CN105339804A - 根据MR Dixon数据的皮质骨分割 - Google Patents

根据MR Dixon数据的皮质骨分割 Download PDF

Info

Publication number
CN105339804A
CN105339804A CN201480034824.9A CN201480034824A CN105339804A CN 105339804 A CN105339804 A CN 105339804A CN 201480034824 A CN201480034824 A CN 201480034824A CN 105339804 A CN105339804 A CN 105339804A
Authority
CN
China
Prior art keywords
image
water
intensity
target location
fat image
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
Application number
CN201480034824.9A
Other languages
English (en)
Other versions
CN105339804B (zh
Inventor
C·比格尔
I·韦希特尔施特勒
J·彼得斯
E·S·汉西斯
F·M·韦伯
T·克林德
S·雷尼施
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN105339804A publication Critical patent/CN105339804A/zh
Application granted granted Critical
Publication of CN105339804B publication Critical patent/CN105339804B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
    • G01R33/481—MR combined with positron emission tomography [PET] or single photon emission computed tomography [SPECT]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4828—Resolving the MR signals of different chemical species, e.g. water-fat imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/20048—Transform domain processing
    • 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
    • G06T2207/30008—Bone
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Pulmonology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种用于分割MR？Dixon图像数据的方法。也公开了与所述方法结合使用的处理器和计算机程序。本发明总体而言应用于MR成像领域中，并且更具体地可以被用在生成衰减图中，以校正在PET图像的重建期间的皮质骨的衰减。在所述方法中，通过以下将表面网格适配到感兴趣区域：针对所述表面网格中的每个网格单元：基于MR？Dixon水图像中的水图像特征响应选择水目标位置；基于MR？Dixon脂肪图像中的脂肪图像特征响应选择脂肪目标位置；并且基于每个网格单元的水目标位置和所述每个网格单元的对应的脂肪目标位置两者，将所述每个网格单元从其当前位置位移到新位置。

Description

根据MR Dixon数据的皮质骨分割
技术领域
本发明涉及一种用于分割MRDixon图像数据的方法。也公开了与所述方法结合使用的处理器和计算机程序。本发明总体而言应用于MR成像的领域，并且更具体地可以被用在分割MRDixon图像数据中的皮质骨特征中。本发明还应用于生成衰减图，以校正在PET图像的重建期间的皮质骨的衰减。本发明还应用于使用MR-采集的图像对辐射治疗处置的规划。
背景技术
新兴的混合成像系统，其中将磁共振(MR)成像与正电子发射断层摄影(PET)组合，近来已经吸引了包括肿瘤学的各种临床适应症的兴趣。尽管PET提供具有高敏感度的功能信息，但是MR的优异的软组织对比给出卓越的解剖定位。然而，在PET成像系统中，需要生成衰减图，所述衰减图描述由正电子湮灭所创建的511keV伽马光子的衰减。
通常，这样的衰减图是从计算机断层摄影(CT)图像生成的，因为x-射线辐射衰减的亨氏单位可以被直接映射到伽马光子衰减值。经常地，CT和PET成像被组合在混合PET/CT成像系统中，以便生成这样的衰减图。然而，CT成像系统与混合PET/MR成像系统的集成提出了涉及集成、相容性和成本的诸多问题。
MRDixon序列已被研究用于PET衰减图的生成。使用Dixon技术，能够容易地将软组织分离为其水部分和脂肪部分。Martinez-Moeller,A.等人的文档“Tissueclassificationasapotentialapproachforattenuationcorrectioninwhole-bodyPET/MRI：evaluationwithPET/CTdata”，JournalofNuclearMedicine50(4)(2009)520–526报道了利用中度的额外努力，能够生成具有四个区划(背景、肺组织、肌肉和结缔含水组织，以及脂肪组织)的衰减图。然而，诸如椎骨的皮质骨组织在标准MR序列中不可见并且通常在衰减校正(AC)期间被忽略，这尤其针对被定位于接近骨的转移能够导致实质性误差。
Berker,Y等人的文档“MRI-BasedattenuationcorrectionforhybridPET/MRIsystems：A4-classtissuesegmentationtechniqueusingacombinedultrashort-echo-Time/DixonMRIsequence”，JournalofNuclearMedicine53(5)(2012)796–804报道了也已经成功地将超短回波时间(UTE)序列与Dixon成像组合，以在对头的AC中包括了骨组织。然而，UTE关于全身应用仍倾于成像伪迹和长的扫描时间。
图像处理技术也已经被用于从MR图像分割椎骨。在Michopoulou,S.等人的文档“Atlas-basedsegmentationofdegeneratedlumbarintervertebraldiscsfromMRimagesofthespine”，IEEETransactionsonBiomedicalEngineering56(9)(2009)2225–2231中报道了基于强度的方法。通常，这样的基于强度的方法将单一MR图像用于椎骨检测，最常见地为T1或T2加权MR图像。
然而，用于生成PET衰减图的以上方法不同地受对皮质骨的差的分割困扰，或者受由于从UTE、T1或T2加权图像采集额外的成像数据的需要的增加的采集时间的缺点困扰。
发明内容
本发明的目的是提供一种用于对MRDixon图像的改进的分割的方法，所述方法允许对皮质骨的分割。所述方法尤其应用于生成在PET成像中使用的衰减图，并且参考其进行描述；然而应认识到，所述方法也应用于MR图像分割的更广泛的领域。也公开了与所述方法结合使用的处理器和计算机成像产品。
根据本发明的一个方面，公开了一种用于分割MRDixon图像数据的方法。所述方法包括以下步骤：接收与感兴趣区域有关的MRDixon水图像；接收与感兴趣区域有关的MRDixon脂肪图像；通过以下将具有多个网格单元的表面网格模型适配到所述感兴趣区域：针对所述感兴趣区域中的每个网格单元：基于所述MRDixon水图像中的水图像特征响应，从当前网格单元位置和从由所述当前网格单元位置位移的多个位置，选择水目标位置；基于所述MRDixon脂肪图像中的脂肪图像特征响应，从当前网格单元位置和从由所述当前网格单元位置位移的多个位置，选择脂肪目标位置；并且基于每个网格单元的水目标位置和所述每个网格单元的对应的脂肪目标位置两者，将所述每个网格单元从其当前位置位移到新位置。
通过使用MRDixon数据，不需要额外扫描，诸如T1/T2，从而实现图像采集时间的减少。MRDixon图像在临床上是被接受用于解剖定位的，并且此外提供具有本质上完美配准的额外的对比。此外，避免了与化学位移有关的伪迹。从MRDixon图像数据分割皮质骨的能力改进了分割的准确性，因为这样的特征由于难以从MR图像数据提取它们而通常被忽略。此外，所述方法简化了PET衰减图的生成，因为这可以从混合PET/MR成像系统获得，而没有在从分离的CT成像系统转移患者时器官运动的关联的风险。有利地，对水和脂肪图像两者的使用改进了分割，因为图像与个体扫描相比提供更多的信息。此外，所述图像被固有地配准。此外，并且避免了与在水与脂肪之间的化学位移有关的MR成像伪迹。
根据本发明的另一方面，公开了一种用于使用分割的MR图像获得PET衰减图的方法。所述衰减图考虑皮质骨衰减。有利地，获得了更准确的PET衰减图。
根据本发明的另一方面，公开了一种用于获得PET衰减图的方法，其中，将分割的MR图像与对所述MRDixon脂肪图像的分析结合使用，以区分皮质骨和骨髓。有利地，获得了甚至更加准确的PET衰减图。
根据本发明的另一方面，特定解剖骨类型的吸收的不同衰减系数特性被分配到由所述表面网格模型划界的不同体积。由所述表面网格模型划界的体积对应于特定解剖骨的至少部分。通过分配对应于所述特定解剖骨的衰减系数，生成了更加准确的PET衰减图。这是因为例如骨盆骨的密度并且因此伽马光子衰减系数不同于股骨、椎骨、肋骨、肩胛骨、胫骨等的密度以及伽马光子衰减系数。通过对MR图像的改进的分割，实现了分配解剖相关的衰减系数的能力。为了识别何者衰减系数要分配到由所述表面网格模型定义的体积，所述表面网格模型例如可以与参考解剖骨模型进行比较，并且由所述表面网格模型定义的体积可以被映射到空间对应的解剖骨类型。
根据本发明的另一方面，PET衰减图被生成，其中，空间变化的伽马光子衰减系数被分配到由所述表面网格模型划界的体积；其中，所述伽马光子衰减系数的值是根据针对所述体积的模板分布确定的。由于由所述表面网格模型提供的改进的分割，特定骨的空间变化的模板衰减系数分布特性可以被分配到由所述表面网格模型划界或定义的区域中的一个或多个。骨(例如股骨、椎骨、肋骨、肩胛骨、胫骨等)的密度并且因此伽马光子吸收系数沿其长度及其横截面变化。因此，通过将特定骨中的伽马光子吸收系数的空间变化的模板分布映射到分割的体积，更加准确的PET衰减图被获得。所述模板分布可以根据在特定解剖骨上的伽马光子衰减测量结果来确定，或者从在这样的解剖区域中的伽马光子衰减的模型来确定。
根据本发明的另一方面，公开了一种被配置为执行根据本发明的方法的步骤的处理器。
根据本发明的另一方面，公开了一种包括指令的计算机程序产品，所述指令当在处理器上被执行时，令所述处理器执行根据本发明所述的方法的步骤。所述计算机程序产品可以是计算机可读存储介质，诸如软盘、磁性硬盘驱动、USB驱动、光盘、ROM或RAM，并且此外所述计算机可执行指令可以是可下载的。
附图说明
图1图示了分割模型和分割过程。(a)被用于模型定位(基于广义Hough变换)的模型区划。(b)参数适配。个体仿射变换被分配到“锚定结构”股骨/骨盆/肺。椎骨在该步骤中被失活(deactivated)(透明)以避免错误的网格到图像椎骨分配。根据剩余部分定位全部椎骨。(c)可变形适配。在该最终步骤中，使用局部网格变形来改善分割。全部椎骨被连续激活并被适配到图像(从骶骨到颈部)以确保正确的椎骨标记。
图2图示了使用多模态图像特征的目标点检测，a)检测水目标点，以及b)检测脂肪目标点。针对每个网格三角形，沿垂直三角形方向定义搜索曲线。目标点x水和x脂肪分别被检测为将在水图像(a)中和在脂肪图像(b)中的特征响应(诸如最大图像梯度)最大化的点。在适配期间，网格三角形被同时吸引到x水以及x脂肪。
图3图示了经训练的图像特征。(a)来自单一患者Pat1的范例水图像，以及在全部患者上训练的模拟误差方面的水特征响应。(b)来自Pat1的范例脂肪图像，以及在全部患者上估计的脂肪特征响应。色标示出了小的模拟误差(绿色)(即具有高的和局部化的响应的特征)到大的模拟误差(红色)(即具有低的响应的特征)。如能够观察到的，水特征在肺和股骨以及髋骨周围较好。然而，特征在椎骨周围表现地相似，并且预期水图像与脂肪图像两者的组合，以提供最可靠的特征响应，而不是只考虑水特征或脂肪特征。
图4图示了使用多模态特征的从Pat2的分割的步骤，所述多模态特征被叠加到水图像(左)和脂肪图像(右)上。(a)模型定位。完整模型被定位在图像中。(b)参数适配。多参数变换将锚定结构(红色)适配到图像，同时失活并且被动地变换全部椎骨(黄色)，以避免错误的椎骨对应。(c)可变形适配。椎骨被迭代地激活并且被适配到图像(从骶骨到颈部)。该最后步骤完成分割。
图5图示了使用所提出的多模态图像特征的来自六个患者，Pat3至Pat8(a-f)，的分割结果。针对每个患者，仅在矢状视图中，将分割结果叠加到水图像(左)上以及到脂肪图像(右)上。全部椎骨被正确分割，具有针对Pat6的0.99mm的最小误差(在全部椎骨上)(三角形中的0.28％示出＞5mm的误差)，以及针对Pat4的1.81mm的最大误差(6.40％)。如能够观察到的，我们的方法对患者尺寸(Pat3对Pat4)、脊柱形状(Pat5对Pat6)以及拼接伪迹(Pat7和Pat8)是鲁棒的。
图6图示针对两个患者Pat9(顶部)和Pat10(底部)的使用(a)水特征(被叠加到水图像上)、(b)脂肪特征(被叠加到脂肪图像上)、(c)多模态特征(此处仅被叠加到水图像上)的分割的比较。针对Pat9，使用仅水图像的分割在顶部胸椎(topthoracicvertebra)周围由于低图像对比而出故障(在胸椎4中的14.27mm的最大误差)。针对Pat10，仅使用脂肪图像的分割在顶部胸椎周围再次出故障(在胸椎6中的15.48mm的最大误差)。使用多模态特征的分割在两者情况下保持鲁棒(针对Pat9的最大误差：4.00mm(胸椎5)，针对Pat10的最大误差：4.75mm(胸椎7))。
图7图示了a)MRDixon水图像；b)MRDixon脂肪图像；c)从MR数据生成的现有技术衰减图，所述现有技术衰减图不考虑皮质骨；以及d)根据本发明的MR衰减图，其中，皮质骨和骨髓两者被考虑作为两个额外的区划。
表1图示了对来自全部25名患者的椎骨分割的验证。针对每个椎骨，计算到参考真实注释的网格表面距离以及示出大于5mm的误差的三角形的量。对使用(a)水特征、(b)脂肪特征以及(c)所提出的多模态(水和脂肪)图像特征的分割进行比较。如能够观察到的，使用水特征和脂肪特征的分割分别示出2.89mm和2.22mm的平均误差，而我们的多模态特征实现最高的分割准确性，其中，明显减小到1.69mm的平均误差(在全部17个椎骨以及全部25个患者上)，这在图像分辨率(0.8×0.8×3mm)的量级内。
具体实施方式
为了提供用于允许对皮质骨的分割的MR图像数据的改进的分割的方法，本发明的方法使用MRDixon图像数据。
在MRDixon图像中，图像对比在水图像与脂肪图像之间变化：在一些情况下，椎骨周围的图像对比在水图像中更好(并且因此将有利于分割)，而在其他情况下，对比在脂肪图像中更好(并且因此将有利于分割)。根据本发明的一个方面，分割是利用水对比和脂肪对比两者来执行的。通过分别处置水图像和脂肪图像中的每个，而不是将两个图像融合为单一图像，所述分割方法避免了复合伪迹的潜在的插入以及有价值信息的潜在的丢失。
在本发明中，基于3D模型的分割框架被用于从来自MRDixon数据的结构化来提取皮质骨。在本文公开的范例实施方式中，起初被开发用于心脏CT分割的基于3D模型的分割框架被适配为从DixonMR采集自动地提取十七块椎骨(从骶骨到颈部：腰椎1-5以及胸椎1-12)。该方法基于将单一网格适配到多个图像，水图像和脂肪图像。在适配期间，网格表面上的每个点由特征点吸引，特征点在水图像中曾经被检测到并在另一时间在脂肪图像中被检测到。在单一分割内使用的这些多模态特征是该文章的主要新颖贡献。从25个患者得到的分割结果被提供，并与只使用仅水图像或脂肪图像的分割进行比较。使用人工注释的真实数据来验证所述方法，并且实现了1.69mm的分割准确性(网格表面距离)，因此相比于水分割和脂肪分割，分别实现了41％和24％的改进。
在下面描述的范例实施方式中，分割框架是基于将被表示为三角化网格的表面模型适配到输入图像的。在图1a中示出了被用于分割的表面模型。由于从全身图像的直接椎骨分割倾于定位误差，因此使用组合模型，所述组合模型包括充当针对椎骨的“锚定结构”的组织：(1)骨盆/股骨，和(2)肺。换言之，首先分割股骨/骨盆/肺，以便在椎骨被局部地适配到图像之前，首先将椎骨放置在它们的在捕获范围内的近似位置处。分割过程包括三个步骤，在Ecabert,O.等人的文档“Automaticmodel-basedsegmentationoftheheartinCTimages”，IEEETransactionsonMedicalImaging,27(9)(2008)1189–1201中更详细地描述了这三个步骤。
在模型定位的第一步骤中，模型被定位在图像中近似正确的位置处。在一个范例中，基于广义Hough变换(GHT)的定位器被使用，其尝试将网格三角形与图像梯度对准。
在参数适配的第二步骤中，进行对锚定结构(图1b中的不同颜色)的多个变换，以便改进网格与图像之间的对准。在该步骤中，全部椎骨被失活(在图1b中为透明)，以避免网格与图像椎骨之间的不正确对应。基于对锚定结构的变换，它们被动地被缩放并定位在其在图像中的近似位置处。
在可变形适配的第三步骤中，使用局部变形将全部锚定结构同时适配到图像。椎骨然后连续地被激活(从骶骨到颈部)，以确保每个个体椎骨的正确定位：首先腰椎5被激活并适配到图像，然后下一块腰椎4被激活并适配，然后腰椎3，等等(图1c)。重复该迭代激活和适配，直到到达顶部胸椎1为止。
参考图2，在参数适配期间以及在可变形适配期间，网格三角形被吸引到由以下算法检测到的图像目标点。针对每个网格三角形，在与三角形的平面垂直的方向上针对2l点xi构建搜索曲线，其中i∈[-l,l]，并且搜索将图像特征响应F(xi)最大化的目标点。特征响应例如可以为图像梯度或预期强度范围：
x = argmax { x i } [ F ( x i ) ] . - - - ( 1 )
尽管通常单一模态或图像被用于特征检测，但是在本发明中，多模态被使用，因此Dixon水图像和脂肪图像被使用。图2图示了针对单一三角形的这些多模态图像特征。首先，三角形尝试检测水图像中的目标点x水(图2a)。第二，相同的三角形尝试检测脂肪图像中的目标点x脂肪(图2b)。针对网格上的全部三角形重复该方法，以导出水目标点的序列以及脂肪目标点的序列。在适配期间，最小化外部能量项，这同时将网格三角形吸引到全部以及全部简化的能量公式能够被描述为：
其中，ci为具有指数i的三角形中心，并且T为网格三角形的数量。
为了实现如图2中所示的目标点检测，根据以自举式方法生成的真实注释训练图像特征。初始模型(具有每椎骨近似1000三角形)被人工适配到第一对象的图像。该注释被用于一次使用水图像和一次使用脂肪图像的特征训练。得到的模型被适配到第二对象的图像(使用如上面描述的多模态图像特征)，并且在需要时人工校正。该注释被包括在新特征训练中并且得到的模型被应用到下一对象的图像。重复该过程，直到来自全部患者的真实注释可用为止。
针对水图像(图3a)以及针对脂肪图像(图3b)，在图3中示出了单一患者Pat1的范例图像以及来自全部训练的得到的多模态图像特征。如能够观察到的，水特征和脂肪特征针对全部椎骨变化，并且对于何者特征最优并不是立即可辨别的。然而，通过组合水特征和脂肪特征两者，与只使用水特征或脂肪特征相比，获得了鲁棒且准确的分割结果。
在使用正交体线圈的3TMR扫描器(PhilipsIngenuityTFPET/MR，Best，TheNetherlands)上采集来自25个患者的DixonMR图像，其中，TR/TE1/TE2＝3.2/1.11/2.0ms，并且翻转角为10度。采集七个床位置(30mm交叠)，以将视场(FOV)从头覆盖到大腿。利用500×400×150mm(右-左、前-后、脚-头)的FOV，重建轴分辨率0.8×0.8，3mm切片厚度，扫描持续时间17s，来采集每个位置。
为了分离训练集与测试集，采用五折交叉方法。全部25个患者被随机分组为五个子集。五个子集中的四个(20个患者)被用于训练，剩余的一个子集(5个患者)被用于分割。使用到真实注释的网格表面距离来验证分割准确性。针对每块椎骨，计算在全部三角形上的平均距离，以及具有大于5mm的误差的三角形的量。
也将多模态特征分割与单一图像分割进行比较。执行三个实验：(i)使用水特征对水图像的分割，(ii)使用脂肪特征对脂肪图像的分割，以及(iii)使用所提出的多模态图像特征同时对水图像和脂肪图像两者的分割。注意，针对全部实验，多模态特征都被用于初始模型放置(来自部分2.1的步骤1和步骤2)，并且仅在最后局部适配步骤(步骤3，可变形适配)中执行特征比较。
在图4中示出了使用多模态图像特征的适配过程的分割步骤(被叠加到水图像和脂肪图像两者上)。图4a示出了模型初始化，即根据GHT的平均模型的初始放置。然后在图4b中，使用参数变换来改善分割。在该步骤之后，全部椎骨近似处于它们的正确位置处并且在可变形适配的捕获范围内。在最后的可变形适配(图4c)期间，包括椎骨的全部网格部分被局部适配到图像，这完成分割。
图5示出了来自六个其他患者的结果，所述结果示出了在矢状视图中的椎骨分割，再次被叠加到水图像和脂肪图像上。如能够观察到的，我们的方法在全部范例中成功地分割了椎骨。相比于在全部椎骨上的真实注释，针对Pat6观察到0.99mm的最小平均误差(三角形中的0.28％示出＞5mm的误差)，并且针对Pat4观察到1.81mm的最大平均误差(6.40％)。
图6示出了针对两个其他患者Pat9和Pat10，当(i)使用仅水特征，(ii)使用仅脂肪特征以及(iii)使用所提出的多模态(水和脂肪)特征时的分割的比较。针对Pat9，仅使用水特征的分割示出达14.27mm的大的误差(胸椎4，图6a中的箭头)。图像对比在该区域中表现为低，并且水模型不能够提供准确分割。类似地，针对Pat10，仅使用脂肪特征的分割示出达15.48mm的大的误差(胸椎6，图6b中的箭头)。相比较而言，使用多模态图像特征的分割(图6c)提供了针对两者患者的准确的结果，所述结果分别具有4.00mm(胸椎5)和4.75mm(胸椎7)的最大误差。
表1示出了从腰椎5(接近骨盆)到胸椎1(接近颈部)的采取在全部25名患者上的平均值的针对每块椎骨的结果。考虑全部椎骨以及全部患者，只使用水图像和脂肪图像分别导致2.89mm的分割误差(15.90％具有＞5mm的误差)和2.22mm的分割误差(9.43％)。我们提出的多模态特征方法示出明显减小到1.69mm(5.17％)。注意，针对全部特征情况，顶部胸椎1由于在多数图像中低的图像对比而示出最大误差。
表1：对来自全部25个患者的椎骨分割的验证
本文已经描述了用于从DixonMR图像分割椎骨的完全自动的基于模型的方法。所述方法能够被用在混合PET/MR成像系统中，以在PET衰减校正(AC)中包括骨组织，而无需用于骨可视化的额外的MR序列，诸如UTE。
由于上面描述的分割，可以通过将皮质骨的衰减的伽马光子衰减系数特性分配到由表面网格模型划界的一个或多个体积，来生成用在PET成像中的衰减图，所述衰减图适当地考虑皮质骨结构的衰减。通过适当地考虑皮质骨的衰减，可以改进利用衰减图重建的PET图像的质量。通常，不能识别皮质骨已经通过将软组织的不正确衰减系数特性分配到这种区域而被解决了，或者这样的区域的衰减已经被完全忽略。
对MRDixon脂肪图像的进一步分析也可以被用于区分皮质骨和骨髓。因此，骨髓的衰减的衰减系数特性可以被分配到骨髓区域。这样做，衰减图的准确性可以进一步被改进，从而进一步改进重建的PET图像的准确性。可以通过将对应于骨髓的衰减的第二衰减系数分配到这样的区域或体积来实现皮质骨与骨髓之间的区分：针对所述区域或体积，基于MRDixon脂肪图像的强度的阈值状况被满足。这参考图7而被图示，图7图示了a)MRDixon水图像；b)MRDixon脂肪图像；c)从MR数据生成的现有技术衰减图，其不考虑皮质骨；以及d)根据本发明的MR衰减图，其中，皮质骨和骨髓两者被考虑。在图7b中图示的范例中，由表面网格模型划界的亮的或高强度区域被分配对应于骨髓的吸收的吸收系数，并且表面网格模型内较暗较低强度区域被分配对应于皮质骨的吸收的吸收系数。
尽管常见方法将单一图像用于分割(诸如T1或T2加权图像)，但是实验已经示出，只使用来自Dixon序列的单一图像(即水图像或脂肪图像)可能导致大的分割误差，这是由于变化的图像对比：在一些情况下椎骨之间的图像对比在水图像中更好，在其他情况下对比在脂肪图像中更好。本文公开的多模态特征方法将水图像和脂肪图像两者同时用于分割。考虑全部患者，组合的特征响应将分割误差从2.89mm(水)/2.11mm(脂肪)减小到1.69mm，这是达41％的改进。所述方法针对全部25个患者提供了准确的分割结果。其对患者尺寸的变化(将瘦的Pat3与大的Pat4比较)，对脊柱形状的变化(将Pat5中的弯曲的脊柱形状与Pat6中的直的形状比较)，以及对在组合来自多个床位置的图像时的拼接伪迹(Pat7或Pat8中的水平条纹)是鲁棒的。
当前的方法被用于从两个输入图像(水图像和脂肪图像)导出基于模型的分割。然而，该方法也能够被应用于多于两个图像。备选的应用可以是对扩散图像系列或动态对比增强图像系列的分割，以与仅使用来自所述系列的单一图像相比，将图像对比和分割准确性最大化。在我们的PET/MR应用中，我们也将研究将PET图像包括到所呈现的Dixon分割中，从而允许我们从解剖(DixonMR)以及功能(PET)对比导出单一分割。
在未来的工作中，我们计划进一步开发模型。我们将包括更多患者用于训练，并且我们将尝试将诸如最后胸椎1的大的分割误差最小化，例如通过将更多的先前形状知识包括到分割过程中。尽管该文章的验证聚焦在对椎骨的分割上，但是我们也计划验证剩余模型部分的分割准确性。这将把我们引导到具有五个区划(背景、肺组织、含水组织、和脂肪组织，以及骨组织)的全身AC的我们的总体目标。
总而言之，已经公开了一种用于改进的MR图像分割的方法，其允许对皮质骨的分割。已经尤其参考从DixonMR图像对椎骨的提取描述了所述方法。所述方法也应用于PET衰减图的生成，所述PET衰减图用于基于MR的PET衰减校正。本发明也可以被用于对诸如椎间盘退变的疾病的计算机辅助诊断、自动脊柱扫描规划或者诸如计算机辅助外科手术的图像引导的介入。
尽管已在附图和前文的描述中详细图示和描述了本发明，但要将这样的图示和描述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，并且总体而言能够被用于对MRDixon图像数据的分割。

Claims (15)

1.一种用于分割MRDixon图像数据的方法，所述方法包括以下步骤：
接收与感兴趣区域有关的MRDixon水图像；
接收与感兴趣区域有关的MRDixon脂肪图像；
通过以下将具有多个网格单元的表面网格模型适配到所述感兴趣区域：
针对所述感兴趣区域中的每个网格单元：
基于所述MRDixon水图像中的水图像特征响应，从当前网格单元位置和从所述当前网格单元位置位移的多个位置，选择水目标位置；
基于所述MRDixon脂肪图像中的脂肪图像特征响应，从当前网格单元位置和从所述当前网格单元位置位移的多个位置，选择脂肪目标位置；并且
基于每个网格单元的水目标位置和所述每个网格单元的对应的脂肪目标位置两者，将所述每个网格单元从其当前位置位移到新位置。
2.根据权利要求1所述的方法，其中：
所述水图像特征响应基于以下中的至少一个：所述水图像中的强度，所述水图像中的所述强度的梯度；并且
所述脂肪图像特征响应基于以下中的至少一个：所述脂肪图像中的强度，所述脂肪图像中的所述强度的梯度。
3.根据权利要求1所述的方法，其中：
所述水图像特征响应基于以下中的至少一个：所述水图像中的强度与参考水图像中的强度之间的差异，所述水图像中的强度的梯度与参考水图像中的强度的梯度之间的差异；并且
所述脂肪图像特征响应基于以下中的至少一个：所述脂肪图像中的强度与参考脂肪图像中的强度之间的差异，所述脂肪图像中的强度的梯度与参考脂肪图像中的强度的梯度之间的差异。
4.根据权利要求1所述的方法，其中，所述新位置将针对全部水目标位置和全部脂肪目标位置的能量最小化。
5.根据权利要求1所述的方法，其中，所述新位置基于针对全部水目标位置和全部脂肪目标位置计算的能量最小值。
6.根据权利要求1所述的方法，其中，所述新位置基于针对全部水目标位置和全部脂肪目标位置计算的能量最小值；其中，能量是使用最小二乘法针对每个水目标位置和针对每个脂肪目标位置计算的。
7.根据权利要求1所述的方法，其中，在适配所述表面网格模型的步骤之前：
通过以下将所述表面网格模型粗略对准到所述感兴趣区域：
将所述表面网格中的锚定特征映射到所述感兴趣区域中的对应锚定特征；
其中，所述锚定特征包括骨盆、股骨或肺的至少部分。
8.根据权利要求7所述的方法，其中，所述粗略对准包括以下方法步骤：
执行Hough变换，以将所述感兴趣区域中的每个网格单元与图像梯度对准；并且
迭代地位移所述锚定特征，以便改进所述表面网格模型与所述感兴趣区域之间的对准。
9.一种用于获得PET衰减图的方法，所述方法包括根据权利要求1所述的方法的步骤并且还包括以下方法步骤：
将至少一个伽马光子衰减系数分配到由所述表面网格模型划界的至少一个体积。
10.根据权利要求9所述的方法，其中，对应于皮质骨的衰减的第一伽马光子衰减系数被分配到由所述表面网格模型划界的至少一个皮质骨体积；并且
对应于骨髓的衰减的第二伽马光子衰减系数被分配到所述皮质骨体积内的至少一个骨髓体积；
其中，基于相对于参考强度值的所述脂肪图像中的强度，来辨别所述骨髓体积与所述皮质骨体积。
11.根据权利要求9所述的方法，其中，对应于第一解剖骨类型的衰减的第一伽马光子衰减系数被分配到由所述表面网格模型划界的第一体积；并且
对应于第二解剖骨类型的衰减的第二伽马光子衰减系数被分配到由所述表面网格模型划界的第二体积；
其中，所述第一解剖骨类型与所述第二解剖骨类型不同，并且其中，所述第一伽马光子衰减系数与所述第二伽马光子衰减系数不同。
12.根据权利要求9所述的方法，其中，空间变化的伽马光子衰减系数被分配到由所述表面网格模型划界的体积；其中，所述伽马光子衰减系数的值是根据针对所述体积的模板分布来确定的。
13.根据权利要求1所述的方法，其中，所述分割是在没有对超短回波时间(UTE)MR序列或者T1或T2加权MR图像的采集的情况下执行的。
14.一种被配置为执行根据权利要求1所述的方法的步骤的处理器。
15.一种包括指令的计算机程序产品，所述指令当在处理器上被执行时，令所述处理器执行根据权利要求1所述的方法的步骤。
CN201480034824.9A 2013-06-20 2014-06-19 根据MR Dixon数据的皮质骨分割 Active CN105339804B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201361837331P 2013-06-20 2013-06-20
US61/837,331 2013-06-20
EP13179531.2 2013-08-07
EP13179531 2013-08-07
PCT/IB2014/062421 WO2014203192A2 (en) 2013-06-20 2014-06-19 Cortical bone segmentation from mr dixon data

Publications (2)

Publication Number Publication Date
CN105339804A true CN105339804A (zh) 2016-02-17
CN105339804B CN105339804B (zh) 2019-03-01

Family

ID=48979560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480034824.9A Active CN105339804B (zh) 2013-06-20 2014-06-19 根据MR Dixon数据的皮质骨分割

Country Status (4)

Country Link
US (1) US9659370B2 (zh)
EP (1) EP3011358B1 (zh)
CN (1) CN105339804B (zh)
WO (1) WO2014203192A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515875A (zh) * 2021-07-20 2021-10-19 北京工业大学 基于多模态图像的骨生物力学建模方法、系统及装置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743588B (zh) * 2015-06-12 2020-11-27 皇家飞利浦有限公司 在磁共振成像中使用b0不均匀性图的骨骼成像
US10684344B2 (en) * 2016-04-01 2020-06-16 The Board Of Trustees Of The Leland Stanford Junior University Motion correction in two-component magnetic resonance imaging
CN113878590B (zh) * 2021-04-22 2022-11-25 北京邮电大学 一种具备自动规划抽脂功能的机器人系统
CN114359243B (zh) * 2022-01-10 2022-08-26 首都师范大学 一种季节性小微湿地动态监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100239149A1 (en) * 2009-03-23 2010-09-23 Wang zhen kui Method and apparatus for implementing fat-water separation in a magnetic resonance system
CN102232831A (zh) * 2010-04-30 2011-11-09 西门子(深圳)磁共振有限公司 一种实现水脂分离的磁共振成像方法
JP2012521841A (ja) * 2009-03-30 2012-09-20 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ エコー時間の柔軟な選択を有する２ポイントＤｉｘｏｎ技術
CN102934143A (zh) * 2008-09-19 2013-02-13 皇家飞利浦电子股份有限公司 用于在pet-mr中产生衰减图的方法
CN102949189A (zh) * 2011-08-31 2013-03-06 上海联影医疗科技有限公司 一种磁共振成像中用多通道数据组合实现水脂分离的方法
CN103049913A (zh) * 2012-12-26 2013-04-17 中国科学院深圳先进技术研究院 脑部磁共振血管造影数据的分割方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8014575B2 (en) * 2004-03-11 2011-09-06 Weiss Kenneth L Automated neuroaxis (brain and spine) imaging with iterative scan prescriptions, analysis, reconstructions, labeling, surface localization and guided intervention
US9280718B2 (en) * 2010-11-24 2016-03-08 Nocimed, Llc Systems and methods for automated voxelation of regions of interest for magnetic resonance spectroscopy
WO2013130587A1 (en) * 2012-02-28 2013-09-06 The Board Of Regents Of The University Of Texas System Method and apparatus for extended phase correction in phase sensitive magnetic resonance imaging

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102934143A (zh) * 2008-09-19 2013-02-13 皇家飞利浦电子股份有限公司 用于在pet-mr中产生衰减图的方法
US20100239149A1 (en) * 2009-03-23 2010-09-23 Wang zhen kui Method and apparatus for implementing fat-water separation in a magnetic resonance system
JP2012521841A (ja) * 2009-03-30 2012-09-20 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ エコー時間の柔軟な選択を有する２ポイントＤｉｘｏｎ技術
CN102232831A (zh) * 2010-04-30 2011-11-09 西门子(深圳)磁共振有限公司 一种实现水脂分离的磁共振成像方法
CN102949189A (zh) * 2011-08-31 2013-03-06 上海联影医疗科技有限公司 一种磁共振成像中用多通道数据组合实现水脂分离的方法
CN103049913A (zh) * 2012-12-26 2013-04-17 中国科学院深圳先进技术研究院 脑部磁共振血管造影数据的分割方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
OLIVIER ECABERT等: "Automatic Model-Based Segmentation of the Heart in CT Images", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
YI WANG等: "3D Multi-parametric Breast MRI Segmentation using Hierarchical Support Vector Machine with Coil Sensitivity Correction", 《ACADEMIC RADIOLOGY》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515875A (zh) * 2021-07-20 2021-10-19 北京工业大学 基于多模态图像的骨生物力学建模方法、系统及装置
CN113515875B (zh) * 2021-07-20 2023-12-29 北京工业大学 基于多模态图像的骨生物力学建模方法、系统及装置

Also Published As

Publication number Publication date
WO2014203192A3 (en) 2015-04-16
EP3011358A2 (en) 2016-04-27
CN105339804B (zh) 2019-03-01
EP3011358B1 (en) 2021-05-19
WO2014203192A2 (en) 2014-12-24
US20160110869A1 (en) 2016-04-21
US9659370B2 (en) 2017-05-23

Similar Documents

Publication Publication Date Title
JP6378778B2 (ja) 組織種類分離の助けを借りて磁気共鳴画像に基づき１つ以上のコンピュータ断層撮影画像を生成する方法及び装置
CN106600609B (zh) 一种医学图像中脊柱的分割方法及系统
Castillo et al. A reference dataset for deformable image registration spatial accuracy evaluation using the COPDgene study archive
Schreibmann et al. Image interpolation in 4D CT using a BSpline deformable registration model
US8787648B2 (en) CT surrogate by auto-segmentation of magnetic resonance images
US7817836B2 (en) Methods for volumetric contouring with expert guidance
JP5337845B2 (ja) デジタル画像上での測定の実施法
JP6426608B2 (ja) 解析モルフォミクス：高速医用画像自動解析法
US20220375079A1 (en) Automatically segmenting vertebral bones in 3d medical images
WO2008021224A1 (en) System and method for spinal cord and vertebrae segmentation
CN105339804A (zh) 根据MR Dixon数据的皮质骨分割
EP3468668B1 (en) Soft tissue tracking using physiologic volume rendering
Varnavas et al. Increasing the automation of a 2D-3D registration system
De Silva et al. Registration of MRI to intraoperative radiographs for target localization in spinal interventions
CN109360213A (zh) 一种基于脊柱超声冠状面图像的自动化椎体识别方法
Ebrahimi et al. Using surface markers for MRI guided breast conserving surgery: a feasibility survey
CN105405129A (zh) 医学图像的重建方法及其装置
Alam et al. Intrinsic registration techniques for medical images: A state-of-the-art review
US20140294276A1 (en) Automatic estimation of anatomical extents
Behnami et al. Model-based registration of preprocedure MR and intraprocedure US of the lumbar spine
US20210391061A1 (en) Compartmentalized dynamic atlas
Buerger et al. Multi-modal vertebra segmentation from MR Dixon for hybrid whole-body PET/MR
Miura et al. Method of evaluating respiratory induced organ motion by vector volume histogram
Bø et al. Registration of mr to percutaneous ultrasound of the spine for image-guided surgery
Zhou et al. Automated measurement of bone-mineral-density (BMD) values of vertebral bones based on X-ray torso CT images

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