CN104871207B - 图像数据处理方法及系统 - Google Patents
图像数据处理方法及系统 Download PDFInfo
- Publication number
- CN104871207B CN104871207B CN201380067184.7A CN201380067184A CN104871207B CN 104871207 B CN104871207 B CN 104871207B CN 201380067184 A CN201380067184 A CN 201380067184A CN 104871207 B CN104871207 B CN 104871207B
- Authority
- CN
- China
- Prior art keywords
- scaling
- irregular component
- histogram
- scaled
- irregular
- 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
- 238000003672 processing method Methods 0.000 title claims description 3
- 230000001788 irregular Effects 0.000 claims abstract description 122
- 239000002872 contrast media Substances 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 210000001519 tissue Anatomy 0.000 description 16
- 238000013459 approach Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 230000002708 enhancing effect Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000002601 radiography Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000002730 additional effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 208000006678 Abdominal Neoplasms Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 229910052688 Gadolinium Inorganic materials 0.000 description 1
- 206010027457 Metastases to liver Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 235000005865 Symphytum officinale Nutrition 0.000 description 1
- 240000002299 Symphytum officinale Species 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 208000002154 non-small cell lung carcinoma Diseases 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012636 positron electron tomography Methods 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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]
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Biophysics (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
以下总体上涉及至少基于直方图箱宽度、图像噪声或造影剂浓度中的一个的缩放不规则图。一种方法包括从对象或目标的体积图像数据获得无缩放不规则图,所述无缩放不规则图是基于关于感兴趣体素的体素分布的局部加权直方图生成的。所述局部加权直方图包括具有预定箱宽度的多个箱。所述局部权重是基于预定簇长度来确定的。所述方法还包括对所述无缩放不规则图进行缩放,生成经缩放不规则图。所述无缩放不规则图是至少基于所述直方图箱宽度被缩放的。
Description
技术领域
以下总体上涉及定量成像,并且更具体地涉及组织不规则图,并且利用对计算机断层摄影(CT)的具体应用来描述;然而,以下也适用于其他成像模态。
背景技术
对诊断图像的视觉分析基于对诸如大小和形状的形态学信息的评价。图像感知(例如,识别所感知的图案与可能的诊断之间的关系)取决于放射科医生的知识、分析技巧、记忆力、直觉、以及勤勉。然而,人类视觉感受系统在辨别诸如源自于图像亮度或对比度上的局部空间变化的粗糙和不规则的纹理信息中是有困难的。纹理或结构分析已经成为计算机辅助诊断(CAD)的部分。
CAD算法包括了使用对从不同可变纹理分析途径计算的纹理的数学描述符的初始量化,接着使用基于计算机视觉与人工智能、机器学习或人工神经网络的决策算法。文献中已知的纹理量化途径能够被划分成若干大类:A)基于模型的途径(例如,分形和随机模型),其通过识别反映关于要被分析的组织图像的类型的先验信息的适当模型来分析纹理;B)频域功率谱分析、结构形状拟合方法,或小波分析;以及C)基于直方图和基于统计的分析。
临床研究已经表明,CT纹理分析可以带来在患有非小细胞肺癌、结肠直肠癌、肾细胞癌、以及肝转移的患者中的实际预测和预后信息。生理基本原理在于,组织异质性和不规则(例如,在肿瘤血液供应中常常存在的那些)是恶性肿瘤的公认特征。尤其地,示出基于直方图的熵和均匀度计算能够在设法减小图像噪声纹理的影响的同时被用于评估纹理粗糙和不规则在病灶之内或周围的分布。纹理分析也已经被证明用于非癌症疾病(例如,肺气肿)。
然而,当前的途径不太适合对图像数据中的组织纹理和结构的鲁棒的定量分析。例如,这样的途径提供了相对任意的结果,所述结果在比较不同的临床案例时或者在设法设定通用处置指南时能够难以依靠,这样的途径取决于训练集的复杂模型或数据库,要求应当针对具体的临床案例进行选择和优化的许多参数,要求用户的准确ROI描画或精细的分割算法等。正因如此,存在对于其他途径的未解决的需要。
本文中描述的各方面解决了上述问题和其他问题。
发明内容
以下总体上涉及至少基于直方图箱宽度、图像噪声或造影剂浓度中的一个的缩放不规则图。
在一个方面中,一种方法,包括从对象或目标的体积图像数据获得无缩放不规则图,所述无缩放不规则图是基于关于感兴趣体素的体素分布的局部加权直方图生成的。所述局部加权直方图包括具有预定箱宽度的多个箱。所述局部权重是基于预定簇长度来确定的。所述方法还包括对所述无缩放不规则图进行缩放,生成经缩放不规则图。所述无缩放不规则图是至少基于所述直方图箱宽度被缩放的。
在另一方面中,一种图像数据处理系统,包括经缩放不规则图生成器,所述经缩放不规则图生成器从对象或目标的体积图像数据获得无缩放不规则图,所述无缩放不规则图是基于关于感兴趣体素的体素分布的局部加权直方图生成的。所述局部加权直方图包括具有预定箱宽度的多个箱,并且其中,所述局部权重是基于预定簇长度来确定的。所述经缩放不规则图生成器包括直方图箱宽度缩放器,所述直方图箱宽度缩放器对所述无缩放不规则图进行缩放,生成经缩放不规则图,其中,所述无缩放不规则图是至少基于所述直方图箱宽度、图像噪声或造影剂浓度中的一个被缩放的。
在另一方面中,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,所述计算机可执行指令在被计算系统的处理器运行时,令所述处理器:对无缩放不规则图进行缩放,生成经缩放不规则图,其中,所述无缩放不规则图是至少基于直方图箱宽度、图像噪声或造影剂浓度中的一个被缩放的,并且所述经缩放不规则图经由局部加权直方图的均匀性的熵或倒数或者局部加权高阶直方图的高阶统计结果中的一个或多个来表示。
附图说明
本发明可以采取各种部件和部件的布置,以及各个步骤和步骤的安排的形式。附图仅是出于图示优选的实施例的目的,并且不应被解读为对本发明的限制。
图1示意性地图示了与成像系统相连接的范例图像数据处理系统。
图2示意性地图示了图1的图像数据处理系统的范例。
图3图示了范例2D掩模和范例2D加权直方图。
图4图示了范例3D掩模和范例3D加权直方图。
图5图示了熵对箱宽度的依赖性。
图6图示了用于生成针对图像数据的经缩放不规则图的方法。
图7图示了用于缩放图6中的不规则图的方法。
具体实施方式
图1示意性地图示了诸如CT扫描器的范例成像系统100。在其他实施例中,成像系统100可以包括MRI、PET、SPECT、超声和/或其他成像系统中的一个或多个。所图示的成像系统100包括固定机架102和旋转机架104,所述旋转机架104由固定机架102可旋转地支撑并关于z轴108围绕检查区域106旋转。
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,并且发出横贯检查区域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,探测横贯检查区域106的辐射,并生成指示该辐射的信号。
对象支撑体114在扫描之前、期间和/或之后在检查区域106中支撑目标或对象。重建器115重建投影数据,从而生成体积图像数据。这样的数据能够是动态数据或非动态数据。通用计算机充当操作者控制台116。驻留在控制台116上的软件允许操作者与扫描器100交互。这样的交互包括,但不限于选择扫描协议、开始扫描等。
任选的注射器118被配置为施予一种或多种造影材料或造影剂以例如用于对比度增强成像流程。能够以成像系统100和/或由临床医生手动的方式控制注射器118。能够备选地由临床医生等手动施予造影材料。在造影材料被手动施予的情况下或者在没有施予造影材料的情况下,能够省略注射器118。
图像数据处理系统120处理图像数据并基于其生成至少经缩放组织不规则图。如下文更加详细地描述的,在一个非限制性实例中,这包括采用局部直方图熵途径以生成无缩放不规则图,并且然后对无缩放不规则图进行缩放以产生关于箱宽度、图像噪声水平和/或造影剂浓度的绝对不规则量度。能够经由显示器122和/或利用其他方式视觉地呈现经缩放不规则图。
经缩放不规则图能够用于利用不规则组织图案来促进识别疾病的存在而无需考虑疾病模型(例如,癌症和/或具有不规则组织图案的其他疾病)。也能够被单独地或与经缩放不规则图组合地视觉地呈现无缩放不规则图。该途径能够被与例如CT、MR等研究一起使用(例如,肿瘤定期复查),即使扫描是利用差别很大的扫描和成像条件执行的。另外,可以将定量诊断与潜在的处置指南进行比较。
能够由成像系统100和/或其他成像系统生成经处理的图像数据,和/或从成像系统100和/或存储介质(例如,便携式存储器、服务器、数据库、放射科信息系统(RIS)、医院信息系统(HIS)、电子病历(EMR)、图片存档与通信系统(PACS)和/或其他数据储存库)获得经处理的图像数据。
图像数据处理系统120能够经由运行被嵌入或编码等在计算机可读存储介质(例如,物理存储器和/或其他非瞬态介质)上的一个或多个计算机可读指令的一个或多个计算系统的一个或多个处理器来实施。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/或其他瞬态介质承载。
图2示意性地图示了图像数据处理系统120的范例。在该范例中,图像数据处理系统120获得体积图像数据作为输入。基于使用中的成像模态,图像数据可以表示解剖信息或功能信息中的一个或多个。
所图示的图像数据处理系统120包括无缩放不规则图生成器202和经缩放不规则图生成器204,所述经缩放不规则图生成器204对无缩放不规则图进行缩放生成器202输出的和/或以其他方式生成的无缩放不规则图。在变型中,图像数据处理系统120不包括无缩放不规则图生成器202,而是接收无缩放不规则图作为输入,所述无缩放不规则图然后被经缩放不规则图生成器204缩放。
无缩放不规则图生成器202包括加权直方图确定器206。加权直方图确定器206针对体积图像数据(或其子集,例如感兴趣区域/体积)中的每个空间位置(例如,图像体素或像素)计算直方图,所述直方图表示在所分析的空间位置紧密周围的加权图像信息。重复该过程,例如到体积图像数据中的每个体素或体素的预定子集中的每个。
在一个实例中,加权直方图确定器206定义权重的掩模,以对围绕(中心)体素的周围体素的值进行加权,所述(中心)体素表示当前正分析的位置。例如,适当的掩模能够是具有定义的西格玛(宽度)值和/或距中心体素特定半径距离上的定义截止的3D高斯函数。高斯宽度决定直方图成簇长度。通过使用所确定的权重,能够计算加权直方图。在图3和图4中示出范例掩模和直方图。
在图3和图4中,x轴表示亨氏单位(HU)值,而y轴表示在用每个体素的贡献乘以来自掩模的权重之后,针对每个HU值的体素的数目。正因如此,相对于在中心体素紧密周围中距离中心体素较近的体素,在中心体素紧密周围中距离中心体素较远的体素将具有对直方图较小的贡献。以此方式,在中心体素外逐渐减小的加权模式将贡献于平滑的、较少拼缀的不规则图。
更具体地,关于图3,使用具有居中在坐标(i,j)=(6,6)的体素(将类似地分析全部其他体素)上的权重(暗色为高值)的掩模来分析图像C(i,j)。掩模中心的权重=1,而掩模边缘的权重=1/3。两个范例图像值C(6,6)=100和C(6,9)=120被映射到直方图上。通过对应的掩模权重来对直方图y轴值进行加权。图3示出了范例2D掩模和范例2D直方图。在图4中示出了范例3D掩模和范例3D直方图。
在2012年10月31日递交的标题为“Perfusion Imaging”并且受让给皇家飞利浦电子有限公司的专利申请序列号61/720475中描述了对加权直方图的更加详细的讨论,通过引用将该申请整体并入本文。本文中也预期确定加权直方图的其他途径。
在更加特定的3D范例中,针对周围体素定义3D高斯权重掩模为:其中,[rx,ry,rz]是图像体积中的毫米(mm)/像素比率,并且[i,j,k]是那些索引(围绕[0,0,0]),针对所述那些索引W0在预定阈值以上。能够导出归一化的权重掩模W,以满足∑vWv=1,其中,Wv是所有掩模值。高斯宽度ξ(例如,以mm为单位)决定直方图成簇长度。在相关HU范围内的直方图箱分区是预定义的。
加权直方图是在这样的过程中构建的,其中,被掩模(在中心体素附近)覆盖的每个体素都对直方图箱的高度(其包括图像体素HU值)添加对应的掩模权重。如上文所讨论的,以此方式,在中心体素外逐渐减小的加权模式将贡献于平滑的且较少补缀的不规则图。直方图被归一化以满足∑ipi=1,其中,i是箱数目,并且pi是箱高度。
返回图2,无缩放不规则图生成器202还包括不规则特性确定器208,所述不规则特性确定器208基于局部加权直方图来确定一个或多个不规则特性。在该范例中,不规则特性确定器208确定至少归一化直方图的熵S。(其他特性可以包括,但不限于,均匀度、空间灰度共生等)。熵表示不规则或无序,并能够基于等式1来确定:
等式1:
对数函数的底数能够被任意设定一次(例如,自然数(e)等)。
经缩放不规则图生成器204包括直方图箱宽度缩放器210、图像噪声缩放器212或造影剂缩放器214中的至少一个。所图示的经缩放不规则图生成器204包括全部三个。然而,应当理解,这是出于解释的目的而非限制性的。在其他实施例中,包括仅一个、两个或全部三个。另外,在其他实施例中,包括至少一个其他缩放器,有或没有210、212和/或214。
直方图箱宽度缩放器210基于箱宽度来缩放不规则图,其可以使熵计算独立于实际箱宽度,所述实际箱宽度可以随着不同研究而改变。在该范例中,合适的箱宽度缩放被示于等式2中:
等式2:
其中,b是图像值单位(例如,CT中的HU)的直方图箱宽度,并且能够如下文所讨论的或以其他方式来确定。log(b)项促进校正并维持熵,即使箱宽度有变化。这允许计算大致相同的熵值,独立于直方图箱宽度。正因如此,箱宽度能够改变而不影响熵值。
联系图5示出该操作,图5示出了变化的箱宽度影响的综合仿真。该情况中的最优工作点范围(WP)被确定为在这里:即,模式1和模式2的熵接近恒定,并且它们的熵与噪声的熵之间的差最大,从而潜在地给出最高定义。
最优箱宽度取决于若干种考虑。能够基于以下事实来设定下边界:即,图像值分布的最大预期熵将小于最大可行计算熵,所述最大可行计算熵受权重掩模限制。合理的上边界对应于图像噪声。这些条件能够被表达为如等式3中所示:
等式3:
其中,Ih和Il是感兴趣图像值分布的预期上限和预期下限(例如,在CT中以HU为单位)。由于b总体上取决于图像值范围和噪声,取决于成簇长度,并且取决于mm/像素比率,因此最优b值不能够被确定为针对所有情况为任意的恒定值。
以下是关于被3D高斯掩模覆盖的任意图像体积区域进行讨论的。如果该区域中的图像值针对每个体素都是不同的(即,最大熵),则在对图像值加权掩模权重之后的归一化的直方图的熵将等于归一化的掩模值的熵(没有应用箱宽度缩放,即,箱=1),如等式4中所示:
等式4:
其中,Wi,j,k是x、y、z方向上的掩模权重。
能够以这样的方式估计最小箱宽度b最小:即,可能能够测量的最大熵将不大于可通过使用特定掩模获得的最大熵。可通过掩模获得的最大熵(如果所有图像值彼此不同的话)如以上所述的仅为SW。
在均分在范围R之内的全部图像值到直方图箱的数目并然后计算熵(其在相等箱高度的具体情况中仅为箱的数目的对数)之后,接收理论上能够测量的最大熵,其中,R=Ih-Il,或者限值Ih与Il之间的分布,针对(正针对其计算图像值分布的熵的)特定感兴趣区域。这实现了等式5中示出的近似条件:
等式5:
最优箱宽度应当大于确定的f倍的b最小,如等式6中所示:
等式6:
例如,f的值能够大致在二(2)至十(10)的范围内,以便生成直方图中有用的成簇(成箱)。例如在CT中(其中图像值的单位是整数HU),b的下限能够被设定为b=1或2HU。其中b最优≤std(噪声),不需要使用b最优<<std(噪声),即使,b最小非常小(例如,归因于大的选定的成簇长度)。
由于SW取决于成簇长度ξ(例如,被定义为以mm为单位)和x、y、z中的mm/像素,因此成簇长度ξ应当足够大以实现充分较低的b和所要求的熵动态范围。
优化ξ和b二者能够基于用于在相关ROI(针对其,小的ξ常常是优选的)上最大化局部熵方差并且同时在该区域(针对其,大的ξ常常是优选的)上最大化计算的均值局部熵的标准。两个互补的条件能够形成用于寻找最优ξ和b的质量因数,其将给出如等式7中所示的最高熵(不规则)定义:
等式7:
其中,S是ROI中的全部局部熵图值,并且C0是常数值,C0被估计为均值(S)的最小值,所述均值(S)的最小值仍在合理范围内。
等式7寻找两个矛盾条件之间的最优折衷,以寻找将给出对不规则分析的最高定义(或显著性)的最佳ξ和b。换句话说,针对ROI的最优ξ和b能够通过确定熵图值的方差(var)(或备选地标准偏差)和均值并且(例如迭代地)选择使乘积(var(S)·mean(S-C0))最大化的b和ξ值来确定,其中,S是ROI中的全部局部熵图值(S是在应用箱宽度缩放之后的)。
这能够针对每种情况并且针对选定的相关的感兴趣区域自动地、半自动地或者手动地完成,以便选择针对不规则图计算的最优参数。
为了避免示出没有临床相关性的纹理的不规则值,能够针对特定要求的分析限制图像值范围。例如,如果在CT中分析肺组织,则骨HU值能够被排除或被分箱到最高使用的直方图箱中。作为另一范例,能够跳过在大致100HU(主要包含空气)以下的HU值,以便加速计算时间。
图像噪声缩放器212缩放不规则图以补偿图像噪声,所述图像噪声可以源自所发射的X射线泊松噪声(或量子噪声)和/或图像重建。总体上,通过使用已知技术的预平滑化或降噪能够被应用以相对于噪声水平优化结构/纹理识别(即,有效SNR)。然而,为了不被误消除或被过渡平滑真实的解剖特征,一些图像噪声仍然可以保留,即使是在应用了降噪方案之后。
正因如此,图像噪声缩放器212针对任何变化的图像噪声水平缩放不规则图值(提供在噪声水平以上能够被识别的相关解剖纹理)。为了计算正确的噪声缩放,将具有已知或可测量的纹理熵的组织区域与另一均匀组织的区域(能够在其上估计基础图像噪声)进行比较。在一个实例中,两个区域以这样的方式被定位在被扫描身体中:即,假设均匀组织中的噪声也表示被检查组织中的噪声是合理的。
关于直方图熵,噪声的作用相当于噪声直方图与真实组织纹理直方图的卷积。作为针对缩放模型的近似,能够假设噪声的直方图具有正态分布(即,高斯直方图形状)。也假设组织纹理的直方图也具有正态分布,尽管可能并不总是这样(然而,在一些自然组织纹理中,直方图分布形状将相对接近高斯;或者至少箱能够被重新排序以给出相似形状)。
以这样的假设,组织直方图(真实纹理+噪声)是两个高斯的卷积,其也是较宽的高斯形状的结果。在卷积之后的高斯西格玛(宽度)被示处在等式8中:
等式8:
总直方图与纹理直方图之间的差异类似于用等式9中示出的因数跨越的直方图箱:
等式9:
纹理熵(在消除了估计的噪声影响之后)能够被表示为如等式10中所示:
等式10:
能够根据对被检查组织区域和噪声区域测量的熵来估计“总”和“噪声”的西格玛值。
考虑高斯形状,熵与在应用任何箱宽度缩放之前的log(σ)成比例。如果所测量的熵已经在箱宽度缩放之后,则能够通过以下定义来消除该熵:σ总=f·exp(S总-log(b))和σ噪声=f·exp(S噪声-log(b))。利用该定义,能够计算纹理熵S纹理(无需知道比例因子f,这是因为其将在等式10的商数中被抵消,并且f能够被设定到为一(1)的值。
能够根据局部熵图值针对每个空间位置计算σ总,并且σ噪声能够被认为是根据均匀组织的ROI的熵图均值计算的均值。针对S纹理的等式能够被进一步约简到等式11:
等式11:
利用等式11,在熵图计算中不需要知道箱宽度。利用该缩放,针对有意义的值(即,最小可能熵),在零以下的S纹理的值能够被削减为零,并且针对显著大于S噪声的S总,校正是可忽略的。
具有较少假设的更为通用且准确的缩放方案能够通过根据真实总直方图形状(即,具有添加的噪声的纹理的这个)(例如通过MLEM技术)对已知给定噪声直方图形状的直接去卷积来完成。
造影剂缩放器214基于被施予到对象或目标的造影剂(例如,CT中的碘或MRI中的钆)的浓度缩放不规则图。在还没有施予造影剂的情况下,不采用和/或省略造影剂缩放214。
在其中能够采用造影剂缩放器214的范例情境如下。考虑不具有显著可观察结构/纹理的组织区域,同时没有造影剂而对其成像(例如,特定肝脏疾病),这里目标是计算在其中出现造影剂的局部结构的熵。在这样的情况中,熵值取决于造影剂浓度。
原则上,在局部区域中,仅体素中的部分可以被试剂增强。该增强取决于在体素之内的相对血液体积。针对被增强的那些体素,随着跨更多柱的跨越的直方图值,造影剂影响(即,当从低到高地改变其浓度时)直方图直到最大图像值增强。在包含具有部分对比度增强的部分体积体素和具有带有变化的相对血液体积的组织的体素而者的新范围中,直方图跨越在全部箱上大致均匀。
因此,针对在没有造影剂的基本组织值以上的那些图像值,造影剂随着改变箱宽度类似地进行影响(即,与熵等式中的对数之内与1/b的乘数成比例)。由于并不是在局部区域之内的所有体素总是得到造影剂增强,因此近似能够被用于缩放目的,局部区域中的平均对比度增强,例如在强平滑化之后(例如,利用具有直方图空间加权的西格玛的高斯滤波器)。
其中利用两种不同浓度水平的造影剂对相同组织进行成像,并且目标是比较对两种不同扫描的所计算的局部熵图,如果组织生理学在两种情况之间是相同的,则任何改变都应当是归因于不同的试剂浓度,并且能够基于等式12确定熵差:
等式12:
其中,SC1和SC2是针对两种试剂浓度情况所计算的熵,和是来自经平滑图像的局部“均值”图像值,并且是没有造影剂的情况下的基本均值图像值。总体上,等式12保持,这是因为两种情况之间的相对“直方图箱跨越”成比例于在基本图像值(没有试剂)以上的两个造影剂浓度(图像值增强)之间的比率。
在等式13中示出针对任何对比度增强扫描的通用缩放方案:
等式13:
该途径也可以适用于在其中组织即使没有造影剂也具有可观察结构,但施予了造影剂的情况,全部组织部分都得到相同的相对增强(即,为单个乘数因子)。这可以是具有例如肺血管或肺实质的网状物的情况。
绘制引擎216经由显示器122(图1)绘制经缩放不规则图和/或无缩放不规则图。在一个实例中,绘制引擎216与体积图像数据并排地视觉地呈现不规则图(经缩放和/或无缩放的)。在另一实例中,绘制引擎216与体积图像数据融合地或叠加地视觉地呈现不规则图(经缩放和/或无缩放的)。这可以类似于在多模态成像(例如,功能图像和解剖图像)中所做的那样。
此外,能够针对不规则图使用一个或多个彩色图。熵彩色条标尺能够被示出在图像上或附近,同时根据计算参数指示对应于标尺限度、箱宽度的对数、估计的图像噪声熵、以及动态范围上限的值。具有可靠定义的任何临床相关的纹理都应当在所估计的图像噪声熵与动态范围限度之间的范围内。
能够视觉地呈现经缩放不规则图或无缩放不规则图中的一个或两个(个体地或共同地)。可以使用本文中描述的全部三种缩放(即,箱宽度、噪声和造影剂)或其子集(例如,通过应用箱宽度缩放和对比度缩放,而不是噪声缩放)来缩放经缩放不规则图。无缩放熵图能够以任何方式被用于复查,并且对比度缩放的图能够被用于与例如定期复查扫描相比较,和/或其他方面。
本文中描述的途径能够被均匀地应用在整个图像体积上,而不考虑特定的纹理性质。然而,更为精细的选项能够包括:A)识别具有明确方向性的局部尖锐边缘(例如,在组织—骨界面或组织—空气界面中)并将它们从不规则图排除,和/或B)解读来自局部图像梯度的不规则,并分析局部图像值的一阶导数的直方图。
在不规则图(经缩放和/或无缩放)可获得之后,能够做出对图值的基于任何ROI或VOI的分析,例如计算在由用户选择的感兴趣区域之内的均值熵及其标准偏差。
以上是关于熵进行讨论的。然而,本文中也预期其他途径,例如基于已知的纹理分析技术的变型。若干已知函数能够与熵量度强相关联,这是因为它们也表示不规则和异质性。因此,根据本文中描述的公开内容,(针对箱宽度、图像噪声,和/或造影剂浓度的)缩放变换可以基于这些函数。
通过非限制性范例的方式,均匀性函数能够被直接应用在所描述的加权直方图上。在等式14中示出合适的均匀性函数(也被称为“能量函数”)的范例:
等式14:
不规则量度能够被表达为均匀度的倒数(即,1/U)而不是等式1。在Ganeshan等人的已公布的专利申请US 2010/0142775中讨论了该表达的范例。
通过另一非限制性范例的方式,空间灰度共生矩阵(GLCM)能够被用于估计与高阶统计结果有关的图像性质。为此,GLCM中的每个元素(i,j)都指定具有灰度值i的像素以给定偏移量(Δx,Δy)毗邻具有值j的像素出现的次数。GLCM矩阵是高阶直方图的代表。在Pang等人的“Computerized segmentation and characterization of breast lesionsin dynamic contrast-enhanced MR images using fuzzy c-means clustering andsnake algorithm”(Computational and Mathematical Methods in Medicine,2012年),以及Mitrea等人的“Abdominal tumor characterization and recognition usingsuperior-order co-occurrence matrices,based on ultrasound images”(Computational and mathematical methods in medicine,2012年)中讨论了该矩阵的范例。
基于被应用在GLCM元素上的“熵”、“均匀度的倒数”、“相关联的信息量度”的若干数据函数,和/或其他途径能够表示不规则和异质性,并且因此能够与本文中描述的熵函数相关联。另外,能够以与本文中描述的局部加权处理相同的方式来完成对高阶直方图的局部加权。能够以与本文中描述的缩放步骤相同的方式来完成对高阶函数的缩放。
图6图示了用于生成针对图像数据的经缩放(箱宽度、噪声和/或造影剂)不规则图的方法。
应当理解,动作的排序并非限制性的。正因如此,本文中预期其他排序。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602处,获得体积图像数据。如本文中所讨论的,该数据能够从成像系统10、其他系统和/或数据存储库获得。任选地,除体积图像数据以外,也能够获得来自不同扫描(例如,定期复查等)的不同体积。任选地,除体积图像数据以外,也能够获得来自一个或多个在先扫描的一个或多个先前不规则图分析的参数和结果。
在604处,基于所获得的数据确定初始参数。任选地,在动作604之前,能够在所获得的数据上执行降噪、平滑化或图像重采样中的至少一个。
在606处,识别感兴趣体积。这可以包括整个被扫描体积或其子集,并能够自动地、半自动地或手动地执行。在整个被扫描体积都是感兴趣的情况下,能够省略该动作。
在608处,识别感兴趣的不规则图参数。这可以包括对加权直方图成簇长度、直方图箱宽度、图像值箱范围等的优化。
在610处,生成无缩放不规则图。如本文中所描述的,这能够基于熵、均匀度、GLCM和/或与不规则和异质性相关联的其他途径。
在612处,基于无缩放不规则图生成经缩放不规则图。如本文中所描述的,能够对无缩放不规则图应用箱宽度、噪声和/或造影剂缩放中的一个或多个。
在614处,视觉地呈现经缩放不规则图或无缩放不规则图中的至少一个,有或没有图像数据。
任选地,至少在经缩放不规则图上执行基于感兴趣区域的分析,如本文中所讨论的。
任选地,存储并联系随后的不规则图确定利用至少经缩放不规则图。
图7图示了用于实施图6的动作612的非限制性方法。
应当理解,动作的排序并非限制性的。正因如此,本文中预期其他排序。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702处,如本文中所描述的,对无缩放不规则图应用箱宽度缩放,从而生成(箱宽度)经缩放不规则图。
在704处,确定是否将对经缩放不规则图应用噪声缩放。
如果是,则在706处,如本文中所描述的,对经缩放不规则图应用噪声缩放,进一步缩放不规则图。
如果否,则不执行噪声缩放。
在任一种境况中,在708处,确定是否将要对经缩放不规则图应用对比度缩放。
如果是,则在710处,如本文中描述的,对经缩放不规则图应用对比度缩放,进一步缩放不规则图。
如果否,则不执行对比度缩放。
在任一种境况中,在712处,输出至少经缩放不规则图。
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承载。
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 (15)
1.一种图像数据处理方法,包括:
从对象或目标的体积图像数据获得无缩放不规则图,所述无缩放不规则图是基于关于感兴趣体素的体素分布的局部加权直方图生成的,其中,所述局部加权直方图包括具有预定箱宽度的多个箱,并且其中,局部权重是基于预定簇长度来确定的;并且
对所述无缩放不规则图进行缩放,生成经缩放不规则图,其中,所述无缩放不规则图是至少基于所述预定箱宽度被缩放的。
2.如权利要求1所述的方法,还包括:
通过熵值表示所述经缩放不规则图。
3.如权利要求1所述的方法,还包括:
通过所述局部加权直方图的均匀度的倒数或局部加权高阶直方图的高阶统计结果中的一个或多个来表示所述经缩放不规则图,其中,所述高阶直方图基于共生矩阵,并且所述高阶统计结果包括均匀度函数的熵或倒数。
4.如权利要求1至3中的任一项所述的方法,还包括:
根据所述预定箱宽度的对数来对所述无缩放不规则图进行缩放。
5.如权利要求1至3中的任一项所述的方法,其中,所述经缩放不规则图独立于所述预定箱宽度。
6.如权利要求1所述的方法,其中,所述预定箱宽度和所述预定簇长度被优化为给出所述经缩放不规则图的最高不规则定义。
7.如权利要求6所述的方法,还包括:
估计最小箱宽度,使得最大可测量熵等于或小于最大可用熵,所述最大可用熵归因于对特定直方图权重掩模和最大图像值范围的使用。
8.如权利要求6至7中的任一项所述的方法,还包括:
基于图像噪声来确定最大感兴趣箱宽度。
9.如权利要求6所述的方法,还包括:
基于使经缩放不规则图值的方差与移位均值的乘积最大化来确定最优箱宽度和最优簇长度。
10.如权利要求1至3中的任一项所述的方法,还包括:
基于图像噪声来对所述无缩放不规则图进行缩放。
11.如权利要求10所述的方法,还包括:
通过对来自总直方图的给定噪声直方图的直接去卷积来对所述无缩放不规则图进行缩放,所述总直方图是具有添加的噪声的真实纹理直方图。
12.如权利要求1至3中的任一项所述的方法,还包括:
基于造影剂浓度来对所述无缩放不规则图进行缩放。
13.如权利要求12所述的方法,还包括:
根据对比度扫描的平均图像值与无对比度扫描的平均图像值之间的差的负对数来对所述无缩放不规则图进行缩放。
14.如权利要求1至3中的任一项所述的方法,还包括:
与所述体积图像数据并排地或与所述体积图像数据融合地,视觉地呈现所述经缩放不规则图或所述无缩放不规则图中的至少一个。
15.一种图像数据处理系统(120),包括:
经缩放不规则图生成器(204),其从对象或目标的体积图像数据获得无缩放不规则图,所述无缩放不规则图是基于关于感兴趣体素的体素分布的局部加权直方图生成的,其中,所述局部加权直方图包括具有预定箱宽度和预定簇长度的多个箱,所述经缩放不规则图生成器包括:
直方图箱宽度缩放器(210),其对所述无缩放不规则图进行缩放,生成经缩放不规则图,其中,所述无缩放不规则图是至少基于所述预定箱宽度、图像噪声或造影剂浓度中的一个被缩放的。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261739896P | 2012-12-20 | 2012-12-20 | |
US61/739,896 | 2012-12-20 | ||
PCT/IB2013/060995 WO2014097124A2 (en) | 2012-12-20 | 2013-12-16 | Quantitative imaging |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104871207A CN104871207A (zh) | 2015-08-26 |
CN104871207B true CN104871207B (zh) | 2018-07-17 |
Family
ID=50114413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380067184.7A Active CN104871207B (zh) | 2012-12-20 | 2013-12-16 | 图像数据处理方法及系统 |
Country Status (7)
Country | Link |
---|---|
US (1) | US9600877B2 (zh) |
EP (1) | EP2936430B1 (zh) |
JP (1) | JP6353463B2 (zh) |
CN (1) | CN104871207B (zh) |
BR (1) | BR112015014288A2 (zh) |
RU (1) | RU2015129499A (zh) |
WO (1) | WO2014097124A2 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6299504B2 (ja) * | 2014-07-23 | 2018-03-28 | 株式会社島津製作所 | 画像解析装置 |
JP6345881B2 (ja) | 2014-10-30 | 2018-06-20 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 画像データ用のテクスチャ解析マップ |
EP3374962A1 (en) | 2015-11-10 | 2018-09-19 | Koninklijke Philips N.V. | Method for automatic optimization of quantitative map generation in functional medical imaging |
US10217247B2 (en) | 2015-12-17 | 2019-02-26 | Koninklijke Philips N.V. | Method for generating contrast agent concentration map |
US20170238882A1 (en) * | 2016-02-18 | 2017-08-24 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for medical imaging |
WO2017198878A1 (de) * | 2016-05-20 | 2017-11-23 | Universität des Saarlandes | Automatisierte empfehlung zur gabe von echokontrastmittel mittels machine-learning-algorithmen |
US11120888B2 (en) | 2016-08-15 | 2021-09-14 | Imaging Endpoints II LLC | Systems and methods for predicting lung cancer immune therapy responsiveness using quantitative textural analysis |
JP6792840B2 (ja) * | 2016-11-15 | 2020-12-02 | 株式会社島津製作所 | X線透視装置及びx線透視方法 |
US10332634B2 (en) | 2017-03-14 | 2019-06-25 | Imaging Endpoints II LLC | Systems and methods for reliably diagnosing breast cancer using quantitative textural analysis |
GB201820044D0 (en) * | 2018-10-29 | 2019-01-23 | Univ Oxford Innovation Ltd | Radiomic signature of an epicardial region |
US10779798B2 (en) * | 2018-09-24 | 2020-09-22 | B-K Medical Aps | Ultrasound three-dimensional (3-D) segmentation |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102740769A (zh) * | 2010-02-02 | 2012-10-17 | 皇家飞利浦电子股份有限公司 | 功能成像 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6466687B1 (en) | 1997-02-12 | 2002-10-15 | The University Of Iowa Research Foundation | Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology |
DE60236137D1 (de) * | 2002-02-22 | 2010-06-10 | Agfa Healthcare Nv | Gradationsverarbeitungsmethode |
SE528089C2 (sv) * | 2004-04-30 | 2006-08-29 | Elekta Ab | Metod och system för automatiskt förbättrande av användbarheten för en medicinsk bild |
US20100266179A1 (en) | 2005-05-25 | 2010-10-21 | Ramsay Thomas E | System and method for texture visualization and image analysis to differentiate between malignant and benign lesions |
GB0705223D0 (en) | 2007-03-19 | 2007-04-25 | Univ Sussex | Method, apparatus and computer program for analysing medical image data |
US7706497B2 (en) * | 2008-03-14 | 2010-04-27 | General Electric Company | Methods and apparatus for noise estimation for multi-resolution anisotropic diffusion filtering |
US8634610B2 (en) | 2008-06-20 | 2014-01-21 | The Trustees Of The University Of Pennsylvania | System and method for assessing cancer risk |
JP2011203811A (ja) * | 2010-03-24 | 2011-10-13 | Fujifilm Corp | 画像処理装置、画像処理方法、画像処理プログラム、及び複眼デジタルカメラ |
US8811724B2 (en) | 2010-05-11 | 2014-08-19 | The University Of Copenhagen | Classification of medical diagnostic images |
WO2012151579A2 (en) | 2011-05-05 | 2012-11-08 | Mayo Foundation For Medical Education And Research | Systems and methods for analyzing in vivo tissue volumes using medical imaging data |
US8897554B2 (en) * | 2011-12-13 | 2014-11-25 | The Nielsen Company (Us), Llc | Video comparison using color histograms |
-
2013
- 2013-12-16 WO PCT/IB2013/060995 patent/WO2014097124A2/en active Application Filing
- 2013-12-16 CN CN201380067184.7A patent/CN104871207B/zh active Active
- 2013-12-16 US US14/649,723 patent/US9600877B2/en active Active
- 2013-12-16 JP JP2015548828A patent/JP6353463B2/ja active Active
- 2013-12-16 RU RU2015129499A patent/RU2015129499A/ru not_active Application Discontinuation
- 2013-12-16 EP EP13830102.3A patent/EP2936430B1/en active Active
- 2013-12-16 BR BR112015014288A patent/BR112015014288A2/pt not_active IP Right Cessation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102740769A (zh) * | 2010-02-02 | 2012-10-17 | 皇家飞利浦电子股份有限公司 | 功能成像 |
Non-Patent Citations (1)
Title |
---|
Structural Image Representation for Image Registration;Christian Wachinge 等;《Computer Vision and Pattern Recognition Workshops》;20100618;正文第4.2节第1-2段,第5.2节第4段,图1,图4,图7 * |
Also Published As
Publication number | Publication date |
---|---|
JP6353463B2 (ja) | 2018-07-04 |
US20160217566A1 (en) | 2016-07-28 |
CN104871207A (zh) | 2015-08-26 |
WO2014097124A2 (en) | 2014-06-26 |
RU2015129499A (ru) | 2017-01-25 |
EP2936430A2 (en) | 2015-10-28 |
WO2014097124A3 (en) | 2014-08-28 |
BR112015014288A2 (pt) | 2017-07-11 |
JP2016501606A (ja) | 2016-01-21 |
EP2936430B1 (en) | 2018-10-31 |
US9600877B2 (en) | 2017-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104871207B (zh) | 图像数据处理方法及系统 | |
Kociołek et al. | Does image normalization and intensity resolution impact texture classification? | |
JP5081390B2 (ja) | 腫瘍量を監視する方法及びシステム | |
US8837789B2 (en) | Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images | |
Yang et al. | Cupping artifact correction and automated classification for high‐resolution dedicated breast CT images | |
WO2014113786A1 (en) | Quantitative predictors of tumor severity | |
US20040175034A1 (en) | Method for segmentation of digital images | |
US8682051B2 (en) | Smoothing of dynamic data sets | |
EP2915141B1 (en) | Perfusion imaging | |
CN107111883B (zh) | 用于图像数据的纹理分析图 | |
Sun et al. | 3D computerized segmentation of lung volume with computed tomography | |
Kazantsev et al. | An anatomically driven anisotropic diffusion filtering method for 3D SPECT reconstruction | |
Wei et al. | Automated lung segmentation and image quality assessment for clinical 3-D/4-D-computed tomography | |
CN112351739A (zh) | 使用深度学习进行准确快速的正电子发射断层扫描的系统和方法 | |
Zhuang et al. | Generic and robust method for automatic segmentation of PET images using an active contour model | |
Wang et al. | Automated lung segmentation in digital chest tomosynthesis | |
Li et al. | Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm | |
Kaur et al. | Computer-aided diagnosis of renal lesions in CT images: a comprehensive survey and future prospects | |
US9082193B2 (en) | Shape-based image segmentation | |
CN111402358A (zh) | 用于图像重建的系统和方法 | |
CN1836258B (zh) | 采用结构张量来检测肺结节和结肠息肉的方法和系统 | |
Dovganich et al. | Automatic quality control in lung X-ray imaging with deep learning | |
US20220198651A1 (en) | Multi-phase filter | |
Choi et al. | Two-phase learning-based 3D deblurring method for digital breast tomosynthesis images | |
Ding et al. | Medical Image Quality Assessment |
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 |