CN106462963A - 用于自适应放射治疗中自动勾画轮廓的系统和方法 - Google Patents

用于自适应放射治疗中自动勾画轮廓的系统和方法 Download PDF

Info

Publication number
CN106462963A
CN106462963A CN201580022410.9A CN201580022410A CN106462963A CN 106462963 A CN106462963 A CN 106462963A CN 201580022410 A CN201580022410 A CN 201580022410A CN 106462963 A CN106462963 A CN 106462963A
Authority
CN
China
Prior art keywords
profile
image
shape
edge detector
interest
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
CN201580022410.9A
Other languages
English (en)
Other versions
CN106462963B (zh
Inventor
尼科莱特·帕特丽夏·马格罗
周燕
韩骁
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.)
Elekta Ltd
Original Assignee
Impac Medical Systems Inc
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 Impac Medical Systems Inc filed Critical Impac Medical Systems Inc
Publication of CN106462963A publication Critical patent/CN106462963A/zh
Application granted granted Critical
Publication of CN106462963B publication Critical patent/CN106462963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • 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
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/70—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
    • G06T2207/10081—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
    • G06T2207/30081—Prostate

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

一种用于在医学图像中执行自动勾画轮廓的方法。所述方法可以包括接收包含关注区域的图像和利用边界检测器来确定关注区域的第一轮廓。所述方法可以包括基于形状词典来精细化第一轮廓以生成关注区域的第二轮廓和基于第二轮廓来更新边界检测器或形状词典中的至少一个。

Description

用于自适应放射治疗中自动勾画轮廓的系统和方法
技术领域
本公开总体涉及医学成像和治疗。更具体地，本公开涉及用于在放射治疗过程中对医学图像自动勾画轮廓的系统和方法。
背景技术
在放射治疗过程中，患者通常需要拍取一系列3D CT图像用于在疾病不同阶段的计划和治疗。为了生成新的计划，医生经常需要从零开始对图像勾画轮廓，这可能会很耗时且还会缺乏与先前的轮廓/计划的一致性。而且，在治疗期间，被勾画轮廓的器官的形状和位置由于在治疗期间器官状况的变化而通常不同于在计划时的图像里的形状和位置。直接采取计划并不总是生成用于最佳治疗的精确的剂量射送。因此，关键是使自动勾画轮廓方法飞快自适应地调整新扫描的轮廓。这将不仅为医生减少了勾画轮廓的时间，而且还改善了治疗射送的准确度和一致性。
在所有进行癌症治疗的器官中，前列腺是男性骨盆区域里非常重要的器官，但非常难于自动勾画轮廓。主要的难题包括：(1)3D CT图像中的低对比度，这使大部分前列腺边界几乎不可见(参见图1)；(2)由前列腺粒子产生的图像伪影(参见图1(a)和(c))；(3)直肠中填充的大面积的气体/粪便/线圈(参见图1(b)、(d)和(e))；以及(4)在不同治疗阶段不可预测的前列腺状况。
目前，当制定新的计划时或在治疗期间，医生通常不会利用同一患者的先前的计划或不会结合患者先前的计划来制定新的计划/治疗。即使当使用先前的计划时，也是通过配准来结合先前的计划以将先前的轮廓映射到当前的图像中。一个常用的方法是刚性配准，然而，该方法仅提供很小的自由度。因而，配准后的轮廓可能并不精确。可以采用可变形配准以通过计算器官非线性变形来提高准确度。一般地，轮廓的准确度可以取决于所使用的基准图像(图谱)的数量。然而，计算成本与所使用的基准图像(图谱)的数量成比例地增加，这使得该方法很难用于在线自适应制定计划。
因此，期望开发一种新的方法和系统以准确地和高效率地在医学成像中执行自动勾画轮廓。
发明内容
本公开的一个实施例专注于一种由处理器实施的用于在医学图像中执行自动勾画轮廓的方法。所述方法可以包括接收包含关注区域的图像且由处理器利用边界检测器来确定关注区域的第一轮廓。所述方法还可以包括由处理器基于形状词典来精细化(refine)第一轮廓以生成关注区域的第二轮廓。所述方法可以包括基于第二轮廓来更新边界检测器或形状词典中的至少一个。
在各个实施例中，所述方法可以包括一个或多个以下特征：由处理器精细化第二轮廓，可以包括利用边界检测器；由处理器确定第一轮廓可以包括判定图像的图像点是否在关注区域的边界上；以及选择被判定为在关注区域的边界上的一组图像点来形成第一轮廓；判定图像的图像点是否在关注区域的边界上可以包括确定图像点在边界上的概率，且选择所述一组图像点以形成第一轮廓包括选择具有高于预定阈值的概率的图像点；由处理器基于形状词典来精细化第一轮廓以生成第二轮廓可以包括从形状词典中选择一组形状；组合所选择的该组形状以逼近第一轮廓；以及基于所组合的该组形状来生成第二轮廓；所述方法可以包括通过对优化函数最小化来判定是否至少第一轮廓上的图像点的子集在第二轮廓上；基于第二轮廓来更新边界检测器或形状词典中的至少一个可以包括更新边界检测器和(a)在基于第二轮廓来更新边界检测器后，确定更新后的第一轮廓，(b)基于形状词典来精细化更新后的第一轮廓以生成更新后的第二轮廓，以及重复步骤(a)和(b)直到满足以下至少一个条件：重复次数达到预定值，或残差达到预定最小值；基于第二轮廓来更新边界检测器或形状词典中的至少一个可以包括更新边界检测器，其中更新边界检测器可以包括将具有第二轮廓的图像与包含关注区域的图像的集合进行比较，从该集合中选择与具有第二轮廓的图像相似的图像的子集，且基于具有第二轮廓的图像和所选择的图像的子集来更新边界检测器；基于具有第二轮廓的图像和所选择的图像的子集来更新边界检测器可以包括：分离正图像点和负图像点，选择位于第二轮廓上或位于所选择的图像的子集的边界上的正图像点，从所选择的正图像点中提取可控特征，基于所提取的可控特征来确定特征矢量，以及基于特征矢量来更新边界检测器；且基于第二轮廓来更新边界检测器或形状词典中的至少一个可以包括更新形状词典，其中更新形状词典包括：从包含第二轮廓的图像中选择形状的子集，为子集中的每个形状获取稀疏系数，以及基于所获取的稀疏系数来更新形状词典。
本公开的另一实施例专注于一种用于在医学成像中执行自动勾画轮廓的系统。所述系统可以包括：处理器；和存储器，其操作地联接至处理器且存储指令，该指令当由处理器执行时使得处理器执行一方法。所述方法可以包括：接收包含关注区域的图像；利用边界检测器来确定关注区域的第一轮廓；基于形状词典来精细化第一轮廓以生成关注区域的第二轮廓；以及基于第二轮廓来更新边界检测器或形状词典中的至少一个。
在各个实施例中，所述系统可以包括一个或多个以下特征：由处理器执行的方法可以包括：判定图像的图像点是否在关注区域的边界上，以及选择被判定为在关注区域的边界上的一组图像点来形成第一轮廓；所述方法可以包括确定图像点在边界上的概率，且选择具有高于预定阈值的概率的图像点；所述方法可以包括从形状词典中选择一组形状；组合所选择的该组形状以逼近第一轮廓；以及基于所组合的该组形状来生成第二轮廓；所述方法可以包括通过对优化函数最小化来判定是否至少第一轮廓上的图像点的子集在第二轮廓上；基于第二轮廓来更新边界检测器或形状词典中的至少一个可以包括更新边界检测器和(a)在基于第二轮廓来更新边界检测器后，确定更新后的第一轮廓；(b)基于形状词典来精细化更新后的第一轮廓以生成更新后的第二轮廓；以及重复步骤(a)和(b)直到满足以下至少一个条件：重复次数达到预定值；或残差达到预定最小值；所述方法可以包括利用边界检测器来精细化第二轮廓。
本公开的另一实施例专注于一种用于基于多个包含关注区域的医学图像来训练边界检测器的由计算机实施的方法。所述方法可以包括：由处理器从多个医学图像中选择位于关注区域的边界上的图像点；由处理器从所选择的图像点中提取可控特征；由处理器基于所提取的可控特征来确定特征矢量；以及由处理器基于特征矢量来生成边界检测器。
在各个实施例中，所述方法可以包括一个或多个以下特征：将具有新轮廓的新图像与多个医学图像进行比较；从多个中基于它们与具有新轮廓的新图像的相似性来选择医学图像的子集；以及基于具有新轮廓的新图像和所选择的医学图像的子集来更新边界检测器；从包含新轮廓的新图像中选择形状的子集；为子集中的每个形状获取稀疏系数；以及基于所获取的稀疏系数来更新形状词典。
前述总结和下述详细说明仅为示例性的且并不限制权利要求书的范围。
附图说明
并入本说明书中且构成本说明书的一部分的附图，与说明书一起阐明各个实施例和所公开的实施例的示例性方案。在附图中：
图1示出了前列腺的示例性医学图像；
图2示出了根据本发明的实施例的自动勾画轮廓系统的示例性工作流程；
图3示出了根据本发明的实施例的示例性自动勾画轮廓的结果；
图4是根据本发明的实施例的用于执行自动勾画轮廓的示例性方法的流程图；
图5是根据本发明的实施例的用于执行轮廓精细化的示例性方法的流程图；以及
图6是根据本发明的实施例的示例性自动勾画轮廓系统的示意图。
具体实施方式
现在将详细地参考示例性实施例，其示例示出在附图中。适当时，在整个附图中使用相同的附图标记来指代相同的或相似的部件。
在本公开中，介绍了用于在自适应放射治疗中自动勾画轮廓的基于学习的系统和对应的方法。具体地，可以训练基于群体的边界检测器和基于群体的稀疏形状词典。训练后的边界检测器和稀疏形状词典然后能够用于在患者的计划图像中执行自动勾画轮廓。随着更多的治疗图像被采集，系统可以自动更新边界检测器和稀疏形状词典以结合患者特异性信息。一旦接收到新的治疗图像，系统就可以飞速执行对关注器官的自动勾画轮廓。
这个方法的一个优点是它的高准确度。在在线自动勾画轮廓阶段中，所述方法可以对前列腺实现0.93的平均DICE(相似系数)。这个方法的另一优点是它能够很好地处理质量差的图像(例如，图1中示出的图像)，这是因为一致的伪影/低质量能够被学习和处理为患者特异性知识的一部分。另外，该方法当应用于新图像时在计算上是高效率的，这是因为模型更新过程能够离线且完全自动进行，其可以在机器空闲时的任何时间完成。不管有多少图像被采集用于训练，在线自动勾画轮廓都会花费相同的时间量。这对于需要多个图谱的可变形配准方法来说是有益的，在可变形配准方法中，自动勾画轮廓的时间量与所使用的图谱数成比例地增加。因此，所公开的基于学习的系统能够产生准确的自动勾画轮廓的结果。离线训练和更新过程可以是完全自动的。在线自动勾画轮廓过程可以在计算上是高效率的。系统可以处理任何质量的图像，其很好地适合于临床中的自适应放射治疗。
图2示出了自动勾画轮廓系统的示例性工作流程。顶部示出了用于离线训练/更新的步骤，而底部示出了在线自动勾画轮廓部分。离线训练/更新中涉及的算法流程用双箭头标记。在线自动勾画轮廓过程中涉及的算法流程用单箭头标记。
基于群体的边界检测器
为了检测出新图像中前列腺的边界表面，系统210的离线部首先训练基于群体的边界检测器212。从一组患者的图像中，系统可以根据例如由专家提供的手画轮廓来采集正负样本。轮廓上的边界体素可以被选择作为正样本，而远离轮廓的体素可以被选择作为负样本。对于每一个训练的样本，可以提取3D可控(steerable)特征且将其存储为特征矢量。可以使用随机森林算法来针对所采集的样本训练边界检测器。一旦生成边界检测器，对于每一个即将出现的图像，系统就可以沿初始化后形状的法线方向进行搜索，且可以利用边界检测器来对每一个点判定其是否在边界上。边界检测器可以返回该点在边界上的概率。在搜索范围内的所有点中，具有最高概率的点或具有高于预定阈值的概率的点，可以被选择作为新的边界点。
基于群体的稀疏形状精细化
由边界检测器检测到的3D边界可能会是相当嘈杂的。为了减少噪声，可以使用稀疏形状模型来精细化检测到的边界。在一些实施例中，基于群体的稀疏形状词典214可以用作在推测检测到的边界形状之前的形状。稀疏形状词典214可以在形状词典中选择3D形状的稀疏集且将这些3D形状组成在一起以逼近第一轮廓，并精细化输入形状(例如，检测到的边界)。该方法影响(leverage)输入形状实例的两个稀疏性观测数据：(1)输入形状可以近似地由形状词典中形状的稀疏线性组合来表示；和(2)输入形状的部分可以包含粗差(gross error)但这样的误差是稀疏的。该方法可以减轻形状先验建模的三个问题，即，对复杂形状变化进行建模、处理非高斯误差，以及保留输入形状的局部细节信息。
对于每一次精细化迭代，该方法都可以采用算法来最小化以下的优化函数：
其中，vs是输入形状上的点的子集，D是表示所有训练的形状的形状词典，T(vs，β)是具有参数β的全局变换算子，其将输入形状匹配到D的相同空间中。在等式中，x表示线性组合的权重系数，且e是模拟大的残差的矢量。S是指示某点是否在子集vs中的二元对角矩阵。这里，S是由3D CT图像中检测到的边界位置的x、y、z坐标所表示的检测到的边界位置。求解出的形状然后被发回给边界检测器212用于另一轮形状精细化。一旦(1)达到一定迭代次数(例如，10次迭代)；或(2)达到一定最小残差，则停止迭代过程。
自适应患者特异性信息
一旦采集到新的治疗图像(例如，新图像232)，可能有必要更新边界检测器212和稀疏形状词典214以结合患者特异性信息且分别生成患者特异性边界检测器216和更新后的形状词典218。对于患者特异性边界检测器216，系统可以将当前图像与一组采集到的患者图像进行比较，且挑选出相似于当前图像的一组患者图像。相同患者的先前的图像可以被选择作为最相似图像，但也可以选择来自其他具有相似图像结构的患者的图像。所选择的患者图像可以用于更新边界检测器以形成患者特异性边界检测器216。更新过程是离线的(例如，更新过程222和224)且不需要人为干预。
尽管更新边界检测器可能会是相当高效率的，因为不需要如此多的图像用于训练边界检测器，但更新稀疏形状词典以生成更新后的形状词典218可能会在计算上是较高成本的。为了处理即使来自相同患者的大的形状变化，能够全面捕捉形状空间中形状变化的总体形状词典是必需的，从而可能会不期望限制训练的形状的数量。然而，还可能会期望将患者最近的图像包括到形状词典中以涵盖患者特异性信息。为了避免从零开始训练形状词典，其是非常耗时的，且为了提高计算效率，可以采用词典学习技术。例如，可以使用在线学习方法以自适应地且高效率地结合新的形状。当出现新的训练的形状时，代替从零开始重建形状词典，系统可以利用块坐标下降法(block-coordinates descent approach)来更新形状词典。利用动态更新的词典，稀疏形状模型可以在无需牺牲运行时间效率的情况下根据大量的训练的形状适度地扩展至模型形状。在一个实施例中，该方法从利用K-SVD算法构建初始形状词典开始。当出现新形状时，它迭代地使用两个阶段直到收敛：稀疏编码和词典更新。稀疏编码旨在为每一个信号找到稀疏系数，词典更新阶段旨在基于所有发现的系数来更新词典。基于随机逼近，可以利用块坐标下降法来高效率地更新词典。这是无参数方法且不需要任何学习率调节。重要的是应该注意到在词典更新步骤中，代替需要所有训练的形状，系统仅可能会采用一小批新获取的数据。这样，可以利用所选择的新数据在线高效率地更新形状词典。利用该在线更新后的词典，不会因为更多训练的形状而牺牲形状组合的运行时间效率。另外，理论上该方法可以根据无限个训练的形状适度地扩展以包含形状先验。
在线自动勾画轮廓
在线自动勾画轮廓可以以初始形状(例如，图2中的初始形状234)开始。在一个实施例中，可以使用以单个图谱进行的DEMONS方法来得到初始轮廓。对于初始轮廓的表面上的每一个体素，系统(例如，系统230的在线部)可以顺着其法线方向搜索且应用边界检测器212来找到具有最高边界概率或具有高于预定阈值的概率的体素。然后，系统可以利用稀疏形状词典214来精细化3D检测到的边界表面(例如，图2中的精细化236)。分类和精细化可以应用于几次迭代以得到更准确的结果(例如，最终形状238)。
图3示出了根据本发明的实施例的示例性自动勾画轮廓结果。来自11位患者的44幅3D CT图像被处理以评估所公开的方法和系统，且每一位患者有至少3幅治疗图像。参照图3，从顶到底示出了为3位患者自动分割的结果(行A、B和C分别对应于患者A、B和C)。每一位患者都有其轴面、矢状面和冠状面的3个快照(列1、2和3分别对应于3个快照)。自动勾画轮廓的结果(红色)与专家的手画轮廓(黄色)进行比较。对于前列腺实现0.93的平均DICE(相似系数)。
图4是根据本发明的实施例的用于执行自动勾画轮廓的示例性方法的流程图。在图4中，示出了一系列步骤以执行所公开的方法，其中一些步骤是可选的。图4示出了训练/更新子例程400和勾画轮廓子例程420。在一些实施例中，例如，当系统未正从CT扫描仪接收新图像时，训练/更新子例程400可以离线执行。在步骤402中，系统可以接收多个图像样本。图像样本可以包括来自相同患者或不同患者的3D CT图像。在步骤404中，图像样本然后可以基于例如由专家提供的手画轮廓或由计算机程序生成的自动轮廓来被分离为正图像样本和负图像样本。正图像样本可以包括在轮廓上的图像点，而负图像样本可以包括远离轮廓的图像点。在步骤406中，系统可以基于由专家或计算机程序提供的轮廓从正图像样本中选择边界点。在步骤408中，系统可以从正图像样本中所选择的边界点中提取3D可控特征。3D可控特征已知是旋转不变的。从围绕每一个所采样的体素的立方体区域提取这些特征。立方体的定向遵循所采样的体素的法线方向。特征从每一个立方体中被提取，且被存储为对于每一个所采样的体素的特征矢量。在步骤410中，系统可以基于所提取的可控特征来确定一个或多个特征矢量且存储特征矢量。在步骤412中，系统可以利用随机森林算法以对所采集的图像样本训练边界检测器。
一旦生成患者特异性边界检测器，例如，当系统从CT扫描仪接收新图像时，患者特异性边界检测器就可以用于在线子例程420中。当接收到新图像时，过程进行到步骤422，在步骤422中，过程包括沿着新图像的法线方向搜索，且利用患者特异性边界检测器来判定每一个点是否在边界上。例如，系统可以利用患者特异性边界检测器来确定点是否在图像中的边界上的概率。在步骤424中，系统可以基于该概率来选择图像点以形成新轮廓。例如，系统可以选择具有最高概率的点以形成新的边界点。在另一示例中，系统可以选择具有高于预定阈值的概率的点以形成新的边界点。在步骤426中，系统可以将例如由在步骤424中所选择的新的边界点形成的新轮廓提供给稀疏形状词典214用于精细化。例如，可以将新轮廓作为初始形状提供给稀疏形状模型。在步骤428中，系统可以利用稀疏形状模型来精细化新轮廓。在一些实施例中，迭代地执行精细化。在步骤430中，精细化后的新轮廓可以被发回给患者特异性边界检测器用于另外的形状精细化。然后，在步骤432中，系统判定是否需要另外的精细化迭代。如果判定需要另外的精细化，则过程进行回到步骤428且轮廓将利用稀疏形状模型经历新一轮精细化。如果不需要，则过程进行到步骤434以输出包括最终轮廓的最终图像。如在步骤416中所示，最终图像可以用来更新患者特异性边界检测器和/或形状词典。除了图像样本现在包括由子例程420生成的最终图像以外，边界检测器的更新类似于训练初始边界检测器。如先前所公开的，形状词典的更新采用利用块坐标下降法的形状子集。
图5是根据本发明的实施例的用于执行轮廓精细化的示例性方法的流程图。在图5中，图4的步骤428进一步分成3个子步骤。在步骤4282中，系统可以从形状词典中选择一组形状(例如，3D形状)。在步骤4284中，系统可以组合所选择的该组形状以逼近或推测输入形状，在这种情况下是在图4的步骤426中提供的新轮廓。在步骤4286中，系统可以通过对优化函数最小化，例如，对函数(1)最小化来判定是否至少输入形状上的图像点的子集在所组合的该组形状上。如图4的步骤430中所示，形状的组合然后可以被发回给边界检测器用于另外的精细化。
图6示出了用于执行轮廓精细化的示例性系统600。与一些实施例一致，系统600可以是通用计算机，或专用于自动勾画轮廓的计算装置。如图6中所示，系统600可以包括处理器610、存储器模块620、用户输入装置630、显示装置640、以及通信接口650。处理器610可以是中央处理单元(“CPU”)或图形处理单元(“GPU”)。根据正在使用的硬件的类型，处理器610可以包括一个或多个印刷电路板，和/或微处理器芯片。处理器610可以执行系列的计算机程序指令以执行将在下文更详细地解释的各种方法。
除了别的以外，存储器模块620可以包括随机存取存储器(“RAM”)和只读存储器(”ROM”)。计算机程序指令可以从ROM，或任何其他适合的存储器位置被访问和读取，且被加载进RAM以由处理器610执行。例如，存储器模块620可以存储一个或多个软件应用程序。存储在存储器模块620中的软件应用程序可以包括用于常用计算机系统以及用于软件控制的装置的操作系统624。此外，存储器模块可以存储可由处理器610执行的整个软件应用程序或仅一部分软件应用程序。
在一些实施例中，存储器模块620可以存储能够由处理器610执行的训练和/或勾画轮廓软件622。例如，训练/勾画轮廓软件622可以被执行以训练边界检测器212、形状词典214；执行在图像232-236中自动勾画轮廓，和/或对边界检测器212、形状词典214进行更新。还可以理解地是训练/勾画轮廓软件622或其各部分可以存储在可移动的计算机可读介质上，诸如硬盘驱动器、计算机磁盘、CD-ROM、DVD±R、CD±RW或DVD±RW、HD或蓝光DVD、USB闪存驱动器、SD卡、记忆棒，或任何其他适合的介质，且可以在系统600的任何适合的部件上运行。例如，训练/勾画轮廓软件622的各部分可以驻留于可移动的计算机可读介质上且通过处理器610利用已经复制到存储器620中的例程来读取和运行。
在一些实施例中，存储器模块620还可以存储主数据、用户数据、应用程序数据和/或程序代码。例如，存储器模块620可以存储其中具有用于执行训练/更新/勾画轮廓的各种数据的数据库626。
在一些实施例中，输入装置630和显示装置640可以通过适当的接口电路联接至处理器610。在一些实施例中，输入装置630可以是硬件键盘、小键盘、或触摸屏，通过它们用户可以输入信息至系统600。显示装置640可以包括一个或多个显示仿真界面、结果或任何相关信息给用户的显示屏。
通信接口650可以提供通信连接使得系统600可以与外部装置交换数据。例如，系统600可以连接至网络660。网络660可以是LAN或WAN，其可以包括其他系统S1(672)、S2(674)和S3(676)。系统S1、S2和/或S3可以与系统600相同，或可以是不同的系统。在一些实施例中，网络660中的一个或多个系统可以形成合作地执行训练/更新/勾画轮廓任务的分布式计算/仿真环境。在一些实施例中，一个或多个系统S1、S2和S3可以包括获取CT图像(例如，图像232)的CT扫描仪。另外，网络660可以连接至互联网680以与互联网上远程驻留的服务器或客户进行通信。
在前面描述中，为了说明，将各个方案、步骤或组成部分在单个实施例中集合在一起。本公开并不被解释为对于所要求权益的主题需要所有所公开的变化。以下的权利要求书并入本示例性实施例的说明书中，其中每一个权利要求都是独立地作为本发明的单独的实施例。
而且，如所要求的，将显而易见地是本领域技术人员从本公开的说明书和实践角度考虑，可以在不偏离本公开的范围的情况下对所公开的系统和方法进行各种修改和变化。因而，这意味着说明书和示例都被认为仅是示例性的，本公开的真正范围由以下的权利要求书及其等同物来指示。

Claims (20)

1.一种用于在医学图像中执行自动勾画轮廓的方法，其由处理器实施，所述方法包括：
接收包含关注区域的图像；
由所述处理器利用边界检测器来确定所述关注区域的第一轮廓；
由所述处理器基于形状词典来精细化所述第一轮廓以生成所述关注区域的第二轮廓；以及
基于所述第二轮廓来更新所述边界检测器或所述形状词典中的至少一个。
2.根据权利要求1所述的方法，包括由所述处理器利用所述边界检测器来精细化所述第二轮廓。
3.根据权利要求1所述的方法，其中由所述处理器确定所述第一轮廓包括：
判定所述图像的图像点是否在所述关注区域的边界上；以及
选择被判定为在所述关注区域的边界上的一组图像点来形成所述第一轮廓。
4.根据权利要求3所述的方法，其中：
判定所述图像的图像点是否在所述关注区域的边界上包括确定所述图像点在所述边界上的概率；并且
选择所述一组图像点以形成所述第一轮廓包括选择具有高于预定阈值的概率的图像点。
5.根据权利要求1所述的方法，其中由所述处理器基于所述形状词典来精细化所述第一轮廓以生成所述第二轮廓包括：
从所述形状词典中选择一组形状；
组合所选择的该组形状以逼近所述第一轮廓；以及
基于所组合的该组形状来生成所述第二轮廓。
6.根据权利要求5所述的方法，包括：
通过对优化函数最小化来判定是否至少所述第一轮廓上的图像点的子集在所述第二轮廓上。
7.根据权利要求1所述的方法，其中基于所述第二轮廓来更新所述边界检测器或所述形状词典中的至少一个包括更新所述边界检测器，和
(a)在基于所述第二轮廓来更新所述边界检测器后，确定更新后的第一轮廓；
(b)基于所述形状词典来精细化所述更新后的第一轮廓以生成更新后的第二轮廓；以及
重复步骤(a)和(b)直到满足以下至少一个条件：
重复次数达到预定值；
或残差达到预定最小值。
8.根据权利要求1所述的方法，其中基于所述第二轮廓来更新所述边界检测器或所述形状词典中的至少一个包括更新所述边界检测器，其中更新所述边界检测器包括：
将具有所述第二轮廓的图像与包含所述关注区域的图像的集合进行比较；
从所述集合中选择与具有所述第二轮廓的图像相似的图像的子集；并且
基于具有所述第二轮廓的图像和所选择的图像的子集来更新所述边界检测器。
9.根据权利要求8所述的方法，其中基于具有所述第二轮廓的图像和所选择的图像的子集来更新所述边界检测器包括：
分离正图像点和负图像点；
选择位于所述第二轮廓上或位于所选择的图像的子集的边界上的正图像点；
从所选择的正图像点中提取可控特征；
基于所提取的可控特征来确定特征矢量；以及
基于所述特征矢量来更新所述边界检测器。
10.根据权利要求1所述的方法，其中基于所述第二轮廓来更新所述边界检测器或所述形状词典中的至少一个包括更新所述形状词典，且其中更新所述形状词典包括：
从包含所述第二轮廓的所述图像中选择形状的子集；
为所述子集中的每个形状获取稀疏系数；以及
基于所获取的稀疏系数来更新所述形状词典。
11.一种用于在医学图像中执行自动勾画轮廓的系统，包括：
处理器；
存储器，其操作地联接至所述处理器且存储指令，该指令当由所述处理器执行时使得所述处理器执行一方法，所述方法包括：
接收包含关注区域的图像；
利用边界检测器来确定所述关注区域的第一轮廓；
基于形状词典来精细化所述第一轮廓以生成所述关注区域的第二轮廓；以及
基于所述第二轮廓来更新所述边界检测器或所述形状词典中的至少一个。
12.根据权利要求11所述的系统，其中利用边界检测器来确定所述关注区域的所述第一轮廓包括：
判定所述图像的图像点是否在所述关注区域的边界上；以及
选择被判定为在所述关注区域的边界上的一组图像点来形成所述第一轮廓。
13.根据权利要求12所述的系统，其中判定所述图像的图像点是否在所述关注区域的边界上包括：确定所述图像点在所述边界上的概率；以及选择具有高于预定阈值的概率的图像点。
14.根据权利要求11所述的系统，其中基于所述形状词典来精细化所述第一轮廓以生成所述关注区域的所述第二轮廓包括：
从所述形状词典中选择一组形状；
组合所选择的该组形状以逼近所述第一轮廓；以及
基于所组合的该组形状来生成所述第二轮廓。
15.根据权利要求14所述的系统，其中所述方法包括：
通过对优化函数最小化来判定是否至少所述第一轮廓上的图像点的子集在所述第二轮廓上。
16.根据权利要求11所述的系统，其中基于所述第二轮廓来更新所述边界检测器或所述形状词典中的至少一个包括更新所述边界检测器，和
(a)在基于所述第二轮廓来更新所述边界检测器后，确定更新后的第一轮廓；
(b)基于所述形状词典来精细化所述更新后的第一轮廓以生成更新后的第二轮廓；以及
重复步骤(a)和(b)直到满足以下至少一个条件：
重复次数达到预定值；或
残差达到预定最小值。
17.根据权利要求11所述的系统，其中所述方法包括利用所述边界检测器来精细化所述第二轮廓。
18.一种用于基于多个包含关注区域的医学图像来训练边界检测器的由计算机实施的方法，所述方法包括：
由处理器从所述多个医学图像中选择位于所述关注区域的边界上的图像点；
由所述处理器从所选择的图像点中提取可控特征；
由所述处理器基于所提取的可控特征来确定特征矢量；以及
由所述处理器基于所述特征矢量来生成所述边界检测器。
19.根据权利要求18所述的由计算机实施的方法，包括：
将具有新轮廓的新图像与所述多个医学图像进行比较；
从所述多个中基于它们与具有所述新轮廓的所述新图像的相似性来选择医学图像的子集；以及
基于具有所述新轮廓的所述新图像和所选择的医学图像的子集来更新所述边界检测器。
20.根据权利要求19所述的由计算机实施的方法，包括：
从包含所述新轮廓的所述新图像中选择形状的子集；
为所述子集中的每个形状获取稀疏系数；以及
基于所获取的稀疏系数来更新形状词典。
CN201580022410.9A 2014-02-27 2015-02-24 用于自适应放射治疗中自动勾画轮廓的系统和方法 Active CN106462963B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/192,778 US9629598B2 (en) 2014-02-27 2014-02-27 System and method for auto-contouring in adaptive radiotherapy
US14/192,778 2014-02-27
PCT/IB2015/051383 WO2015128803A2 (en) 2014-02-27 2015-02-24 System and method for auto-contouring in adaptive radiotherapy

Publications (2)

Publication Number Publication Date
CN106462963A true CN106462963A (zh) 2017-02-22
CN106462963B CN106462963B (zh) 2019-05-03

Family

ID=53539748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580022410.9A Active CN106462963B (zh) 2014-02-27 2015-02-24 用于自适应放射治疗中自动勾画轮廓的系统和方法

Country Status (7)

Country Link
US (2) US9629598B2 (zh)
EP (1) EP3111422B1 (zh)
JP (1) JP6505124B2 (zh)
CN (1) CN106462963B (zh)
AU (1) AU2015221826B2 (zh)
RU (1) RU2689029C2 (zh)
WO (1) WO2015128803A2 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392897A (zh) * 2017-07-17 2017-11-24 上海联影医疗科技有限公司 器官轮廓获取方法、影像设备、放疗计划系统及存储介质
CN110799244A (zh) * 2017-04-21 2020-02-14 皇家飞利浦有限公司 用于自适应辐射治疗的规划系统
CN113536575A (zh) * 2021-07-20 2021-10-22 深圳市联影高端医疗装备创新研究院 器官轮廓勾画方法、医学影像系统以及存储介质

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3010585B1 (en) 2013-06-18 2018-05-09 Duke University Systems and methods for specifying treatment criteria and treatment parameters for patient specific radiation therapy planning
GB2518589B (en) * 2013-07-30 2019-12-11 Holition Ltd Image processing
KR20160032586A (ko) * 2014-09-16 2016-03-24 삼성전자주식회사 관심영역 크기 전이 모델 기반의 컴퓨터 보조 진단 장치 및 방법
WO2017087985A1 (en) * 2015-11-20 2017-05-26 Duke University Systems and methods for automatic, customized radiation treatment plan generation for cancer
US10096132B2 (en) * 2016-01-27 2018-10-09 Samsung Electronics Co., Ltd. Method and apparatus for positioning feature point
EP3923237A1 (en) * 2017-02-22 2021-12-15 The United States of America as represented by The Secretary Department of Health and Human Services Detection of prostate cancer in multi-parametric mri using random forest
KR101955919B1 (ko) * 2017-09-21 2019-03-08 재단법인 아산사회복지재단 딥러닝 기반의 영상데이터 내 관심영역 설정방법 및 프로그램
GB2569541B (en) * 2017-12-19 2020-08-19 Mirada Medical Ltd Method and apparatus for medical imaging
JP7022195B2 (ja) * 2018-02-28 2022-02-17 富士フイルム株式会社 機械学習装置、方法およびプログラム並びに記録媒体
CN112601582A (zh) * 2018-06-26 2021-04-02 威斯康星州医药大学股份有限公司 用于加速的在线自适应放射疗法的系统和方法
US20220138939A1 (en) * 2019-02-15 2022-05-05 The Regents Of The University Of California Systems and Methods for Digital Pathology
KR102667231B1 (ko) 2020-12-21 2024-05-20 주식회사 인피니트헬스케어 딥 러닝 알고리듬과 해부학적 특성에 기반한 의료 영상 셋의 컨투어링 시스템 및 방법
WO2022145538A1 (ko) * 2020-12-30 2022-07-07 뉴로핏 주식회사 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101189639A (zh) * 2005-04-13 2008-05-28 皇家飞利浦电子股份有限公司 用于在多维数据集中分割一个表面的方法、系统和计算机程序
US20110054295A1 (en) * 2009-08-25 2011-03-03 Fujifilm Corporation Medical image diagnostic apparatus and method using a liver function angiographic image, and computer readable recording medium on which is recorded a program therefor
US20110222750A1 (en) * 2010-03-09 2011-09-15 Siemens Corporation System and method for guiding transcatheter aortic valve implantations based on interventional c-arm ct imaging
CN102542601A (zh) * 2010-12-10 2012-07-04 三星电子株式会社 一种用于3d对象建模的设备和方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1091782A (ja) * 1996-09-10 1998-04-10 Olympus Optical Co Ltd 濃淡画像用特定部位抽出方法
US5871019A (en) * 1996-09-23 1999-02-16 Mayo Foundation For Medical Education And Research Fast cardiac boundary imaging
EP0990222B1 (en) * 1998-04-03 2003-06-04 Koninklijke Philips Electronics N.V. Image processing method and system involving contour detection steps
JP4614548B2 (ja) * 2001-01-31 2011-01-19 パナソニック株式会社 超音波診断装置
JP4999163B2 (ja) * 2006-04-17 2012-08-15 富士フイルム株式会社 画像処理方法および装置ならびにプログラム
US7889912B2 (en) * 2006-09-15 2011-02-15 The General Electric Company Method for real-time tracking of cardiac structures in 3D echocardiography
US7916919B2 (en) * 2006-09-28 2011-03-29 Siemens Medical Solutions Usa, Inc. System and method for segmenting chambers of a heart in a three dimensional image
CA2666313A1 (en) * 2006-10-10 2008-05-08 Cedara Software Corp. System and method for segmenting a region in a medical image
JP4867771B2 (ja) * 2007-04-19 2012-02-01 パナソニック電工株式会社 テンプレートマッチング装置
WO2009031155A2 (en) * 2007-09-06 2009-03-12 Yeda Research And Development Co. Ltd. Modelization of objects in images
US8121367B2 (en) * 2007-09-21 2012-02-21 Siemens Aktiengesellschaft Method and system for vessel segmentation in fluoroscopic images
US8275182B2 (en) * 2007-09-27 2012-09-25 The University Of British Columbia University-Industry Liaison Office Method for automated delineation of contours of tissue in medical images
NZ593490A (en) * 2008-12-12 2013-11-29 Signostics Ltd Medical diagnostic method and apparatus
US8437521B2 (en) * 2009-09-10 2013-05-07 Siemens Medical Solutions Usa, Inc. Systems and methods for automatic vertebra edge detection, segmentation and identification in 3D imaging
US9025841B2 (en) * 2009-11-18 2015-05-05 Siemens Aktiengesellschaft Method and system for segmentation of the prostate in 3D magnetic resonance images
EP2522279A4 (en) * 2010-01-07 2016-11-30 Hitachi Ltd DIAGNOSIS DEVICE WITH MEDICAL PICTURES, METHOD FOR EXTRACTION AND PROCESSING OF THE CONTOUR OF MEDICAL PICTURES
US8867806B2 (en) * 2011-08-01 2014-10-21 Impac Medical Systems, Inc. Method and apparatus for correction of errors in surfaces
US9292917B2 (en) * 2011-11-23 2016-03-22 Siemens Aktiengesellschaft Method and system for model-based fusion of computed tomography and non-contrasted C-arm computed tomography

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101189639A (zh) * 2005-04-13 2008-05-28 皇家飞利浦电子股份有限公司 用于在多维数据集中分割一个表面的方法、系统和计算机程序
US20110054295A1 (en) * 2009-08-25 2011-03-03 Fujifilm Corporation Medical image diagnostic apparatus and method using a liver function angiographic image, and computer readable recording medium on which is recorded a program therefor
US20110222750A1 (en) * 2010-03-09 2011-09-15 Siemens Corporation System and method for guiding transcatheter aortic valve implantations based on interventional c-arm ct imaging
CN102542601A (zh) * 2010-12-10 2012-07-04 三星电子株式会社 一种用于3d对象建模的设备和方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
PETER M. ROTH 等: "Incremental Robust Learning an Active Shape Model", 《WORKSHOP OF AUSTRIAN ASSOCIATION FOR PATTERN RECOGNITION》 *
PIOTR DOLL´AR 等: "Structured Forests for Fast Edge Detection", 《2013 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *
SHAOTING ZHANG 等: "Deformable segmentation via sparse representation and dictionary learning", 《MEDICAL IMAGE ANALYSIS》 *
SHAOTING ZHANG 等: "Shape Prior Modeling Using Sparse Representation and Online Dictionary Learning", 《MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION》 *
TONIMA MUKHERJEE: "Active Shape Models for Medical Images Segmentation", 《HAUPTSEMINAR IM WINTERSESEMSTER 2011/12 MEDIZINISCHE BILDVERARBEITUNG》 *
YAN ZHOU: "Tracking the Left Ventricle through Collaborative Trackers and Sparse Shape Model", 《MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION-MICCAI 2012》 *
YEFENG ZHENG 等: "Four-Chamber Heart Modeling and Automatic Segmentation for 3-D Cardiac CT Volumes Using Marginal Space Learning and Steerable Features", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110799244A (zh) * 2017-04-21 2020-02-14 皇家飞利浦有限公司 用于自适应辐射治疗的规划系统
CN110799244B (zh) * 2017-04-21 2022-04-05 皇家飞利浦有限公司 用于自适应辐射治疗的规划系统
CN107392897A (zh) * 2017-07-17 2017-11-24 上海联影医疗科技有限公司 器官轮廓获取方法、影像设备、放疗计划系统及存储介质
CN107392897B (zh) * 2017-07-17 2021-02-02 上海联影医疗科技股份有限公司 器官轮廓获取方法、影像设备、放疗计划系统及存储介质
CN113536575A (zh) * 2021-07-20 2021-10-22 深圳市联影高端医疗装备创新研究院 器官轮廓勾画方法、医学影像系统以及存储介质

Also Published As

Publication number Publication date
RU2016137791A3 (zh) 2018-09-12
JP6505124B2 (ja) 2019-04-24
US20170193662A1 (en) 2017-07-06
JP2017512091A (ja) 2017-05-18
WO2015128803A2 (en) 2015-09-03
EP3111422B1 (en) 2020-11-11
EP3111422A2 (en) 2017-01-04
RU2689029C2 (ru) 2019-05-23
CN106462963B (zh) 2019-05-03
AU2015221826B2 (en) 2019-03-21
WO2015128803A3 (en) 2015-11-12
US9697602B1 (en) 2017-07-04
US9629598B2 (en) 2017-04-25
US20150238158A1 (en) 2015-08-27
AU2015221826A1 (en) 2016-09-08
RU2016137791A (ru) 2018-03-29

Similar Documents

Publication Publication Date Title
CN106462963B (zh) 用于自适应放射治疗中自动勾画轮廓的系统和方法
JP6884853B2 (ja) ニューラルネットワーク法を用いた画像セグメンテーション
US10452899B2 (en) Unsupervised deep representation learning for fine-grained body part recognition
Sahiner et al. Deep learning in medical imaging and radiation therapy
AU2019449137B2 (en) sCT image generation using cyclegan with deformable layers
JP6932182B2 (ja) 畳み込みニューラルネットワークを用いた画像セグメンテーションのためのシステムおよび方法
US10210613B2 (en) Multiple landmark detection in medical images based on hierarchical feature learning and end-to-end training
WO2018015080A1 (en) Medical image segmentation with a multi-task neural network system
US9390502B2 (en) Positioning anatomical landmarks in volume data sets
US10748282B2 (en) Image processing system, apparatus, method and storage medium
CN113826143A (zh) 特征点检测
US20060210158A1 (en) Object-specific segmentation
Lei et al. Echocardiographic image multi‐structure segmentation using Cardiac‐SegNet
WO2020104301A1 (en) Interactive iterative image annotation
US11565129B2 (en) Binary tracking of an anatomical tracking structure on medical images
Andersson et al. Evaluation of data augmentation of MR images for deep learning
Cruz-Aceves et al. Multiple active contours guided by differential evolution for medical image segmentation
Almogadwy et al. A deep learning approach for slice to volume biomedical image integration
US11908047B2 (en) Generating synthetic x-ray images and object annotations from CT scans for augmenting x-ray abnormality assessment systems
Kumar et al. Grey Wolf optimized SwinUNet based transformer framework for liver segmentation from CT images
Shahamatnia et al. A PSO/Snake Hybrid Algorithm for Determining Differential Rotation of Coronal Bright Points
Zhou et al. Auto-contouring the Prostate for Online Adaptive Radiotherapy

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20171018

Address after: American Georgia

Applicant after: ELEKTA LIMITED

Address before: American California

Applicant before: IMPAC MEDICAL SYSTEMS, INC.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant