CN105814605B - 对解剖结构的基于模型的分割 - Google Patents
对解剖结构的基于模型的分割 Download PDFInfo
- Publication number
- CN105814605B CN105814605B CN201480067145.1A CN201480067145A CN105814605B CN 105814605 B CN105814605 B CN 105814605B CN 201480067145 A CN201480067145 A CN 201480067145A CN 105814605 B CN105814605 B CN 105814605B
- Authority
- CN
- China
- Prior art keywords
- grid
- middle layer
- model
- layer
- node
- 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
- 210000003484 anatomy Anatomy 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 title claims abstract description 44
- 239000010410 layer Substances 0.000 claims abstract description 178
- 239000002344 surface layer Substances 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 9
- 230000003362 replicative effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 239000000203 mixture Substances 0.000 abstract description 3
- 210000002216 heart Anatomy 0.000 description 38
- 210000004379 membrane Anatomy 0.000 description 17
- 239000012528 membrane Substances 0.000 description 17
- 210000004165 myocardium Anatomy 0.000 description 15
- 230000000747 cardiac effect Effects 0.000 description 10
- 210000005240 left ventricle Anatomy 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 7
- 231100000241 scar Toxicity 0.000 description 7
- 230000007704 transition Effects 0.000 description 7
- 238000012805 post-processing Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 238000002224 dissection Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 210000005246 left atrium Anatomy 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 210000003516 pericardium Anatomy 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 241001261858 Alsodes Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000003815 abdominal wall Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 210000002460 smooth muscle Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
-
- 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]
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
提供了一种用于生成用于在医学图像中分割解剖结构的可变形模型(300)的方法。所述解剖结构包括壁。可变形模型(300)被生成为使得其包括：除了两个表面网格(320、360)之外，中间层网格(340)，所述中间层网格用于被应用在所述壁的第一表面层与所述壁的第二表面层之间。在生成所述中间层网格(340)的过程中，所述中间层网格的至少部分(400)的网格拓扑被匹配到所述表面网格(320、360)中的一个的网格拓扑，由此建立匹配的网格拓扑。所生成的可变形模型(300)更好地匹配这样的壁的构成，从而提供更为精确的分割。
Description
技术领域
本发明涉及一种用于生成用于在医学图像中分割解剖结构的可变形模型的方法。本发明还涉及能通过所述方法获得的模型数据。本发明还涉及一种用于将所述可变形模型应用于所述医学图像中的解剖结构的系统。
背景技术
对医学图像中的各种解剖结构的鲁棒的自动分割是改善临床工作流的关键使能器。在此，术语分割指代例如通过对解剖结构的边界的勾勒或者通过对由所述边界包围的体素进行标记来在医学图像中识别解剖结构。一旦已经执行了这样的分割，则能够提取临床参数，对于心脏结构，临床参数例如为心室质量、射血分数以及壁厚度。因此，自动分割能够显著降低扫描-到-诊断时间，并由此帮助临床医师建立更为有效的患者管理。
已知使用可变形模型在医学图像中分割解剖结构。这种类型的分割也被称为基于模型的分割。所述可变形模型可以由模型数据来定义。具体而言，所述模型数据可以例如以三角形的多区划网格的形式来定义解剖结构的几何结构。患者之间和相位之间形状变异性可以通过为这样的可变形模型的每个部分分配仿射变换来进行有效地建模。仿射变换覆盖平移、旋转、沿着不同坐标轴的缩放和剪切。此外，网格规则性可以通过对在可变形模型的不同部分之间的过渡处的仿射变换的插值来保持。应当注意到，这样的类型的可变形模型也可以被称为平均形状模型。
可变形模型到医学图像的图像数据的应用，也被称为网格调整，可能涉及优化能量函数，能量函数可以基于外部能量项和内部能量项，所述外部能量项帮助针对图像数据来调整可变形模型，所述内部能量项保持可变形模型的刚性。
以上描述的类型的可变形模型自身是已知，将这样的模型应用到医学图像中的解剖结构的方法也是已知的。
例如，O.Ecabert等人在IEEE Transactions on Medical Imaging 2008，27(9)，第1189-1201页公布的题为“Automatic Model-based Segmentation of the Heart in CTImages”一文描述了用于从三维(3D)计算机断层摄影(CT)图像对心脏(四个腔室、心肌和大血管)的自动分割的基于模型的方法。其中，执行模型调整逐步增加所允许的变形的自由度以改善收敛性以及分割精确度。首先使用对广义霍夫变换的3D实现方式在图像中定位心脏。通过利用全局相似性变化将模型匹配到图像来校正姿态未对准。之后通过为模型的每个解剖区域分配仿射变换来解决对多隔室网格的复杂初始化。最后，执行可变形调整以精确地匹配患者的解剖结构的边界。
发明内容
已知可变形模型的问题是它们不足以适于提供对这样的解剖结构的壁的详细分割。在此，术语“壁”指代具有一个或多个解剖层的层状结构。这样的层状结构的范例包括心壁、腹腔壁等。
具有一种提供对解剖结构的壁的更为详细的分割的可变形模型将是有利的。
为了更好地解决这一问题，本发明的第一方面提供了一种用于生成用于在医学图像中分割解剖结构的可变形模型的方法，所述解剖模型包括具有第一表面层和第二表面层的壁，所述方法包括：
-提供第一表面网格，所述第一表面网格用于在基于模型的分割期间被应用于所述壁的所述第一表面层；
-提供第二表面网格，所述第二表面网格用于在所述基于模型的分割期间被应用于所述壁的所述第二表面层；
-生成中间层网格，所述中间层网格用于在所述基于模型的分割期间被应用在所述第一表面层与所述第二表面层之间，所述生成包括将所述中间层网格的至少部分的网格拓扑匹配到两个表面网格中选定的表面网格的解剖学上对应的部分的网格拓扑，由此建立匹配网格拓扑；并且
-生成定义所述第一表面网格、所述第二表面网格和所述中间层网格的模型数据。
本发明的另一方面提供了定义可变形模型的模型数据，所述可变形模型被布置用于在医学图像中分割解剖结构，所述解剖结构包括具有第一表面层和第二表面层的壁，所述模型数据包括：
-第一表面网格，其用于在基于模型的分割期间被应用于所述壁的所述第一表面层；
-第二表面网格，其用于在所述基于模型的分割期间被应用于所述壁的所述第二表面层；以及
-中间层网格，其用于在所述基于模型的分割期间被应用在所述第一表面层与所述第二表面层之间，其中，所述中间层网格的至少部分包括网格拓扑，所述网格拓扑匹配两个表面网格中选定的表面网格的解剖学上对应部分的网格拓扑，由此建立匹配网格拓扑。
本发明的另一方面提供了一种用于将可变形模型应用于医学图像中的解剖结构的系统，所述解剖模型包括具有第一表面层和第二表面层的壁，所述系统包括：
-数据存储器，其包括模型数据，所述模型数据定义所述可变形模型；以及
-处理子系统，其被配置用于将所述可变形模型应用于所述医学图像中的解剖结构。
以上措施涉及可变形模型的生成以及可变形模型到诸如器官、器官的部分等的解剖结构的应用。所述解剖结构是由医学图像的图像数据表示的。这样的医学图像通常是患者的医学图像，并且可以使用诸如但不限于CT、磁共振(MR)成像等的成像模态来获得。所述解剖结构包括壁，所述壁是具有一个或多个解剖层的层状结构。这样的壁的范例是心壁、腹腔壁、在脑中的灰质/白质等。所述可变形模型被布置用于被应用于壁，所述壁包括两个表面层，亦即第一表面层和第二表面层。例如，对于心壁，所述表面层是心壁的外表面层的心外膜以及是心壁的内表面层的心内膜。
所述可变形模型如下地生成。两个表面网格被提供用于被应用于壁的各自表面层。这样的表面网格可以用已知的方式生成，例如由稍早提到的公布文献“AutomaticModel-based Segmentation of the Heart in CT Images”中所描述的，或者借助任意其他合适的已知技术。提供这样的表面网格也可以涉及从外部源来获得它们，例如先前生成的可变形模型，从训练算法、用户控制的模型生成等。结果，针对所述表面层中的每个，获得表面网格。这样的网格通常包括各自表面网格的节点(也被称为点)以及在所述节点之间的交点。网格的范例包括三角形网格、四边形网格以及其他类型的多边形网格。这样的类型的网格自身是计算机图形学领域已知的，并且当被用在基于模型的图像分割中时，也是医学领域中已知的。
根据本发明，生成了至少一个中间层网格。所述中间层网格被布置用于被应用于医学图像在壁的内表面层与外表面层之间的图像数据，由此建立在壁体积之内的中间层。所述中间层网格以这样的方式生成：使得所述网格拓扑至少局部地匹配表面网格中的一个的网格拓扑。在此，术语“网格拓扑”指代通过至少i)节点的数量和ii)其相互互连(即，哪一个节点被连接到哪一个节点)来提供的结构。该结构可以，但不需要，表示节点的相似形状，即，其相对位置。所述网格拓扑在所述表面网格的解剖学上对应的部分与所述中间层网格之间匹配。这样的解剖学上对应的部分通常由沿着壁的相同或相似位置来表示。
在生成所述中间层网格之后，生成模型数据，所述模型数据定义所述第一表面网格、所述第二表面网格和所述中间层网格。这样的模型数据表示对所述可变形模型的计算机可读的定义，并且可以被存储在诸如半导体存储器、磁盘或光盘等的计算机可读介质上。在生成所述模型数据之后，所述可变模型可以被应用于医学图像中的解剖结构，亦即，通过将所述第一表面网格应用于所述壁的所述第一表面层，将所述第二表面网格应用于所述第二表面层，以及将所述中间层网格应用在所述第一表面层与所述第二表面层之间。
本发明基于源自心脏分割的医学应用领域的认识。在此，心脏分割模型通常是单层模型，其仅仅分割心脏表面。仅对于左心室和左心房，所谓的双层模型是可用的，所述双层模型能够分割左心室心内膜和心外膜两者。对于需要体积网格的情况，例如，对于存储诸如疤痕信息的空间分布的功能性信息，四面体网格被包括在心内膜与心外膜之间。所述体积网格可以通过诸如tetgen(http://tetgen.berlios.de/)的网格化工具来构建，同时提供特定限制的质量约束，例如四面体的半径-边缘比率。
不利的是，当前的体积网格既不反应心脏壁的实际构成，也不允许存储具有最小深度精度的疤痕信息。在此，术语“深度精度”指代对跨所述壁的可变形模型的空间分辨率。后者的问题是由这样的事实导致的：当前的网格化方法不保证特定最小数量的四面体在内心脏表面与外心脏表面之间的路径上。然而，针对每个四面体，疤痕信息以二值方式(疤痕或非疤痕)进行存储。因此，在最差的情况场景下，完整的壁深度由指示已经50％透壁的疤痕的单个四面体来表示。
本发明还已经认识到，这样的问题可能同样发生于对其他解剖结构的分割中。本发明通过提供包括用于在基于模型的分割期间被应用在第一表面层与第二表面层之间的中间层网格的可变形模型来解决这些问题。所述中间层网格以这样的方式生成：使得所述中间层网格的至少部分的网格拓扑匹配所述表面网格中的一个的解剖学上对应部分的网格拓扑。这建立了在可变形模型中的规则性，所述可变形模型对于进一步的网格化步骤和可视化是有用的。亦即，网格的拓扑中的规则性解剖学上可视化地强调所述网格在被应用之后的其他方面中的规则性的缺失，例如，诸如在形状、网格之间的距离等方面的不规则性。这样的不规则性常常被关联到解剖学异常，由此使得用户能够以较少的认知负担来检测这样的异常。有利地，所述可变形模型更好地匹配所述壁的构成，由此提供更为精确的分割。对于心脏分割，这允许以更高的深度精度来存储疤痕信息，并且保证最小深度精度。
任选地，中间层网格的生成包括复制所选择的表面网格的部分，以获得所述中间层网格的部分。通过复制所选择的表面网格的部分，确保在中间层网格与所选择的表面网格之间建立匹配网格拓扑。有利地，有效地生成中间层网格的部分。
任选地，所述模型数据的所述生成包括定义在所选择的表面网格的原始节点与所述中间层网格的复制节点之间的对应关系，由此建立多个节点对。通过复制所选择的表面网格的部分，已知网格拓扑如何匹配，因为针对所选择的表面网格的部分的每个原始节点，都存在中间层网格的复制节点。在此，术语“原始”指代所述复制的源，即，源节点。因此，定义这样的对应关系的数据能够被容易地生成。
任选地，所述模型数据的所述生成还包括定义节点对的原始节点与复制节点之间的距离。因此，生成所述中间层网格，所述中间层网格在与所选择的表面网格的特定距离处被初始地定位。
任选地，所述方法还包括：
-提供针对所述节点对的第一子集的第一组距离；
-通过对所述第一组距离进行插值来获得针对所述节点对的第二子集的第二组距离。
替代直接定义针对所有节点对的距离，仅针对所述节点对的子集初始地定义所述距离，并且借助插值来生成针对其余节点对的距离。例如，节点对的第一子集可以被选择为粗略地覆盖各自网格(的部分)，并且节点对的第二子集可以在节点对的第一子集之间掺杂分布。
任选地，所述方法还包括基于在节点对的原始节点与复制节点之间的对应关系来生成在中间层网格与所选择的表面网格之间的体积网格。通过基于在各自节点对之间的对应关系来生成体积网格，所述体积网格是良好定义的，因为其考虑在所选择的表面网格与中间层网格之间的匹配网格拓扑。例如，所述对应关系可以被用作体积网格的边缘。结果，获得了体积网格，所述体积网格填充在中间层网格与所选择的表面网格之间的腔的至少部分，并且其展示出规则性。应当注意到，如果生成超过一个中间层网格，则可以针对一个腔来生成体积网格，并且随后被复制以被应用于其他腔，即，在中间层网格之间的腔。
任选地，所述方法还包括生成一定数量的中间层网格，其用于被应用在壁的第一表面层与第二表面层之间，所述数量大于一。通过生成超过一个的中间层网格，生成所述可变形模型以适配超过一个的中间过渡解剖层和/或人工定义的层。有利地，通过生成一定数据的中间层网格，所述可变形模型的空间分辨率增加，由此提供深度更高的精度。
任选地，所述数量是基于包括如下项的组中的至少一个来建立的：来自用户的输入、壁的解剖结构以及医学图像的空间分辨率。用户可以直接选择或间接地影响中间层网格的数量。所述数据也可以通过所述壁的解剖结构来确定，例如，以反映在两个表面层之间的解剖层的实际数量。所述数量也可以通过医学图像的空间分辨率来确定，从而考虑到：更高的空间分辨率提供对中间过渡解剖层的更好的成像，并且因此允许更多的中间层网格来适配到壁的图像数据。
任选地，生成所述中间层网格，所述中间层网格用于被应用于包括如下项的组中的一项：壁的中间解剖层、以及人工定义的层。因此，所述中间层网格可以被布置用于适配所述壁的实际中间过渡解剖层，或者甚至可以表示人工定义的层。这样的人工定义的层增加了跨所述壁的可变形模型的空间分辨率，这可以有利于进一步的处理，即使不存在(一个或多个)实际中间过渡解剖层，或者这样的(一个或多个)中间过渡解剖层在医学图像中不良地可见并且因此不适于被直接分割。
任选地，所述方法还包括：
-提供如下中的一个：第一表面网格和第二表面网格；以及
-生成如下中的剩余一个：第一表面网格和第二表面网格，所述生成包括建立针对两个表面网格的解剖学上对应部分的匹配网格拓扑。
相应地，提供一个表面网格，并且基于所提供的表面网格来生成(一个或多个)中间层网格以及其他表面网格。例如，可以提供外表面网格，并且可以通过复制所述外表面网格的部分或所有来生成中间层网格和内表面网格。有利地，所述表面网格也具有匹配网格拓扑。
任选地，所述方法还包括针对壁的大致所有连续部分在中间层网格和所选择的表面网格中建立匹配网格拓扑。这样，在所述中间层网格与所选择的表面网格之间的网格拓扑相匹配，除壁的不连续之外。这样的不连续可能具有解剖原因，例如，延伸通过所述壁的血管，并且可以得到具有不规则形状的壁。相应地，可能不可能或者不期望在这样的不连续处或者在这样的不连续附近建立匹配网格拓扑。
任选地，在所述系统中，所述处理子系统被配置用于通过如下方式将所述可变形模型应用于解剖结构：
-基于包括外部能量项的优化，将所述第一表面网格应用于所述解剖结构的所述第一表面层，并且将所述第二表面网格应用于所述解剖结构的所述第二表面层，所述外部能量项是根据医学图像的图像数据来定义的；并且
-基于包括如下项的组中的一个来将中间层网格应用于所述第一表面层与所述第二表面层之间：在优化中对内部能量项的使用，以及指示所述中间层网格相对于所应用的表面网格中的一个的相对位置的数据。
应用中间层网格的以上方式考虑到了所述壁的(一个或多个)中间解剖层可能是不良可见的或者可能是实际上完全不存在。通过使用内部能量项或者对中间层网格相对于所应用的表面网格中的一个的节点的相对编码，所述中间层网格仍然能够被应用在所述壁的两个表面层之间。
总之，提供了一种用于生成用于在医学图像中分割解剖结构的可变形模型的方法。所述解剖结构包括壁。生成所述可变形模型，使得所述可变形模型除了两个表面网格之外还包括中间层网格，所述中间层网格用于被应用在所述壁的第一表面层与所述壁的第一表面层之间。在生成所述中间层网格的过程中，所述中间层网格的至少部分的网格拓扑被匹配到所述表面网格中的一个的网格拓扑，由此建立匹配网格拓扑。所生成的可变形模型更好地匹配这样的壁的构成，从而提供更为精确的分割。
本领域技术人员将认识到，可以用任何认为有用的方式来组合上述实施例、实施方式和/或本发明的各方面中的两个或更多个。
对所述系统和/或计算机程序产品的修改的修改和变型，其对应于对方法的所描述的修改和变型，能够由本领域技术人员基于本说明书来实现。
本领域技术人员将认识到，本发明可以被应用于多维图像数据，例如应用于二维(2D)、三维(3D)或四维(4D)图像，所述图像是通过各种采集模态来采集的，诸如，但不限于，标准X射线成像、计算机断层摄影(CT)、磁共振成像(MRI)、超声(US)、正电子发射断层摄影(PET)、单光子发射计算机断层摄影(SPECT)和核医学(NM)。
在独立权利要求中定义了本发明。在从属权利要求中定义了本发明的有利实施例。
附图说明
参考下文描述的实施例，本发明的这些或其他方面将是显而易见的并将得以阐述。在附图中：
图1示出了用于生成用于在医学图像中分割解剖结构的可变形模型的系统，作为范例，所述系统也被布置用于将所述可变形模型应用于医学图像的图像数据；
图2示出了用于生成模型数据的方法，所述模型数据定义用于在医学图像中分割解剖结构的可变形模型；
图3示出了包括定义可变形模型的模型数据的计算机可读介质，所述模型数据能够通过所述方法获得；
图4示出了由所述方法和/或系统生成的可变形模型的截面，所述可变形模型包括第一表面网格、第二表面网格以及包括在这两个表面网格之间的中间层网格；并且
图5图示了生成可变形模型的方式，其中，插值被用于获得针对节点对的子集的一组距离。
具体实施方式
图1示出了用于生成用于在医学图像中分割解剖结构的可变形模型的系统，以及用于将所述可变形模型应用于所述医学图像中的解剖结构的系统。作为范例，图1示出了提供这两个功能的单个系统100。然而，将认识到，在实践当中，这两个功能可以是分离的，即，由不同的系统执行。
首先参考可变形模型的生成，系统100可以包括处理子系统140，处理子系统140被配置用于：
i)提供第一表面网格，所述第一表面网格用于在基于模型的分割期间被应用于壁的第一表面层，
ii)提供第二表面网格，所述第二表面网格用于在所述基于模型的分割期间被应用于所述壁的第二表面层，以及
iii)生成中间层网格，所述中间层网格用于在所述基于模型的分割期间被应用在所述第一表面层与所述第二表面层之间，所述生成包括将所述中间层网格的至少部分的网格拓扑匹配到两个表面网格中选定的一个的解剖学上对应部分的网格解剖结构，由此建立匹配网格拓扑。
尽管在图1中未示出，但是所述第一表面网格和所述第二表面网格可以是从外部源获得的，诸如是从例如先前生成可变形模型、训练算法、用户控制的模型生成等来获得的。
在执行以上步骤之后，处理子系统140可以生成定义所述第一表面网格、所述第二表面网格和所述中间层网格的模型数据162。图1示出了已经被存储在数据存储器160中的模型数据162。数据存储器160被示为是系统100的内部部件，并且可以由例如基于盘的数据存储器构成，例如硬盘、基于半导体的数据存储器，诸如ROM或RAM存储器。备选地，数据存储器160可以由外部部件构成，例如系统100经由存储器接口进行访问的外部数据集或可移除存储器介质。为了在数据存储器160中存储模型数据162，处理子系统140被示为经由消息142的交换与数据存储器160进行通信。
现在参考对所述可变形模型的应用，系统100可以包括处理子系统140，处理子系统140被配置用于将所述可变形模型应用于医学图像中的解剖结构。出于该目的，处理子系统140可以经由之前提到的消息142的交换从数据存储器160来检索定义可变形模型的模型数据162。此外，处理子系统140可以经由图像接口120来检索医学图像042。例如，医学图像042可以从数据集040来检索。数据库040可以构成医院信息系统(HIS)的图片存档及通信系统(PACS)或者作为其部分，系统100可以被连接到医院信息系统(HIS)的图片存档及通信系统(PACS)或者被包括在其中。在已经获得医学图像042之后，即，以图像数据的形式，处理子系统140可以将所述可变形模型应用于医学图像中的解剖结构。相应地，获得了对解剖结构的分割，所述分割可以被用于进一步的处理。例如，可以计算和存储功能性信息。
应当注意到，系统100的操作，并且尤其是生成可变形模型的功能，将参考图4和5更为详细地进行解释，作为范例，其涉及左心室。
图2示出了用于生成用于在医学图像中分割解剖结构的可变形模型的方法200。方法200可以对应于图1中的系统的操作，由此指代用于生成所述可变形模型的系统的配置。然而，将认识到的是，方法200也可以例如使用不同的系统或设备在分离的系统中执行。
方法200在题为“提供第一表面网格”的第一步骤中包括提供210用于在基于模型的分割期间被应用于壁的第一表面层的第一表面网格。方法200还在题为“提供第二表面网格”的第二步骤中包括提供220用于在基于模型的分割期间被应用于壁的第二表面层的第二表面网格。方法200还在题为“生成中间层网格”的第三步骤中包括用于在所述基于模型的分割期间生成230被应用在所述第一表面层与所述第二表面层之间的中间层网格，所述生成包括将所述中间层网格的至少部分的网格拓扑匹配到两个表面网格中选定的一个的解剖学上对应部分的网格拓扑，由此建立匹配网格拓扑。方法200还在题为“生成模型数据”的第四步骤中生成240定义所述第一表面网格、所述第二表面网格和所述中间层网格的模型数据。将认识到的是，能够以任意合适的顺序(例如，顺次地、同时地或者其组合)来执行所述三个步骤，。
图3示出了包括能够从图2的方法获得的模型数据262的计算机可读介质260。模型数据262能够以非暂态地方式包括在所述计算机可读介质260上，例如，作为一系列机器可读物理标记和/或具有不同电学或光学属性的元件。
所述可变形模型的生成可以如下更为详细地进行解释。这里，生成所述可变形模型，用于分割人类心脏的左心室。然而，这并非意在进行限制，事实上，针对其他类型的解剖结构能够以类似的方式来生成这样的类型的可变形模型。
心脏包括心壁，即，层状结构，其中，心壁包括三层组织，被称为心内膜、心肌层和心外膜。心内膜或内层是平滑肌的薄层，其允许血液无困难地流过。心肌层或中间层是肌肉层并且是心壁的最厚的层。心外膜是心脏的外层。对于左心室，心肌层自身包括根据心肌线的纵向对齐的三个层：表层(心外膜下)、中间层和深层(心内膜下)。重要的是，这些层表示心肌线透壁的取向的变化。心外膜下层包括壁厚度的大约25％，而中间层占据心室壁厚度的大约53-59％，靠近基底最厚并且朝向心尖逐渐变薄。深层是最薄的层，占据壁厚度的<20％。左心房具有相似的构造，具有心肌的两个不同的层。
可以执行电子-机械模拟以便在各种类型的心脏介入中对医师提供支持。通常，为了获得正确的电子-机械模拟，需要对心壁的正确建模。
图4示出了根据本发明生成的三维(3D)可变形模型300的二维(2D)截面。可变形模型300包括内表面网格320，其用于被应用于左心室的内表面层，即心内膜。可变形模型300包括外表面网格360，其用于被应用于左心室的外表面层，即心外膜。此外，可变形模型300包括用于在基于模型的分割期间被应用在第一表面层与第二表面层之间的中间层网格340。相应地，可以生成所述中间层网格340，中间层网格340用于被应用于心肌的各层中的一个。图4还示出了各自网格320、340、360的节点322、342、362，其中，所述节点被示为被互连，即经由边缘被互连，从而形成各自的网格。
尽管在图4中未示出，但是根据本发明生成的可变现模型300也可以包括一定数量的中间层网格。例如，第一中间层网格可以被提供用于被应用于心肌的心外膜下层，第二中间层网格可以被提供用于被应用于心肌的中间层，并且第三中间层网格可以被提供用于被应用于心肌的深层。
生成中间层网格340，以便建立在中间层网格340的解剖学上对应部分400与表面网格320、360中的至少一个之间的匹配网格拓扑。在图4的范例中，表面层网格320、360和中间层网格340被示为包括匹配拓扑，在于所有网格320、340、360包括相同数量的节点，其具有相同的互连和相似的相对位置。具体而言，所述网格拓扑可以大致匹配在所述壁的所有连续部分中。备选地，所述网格拓扑可以仅匹配在各自网格的特定解剖学上的对应部分40。
图5图示了生成可变形模型300的特定方式。在此，中间层网格340是通过复制内表面网格320(即，心内膜网格)的至少部分来生成的。具体而言，为了获得用于被应用于心肌(的层)的中间层网格340，感兴趣心脏部分(例如，左心室或左心房)的表面网格320中的一个可以被复制并且被膨胀，从而获得针对新中间层网格340到原始表面网格320的期望距离。在中间层网格的边界处，例如，在动脉和静脉的瓣膜平面、流入和流出处，表面网格320和新中间层网格340的网格节点322、324可以被接在一起，从而获得针对心肌的腔。将所述网格接在一起可以涉及定义在所选择的表面网格320的原始节点320、324(如每个节点对的第一节点)与新中间层网格340的复制节点342(如每个节点对的第二节点)的各自节点对之间的对应关系380-384。例如，所述对应关系可以指示相同位置或者为零的距离。备选地，这两个节点可以由针对这两个网格的单个(接合)节点来替换。图5借助涵盖原始节点322和复制节点324的虚线椭圆图示了节点对420。对应关系380-384可以由在每个节点对的原始节点322与复制节点342之间的距离来构成或者可以额外地定义在每个节点对的原始节点322与复制节点342之间的距离。
针对新中间层网格340到原始表面网格320的距离的计算，可以使用利用径向基函数的插值，其自身在数学领域已知的。RBFφ(x)是实值函数，其仅仅取决于与一些中心点c的距离，使得φ(x，c)＝φ(||x-c||)。众所周知的RBF是高斯函数多元二次曲面、逆二次曲面、逆多元二次曲面、多重调和样条和薄板样条函数。
针对利用RBF的插值，可以定义一组N个基节点Xb 322。这些基节点322在图5中被指示为填充的(黑色)菱形，并且可以是表面网格320中被选择的节点，针对所述节点，给出在表面网格320与新中间层340之间的期望距离hb 380，例如，如从解剖约束、从空间分辨率要求或者用户的任意选择来导出的。插值节点x 324在图5中被指示为非填充(白色)的菱形324。针对这些插值节点324，在表面网格320与中间层340之间的距离h(x)可能是事先未知的，并且可能必须通过RBF插值来确定。相应地，h(x)可以从N个加权的RBF(在此处：高斯函数)的叠加来获得，将从基节点xb,i到插值节点x的距离考虑在内：
在等式(1)中，wi是针对每个RBF的加权系数，而d(xb,i,x)384是在第i个基节点322与插值节点x 324之间的距离。注意到，d(xb,i,x)384可以沿着网格拓扑来计算，而不是在笛卡尔坐标系中计算。对此，例如，可以使用快速行进算法。
针对所有N个基节点xb,i，等式(1)形成线性等式系：其中，加权系数wi是未知的。为了对该等式系求解，可以使用正则化，以便避免不可逆矩阵。
在计算加权系数wi之后，可以根据等式(1)针对每个插值节点324来确定距离h(x)。所述表面节点可以被复制以获得复制节点342，并且可以根据形成新中间层网格340的插值距离h(x)沿着其法线平移。在对新中间层网格340进行插值之后，可以执行不同后处理步骤：
1)避免针对高度hb的负值，或者确保最小高度；
2)确保在表面网格320和新中间层网格340的网格边界处的边界节点326被接在一起，在图5中被指示为未填充(白色)的星。应当注意到，这可以是人造的而非解剖要求。为了获得与边界附近的插值的值的最小偏差，该要求可以被引入作为后处理步骤，替换包括边界节点作为在RBF插值中具有高度hb＝0的基节点的边界节点；以及
3)进行平滑以消除对由插值引起的中间层网格340的形状误差，例如，从而消除叠加或网格交叉。
为了执行步骤1)和2)，可能使用利用术语为Softmax函数的后处理。与常规最大值函数相比，Softmax函数，例如Softmax(hp，hmin)＝(ehp+ehmin)提供了连续变换。执行步骤1)的另一种可能是在RBF插值之前从所述基节点的给定距离hb减去最小距离，并且在插值之后再次将最小高度加到每个插值节点以及所述基节点。执行步骤3)的一种可能可以是通过使惩罚不希望的网格状态的能量函数最小化来对所有节点位置进行细化。能量项可以考虑例如在表面网格320与新中间层网格340之间的边缘长度的偏差、中间层节点342与表面网格节点322、324的法线的偏差、以及中间层边缘的一般性生长。在任选步骤中，在中间层网格340与表面网格320之间的腔和/或在其他中间层网格之间的腔可以被网格化以获得四面体/体积网格。合适的网格化工具例如是tetgen(http://tetgen.berlios.de/)。由于所有网格层的相同网格拓扑，手动网格化也是可能的。
为了针对患者数据来调整可变形模型(即，用于将所述可变形模型应用于患者的医学图像的图像数据)，可以使用两个如下方法中的一个：
1)在模型调整期间，心肌的心内膜和心外膜边界可以经由外部能量项(其自身从基于模型的分割是已知的)被匹配到图像中的可见心脏边界。中间层(如果在图像中不可见)可以仅仅经由内部能量进行调整；或者
2)在模型调整期间，仅心肌的心内膜和/或心外膜边界可以被调整到图像。随后，在后处理步骤中，使用中间层节点到经调整的表面网格的相对编码来构建其余的中间网格层。
第一种方法的特定范例可以如下：所生成的可变形模型可以被用于构建针对基于模型的分割的分层模型。在此，分层模型中的每一层可以包括可变形子模型以及操控其调整的参数文件。在分层模型的较低级中，可以使用可变形子模型，所述可变形子模型仅包括对应于图像数据中的可见解剖结构的那些网格。所生成的可变形模型通过采用标记信息在这样的子模型中可以是裂开的(诸如“内中间层1”、“内中间层2”、“LAE心包膜”、“LAE心内膜”)，其可以被分配为每个网格三角形。例如，可以选择对应于“LAE心包膜”和“LAE心内膜”的表面网格。为了操控所述调整，可以使用用于心脏分割的典型参数和值的参数文件，在放射和可变化调整中使用内部能量项和外部能量项。在下一较高级中，可以通过(总体)生成的可变形模型来替换可变形子模型。由于对网格的连接，例如经由节点的对应关系列表，所有先前调整的网格可以保持从图像分割得到的形状，并且可以被标记为在分层模型的这一层中是不可变化的。之后，可以仅使用内部能量项来对所有其他(中间)网格层进行插值，即，针对外部能量项的加权因子在参数文件中可以为零。
第二种方法的特定范例可以如下：可以在后处理步骤中使用可变形模型。在此，如在第一种方法的特定范例中，可以生成可变形子模型，所述可变形子模型仅包括对应于图像数据中的可见解剖结构的那些网格。之后，可以执行用于心脏分割的利用常规参数值的基于模型的分割。在后处理步骤中，通过使用这些网格层到(一个或多个)经调整的表面网格的相对编码，来应用其他(中间过渡网格层)。所述相对编码可以使用局部坐标，即，相对于(一个或多个)经调整的表面网格而非全局坐标。H.Nickisch等人在STACOM，2012上的“From Image to Personalized Cardiac Simulation:Encoding Anatomical Structuresinto a Model-Based Segmentation Framework”一文中能够找到对所述编码机制的详细描述。
应当注意到，所述中间层网格也可以基于包括外部能量项的优化来应用，所述外部能量项是根据医学图像的图像数据来定义的。如果对应中间解剖层在图像数据中清晰可见，则尤其保持这一点。
应注意到，在图4中，在内表面网格320与外表面网格360之间的网格拓扑具有匹配网格拓扑。这可以通过初始地提供所述表面网格中的一个，例如外表面网格360，并且以与中间层网格340相同或相似地方式，来生成内表面网格320。例如，可以继续生成外表面网格360的所有内向层。这提供了对可变形模型的额外的规正则化。
将认识到的是，本发明也应用于计算机程序，尤其是在载体上或载体内的计算机程序，其适于将本发明付诸实施。所述程序可以是源代码、目标代码、源代码和目标代码之间的代码的形式，例如部分编译的形式，或者是适于在根据本发明的实施中使用的任意其他形式。还应当认识到，这样的程序可以具有许多不同的架构设计。例如，实施根据本发明的方法或系统功能的代码可以细分成一个或多个子进程。在这些子进程之间分配功能的许多不同方式对于本领域技术人员而言显而易见。所述子进程可以用可执行文档的形式存储在一起以形成自包含的程序。这样的可执行文档可以包括计算机可执行指令，例如处理器指令和/或解释指令(例如Java解释指令)。备选地，子进程中的一个、多个或全部存储在至少一个外部库文档中，并例如在运行时与主程序静态地或动态地链接。主程序包含对子进程中的至少一个的至少一次调用。同样地，子进程可以包括对彼此的功能调用。一个涉及计算机程序产品的实施例，包括与前述方法中的至少一个的处理步骤中的每个相对应的计算机可执行指令。这些指令可以被细分为子进程和/或存储在可以静态或动态链接的一个或多个文档中。涉及计算机程序产品的另一实施例包括与前述系统和/或产品中的至少一个的模块中的每个对应的计算机可执行指令。这些指令可以被细分成子进程和/或存储在可以静态和/或动态链接的一个或多个文档中。
计算机程序的载体可以是能够承载程序的任何实体或装置。例如，所述载体可以包括诸如ROM存储介质，例如CD ROM或半导体ROM；或磁记录介质，例如软盘或硬盘。此外，所述载体可以是可传输的载体，例如电或光信号，其可以经由电缆或光缆或者通过射频或其他手段传递。当所述程序被嵌入到这种信号中时，可以通过线缆或其他装置或模块来指定载体。备选地，所述载体可以是其中嵌入有所述程序集成电路，所述集成电路适于执行、或用于执行相关的方法。
应当认识到，上述实施例用于说明而非是限制本发明，并且本领域技术人员能够在不背离本发明权利要求范围的情况下设计许多备选实施例。在权利要求中，置于圆括号之间的任何附图标记不应当被解释为对权力要求的限制。“包括”一词以及其结合的使用并不排除权利要求中所述的那些元件或步骤之外元件或步骤。词语“一”或“一个”并不排除多个此类元件的存在。本发明可以通过包括若干分立元件的硬件方式实施，以及通过适当编程的计算机的方式实施。在装置权利要求中列举了若干模块，这些模块中的一些可以通过同一硬件的项来实现。尽管在相互不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的使用这些措施的组合。
Claims (12)
1.一种用于生成用于在医学图像(042)中分割解剖结构的可变形模型(300)的方法(200)，所述解剖结构包括具有第一表面层和第二表面层的壁，所述方法包括：
-提供(210)第一表面网格(320)，所述第一表面网格用于在基于模型的分割期间被应用于所述壁的所述第一表面层；
-提供(220)第二表面网格(360)，所述第二表面网格用于在所述基于模型的分割期间被应用于所述壁的所述第二表面层；
-生成(230)中间层网格(340)，所述中间层网格用于在所述基于模型的分割期间被应用在所述第一表面层与所述第二表面层之间，所述生成(230)包括将所述中间层网格的至少部分(400)的网格拓扑匹配到两个表面网格中选定的表面网格的解剖学上对应的部分的网格拓扑，由此建立匹配网格拓扑；所述生成(230)包括复制所述选定的表面网格的所述部分(400)以获得所述中间层网格的所述部分；
-生成(240)模型数据(162)，所述模型数据定义所述第一表面网格、所述第二表面网格和所述中间层网格，所述生成(240)包括定义所述选定的表面网格(320)的原始节点(322)与所述中间层网格(340)的复制节点(342)之间的对应关系(380、382)，由此建立多个节点对(420)；
其中，所述模型数据(162)的所述生成还包括惩罚不期望的网格状态使能量函数最小化，
其中，所述能量函数的所述最小化是通过以下中的任一项来确定的：a)在所述表面网格(320)和所述中间层网格(340)之间的边缘长度的偏差，或者b)所述复制节点(342)离所述原始节点(322)的空间偏差，或者c)中间层网格边缘的生长，或者它们的任何组合。
2.根据权利要求1所述的方法(200)，其中，所述模型数据(162)的所述生成(240)还包括定义在所述节点对(420)的所述原始节点(322)与所述复制节点(342)之间的距离(380、382)。
3.根据权利要求1所述的方法(200)，其中，所述模型数据(162)的所述生成(240)还包括：
-提供针对所述节点对的第一子集的第一组距离(380)；
-通过对所述第一组距离进行插值来获得针对所述节点对的第二子集的第二组距离(382)。
4.根据权利要求1所述的方法(200)，还包括基于在所述节点对(420)的所述原始节点(322)与所述复制节点(342)之间的所述对应关系(380、382)来生成在所述中间层网格(340)与所述选定的表面网格(320、360)之间的体积网格。
5.根据权利要求1所述的方法(200)，还包括生成一定数量的中间层网格(340)，所述一定数量的中间层网格用于被应用在所述壁的所述第一表面层与所述第二表面层之间，所述一定数量大于一。
6.根据权利要求5所述的方法(200)，其中，所述一定数量是基于包括以下项的组中的至少一个来建立的：来自用户的输入、所述壁的解剖结构、以及所述医学图像(042)的空间分辨率。
7.根据权利要求1所述的方法(200)，其中，所述中间层网格(340)被生成为被应用于包括以下项的组中的一项：所述壁的中间解剖层，以及人工定义的层。
8.根据权利要求1所述的方法(200)，还包括：
-提供以下中的一项：所述第一表面网格(320)和所述第二表面网格(360)；并且
-生成以下中的其余一个：所述第一表面网格(320)和所述第二表面网格(360)，所述生成包括针对两个表面网格(320、360)的解剖学上对应部分来建立匹配网格拓扑。
9.一种计算机程序存储介质，其包括用于令处理器系统执行根据权利要求1所述的方法的指令。
10.一种用于生成定义可变形模型的模型数据(162、262)的系统，所述可变形模型被布置为在医学图像中分割解剖结构，所述解剖结构包括具有第一表面层和第二表面层的壁，所述系统包括：
处理子系统(140)，其被配置为
-提供第一表面网格(320)，其用于在基于模型的分割期间被应用于所述壁的所述第一表面层；
-提供第二表面网格(360)，其用于在所述基于模型的分割期间被应用于所述壁的所述第二表面层；以及
-生成中间层网格(340)，其用于在所述基于模型的分割期间被应用于所述第一表面层与所述第二表面层之间，其中，所述中间层网格的至少部分(400)包括网格拓扑，所述网格拓扑匹配两个表面网格中的选定的表面网格的解剖学上对应的部分的所述网格拓扑，由此建立匹配网格拓扑，其中，所述中间层网格(340)是通过复制所述选定的表面网格的所述部分(400)以获得所述中间层网格的所述部分来生成的；
-生成(240)模型数据(162)，所述模型数据定义所述第一表面网格、所述第二表面网格和所述中间层网格，所述生成(240)包括定义在所述选定的表面网格(320)的原始节点(322)与所述中间层网格(340)的复制节点(342)之间的对应关系(380、382)，由此建立多个节点对(420)；
其中，所述模型数据(162)是通过惩罚不期望的网格状态使能量函数最小化来生成的，其中，所述能量函数的所述最小化是通过以下中的任一项来确定的：a)在所述表面网格(320)和所述中间层网格(340)之间的边缘长度的偏差，或者b)所述复制节点(342)离所述原始节点(322)的空间偏差，或者c)中间层网格边缘的生长，或者它们的任何组合，以及
数据存储器(160)，其被配置为存储所述模型数据。
11.一种用于将可变形模型(300)应用于医学图像(042)中的解剖结构的系统(100)，所述解剖结构包括具有第一表面层和第二表面层的壁，所述系统包括：
-数据存储器(160)，其包括用于使得处理子系统(140)执行根据权利要求1-8中任一项所述的方法以生成所述模型数据(162)的指令，所述模型数据定义所述可变形模型；以及
-所述处理子系统(140)，其被配置为将所述可变形模型应用于所述医学图像中的所述解剖结构。
12.根据权利要求11所述的系统(100)，其中，所述处理子系统(140)被配置为通过以下方式将所述可变形模型(300)应用于所述解剖结构：
-基于包括外部能量项的优化来将所述第一表面网格(320)应用于所述解剖结构的所述第一表面层以及将所述第二表面网格(360)应用于所述解剖结构的所述第二表面层，所述外部能量项是根据所述医学图像的图像数据来定义的；并且
-基于包括以下项的组中的一项来将所述中间层网格(340)应用在所述壁的所述第一表面层与所述第二表面层之间：在所述优化中内部能量项的使用，以及指示所述中间层网格相对于所应用的表面网格中的一个的相对位置的数据。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP13196453 | 2013-12-10 | ||
| EP13196453.8 | 2013-12-10 | ||
| PCT/EP2014/076169 WO2015086368A1 (en) | 2013-12-10 | 2014-12-02 | Model-based segmentation of an anatomical structure |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105814605A CN105814605A (zh) | 2016-07-27 |
| CN105814605B true CN105814605B (zh) | 2019-09-24 |
Family
ID=49841493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201480067145.1A Active CN105814605B (zh) | 2013-12-10 | 2014-12-02 | 对解剖结构的基于模型的分割 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US10282846B2 (zh) |
| EP (1) | EP3080777B1 (zh) |
| JP (1) | JP6243535B2 (zh) |
| CN (1) | CN105814605B (zh) |
| RU (1) | RU2647194C2 (zh) |
| WO (1) | WO2015086368A1 (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6243535B2 (ja) * | 2013-12-10 | 2017-12-06 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 解剖学的構造のモデルベースのセグメンテーション |
| US9953429B2 (en) * | 2013-12-17 | 2018-04-24 | Koninklijke Philips N.V. | Model-based segmentation of an anatomical structure |
| EP3120323B1 (en) * | 2014-03-21 | 2020-05-20 | Koninklijke Philips N.V. | Image processing apparatus and method for segmenting a region of interest |
| CN108475428B (zh) * | 2015-12-22 | 2022-04-29 | 皇家飞利浦有限公司 | 心脏模型引导的冠状动脉分割的系统及方法 |
| CN108604387A (zh) * | 2016-02-11 | 2018-09-28 | 3M创新有限公司 | 基于群体的表面网格重建 |
| FR3066302B1 (fr) | 2017-05-10 | 2019-07-05 | Universite de Bordeaux | Methode de segmentation d'une image tridimensionnelle pour la generation d'un modele de paroi du myocarde pour la detection d'au moins une zone de circulation electrique singuliere |
| CN111373443A (zh) * | 2017-10-18 | 2020-07-03 | 皇家飞利浦有限公司 | 用于医学图像分割的界标可视化 |
| EP3514757A1 (en) * | 2018-01-18 | 2019-07-24 | Koninklijke Philips N.V. | Spectral matching for assessing image segmentation |
| CN111143959A (zh) * | 2018-10-16 | 2020-05-12 | 国网天津市电力公司经济技术研究院 | 一种变电站三维设计中电缆沟接头自动建模方法及系统 |
| EP3761032A1 (en) | 2019-07-03 | 2021-01-06 | Xyall B.V. | Determining region(s) for tissue dissection in pathology slides |
| CN112241260B (zh) * | 2020-10-22 | 2022-04-26 | 宁波和利时智能科技有限公司 | 一种离散型行业物理实体的建模方法及系统 |
| CN115996671A (zh) * | 2021-08-19 | 2023-04-21 | 国立大学法人大阪大学 | 壁厚推测方法、壁厚推测装置及壁厚推测系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054295A (zh) * | 2009-11-05 | 2011-05-11 | 汤姆科技成像系统有限公司 | 用于分割医学的图像数据的方法以及装置 |
Family Cites Families (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5601084A (en) * | 1993-06-23 | 1997-02-11 | University Of Washington | Determining cardiac wall thickness and motion by imaging and three-dimensional modeling |
| WO2002093188A2 (en) | 2001-05-17 | 2002-11-21 | Siemens Corporate Research, Inc. | A variational approach for the segmentation of the left ventricle in mr cardiac images |
| DE102005002949A1 (de) | 2005-01-21 | 2006-08-03 | Siemens Ag | Verfahren zur Visualisierung von Schädigungen im Myokard |
| WO2006117719A2 (en) * | 2005-04-29 | 2006-11-09 | Philips Intellectual Property & Standards Gmbh | Multi-surface modelling |
| US8358819B2 (en) * | 2005-06-24 | 2013-01-22 | University Of Iowa Research Foundation | System and methods for image segmentation in N-dimensional space |
| US7995810B2 (en) * | 2005-06-24 | 2011-08-09 | The University Of Iowa Research Foundation | System and methods for image segmentation in n-dimensional space |
| US8571278B2 (en) | 2005-06-24 | 2013-10-29 | The University Of Iowa Research Foundation | System and methods for multi-object multi-surface segmentation |
| US7689021B2 (en) * | 2005-08-30 | 2010-03-30 | University Of Maryland, Baltimore | Segmentation of regions in measurements of a body based on a deformable model |
| JP5377310B2 (ja) * | 2006-08-29 | 2013-12-25 | コーニンクレッカ フィリップス エヌ ヴェ | 胸部ｃｔ撮像における心運動アーチファクトの削減 |
| WO2009027889A2 (en) * | 2007-08-31 | 2009-03-05 | Koninklijke Philips Electronics N.V. | Uncertainty maps for segmentation in the presence of metal artifacts |
| US8073217B2 (en) * | 2007-11-01 | 2011-12-06 | Siemens Medical Solutions Usa, Inc. | Structure segmentation via MAR-cut |
| JP5438029B2 (ja) * | 2008-01-31 | 2014-03-12 | コーニンクレッカ フィリップス エヌ ヴェ | 短軸遅延強調心臓ｍｒｉの自動三次元セグメント化 |
| WO2009101560A2 (en) * | 2008-02-15 | 2009-08-20 | Koninklijke Philips Electronics N.V. | Apparatus for segmenting an object comprising sub-objects |
| RU2522038C2 (ru) | 2008-09-01 | 2014-07-10 | Конинклейке Филипс Электроникс Н.В. | Сегментация при мр-визуализации сердца в проекции по длинной оси с поздним усилением контраста |
| JP6007102B2 (ja) * | 2009-06-24 | 2016-10-12 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 画像情報に基づいた構造の輪郭の決定 |
| US8682626B2 (en) * | 2010-07-21 | 2014-03-25 | Siemens Aktiengesellschaft | Method and system for comprehensive patient-specific modeling of the heart |
| RU2595757C2 (ru) * | 2010-12-02 | 2016-08-27 | Конинклейке Филипс Электроникс Н.В. | Устройство совмещения изображений |
| US8724881B2 (en) * | 2011-11-09 | 2014-05-13 | Siemens Aktiengesellschaft | Method and system for precise segmentation of the left atrium in C-arm computed tomography volumes |
| US8989472B2 (en) * | 2013-02-13 | 2015-03-24 | Mitsubishi Electric Research Laboratories, Inc. | Method for simulating thoracic 4DCT |
| CN105765398A (zh) * | 2013-11-22 | 2016-07-13 | 皇家飞利浦有限公司 | 用于根据mr扫描信息来测量皮层厚度的系统 |
| JP6243535B2 (ja) * | 2013-12-10 | 2017-12-06 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 解剖学的構造のモデルベースのセグメンテーション |
| US9747525B2 (en) * | 2014-06-16 | 2017-08-29 | Siemens Healthcare Gmbh | Method and system for improved hemodynamic computation in coronary arteries |
-
2014
- 2014-12-02 JP JP2016537440A patent/JP6243535B2/ja active Active
- 2014-12-02 US US15/039,899 patent/US10282846B2/en active Active
- 2014-12-02 EP EP14805609.6A patent/EP3080777B1/en active Active
- 2014-12-02 RU RU2016127532A patent/RU2647194C2/ru active
- 2014-12-02 CN CN201480067145.1A patent/CN105814605B/zh active Active
- 2014-12-02 WO PCT/EP2014/076169 patent/WO2015086368A1/en active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054295A (zh) * | 2009-11-05 | 2011-05-11 | 汤姆科技成像系统有限公司 | 用于分割医学的图像数据的方法以及装置 |
Non-Patent Citations (1)
| Title |
|---|
| Fluid-Structure Interactions of the Mitral Valve and Left Heart Comprehensive Strategies, Past, Present and Future;Daniel R. Einstein et al.;《Int J Numer Methods Eng.》;20110301;第1-50页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2647194C2 (ru) | 2018-03-14 |
| WO2015086368A1 (en) | 2015-06-18 |
| EP3080777B1 (en) | 2017-08-02 |
| US10282846B2 (en) | 2019-05-07 |
| JP2017500102A (ja) | 2017-01-05 |
| EP3080777A1 (en) | 2016-10-19 |
| JP6243535B2 (ja) | 2017-12-06 |
| US20160379372A1 (en) | 2016-12-29 |
| CN105814605A (zh) | 2016-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105814605B (zh) | 对解剖结构的基于模型的分割 | |
| US10842379B2 (en) | Multi-modality image fusion for 3D printing of organ morphology and physiology | |
| US20220028085A1 (en) | Method and system for providing an at least 3-dimensional medical image segmentation of a structure of an internal organ | |
| CN106037931B (zh) | 改进的经导管主动脉瓣植入规划的方法和系统 | |
| US9519981B2 (en) | Visualizing brain network connectivity | |
| Ozturk et al. | Four-dimensional B-spline based motion analysis of tagged MR images: introduction and in vivo validation | |
| CN101933045B (zh) | 短轴后期增强心脏mri的自动3d分割 | |
| CN104573309B (zh) | 用于计算机辅助诊断的设备和方法 | |
| Banerjee et al. | A completely automated pipeline for 3D reconstruction of human heart from 2D cine magnetic resonance slices | |
| CN101040297B (zh) | 使用等周树的图像分割 | |
| Schuler et al. | Cobiveco: Consistent biventricular coordinates for precise and intuitive description of position in the heart–with matlab implementation | |
| US20140032197A1 (en) | Method and apparatus for creating model of patient specified target organ based on blood vessel structure | |
| Chen et al. | Shape registration with learned deformations for 3D shape reconstruction from sparse and incomplete point clouds | |
| Shi et al. | Cortical surface reconstruction via unified Reeb analysis of geometric and topological outliers in magnetic resonance images | |
| Canè et al. | From 4D medical images (CT, MRI, and ultrasound) to 4D structured mesh models of the left ventricular endocardium for patient-specific simulations | |
| CN109961508A (zh) | 一种心脏静态三维模型重建方法 | |
| Lim et al. | Automatic 4D reconstruction of patient-specific cardiac mesh with 1-to-1 vertex correspondence from segmented contours lines | |
| WO2022163513A1 (ja) | 学習済みモデルの生成方法、機械学習システム、プログラムおよび医療画像処理装置 | |
| Gholipour et al. | Validation of non-rigid registration between functional and anatomical magnetic resonance brain images | |
| CN111566699A (zh) | 静态流程前规划数据到动态流程内分割数据的配准 | |
| Buoso et al. | MRXCAT2. 0: Synthesis of realistic numerical phantoms by combining left-ventricular shape learning, biophysical simulations and tissue texture generation | |
| Vicory et al. | Skeletal model-based analysis of the tricuspid valve in hypoplastic left heart syndrome | |
| McFarlane et al. | Visualization and simulated surgery of the left ventricle in the virtual pathological heart of the Virtual Physiological Human | |
| US20240169699A1 (en) | Synthetic Data Generation for Machine Learning for a Cardiac Magnetic Resonance Imaging Task | |
| Jacobson et al. | The Inner Complexities of Multimodal Medical Data: Bitmap-Based 3D Printing for Surgical Planning Using Dynamic Physiology |
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 |