CN105022719A - 医学造影系统及方法 - Google Patents
医学造影系统及方法 Download PDFInfo
- Publication number
- CN105022719A CN105022719A CN201410166402.9A CN201410166402A CN105022719A CN 105022719 A CN105022719 A CN 105022719A CN 201410166402 A CN201410166402 A CN 201410166402A CN 105022719 A CN105022719 A CN 105022719A
- Authority
- CN
- China
- Prior art keywords
- area
- characteristic area
- value
- interest
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000002059 diagnostic imaging Methods 0.000 title abstract 3
- 238000002583 angiography Methods 0.000 claims description 20
- 230000003111 delayed effect Effects 0.000 claims description 17
- 230000036962 time dependent Effects 0.000 claims description 10
- 230000008520 organization Effects 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 abstract 1
- 210000004204 blood vessel Anatomy 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 9
- 210000003462 vein Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 210000001147 pulmonary artery Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
- A61B6/469—Arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
-
- 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
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- 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
- A61B6/48—Diagnostic techniques
- A61B6/486—Diagnostic techniques involving generating temporal series of image data
-
- 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
- A61B6/48—Diagnostic techniques
- A61B6/488—Diagnostic techniques involving pre-scan acquisition
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- A61B6/54—Control of apparatus or devices for radiation diagnosis
- A61B6/541—Control of apparatus or devices for radiation diagnosis involving acquisition triggered by a physiological signal
-
- 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
- A61B6/54—Control of apparatus or devices for radiation diagnosis
- A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种医学造影系统及方法。该医学造影系统包括标记模块、分类模块、感兴趣区域确定模块、曲线获取模块和延迟计算模块。标记模块用于从预扫描的多幅图像中标记一个或多个特征区域;分类模块用于利用分类算法模型对各特征区域进行分类;感兴趣区域确定模块用于选择与特定的诊断组织相同类型的特征区域作为感兴趣区域;曲线获取模块用于根据感兴趣区域在预扫描的各图像中的CT值与对应图像的扫描时间点的关系,获取感兴趣区域的CT值随时间变化的曲线;延迟计算模块,用于侦测该曲线的峰值,并根据该峰值所对应的时间点计算扫描延迟时间。
Description
技术领域
本发明涉及医疗诊断领域,尤其涉及一种医学造影系统及方法。
背景技术
在计算机断层扫描(Computer Tomography,CT)、超声(Ultrasound)等医学成像系统中,经常采用造影增强(ContrastEnhancement)技术来获取人体组织的诊断图像。以CT造影技术为例,扫描前将造影剂注入人体血管中,使之随血流到达需要诊断的例如心脏、肝脏等感兴趣组织,使得血管对于X射线的吸收程度明显不同于其周围的其它组织,因此在扫描时可以得到对比度增强的诊断图像。
通常,在造影剂被注入延迟一段时间之后进行扫描,能够获得较好的扫描图像,该延迟时间一般为从造影剂被注入到其CT值达到峰值的时间,因此,针对不同的身体组织,得到准确的延迟时间,是影响图像质量乃至诊断结果的关键。
现有技术中,操作者一般向血管注入少量造影剂,在造影剂被注入后并增强的过程中以一定时间频率进行预扫描,得到多个CT图像,然后手动地在每副图像中画出感兴趣区域,通过记录该感兴趣区域的像素在多个离散时间点处的CT值,手动绘制CT值随时间变化的曲线,即HU-Time曲线,并观测该曲线的峰值,则可以确定,从造影剂被注入到该感兴趣区域的CT值达到峰值之间的时间,为预扫描的延迟时间,再根据造影剂的成分、剂量等进行适当的公式变换,计算诊断时的扫描延迟时间。在正式的造影扫描诊断中,可根据该诊断时的扫描延迟时间确定何时对该感兴趣区域进行CT扫描。
现有技术中采用这种手动确定感兴趣区域的方式操作复杂,时间成本高,并且由于射线硬化伪影、运动伪影、甚至感兴趣区域形状不规则等原因,很容易将感兴趣区域标记在错误的地方,则获得的HU-Time曲线不够准确,得到的扫描延迟时间也不准确。
因此,需要提供一种新的医学造影装置及方法,能够避免复杂的手动操作、降低时间成本并能在扫描图像中准确地获取感兴趣区域,进而获取更准确的HU-Time曲线以及更准确的扫描延迟时间,以提升扫描出的诊断图像的质量。
发明内容
本发明的示例性实施例提供了一种医学造影系统,包括标记模块、分类模块、感兴趣区域确定模块、曲线获取模块和延迟计算模块。标记模块用于从预扫描的多幅图像中标记一个或多个特征区域;分类模块用于利用分类算法模型对各特征区域进行分类;感兴趣区域确定模块用于选择与特定的诊断组织相同类型的特征区域作为感兴趣区域;曲线获取模块用于根据感兴趣区域在预扫描的各图像中的CT值与对应图像的扫描时间点的关系,获取感兴趣区域的CT值随时间变化的曲线;延迟计算模块,用于侦测该曲线的峰值,并根据该峰值所对应的时间点计算扫描延迟时间。
本发明的示例性实施例还提供了一种医学造影方法,包括以下步骤:
从预扫描的多幅图像中标记一个或多个特征区域;
利用分类算法模型对各特征区域进行分类;
选择与特定的诊断组织相同类型的特征区域作为感兴趣区域;
根据感兴趣区域在预扫描的各图像中的CT值与对应图像的扫描时间点的关系,获取感兴趣区域的CT值随时间变化的曲线;
侦测该曲线的峰值,并根据该峰值所对应的时间点计算扫描延迟时间。
通过下面的详细描述、附图以及权利要求,其他特征和方面会变得清楚。
附图说明
通过结合附图对于本发明的示例性实施例进行描述,可以更好地理解本发明,在附图中:
图1为本发明一个示例性实施例提供的医学造影系统的结构框图;
图2为本发明进行预扫描得到的一个示例性图像;
图3为本发明在图2所示的图像中标记特征区域的示例性示意图;
图4为本发明一个示例性实施例提供的医学造影方法的流程图。
具体实施方式
以下将描述本发明的具体实施方式,需要指出的是,在这些实施方式的具体描述过程中,为了进行简明扼要的描述,本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是,在任意一种实施方式的实际实施过程中,正如在任意一个工程项目或者设计项目的过程中,为了实现开发者的具体目标,为了满足系统相关的或者商业相关的限制,常常会做出各种各样的具体决策,而这也会从一种实施方式到另一种实施方式之间发生改变。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本发明公开的内容相关的本领域的普通技术人员而言,在本公开揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本公开的内容不充分。
除非另作定义,权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件,并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,也不限于是直接的还是间接的连接。
图1为本发明一个示例性实施例提供的医学造影系统的结构框图,其可在造影增强扫描诊断前,自动地在预扫描的图像中确定感兴趣区域,以能够更准确地得到诊断时的扫描延迟时间,进而获得质量更好的诊断图像。上述的“预扫描”可指,例如,在对病人进行正式的造影增强扫描诊断前,先向病人血管注入少量造影剂,并沿时间轴对病人进行扫描,以使后续可以根据预扫描的沿时间序列变化的这些图像获得HU-Time曲线,并计算造影增强扫描诊断时的扫描延迟时间。
如图1所示,该医学造影系统包括标记模块11、分类模块13、感兴趣区域确定模块15、曲线获取模块17和延迟计算模块19。
标记模块11用于从预扫描的多幅图像中标记一个或多个特征区域。上述的特征区域可指,例如,从诊断对象来说,特定类型的人体组织,如一根或多根血管;从图像角度来说,各特征区域中各像素的特征相似,如在同一像素值范围内或对应的CT值在同一范围内。
可选地,标记模块11具体可包括粗划分单元111和精划分单元113,其可先通过粗划分单元判断预扫描的图像中的各像素对应的CT值是否在预设范围内,并将对应的CT值不在该预设范围内的像素排除在特征区域外,例如,忽略、去除这部分图像,或者,将这些像素的值变为0,或者,增强对应的CT值在该预设范围内的像素与CT值不在该预设范围内像素之间的对比度,等等。该预设范围可设定为,例如与血管的CT值范围相一致。
粗划分之后,标记模块11可进一步通过精划分单元113判断预扫描的图像中各像素与其周围像素的线性相关程度是否达到预设值,并将线性相关程度达到预设值的各像素所在的区域标记为一个特征区域。上述的线性相关程度可用例如相关系数(Correlationcoefficient)来表征。例如,粗划分之后,已经排除了不在特征区域内的像素,则通过精划分可进一步标记出一个或多个单独的特征区域,如主动脉、静脉、毛细血管等。
在其它实施例中,也可不进行粗划分,而直接通过精划分来标记各特征区域,另外,也可采用例如边界分割等图像处理技术来标记出一个或多个单独的特征区域。
图2为本发明进行预扫描得到的一个示例性图像,图3为本发明在图2所示的图像中标记特征区域的示例性示意图。如图3所示,本发明的示例性实施例可通过上述标记模块11,在图像中标记出血管a、血管b和血管c以及其它一些血管。
分类模块13用于利用分类算法模型对标记出的各特征区域进行分类。可选地,该分类算法模型包括K-均值(K-means)分类模型或者向量空间模型(Vector Space Mode,VSM),该分类模块13将标记的各特征区域(例如血管a、b、c)的特征参数作为K-均值分类模型或向量空间模型的输入值获取对应的输出值,根据K-均值分类模型或向量空间模型的输出值对各特征区域进行分类。例如,该医学造影系统可预存各种类型血管所对应的分类模型的输出值,如果血管a与心动脉所对应的输出值匹配,则将血管a分类为心动脉;如果血管b与肺动脉所对应的输出值匹配,将血管b分类为肺动脉。
可选地,上述特征参数包括以下参数中的一个或多个:
1,各特征区域中像素的CT值随预扫描的多幅图像的扫描时间点的变化关系,即HU-Time曲线中CT值随时间的变化关系,由于不同类型的特征区域中的像素所对应的CT值随时间的变化关系有区别,因此,该变化关系可以作为特征参数来对特征区域进行分类;
2,各特征区域中的像素数量,该像素数量至少能够反映特征区域的面积,因此也可以作为特征参数来对特征区域进行分类;
3,各特征区域中的像素值的1-N阶矩(moment),N为大于1的整数,例如N可等于4,其中各特征区域中的像素值的一阶矩为期望值,二阶矩为方差值,三阶矩为偏态值,四阶矩为峰态值,各特征区域中的像素值的1-N阶矩至少能够反映特征区域的形状,因此也可以作为特征参数来对特征区域进行分类;
4,各特征区域中的像素的矩心(centroid),其至少能够反映特征区域的位置,因此也可以作为特征参数来对特征区域进行分类。
用户可根据需要达到的精确度或特征参数与特征区域的相关性程度来在多个特征参数中进行选择。
上述分类算法模型并不限于列举的K-均值分类模型和向量空间模型,也可为其它能够对图像中不同的特征区域进行分类的算法模型。另外,K-均值分类模型和向量空间模型都为现有技术中公知的分类算法模型,在此不再赘述。
感兴趣区域确定模块15用于选择与特定的诊断组织相同类型的特征区域作为感兴趣区域,例如,感兴趣区域可以根据预先接收的指令判断出当前要诊断的组织是何种类型的组织,并在分类出的所有特征区域中查找与该类型的组织相匹配的特征区域作为感兴趣区域,例如,在预扫描前,用户可在扫描系统中设置要诊断的部位为肺动脉,则感兴趣区域经过匹配,自动将特征区域b确定为感兴趣区域。
在正式的诊断扫描之前,可建立该感兴趣区域在预扫描的各副图像中的CT值与对应图像的扫描时间的关系,进而得到感兴趣区域的CT值随时间变化的曲线,即HU-Time曲线,并通过计算该曲线峰值对应的时间点与时间轴原点的差,获得扫描延迟时间。则在进行正式的造影扫描诊断时,可自造影剂注入血管延迟该扫描延迟时间之时进行CT诊断扫描。
具体地,曲线获取模块17用于根据该感兴趣区域在预扫描的各副图像中的CT值与对应图像的扫描时间点的关系,获取感兴趣区域的CT值随时间变化的曲线。
延迟计算模块49用于侦测该曲线的峰值,并根据该峰值对应的时间点计算扫描延迟时间,例如,计算该曲线峰值对应的时间点与时间轴原点(即在预扫描前注入造影剂的时间点)的差值,并根据造影剂的成分、剂量等对扫描延迟时间的影响,对该差值进行适当的公式变换,以获得扫描延迟时间。
可选地,本发明示例性实施例提供的医学造影系统还包括模式匹配模块16,用于接收操作者设置的诊断模式,并根据该诊断模式从确定的感兴趣区域中去除与该诊断模式不匹配的区域。上述“去除与该诊断模式不匹配的区域”是指,将已经确定为感兴趣区域其中与诊断模式不匹配的部分重新划分为非感兴趣区域,以缩小感兴趣区域的范围。例如,操作者在进行预扫描前,可先针对诊断目的、要诊断的部位设置诊断模式,例如,选择何种类型的血管进行扫描。以静脉血管为例,如果感兴趣区域确定模块15确定了多个感兴趣区域,它们都与静脉血管的类型相同,而操作者设置的诊断模式中,需要扫描的血管为心脏附近的静脉血管,则该模式匹配模块16可根据该诊断模式,从确定的感兴趣区域中去除远离心脏的静脉血管,使得重新确定的感兴趣区域仅包括心脏附近的静脉血管区域。这样,可以进一步提升确定感兴趣区域的准确性使其更能适应医生的诊断方式。
可选地,上述曲线获取模块17可直接连接感兴趣区域确定模块15,以获取感兴趣区域的CT值随时间变化的曲线,也可连接匹配模块16,以获取经模式匹配后确定的感兴趣区域的CT值随时间变化的曲线。
可选地,本发明示例性实施例提供的医学造影系统还包括模型修正模块18,用于接收失效的特征参数,并将该失效的特征参数输入该分类算法模型中以修正该分类算法模型。例如,儿童动脉的一个或多个特征参数与成人的有较大区别,而现有的分类算法模型是以成人的特征参数训练出来的,因此,有可能会出现无法在儿童扫描图像中确定感兴趣区域或确定出错误的感兴趣区域而使得该特征参数失效,这种情况也可能会出现在不同人种之间或者特殊人群与正常人之间,此时,可通过模型修正模块18接收该失效的特征参数,并将其输入至分类算法模型中重新训练或修正该分类算法模型。通过利用大量失效的特征参数修正分类算法模型,可有效地提升该分类算法模型的准确度以及适用范围。
图4为本发明一个示例性实施例提供的医学造影方法的流程图,该方法可应用于上述实施例提供的医学造影系统中,如图4所示,该方法包括以下步骤:
步骤S41:从预扫描的多幅图像中标记一个或多个特征区域;
步骤S43:利用分类算法模型对各特征区域进行分类;
步骤S45:选择与特定的诊断组织相同类型的特征区域作为感兴趣区域;
步骤S47:根据该感兴趣区域在预扫描的各图像中的CT值与对应图像的扫描时间点的关系,获取该感兴趣区域的CT值随时间变化的曲线;
步骤S49:侦测该曲线的峰值,并根据该峰值所对应的时间点计算扫描延迟时间。
可选地,步骤S43可包括以下步骤:
将标记的各特征区域的特征参数作为K-均值分类模型的输入值获取K-均值分类模型的输出值,根据该K-均值分类模型的输出值对各特征区域进行分类。
可选地,步骤S43可包括以下步骤:
将标记的各特征区域的特征参数作为K-均值分类模型或向量空间模型的输入值获取K-均值分类模型或向量空间模型的输出值,根据该K-均值分类模型或向量空间模型的输出值对各特征区域进行分类。
可选地,各特征区域的特征参数包括以下参数中的一个或多个:各特征区域中像素的CT值随预扫描的多幅图像的扫描时间点的变化关系、各特征区域中的像素数量、各特征区域中的像素值的1-N阶矩、以及各特征区域中的像素的矩心,其中N为大于1的整数。
可选地,步骤S41包括以下精划分步骤:
判断预扫描的图像中的各像素与其周围像素的线性相关程度是否达到预设值,并将线性相关程度达到预设值的各像素所在的区域标记为一个特征区域。
可选地,在步骤S41中,该精划分步骤之前还包括以下粗划分步骤:
判断预扫描的图像中的各像素对应的CT值是否在预设范围内,并将对应的CT值不在该预设范围内的像素排除在特征区域外。
可选地,步骤S45之后还包括:
步骤S46:接收操作者设置的诊断模式,并根据该诊断模式从确定的感兴趣区域中去除与该诊断模式不匹配的区域。
可选地,步骤S45之后还包括:
步骤S48:接收失效的特征参数,并将该失效的特征参数输入该分类算法模型中以修正该分类算法模型。
可选地,上述步骤S47和S49也可在步骤S46之后执行。
本发明实施例提供的按兴趣区域确定方法以及医学造影方法的工作原理、具体示例等与上述的感兴趣区域确定装置以及医学造影系统一致,因此不再进行详细的说明和举例。
本发明实施例提供的医学造影系统及方法,通过标记模块在预扫描的图像中标记出特征区域,并对标记的特征区域进行分类,以判断各特征区域的类型,并选择与特定的诊断组织相同类型的特征区域作为感兴趣区域,无需手动在图像中寻找、描绘感兴趣区域,避免了复杂的手动操作,降低了时间成本,并且避免了手动操作带来的误差多的问题,能更准确地获得感兴趣区域,进而能够有助于获取更准确的HU-Time曲线以及更准确的扫描延迟时间,因此,能够提升扫描出的诊断图像的质量。
上面已经描述了一些示例性实施例。然而,应该理解的是,可以做出各种修改。例如,如果所描述的技术以不同的顺序执行和/或如果所描述的系统、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充,则可以实现合适的结果。相应地,其他实施方式也落入权利要求的保护范围内。
Claims (12)
1.一种医学造影系统,包括:
标记模块,用于从预扫描的多幅图像中标记一个或多个特征区域;
分类模块,用于利用分类算法模型对各所述特征区域进行分类;
感兴趣区域确定模块,用于选择与特定的诊断组织相同类型的特征区域作为感兴趣区域;
曲线获取模块,用于根据所述感兴趣区域在预扫描的各所述图像中的CT值与对应图像的扫描时间点的关系,获取所述感兴趣区域的CT值随时间变化的曲线;以及,
延迟计算模块,用于侦测所述曲线的峰值,并根据所述峰值所对应的时间点计算扫描延迟时间。
2.根据权利要求1所述的医学造影系统,其中所述分类算法模型包括K-均值分类模型或向量空间模型,所述分类模块将标记的各特征区域的特征参数作为所述K-均值分类模型或向量空间模型的输入值获取所述K-均值分类模型或向量空间模型的输出值,根据所述K-均值分类模型或向量空间模型的输出值对各所述特征区域进行分类。
3.根据权利要求2所述的医学造影系统,其中各所述特征区域的特征参数包括以下参数中的一个或多个:各所述特征区域中像素的CT值随预扫描的多幅图像的扫描时间点的变化关系、各所述特征区域中的像素数量、各所述特征区域中的像素值的1-N阶矩、以及各所述特征区域中的像素的矩心,其中N为大于1的整数。
4.根据权利要求1所述的医学造影系统,其中所述标记模块包括精划分单元,用于判断预扫描的图像中的各像素与其周围像素的线性相关程度是否达到预设值,并将线性相关程度达到预设值的各像素所在的区域标记为一个所述特征区域。
5.根据权利要求1所述的医学造影系统,其中还包括模式匹配模块,用于接收操作者设置的诊断模式,并根据该诊断模式从确定的感兴趣区域中去除与该诊断模式不匹配的区域。
6.根据权利要求1所述的医学造影系统,其中还包括模型修正模块,用于接收失效的特征参数,并将该失效的特征参数输入所述分类算法模型中以修正所述分类算法模型。
7.一种医学造影方法,包括:
从预扫描的多幅图像中标记一个或多个特征区域;
利用分类算法模型对各所述特征区域进行分类;
选择与特定的诊断组织相同类型的特征区域作为感兴趣区域;
根据所述感兴趣区域在预扫描的各所述图像中的CT值与对应图像的扫描时间点的关系,获取所述感兴趣区域的CT值随时间变化的曲线;以及,
侦测所述曲线的峰值,并根据所述峰值所对应的时间点计算扫描延迟时间。
8.根据权利要求7所述的医学造影方法,其中所述分类算法模型包括K-均值分类模型或向量空间模型,所述利用分类算法模型对各特征区域进行分类包括:
将标记的各特征区域的特征参数作为所述K-均值分类模型或向量空间模型的输入值获取所述K-均值分类模型或向量空间模型的输出值,根据所述K-均值分类模型或向量空间模型的输出值对各所述特征区域进行分类。
9.根据权利要求8所述的医学造影方法,其中各所述特征区域的特征参数包括以下参数中的一个或多个:各所述特征区域中像素的CT值随预扫描的多幅图像的扫描时间点的变化关系、各所述特征区域中的像素数量、各所述特征区域中的像素值的1-N阶矩、以及各所述特征区域中的像素的矩心,其中N为大于1的整数。
10.根据权利要求7所述的医学造影方法,其中所述从预扫描的多幅图像中标记特征区域包括精划分步骤:
判断预扫描的图像中的各像素与其周围像素的线性相关程度是否达到预设值,并将线性相关程度达到预设值的各像素所在的区域标记为一个所述特征区域。
11.根据权利要求7所述的医学造影方法,其中所述选择与特定的诊断组织相同类型的特征区域作为感兴趣区域之后还包括:
接收操作者设置的诊断模式,并根据该诊断模式从确定的感兴趣区域中去除与该诊断模式不匹配的区域。
12.根据权利要求7所述的医学造影方法,其中所述选择与特定的诊断组织相同类型的特征区域作为感兴趣区域之后还包括:
接收失效的特征参数,并将该失效的特征参数输入所述分类算法模型中以修正所述分类算法模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410166402.9A CN105022719B (zh) | 2014-04-23 | 2014-04-23 | 医学造影系统及方法 |
US14/693,079 US9652872B2 (en) | 2014-04-23 | 2015-04-22 | System and method of medical imaging |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410166402.9A CN105022719B (zh) | 2014-04-23 | 2014-04-23 | 医学造影系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105022719A true CN105022719A (zh) | 2015-11-04 |
CN105022719B CN105022719B (zh) | 2019-06-28 |
Family
ID=54335261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410166402.9A Active CN105022719B (zh) | 2014-04-23 | 2014-04-23 | 医学造影系统及方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9652872B2 (zh) |
CN (1) | CN105022719B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107854135A (zh) * | 2017-12-19 | 2018-03-30 | 孙百成 | 一种放射科医学造影辅助系统 |
CN110547822A (zh) * | 2018-05-30 | 2019-12-10 | 通用电气公司 | 造影成像系统和方法 |
CN110599560A (zh) * | 2019-08-05 | 2019-12-20 | 上海联影医疗科技有限公司 | 磁共振成像方法、装置、存储介质及计算机设备 |
CN111369588A (zh) * | 2020-02-21 | 2020-07-03 | 上海联影医疗科技有限公司 | 感兴趣区域处理方法、装置、设备和存储介质 |
CN111429456A (zh) * | 2020-05-06 | 2020-07-17 | 上海联影医疗科技有限公司 | 一种图像数据处理方法、装置、电子设备及存储介质 |
CN111839555A (zh) * | 2019-04-24 | 2020-10-30 | 西门子(深圳)磁共振有限公司 | 医学成像系统及其操作方法、存储介质及处理器 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10255675B2 (en) * | 2016-01-25 | 2019-04-09 | Toshiba Medical Systems Corporation | Medical image processing apparatus and analysis region setting method of texture analysis |
CN105869120B (zh) * | 2016-06-16 | 2018-10-26 | 哈尔滨工程大学 | 一种图像拼接的实时性优化方法 |
JP2018000374A (ja) * | 2016-06-29 | 2018-01-11 | ゼネラル・エレクトリック・カンパニイ | 画像処理装置およびプログラム |
CN108596209A (zh) * | 2018-03-22 | 2018-09-28 | 重庆青信科技有限公司 | 一种能谱ct图像的处理方法及系统 |
US10824892B2 (en) * | 2018-06-29 | 2020-11-03 | General Electric Company | System and method for imaging an object via pre-shot processing |
JP7101809B2 (ja) * | 2018-11-30 | 2022-07-15 | 富士フイルム株式会社 | 画像処理装置、画像処理方法、及びプログラム |
JP7353965B2 (ja) * | 2018-12-26 | 2023-10-02 | キヤノンメディカルシステムズ株式会社 | 医用画像診断システム及び学習済みモデルの生成方法 |
CN110942493B (zh) * | 2019-11-28 | 2023-07-28 | 南京安科医疗科技有限公司 | 一种ct系统中自动生成扫描区域的方法 |
JP7297705B2 (ja) * | 2020-03-18 | 2023-06-26 | 株式会社東芝 | 処理装置、処理方法、学習装置およびプログラム |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070160312A1 (en) * | 2004-02-13 | 2007-07-12 | Koninklijke Philips Electronics N.V. | Apparatus and method for registering images of a structured object |
CN101295309A (zh) * | 2008-05-22 | 2008-10-29 | 江苏大学 | 一种医学图像识别的方法 |
US20100066756A1 (en) * | 2007-02-02 | 2010-03-18 | Qing Yang | Identification and analysis of lesions in medical imaging |
CN101916443A (zh) * | 2010-08-19 | 2010-12-15 | 中国科学院深圳先进技术研究院 | Ct图像的处理方法及系统 |
US20110150309A1 (en) * | 2009-11-27 | 2011-06-23 | University Health Network | Method and system for managing imaging data, and associated devices and compounds |
US20110170759A1 (en) * | 2008-05-08 | 2011-07-14 | Oslo Universitetssykehus Hf | Vessel segmentation in dce mr imaging |
US20110190622A1 (en) * | 2010-01-29 | 2011-08-04 | Mitsuharu Miyoshi | Magnetic resonance imaging apparatus and method |
US20130274589A1 (en) * | 2012-04-16 | 2013-10-17 | Siemens Aktiengesellschaft | System Scan Timing by Ultrasound Contrast Agent Study |
CN103514597A (zh) * | 2012-06-28 | 2014-01-15 | 株式会社东芝 | 图像处理装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0967917B1 (en) | 1997-01-29 | 2005-11-30 | Picker Medical Systems, Ltd. | Predictive bolus tracking |
US6845342B1 (en) * | 1999-05-21 | 2005-01-18 | The United States Of America As Represented By The Department Of Health And Human Services | Determination of an empirical statistical distribution of the diffusion tensor in MRI |
US7522744B2 (en) | 2004-08-31 | 2009-04-21 | University Of Iowa Research Foundation | System and method for adaptive bolus chasing computed tomography (CT) angiography |
WO2006057304A1 (ja) * | 2004-11-26 | 2006-06-01 | Kabushiki Kaisha Toshiba | X線ct装置及び画像処理装置 |
US8315449B2 (en) | 2008-06-24 | 2012-11-20 | Medrad, Inc. | Identification of regions of interest and extraction of time value curves in imaging procedures |
JP5322548B2 (ja) * | 2008-09-17 | 2013-10-23 | 株式会社東芝 | X線ct装置、医用画像処理装置および医用画像処理プログラム |
JP5653733B2 (ja) * | 2010-11-29 | 2015-01-14 | オリンパス株式会社 | 画像処理装置、画像処理方法、画像処理プログラムおよびバーチャル顕微鏡システム |
JP5947814B2 (ja) | 2011-01-06 | 2016-07-06 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | ボーラスを追跡するコンピュータトモグラフィシステム及び方法 |
-
2014
- 2014-04-23 CN CN201410166402.9A patent/CN105022719B/zh active Active
-
2015
- 2015-04-22 US US14/693,079 patent/US9652872B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070160312A1 (en) * | 2004-02-13 | 2007-07-12 | Koninklijke Philips Electronics N.V. | Apparatus and method for registering images of a structured object |
US20100066756A1 (en) * | 2007-02-02 | 2010-03-18 | Qing Yang | Identification and analysis of lesions in medical imaging |
US20110170759A1 (en) * | 2008-05-08 | 2011-07-14 | Oslo Universitetssykehus Hf | Vessel segmentation in dce mr imaging |
CN101295309A (zh) * | 2008-05-22 | 2008-10-29 | 江苏大学 | 一种医学图像识别的方法 |
US20110150309A1 (en) * | 2009-11-27 | 2011-06-23 | University Health Network | Method and system for managing imaging data, and associated devices and compounds |
US20110190622A1 (en) * | 2010-01-29 | 2011-08-04 | Mitsuharu Miyoshi | Magnetic resonance imaging apparatus and method |
CN101916443A (zh) * | 2010-08-19 | 2010-12-15 | 中国科学院深圳先进技术研究院 | Ct图像的处理方法及系统 |
US20130274589A1 (en) * | 2012-04-16 | 2013-10-17 | Siemens Aktiengesellschaft | System Scan Timing by Ultrasound Contrast Agent Study |
CN103514597A (zh) * | 2012-06-28 | 2014-01-15 | 株式会社东芝 | 图像处理装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107854135A (zh) * | 2017-12-19 | 2018-03-30 | 孙百成 | 一种放射科医学造影辅助系统 |
CN110547822A (zh) * | 2018-05-30 | 2019-12-10 | 通用电气公司 | 造影成像系统和方法 |
CN110547822B (zh) * | 2018-05-30 | 2024-03-08 | 通用电气公司 | 造影成像系统和方法 |
CN111839555A (zh) * | 2019-04-24 | 2020-10-30 | 西门子(深圳)磁共振有限公司 | 医学成像系统及其操作方法、存储介质及处理器 |
CN111839555B (zh) * | 2019-04-24 | 2023-10-27 | 西门子(深圳)磁共振有限公司 | 医学成像系统及其操作方法、存储介质及处理器 |
CN110599560A (zh) * | 2019-08-05 | 2019-12-20 | 上海联影医疗科技有限公司 | 磁共振成像方法、装置、存储介质及计算机设备 |
CN111369588A (zh) * | 2020-02-21 | 2020-07-03 | 上海联影医疗科技有限公司 | 感兴趣区域处理方法、装置、设备和存储介质 |
CN111429456A (zh) * | 2020-05-06 | 2020-07-17 | 上海联影医疗科技有限公司 | 一种图像数据处理方法、装置、电子设备及存储介质 |
CN111429456B (zh) * | 2020-05-06 | 2023-09-05 | 上海联影医疗科技股份有限公司 | 一种图像数据处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20150310638A1 (en) | 2015-10-29 |
CN105022719B (zh) | 2019-06-28 |
US9652872B2 (en) | 2017-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105022719A (zh) | 医学造影系统及方法 | |
US20190099147A1 (en) | Systems and methods for determining hepatic function from liver scans | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
JP2018192264A (ja) | 医用画像処理装置 | |
US9471987B2 (en) | Automatic planning for medical imaging | |
US8840555B2 (en) | System and method of ultrasound image processing | |
CN107464231B (zh) | 用于确定医学成像的最佳操作参数的系统和方法 | |
CN101846732B (zh) | 用于分析测试团测量的二维图像时间序列的方法和装置 | |
CN102428495B (zh) | 对成像数据的置信度的自动评估 | |
US11526993B2 (en) | System and method for automatic segmentation of muscles from high-resolution MRI using 3D deep convolutional neural network | |
CN103026379B (zh) | 推算图像噪音水平的方法 | |
US9569839B2 (en) | Image processing apparatus, method and medical image device | |
CN103845076B (zh) | 超声系统及其检测信息的关联方法和装置 | |
CN102395996B (zh) | 图像处理系统以及从图像数据确定似合理的参考信息的方法 | |
US20150371420A1 (en) | Systems and methods for extending a field of view of medical images | |
CN104414685A (zh) | 超声波诊断装置、超声波图像处理方法 | |
US20170049420A1 (en) | Ultrasonic image diagnostic device, ultrasonic image processing method, and ultrasonic image processing program | |
JP4938427B2 (ja) | 脳出血部位体積計算装置 | |
US10249037B2 (en) | Echogenicity quantification method and calibration method for ultrasonic device using echogenicity index | |
Ritsche et al. | DeepACSA: Automatic segmentation of anatomical cross-sectional area in ultrasound images of human lower limb muscles using deep learning | |
Beache et al. | Fully automated framework for the analysis of myocardial first‐pass perfusion MR images | |
CN111862259B (zh) | 医学灌注图像处理方法和医学成像设备 | |
US8848998B1 (en) | Automated method for contrast media arrival detection for dynamic contrast enhanced MRI | |
Cocosco et al. | Automatic cardiac region-of-interest computation in cine 3D structural MRI | |
CN111784705A (zh) | 感兴趣区域的勾画方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |