算改善的滤波器输出。得到的图像被描绘在图5D中。
尽管例如取决于应用种类、图像数据种类、对象(患者)种类等，通常使用例如来自存储不同线模型的数据库的预定的线模型，但是在另外的实施例中，线模型能够更加个体化，例如，患者个体。这样的个体线模型例如能够从其中要被检测的线结构的尺寸被大致估计的原始图像获得，以定义有用的线模型。
需要描绘器官或检测诸如针或导丝的介入设备的任何医学成像应用能够使用本发明。但是在其他领域中，本发明也能够应用于线结构检测，例如，在材料测试中。
尽管已经在附图和前文描述中详细图示并描述了本发明，但是这样的图示和描述应被视为说明性或示范性的，而非限制性的；本发明不限于所公开的实施例。本领域技术人员通过研究附图、公开内容以及权利要求书，在实践要求保护的本发明时，能够理解和实现对所公开的实施例的其他变型。
在权利要求书中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个元件或其他单元可以完成权利要求书中所记载的若干个项目的功能。尽管在互不相同的从属权利要求中记载了特定措施，但是这并不指示不能有利地使用这些措施的组合。
计算机程序可以存储/分布在适合的非暂态介质上，例如与其他硬件一起被提供或作为其他硬件的部分被提供的光学存储介质或固态介质，但是计算机程序也可以以其他形式分布，例如经由因特网或其他的有线或无线的电信系统分布。
权利要求书中的任何附图标记都不应被解释为对范围的限制。
Claims (15)
1.一种用于检测图像数据集中的线结构的图像处理设备，包括：
-模型定义单元(12)，其用于定义要被检测的线结构的线模型，所述线模型包括多个体素；并且所述线模型被配置为定义具有预定的长度和宽度的二维矩形线模型，
-计算单元(14)，其用于，针对所述图像数据集的每个感兴趣体素，计算所述线模型与围绕所述感兴趣体素的图像区之间的相关性的若干相关性值，所述图像区包括与所述线模型相对应的数量的体素，其中，针对所述线模型关于所述图像区的多个不同相对取向中的每个，各自的相关性值被计算，并且其中，所述计算单元被配置为，针对二维图像数据集的每个感兴趣像素，计算所述二维矩形线模型与围绕所述感兴趣像素的二维图像区之间的相关性的若干相关性值，以及
-确定单元(16)，其用于针对每个感兴趣体素根据计算的所述相关性值确定最大相关性值并且确定所述最大相关性值被获得处的对应的最优取向。
2.如权利要求1所述的图像处理设备，其中，所述计算单元(14)被配置为，针对所述图像数据集的每个感兴趣体素，计算所述线模型与围绕所述感兴趣体素的图像区之间的线性相关性的若干相关性值。
3.如权利要求2所述的图像处理设备，其中，所述计算单元(14)被配置为，针对所述图像数据集的每个感兴趣体素，通过计算围绕所述感兴趣体素的图像区的强度值与所述线模型的强度值的协方差相比于所述图像区的所述强度值的方差和所述线模型的所述强度值的方差的比率，计算所述线模型与所述图像区之间的所述线性相关性的若干相关性值。
4.如权利要求1所述的图像处理设备，其中，所述模型定义单元(12)被配置为定义在沿要被检测的所述线结构的方向上比在垂直于要被检测的所述线结构的方向上具有更大延伸的二维矩形线模型。
5.如权利要求1或4所述的图像处理设备，其中，所述计算单元(14)和所述确定单元(16)被配置为针对不同二维图像数据集重复计算和确定的步骤。
6.如权利要求5所述的图像处理设备，其中，所述计算单元(14)和所述确定单元(16)被配置为针对三维图像数据集的不同图像切片重复计算和确定的步骤。
7.如权利要求1所述的图像处理设备，其中，所述模型定义单元(12)被配置为定义具有预定的长度、宽度和高度的三维立方形线模型。
8.如权利要求1所述的图像处理设备，其中，所述模型定义单元(12)被配置为将体素图或解析函数定义为线模型。
9.如权利要求1所述的图像处理设备，其中，所述模型定义单元(12)被配置为首先定义要被检测的所述线结构的总体线模型，并且被配置为使用通过使用所述总体线模型获得的所述最大相关性值以及所述对应的最优取向，来定义要被检测的所述线结构的改善的线模型，并且其中，所述计算单元(14)和所述确定单元(16)被配置为通过使用所述改善的线模型来重复计算和确定的步骤。
10.如权利要求1所述的图像处理设备，其中，所述计算单元(14)被配置为仅针对属于预定的感兴趣区域的体素计算所述相关性值，并且被配置为基于指示体素是否属于所述预定的感兴趣区域、或体素属于所述预定的感兴趣区域的概率的概率值的掩模图像，来确定体素是否属于所述预定的感兴趣区域。
11.如权利要求1所述的图像处理设备，其中，所述计算单元(14)被配置为，针对所述图像数据集的每个感兴趣体素，通过旋转所述线模型和/或围绕所述感兴趣体素的图像区来改变所述相对取向，来计算针对所述线模型关于所述图像区的不同相对取向的所述线模型与围绕所述感兴趣体素的所述图像区之间的相关性的若干相关性值。
12.如权利要求1所述的图像处理设备，还包括后处理单元(18)，所述后处理单元用于在所述图像数据集内识别已经找到了基本上相同的最优取向的体素的区。
13.如权利要求12所述的图像处理设备，其中，所述后处理单元(18)被配置为针对每个感兴趣体素确定局部取向性值，并且被配置为针对每个感兴趣体素将所述局部取向性值与所获得的最大相关性值相乘，以获得放大的最大相关性值。
14.一种用于检测图像数据集中的线结构的图像处理方法，包括：
-定义要被检测的线结构的线模型，所述线模型包括多个体素；并且所述线模型定义具有预定的长度和宽度的二维矩形线模型，
-针对所述图像数据集的每个感兴趣体素，计算所述线模型与围绕所述感兴趣体素的图像区之间的相关性的若干相关性值，所述图像区包括与所述线模型相对应的数量的体素，其中，针对所述线模型关于所述图像区的多个不同相对取向中的每个，各自的相关性值被计算，并且其中，针对二维图像数据集的每个感兴趣像素，计算所述二维矩形线模型与围绕所述感兴趣像素的二维图像区之间的相关性的若干相关性值，以及
-针对每个感兴趣体素根据计算的所述相关性值确定最大相关性值并且确定所述最大相关性值被获得处的对应的最优取向。
15.一种存储有计算机程序的存储介质，所述计算机程序包括程序代码单元，当所述计算机程序在计算机上运行时，所述程序代码单元用于令所述计算机执行如权利要求14所述的方法的步骤。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201261732562P | 2012-12-03 | 2012-12-03 | |
| US61/732,562 | 2012-12-03 | ||
| PCT/IB2013/060554 WO2014087313A1 (en) | 2012-12-03 | 2013-12-02 | Image processing device and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104838422A CN104838422A (zh) | 2015-08-12 |
| CN104838422B true CN104838422B (zh) | 2018-06-08 |
Family
ID=49817137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201380062997.7A Active CN104838422B (zh) | 2012-12-03 | 2013-12-02 | 图像处理设备及方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US9536318B2 (zh) |
| EP (1) | EP2926318B1 (zh) |
| JP (1) | JP6273291B2 (zh) |
| CN (1) | CN104838422B (zh) |
| BR (1) | BR112015012373A2 (zh) |
| RU (1) | RU2015126309A (zh) |
| WO (1) | WO2014087313A1 (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9704289B2 (en) | 2014-05-06 | 2017-07-11 | Whitecap Scientific Corporation | Indexing method and system |
| US9675317B2 (en) * | 2014-12-22 | 2017-06-13 | Toshiba Medical Systems Corporation | Interface identification apparatus and method |
| JP6920376B2 (ja) * | 2015-07-29 | 2021-08-18 | ペルキネルマー ヘルス サイエンシーズ， インコーポレイテッド | ３ｄ解剖画像における個々の骨格の骨の自動化されたセグメンテーションのためのシステムおよび方法 |
| ES2815423T3 (es) | 2016-02-05 | 2021-03-30 | Pulmonx Corp | Procedimientos, sistemas y dispositivos para analizar datos de imágenes pulmonares |
| EP3291175B1 (en) * | 2016-09-05 | 2018-12-12 | RaySearch Laboratories AB | Image processing system and method for interactive contouring of three-dimensional medical data |
| FR3060179B1 (fr) * | 2016-12-08 | 2020-04-03 | Safran | Procede et dispositif de determination des orientations d'elements de fibres dans une piece en materiau composite |
| EP3633612A4 (en) * | 2017-06-30 | 2020-06-03 | Shanghai United Imaging Healthcare Co., Ltd. | IMAGE SEGMENTATION METHOD AND SYSTEM |
| WO2019042962A1 (en) * | 2017-09-01 | 2019-03-07 | Koninklijke Philips N.V. | LOCATION OF ANATOMICAL STRUCTURES IN MEDICAL IMAGES |
| CN109615636B (zh) * | 2017-11-03 | 2020-06-12 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割中的血管树构造方法、装置 |
| CN109697754B (zh) * | 2018-12-24 | 2022-05-27 | 中国科学院大学 | 基于主方向估算的3d岩体点云特征面提取方法 |
| CN111292343B (zh) * | 2020-01-15 | 2023-04-28 | 东北大学 | 一种基于多视角下的肺叶分割方法和装置 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4930519A (en) | 1984-04-02 | 1990-06-05 | Medical Graphics Corporation | Method of graphing cardiopulmonary data |
| JP2000222574A (ja) * | 1999-01-28 | 2000-08-11 | Hitachi Ltd | ディジタル画像の線状領域抽出方法および画像処理装置 |
| US7315639B2 (en) * | 2004-03-03 | 2008-01-01 | Mevis Gmbh | Method of lung lobe segmentation and computer system |
| JP4544891B2 (ja) * | 2004-03-30 | 2010-09-15 | 幸靖 吉永 | 線抽出のための画像処理方法及びそのプログラム、線集中度画像フィルタ |
| US7711167B2 (en) * | 2005-12-07 | 2010-05-04 | Siemens Medical Solutions Usa, Inc. | Fissure detection methods for lung lobe segmentation |
| JP2007275346A (ja) * | 2006-04-07 | 2007-10-25 | Toshiba Corp | 放射線画像処理装置、放射線画像処理方法及び放射線画像処理プログラム |
| WO2008035266A2 (en) | 2006-09-21 | 2008-03-27 | Koninklijke Philips Electronics N.V. | Automatic seed point selection |
| US8144949B2 (en) | 2007-11-15 | 2012-03-27 | Carestream Health, Inc. | Method for segmentation of lesions |
| JP5233374B2 (ja) * | 2008-04-04 | 2013-07-10 | 大日本印刷株式会社 | 医用画像処理システム |
| US8150120B2 (en) | 2008-05-06 | 2012-04-03 | Carestream Health, Inc. | Method for determining a bounding surface for segmentation of an anatomical object of interest |
| JP5051025B2 (ja) * | 2008-06-26 | 2012-10-17 | コニカミノルタホールディングス株式会社 | 画像生成装置、プログラム、および画像生成方法 |
| US8724866B2 (en) * | 2009-09-14 | 2014-05-13 | Siemens Medical Solutions Usa, Inc. | Multi-level contextual learning of data |
| US9599461B2 (en) * | 2010-11-16 | 2017-03-21 | Ectoscan Systems, Llc | Surface data acquisition, storage, and assessment system |
| US9014445B2 (en) * | 2012-10-11 | 2015-04-21 | Vida Diagnostics, Inc. | Visualization and characterization of pulmonary lobar fissures |
-
2013
- 2013-12-02 JP JP2015544604A patent/JP6273291B2/ja active Active
- 2013-12-02 BR BR112015012373A patent/BR112015012373A2/pt not_active IP Right Cessation
- 2013-12-02 WO PCT/IB2013/060554 patent/WO2014087313A1/en active Application Filing
- 2013-12-02 EP EP13811010.1A patent/EP2926318B1/en active Active
- 2013-12-02 US US14/646,044 patent/US9536318B2/en active Active
- 2013-12-02 RU RU2015126309A patent/RU2015126309A/ru not_active Application Discontinuation
- 2013-12-02 CN CN201380062997.7A patent/CN104838422B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| An Extraction Algorithm of Pulmonary Fissures from Multi-Slice CT Image;SHINSUKE SAITA et al;《Processing of SPIE》;20040512;第5270卷;1590-1597 * |
| Detection of Blood Vessels in Retinal Images Using Two-Dimensional Matched Filters;SUBHASIS CHAUDHURI et al;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;19890930;第8卷(第3期);263-269 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP2926318A1 (en) | 2015-10-07 |
| BR112015012373A2 (pt) | 2017-07-11 |
| US9536318B2 (en) | 2017-01-03 |
| EP2926318B1 (en) | 2020-10-28 |
| RU2015126309A (ru) | 2017-01-13 |
| JP2015536732A (ja) | 2015-12-24 |
| JP6273291B2 (ja) | 2018-01-31 |
| WO2014087313A1 (en) | 2014-06-12 |
| CN104838422A (zh) | 2015-08-12 |
| US20150302602A1 (en) | 2015-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104838422B (zh) | 图像处理设备及方法 | |
| EP1941453B1 (en) | Method of registering images, algorithm for carrying out the method of registering images, a program for registering images using the said algorithm and a method of treating biomedical images to reduce imaging artefacts caused by object movement | |
| Kesner et al. | A new fast and fully automated software based algorithm for extracting respiratory signal from raw PET data and its comparison to other methods | |
| US8837789B2 (en) | Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images | |
| NL1027538C2 (nl) | Werkwijzen en apparaten voor verwerken van beelddata om te helpen bij detecteren van ziekte. | |
| NL1024869C2 (nl) | Werkwijze en systeem voor het meten van voor ziekte relevante weefselveranderingen. | |
| CN101133431B (zh) | 能够减少物体运动造成的成像伪影的生物医学图像配准方法 | |
| El-Baz et al. | Appearance analysis for the early assessment of detected lung nodules | |
| NL1024858C2 (nl) | Werkwijze en systeem voor luchtwegmeting. | |
| CN103249358B (zh) | 医用图像处理装置 | |
| Neubert et al. | Automated 3D segmentation of vertebral bodies and intervertebral discs from MRI | |
| EP2987114B1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
| US9763636B2 (en) | Method and system for spine position detection | |
| CN117727441A (zh) | 基于临床-融合影像计算机模型预测肺癌免疫疗效方法 | |
| Plourde et al. | Semiautomatic detection of scoliotic rib borders from posteroanterior chest radiographs | |
| Jamil et al. | Image registration of medical images | |
| AlZu’bi et al. | Reconstructing big data acquired from radioisotope distribution in medical scanner detectors | |
| Tang et al. | Scoliosis Detection Based on Feature Extraction from Region-of-Interest. | |
| CN115631232B (zh) | 一种确定双探头探测器径向位置方法 | |
| Herman et al. | Maximum a posteriori image reconstruction from projections | |
| CN114359129A (zh) | Dr图像的分析方法和电子设备 | |
| Sayyad et al. | Data Conditioning for Medical Imaging | |
| Peskin et al. | Synthetic Lung Tumor Data Sets for Comparison of Volumetric Algorithms. | |
| Khader | Multimodality and Nonrigid Image Registration with Application to Diffusion Tensor Imaging |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |