CN107077731A - 成像不确定性的可视化 - Google Patents

成像不确定性的可视化 Download PDF

Info

Publication number
CN107077731A
CN107077731A CN201580057306.3A CN201580057306A CN107077731A CN 107077731 A CN107077731 A CN 107077731A CN 201580057306 A CN201580057306 A CN 201580057306A CN 107077731 A CN107077731 A CN 107077731A
Authority
CN
China
Prior art keywords
volume
voxel
evaluation
value
diagnostic
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
CN201580057306.3A
Other languages
English (en)
Other versions
CN107077731B (zh
Inventor
R·卡尔米
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 CN107077731A publication Critical patent/CN107077731A/zh
Application granted granted Critical
Publication of CN107077731B publication Critical patent/CN107077731B/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
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/30—Image reproducers
    • H04N13/388—Volumetric displays, i.e. systems where the image is built up from picture elements distributed through a volume
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/028—Multiple view windows (top-side-front-sagittal-orthogonal)

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Architecture (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种方法，包括：获得由成像系统生成的体积图像数据；生成针对所述体积图像数据的每个体素的不确定性；并且基于所生成的不确定性来利用体积图像数据生成评价体积。所述方法还包括：接收识别所述评价体积中的感兴趣区域和/或体积的输入；接收预期诊断类型；接收感兴趣评价概率水平；并且接收感兴趣效应方向。所述方法还包括：基于所述感兴趣评价概率水平和所述感兴趣效应方向来将所述评价体积变形以创建人造体积，所述人造体积反映所述不确定性对预期诊断类型的效应。所述方法还包括视觉地显示经变形的人造体积。

Description

成像不确定性的可视化
技术领域
下文总体涉及图像数据可视化，并且更具体而言，涉及根据对成像不确定性的可视化，并具体应用于计算机断层摄影(CT)。然而，以下还适用于其他成像模态，例如，但不限于，X射线、磁共振(MR)、单光子发射计算机断层摄影(SPECT)、正电子发射断层摄影(PET)、US和/或其他成像模态。
背景技术
来自诸如CT、X射线、MR、SPECT、PET、US等的模态的医学成像数据具有不确定性的各种源，这影响诊断结果的可靠性和准确性。除了图像噪声和成像系统准确度限制，生成不同类型的成像生物标记物图或功能成像图可以包括与计算模型和假设有关的显著不确定性。出于医学诊断的目的，在临床实践中常见的是，主要地可视化平均值或最可能的值(例如CT中的常规HU图像)。
文献中已经指出，已经通过彩色图、半透明和特殊结构和纹理的人造交叠实现了与图像数据一起示出不确定性。这些方法已经包括了用于复杂的可视化技术的方法，其包括临床成像信息和数据不确定性信息两者。遗憾的是，这些技术产生复杂的多参数图片，其可能无法帮助实践临床诊断和可能很难提炼以基于这样的可视化进行临床决策。
发明内容
本文描述的各方面解决以上提及的问题和其他问题。
在一个方面中，一种方法包括：获得由成像系统生成的体积图像数据；生成针对所述体积图像数据的每个体素的不确定性；并且基于所生成的不确定性来利用体积图像数据生成评价体积。所述方法还包括：接收识别所述评价体积的感兴趣区域和/或体积的输入；接收预期诊断类型，接收感兴趣评价概率水平，接收感兴趣效应方向。所述方法还包括映基于所述感兴趣评价概率水平和感兴趣效应方向来对所述评价体积变形以创建人造体积，其反映所述不确定性对预期诊断类型的效应。所述方法还包括视觉地显示经变形的评价体积。
在另一方面中，一种成像包括存储器和处理器，所述存储器被配置为存储人造体积生成器模块的计算机可执行指令。所述处理器响应于运行所述计算机可执行指令：生成针对体积图像数据的每个体素的不确定性；基于所生成的不确定性来利用体积图像数据生成评价体积；接收指示所述评价体积的感兴趣区域和/或体积的信号；接收诊断类型；接收感兴趣的评价概率水平；接收感兴趣效应方向；基于所述感兴趣评价概率水平和感兴趣效应方向来对所述评价体积变形以创建人造体积，其反映所述不确定性对诊断类型的效应；并且视觉地显示所述人造体积。
在另一方面中，一种被编码有计算机可读指令的计算机可读存储介质，所述计算机可读指令在由处理器运行时，令所述处理器：生成针对体积图像数据的每个体素的不确定性；基于所生成的不确定性来利用体积图像数据生成评价体积；接收指示所述评价体积的感兴趣区域和/或体积的信号；接收诊断类型，接收感兴趣的评价概率水平，接收感兴趣效应方向；所基于所述感兴趣评价概率水平和感兴趣效应方向来对所述评价体积变形以创建人为的体积，其反映所述不确定性对诊断类型的影响；并且视觉地显示所述人造体积。
本发明可以采取各种部件和各部件的布置以及各种步骤和各步骤的安排的形式。附图仅出于图示优选的实施例的目的并且不应被解释为对本发明的限制。
附图说明
图1示意性地图示了具有人造体积生成器模块的范例成像系统。
图2示意性地图示了图1的变型，其中，人造体积生成器模块是计算系统的一部分。
图3示意性图示了人造体积生成器模块的范例。
图4图示了用于基于局部的体积值来对不确定性进行可视化的范例方法，要么是连续的，要么是非连续的或离散的。
图5图示了用于基于导出的归类或文本值来可视化不确定性的范例方法。
图6图示了用于结合分类来可视化不确定性的范例方法。
图7图示了用于结合标量值来可视化不确定性的范例方法。
图8图示了用于结合纹理或结构分析来可视化不确定性的范例方法。
图9图示了用于结合分割来可视化不确定性的范例方法。
图10图示了用于结合对连续标量数据进行全局区域分析来可视化不确定性的范例方法。
图11图示了用于结合对分类数据的全局区域分析来可视化的不确定性的范例方法。
图12-15示出了结合动脉的狭窄的范例。
图16-19示出了结合将分割的区域的分类为不同组织类的范例。
图20-23示出了结合包括对应于选定的组织类型的分割区域的尺度的范例。
图24-26示出了结合感兴趣组织的纹理或的精细结构的范例。
图27-31示出了结合诊断结果的全局定量分析的范例。
具体实施方式
以下描述了用于对估计的成像的不确定性可以如何影响特定类型的预期临床诊断进行可视化的方法。在一个实例中，结果为临床医生提供方便的方式来评估特定诊断和相关的临床决定的置信度，其基于医学成像信息。
图1示意性地图示了诸如计算断层摄影(CT)扫描器的范例成像系统100。成像系统100包括固定机架102和由固定机架102可旋转支撑的旋转机架104。旋转机架104关于纵向或z轴("Z")围绕检查区域106旋转。对象支撑体108支撑检查区域106中的对象或目标。
诸如X射线管的辐射源110由旋转机架104可旋转地支撑，与旋转机架104一起旋转，并且发出穿过检查区域106的X射线辐射。探测器阵列112相对于辐射源110在与检查区域106的对面，对向一角度弧。探测器阵列112探测穿过检查区域106的辐射，并且生成指示所述辐射的信号(投影数据)。重建器114重建所述信号并且生成体积图像数据。
操作者控制台116包括处理器118(例如微处理器、中央处理单元等)，所述处理器运行在计算机可读存储介质(存储器)120中存储的至少一条计算机可读指令，所述计算机可读存储介质不包括瞬态介质而包括物理存储器和/或其他非瞬态介质。微处理器118也可以执行由载波、信号或其他暂态介质运载的计算机可读指令。控制台116还包括(一个或多个)输出设备122，例如显示监视器、胶片机等，以及(一个或多个)输入设备124，诸如鼠标、键盘等
在图示的范例中，计算机可读指令是用于人造体积生成器模块126的，其基于所输入的体积图像数据来生成人造体积。如下面更详细描述的，在一个实例中，人造体积生成器模块126对体积图像数据进行变形以基于感兴趣特征的不确定性来视觉地调整图像数据。在一个实例中，得到的经变形的图像对估计的成像不确定性如何影响临床诊断进行可视化。这可能，例如，为临床医师提供方便的方法来评价特定的诊断及相关临床决策的置信度，其中，它们是基于医学影像信息的。
常规诊断过程通常是通过查看最可能的，或平均图像数据(例如，CT中的常规HU图像)来完成的。对于特定的潜在疾病或医学状况，临床医师通常会查找特定的图像值的分布，特殊结构或纹理，特定形状的尺寸，以及其它图像特征。在本文所描述的方法中，所估计的数据的不确定性可以从成像模态软件(或其他软件)来提供并且预期的诊断的类型是针对特定图像区域或分段来确定的。由此，人造变形的图像被计算，其给出关于由于所估计的不确定性的潜在出错诊断的估计。
图2图示了图1的变型。
这种变化包括计算系统202，其包括处理器118、具有人造体积生成器模块126的存储器120，输出设备122和输入设备124。计算系统202可以是成像系统100的部分或者与成像系统100分离。原始数据、原始体积和/或人造体积可被存储在数据储存库204中。数据储存库的范例包括图片归档和通信系统(PACS)、放射学信息系统(RIS)、医院信息系统(HIS)、电子病历(EMR)、数据库、服务器、成像系统、计算机和/或其他数据资源库。
图3图示了人造体积生成器模块126的一个范例。
人造体积生成器模块126作为输入接收体积图像数据。不确定性估计器302生成针对一个或多个体素、体素的一个或多个组和/或整个输入体积图像数据的不确定性。不确定性，例如，可以是图，其针对每个体素提供针对一个或多个可视化性质的概率。评价体积生成器304基于输入体积图像和不确定性来生成评价体积。例如，评价体积可以包括对应于具有针对体素等的最高概率的材料类的平均体素。
体积变形器306至少基于估计的不确定性、指示感兴趣区域和/或体积的输入、指示感兴趣诊断类型的输入、指示感兴趣的概率水平的输入以及指示作用方向的输入来对所述评价体积进行变形。可以从存储器120和/或从输入设备124的输入来获得这样的信息。该感兴趣区域和/或体积可以是体积图像数据集的子集或者是整个体图像数据集，并且可以被自动地和/或手动地确定。感兴趣诊断类型识别影响用户所取的临床结果或由临床决策的(一个或多个)特性。
效应方向指示评价体积将如何被变形，例如，阴性的使得人造体积将被变形为表示较不阳性的情况，或者阳性的使得人造体积将被变形为表示更为阳性的情况。例如，更为阳性的情况可以涉及检查的疾病是更为严重的情况。感兴趣评价概率水平是阈值或者相对值，其被用来确定是否要对评价体积变形或者以什么样的量来变形评价体积。例如，为模仿对感兴趣诊断类型的不确定性的影响，可以选择例如50％-70％，例如60％的概率水平来探索较不阳性的结果。60％的概率的选择等效于高斯分布的一个标准差移位的可能性。概率百分比被应用于不确定性估计器302的输出，例如，不确定性图，以便导出每个体素的实际不确定性值，这将在体积变形中由体积变形306使用。
人造体积和/或评价体积被视觉地显示。在一个实例中，这包括在查看窗口内不交叠地同时显示人造体积和评价体积，例如并排。在另一实例中，人造和评价体积在查看窗口中交替地和单独地显示。用户可以在各体积之间来回切换。在又一实例中，人造和评价体积可以被融合和/或以其他方式被组合为单个体积，例如，使用一个半透明栏叠加，并且单个体积可以被显示在查看窗口中。
引起的图像变形可以被应用以这样的性质，其可以模仿不太严重或更为严重的诊断结果。原始体积和人造体积可以以默认的或用户优选的方式被可视化，使得对潜在的诊断结果的印象比常规的不确定性的可视化技术更加清晰。所述方法可以被应用在具有量化标度值的图像上，诸如解剖图像或功能成像图，例如，以归类图诸如在分类和分割结果中。
图4图示了用于基于局部的体积值来使用成像信息来对不确定性进行可视化的范例方法，要么是连续的，要么是非连续的或离散的。
要理解，本文中描述这些方法的动作的顺序不是限制性的。这样，本文中预期其他顺序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在402处，例如从成像系统100、数据储存库204和/或其他设备采集体积图像数据。
在404处，确定对体图像数据的体积局部不确定性分布的估计。
在406处，基于所述体积图像数据和所述局部不确定性分布来生成评价体积。
在408处，在评价体积中识别感兴趣区域和/或体积。
在410处，识别诊断类型。在这个范例中，诊断类型指示使得结果变为阳性(或阴性)结果的感兴趣特性。
在412处，接收感兴趣评价概率水平。
在414处，识别效应方向。阴性效应将得到表示较不阳性的情况的人造体积，并且阳性效应将得到表示较为阳性的情况的人造体积。
在416处，确定要被计算的体素周围的全局特征的类型。
在418处，计算体素周围的全局特征的类型。
在420处，如果基于感兴趣评价概率水平和体素周围的计算的全局特征来确定体素值是否应该被变形。
如果确定该体素值应该被变形，则在422处，针对感兴趣区域和/或体积基于诊断类型和效应方向来确定值变形的幅度和方向。
在424处，如果确定体素值不应该被变形或如果体素被变形，则确定是否要对另一个体素进行评价。
如果确定另一个体素要被评价，则动作416被重复。
如果在424确定没有其他体素要被评价，则在426人造体积被视觉地呈现。
任选地，在动作426之前，模型可以被确定以保持诊断图像的状况并且被应用于体积以产生最终体积。
图5图示了用于基于导出的分类或文本值使用图像信息来可视化不确定性的范例方法。
要理解，本文中描述这些方法的动作的顺序不是限制性的。这样，本文中预期其他顺序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在502处，例如从成像系统100、数据储存库204和/或其他设备采集体积图像数据。
在504处，确定对体图像数据的体积局部不确定性分布的估计。
在506处，基于所述体积图像数据和所述局部不确定性分布来生成评价体积。
在508处，在评价体积中识别感兴趣区域和/或体积。
在510处，识别诊断类型。在这个范例中，诊断类型指示感兴趣的特性，其使结果为正(或负)的结果。
在512处，接收感兴趣评价概率水平。
在514处，识别效应方向。阴性效应将得到表示较不阳性的情况的人造体积，并且阳性效应将得到表示较为阳性的情况的人造体积。
在516处，确定是否要执行模拟或解析分析。
如果选择了模拟分析，则在518处的，随机值/类基于其不确定性分布被分配给该感兴趣区域和/或体积中的每个体素并且计算临时全局分析。该过程重复预定次数，并且所有模拟重复的值被记录。
如果选择了解析分析，那么在520处，感兴趣区域和/或体积的所有体素的解析不确定性特性被确定。
在522处，计算全局分析结果的概率分布。其中，在516处选择模拟分析，所记录的值被用于，例如，创建直方图。
在524处，计算对应于概率水平的全局分析的值。
应当理解，人造体积不同于原始体积上的应用统计噪声。此外，作为整体的图像，这不大可能是现实的结果，因为效应不确定性是有方向性的，而不是随机的。然而，其使得用户能够具有这样的在单个简单图像表示中的印象：由于不确定性在任何位置中可能发生什么，以及其可能如何影响预期的诊断。
在一个变型中，针对一个临床病例选择多个区域，其具有对应的多个定义。此外，不确定性性质可以具有体素之间的相关性。
图6-11图示了人造体积生成器模块126的示范性用户情况。
图6图示了结合分类的范例方法。
要理解，本文中描述这些方法的动作的顺序不是限制性的。这样，本文中预期其他顺序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在602处，执行扫描，生成体积图像数据。
在604处，生成体素的不确定性，其针对体积图像数据的每个体素提供针对个多不同材料类中的每个的概率。在这方面，材料可以是由成像信号所指示的生物组织或化学化合物、或材料的效应或者其功能。
在606处，生成评价体积，其中，每个体素对应于具有基于局部不确定性的最高概率的材料类。
在608处，在评价体积中识别感兴趣区域和/或体积。
在610处，识别诊断类型。在这个范例中，诊断类型指示感兴趣材料类，其表示将造成阳性诊断结果的材料类。
在612处，接收到感兴趣评价概率水平，如本文中和/或以其他方式描述的。
在614处，识别效应方向。在这个例子中，效应方向为阴性的，意味着评价体积将基于感兴趣评价概率水平被变形为表示较不阳性的情况，如果有变形的话。
在616中，通过响应于所述体素的是不同材料类的概率符合或超过感兴趣评价概率水平而将评价体积的感兴趣区域和/或体积中的对应于所识别的材料类的每个体素替换为不同材料类的体素来生成人造体积。对应于除所识别的(一个或多个)材料类的材料类的体素不被替换。人造体积将包括对应于所识别的感兴趣材料类的相同或更少数量的体素，表示较不阳性的情况。
如果多个不同的材料类的概率符合或超过感兴趣评价概率水平，则体素被替换为针对具有最大可能概率的材料类的体素。如果至少两个不同的材料类具有相同概率和最高的概率，则体素被替换为针对所述至少两个不同的材料类的体素中随机选定的一个。在一个实例中，空间滤波器被应用到人造体积以基于预定的体素相干长(例如，2.5的体素)度来对所述体积进行平滑，因为每个体素独立于其他体素被替换。然后，再离散化被施加到经滤波的数据以产生最终人造体积。
在618，人造体积被视觉地呈现。
图7图示了结合标量值的范例方法。
要理解，本文中描述这些方法的动作的顺序不是限制性的。这样，本文中预期其他顺序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在702处，扫描被执行，从而生成具有被建模的功能图的连续的体素值的体积图像数据。
在704中，生成不确定性，其针对体积图像数据的每个体素提供针对具有不同的值的概率分布。如果已知的概率分布被确定(例如，高斯概率分布)，则可以针对每个体素分配单个特性，诸如标准偏差。概率分布可以是非对称的。
在706处，生成评价体积图像数据集，其中，每个体素具有对应于体素的最可能的值的值。
在708处，在评价体积中识别感兴趣区域和/或体积。
在710处，识别诊断类型。在这个范例中，诊断类型指示表示阳性诊断结果的较高的体素值和表示阴性诊断结果较低的体素值。
在712处，接收到感兴趣评价概率水平，如本文中和/或以其他方式描述的。
在714处，识别效应方向。在这个范例中，效应方向为阴性的，意味着评价体积将基于感兴趣评价概率水平被变形为表示较不阳性的情况，如果有变形的话。
在716处，通过响应于所述体素是不同值的概率符合或超过感兴趣评价概率水平而将评价体积的感兴趣区域和/或体积中的每个体素值替换为对应于原始值减去体素的STD的值来生成人造体积。
任选地，这是针对所有体素值进行的，并且动作712被省略。任选地，如结合图6所讨论地应用空间滤波器。
在718处，人造体积被视觉地呈现。
图8示出了结合纹理或结构分析的范例方法。
要理解，本文中描述这些方法的动作的顺序不是限制性的。这样，本文中预期其他顺序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在802处，执行扫描，生成具有被建模的功能图的连续的体素值的体积图像数据，例如，如所描述的和/或以在其他情况下。
在804处，生成不确定性，例如，如本文中所描述和/或以其他方式描述的。
在806处，生成评价体积图像数据集。
在808处，在评价体积中识别感兴趣区域和/或体积。
在810处，接收预期的诊断类型。对于这个范例，响应于更多的体素在它们的值的空间分布中是异质的和不规则的，预期的诊断类型分配更为阳性的临床结果。
在812处，接收到感兴趣评价概率水平，如本文中和/或以其他方式描述的。
在814处，识别效应方向。在这个范例中，效应方向为阴性的，意味着评价体积将基于感兴趣评价概率水平被变形为表示较不阳性的情况，如果有变形的话。
在816处，通过仅针对具有符合或超过感兴趣评价概率水平的值的体素将评价体积图像数据集中的感兴趣区域和/或体积中的每个体素替换为计算的值来生成人造体积。替换值是通过计算围绕感兴趣的体素的在确定的空间区域中的所有体素的值的均值来计算的(例如，具有预定感兴趣半径的球形或其它体积，例如，以mm计)。如果中心体素的值高于均值，那么该值通过它的不确定性STD减少，并且如果该中心体素的值比均值更低，则该值通过其不确定度STD增加。任选地，如结合图6所讨论地应用空间滤波器。
在818处，人造体积被视觉地呈现。
图9图示了结合分割的范例方法。
要理解，本文中描述这些方法的动作的顺序不是限制性的。这样，本文中预期其他顺序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在902处，执行扫描，生成体积图像数据。
在904处，体积图像数据基于分割模型而被分割，从而创建评价体积。
在906处，生成不确定性，其针对体积图像数据的每个体素提供要被包括在分割结构或从分割结构中排除的概率。例如，如果体素在分割结构外面，但非常接近其，则它可具有仅比被排除的概率稍小的要被包括的概率。如果体素良好地在分割结构内，则它可以具有非常低的被排除的概率。
在908处，接收预期的诊断类型。对于这个范例，预期的诊断类型将更为阳性的临床结果分配给更大的分割结构。
在910处，接收感兴趣评价概率水平。在这个范例中，感兴趣评价概率水平对应于体素在分割结构之外的概率。
在912处，效应方向被识别，如在本文中所描述的和/或以其他方式描述的。
在914处，通过响应于体素具有符合或超过感兴趣评价概率水平的概率来标记分割结构中的体素值而生成人造体积。针对已经在分割结构之外的体素，原始值保持不变。在这个范例中，分割定义感兴趣区域和/或体积。
任选地，当存在对所述分割结构的形状(例如，形状的表面平滑性)的约束时，并且形态学操作被应用以符合先前的约束。
在916处，人造体积被视觉地呈现。
图10图示了结合对连续标量数据的全局区域分析的范例方法。
应理解，本文中描述这些方法的动作的顺序不是限制性的。这样，本文中预期其他顺序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在1002处，接收具有所建模的功能图的连续的体素值的体积图像数据。
在1004处，生成不确定性，例如，如本文中所描述和/或以其他方式描述的。
在1006处，在评价体积中识别感兴趣区域和/或体积。
在1008处，接收预期的诊断类型。对于这个范例，预期的诊断类型是基于所选择的感兴趣区域的全局分析的；例如，在这个区域中的所有体素值的均值。预期的诊断，在该范例中，尽可能随着区域均值更高而更多分配阳性临床结果。
在1010处，接收感兴趣评价概率水平，如本文中和/或以其他方式描述的。
在1012处，效应方向被识别，如在本文中所描述的和/或以其他方式描述的。
在1014处，在考虑相关的体素的误差传播时在考虑感兴趣区域和/或体积内的每个体素值的不确定性的同时，计算新的全局均值。例如，如果有“N”个体素在选定的ROI内，并且每个具有“e”的STD的高斯不确定性估计，并且选定的概率水平为p，则均值STD为e/(N1 /2)，以及经修改的区域均值可以从p和具有e/(N1/2)的高斯分布来计算。
在1016处，结果被表示为文本结果。
图11图示了结合对分类数据的全局区域分析的范例方法。
应理解，本文中描述这些方法的动作的顺序不是限制性的。这样，本文中预期其他顺序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在1102处，执行扫描，生成体积图像数据。
在1104处，生成不确定性图，如本文中所讨论地和/或以其他方式讨论的。
在1106处，生成评价体积，如本文中所讨论地和/或以其他方式讨论的。
在1108处，在评价体积中识别感兴趣区域和/或体积。
在1110处，接收预期的诊断类型。在该范例中，预期的诊断类型是基于对选定的感兴趣区域的全局分析的；例如，对应于感兴趣区域和/体积的感兴趣材料类的体素相对于所有类的总和的比率。预期诊断随着感兴趣材料类的区域比率更高而将阳性临床结果分配为更多。
在1112处，接收感兴趣评价概率水平，如本文中和/或以其他方式描述的。
在1114处，识别效应方向。在这个范例中，效应方向为阴性的，意味着评价体积将基于感兴趣评价概率水平被变形为表示较不阳性的情况，如果有变形的话。
在1116，在考虑相关的体素的误差传播时在考虑感兴趣区域和/或体积内的每个体素值的不确定性的同时，计算新的类的比率。
在多分类的不确定性的情况下，可以执行蒙特卡罗模拟，其中，在每次迭代中，区域中的每个体素基于其不确定性分布而得到一值。在每次迭代中，执行全局分析，并将结果保存。所有迭代的结果给出全局分析结果的全局概率分布，并根据其可以找到与确定的概率水平相关的值。
在1118处，结果被表示为文本结果。
可以通过计算机可读指令实现以上内容，所述计算机可读指令嵌入或编码到计算机可读存储介质上，当被计算机处理器执行时，所述计算机可读指令使处理器执行所述动作。额外地或者备选地，所述计算机可读指令中的至少一个由信号、载波或其他瞬态介质所承载。
图12-31图示了若干范例。
图12-15的范例涉及在心脏CT中的动脉(例如冠状动脉)的狭窄。图12示出了具有表示由对比剂增强的血管1202的体素的原始诊断图像1200。A，B和C指示在处于风险中的狭窄区域。图13示出了关于估计的成像不确定性1302的信息。y轴1304表示Z方向，并且x轴1306表示不确定性水平(例如，高斯的STD)。图14示出了不确定性水平的线密度表示。图15示出了得到的人造图像。人造图像表示变形的图像，其示出了探索的关于血管狭窄的不确定性的效应。在图15中，区域1502表示由于小的不确定性的小的变形并且区域1504表示由于大的不确定性的大的变形。周界1506表示人造图像，并且周界1508表示原始图像。
对于变形，目标区域是冠状动脉，预期的诊断的类型是变窄的血管，效应不确定性的概率水平是预定的百分比(例如60％)，效应是正方向(即探索更狭窄)，并且体素周围的全局特征是对比剂的存在。对于每个体素周围，阈值被计算，在其之上的值被认为是具有对比剂。对于具有对比剂的那些体素，体素值基于所确定的概率水平和局部不确定性输入估计被减小(但不低于该阈值)。
图16-19的范例涉及将分割区域分类成不同的组织类，例如，在肝脏中识别癌性区域。图16示出了原始诊断图像1600，其具有器官内的组织区域分类，被分为3个离散类，类11602、类2 1604以及类3 1606。图17示出了为类1的概率。图18示出了图像1600中以中等置信度的被分类为类1区域1802，以及图像1600中以高置信度被分类为类1的区域1804。图19示出了人造变形的图像1900，其示出在获得类-1区域中的探索的不确定性效果。
对于变形，目标区域是选定的器官，预期的诊断的类型是类-1组织的分类(更多类-1区域对应于阳性诊断)，效应不确定性的选定的概率水平被确定为百分比，并且效应是在负方向上(即，探索更少的类-1检测)。对于每个所分类的区域(作为整体)：如果类-1的区域具有基于所选择的概率水平被分类为另一类的足够大的概率，则利用其他类来替换原始类。对于具有类2或3的体素，不改变原始值(在这种情况下阴性效应不确定性)。
图20-23的范例包括对应于选定的组织类型(例如肿瘤病变体积)的分割区域的尺度。图20示出了原始诊断图像2000，其示出器官内的分割组织2002。图21示出了作为分割组织的部分的概率。图22示出了诊断图像中的具有要被包括在分段内的低置信度的体素2202，以及诊断图像中的具有要被包括在分段内的高置信度的体素2204。图23示出了人造变形图像，其示出探索的确定性在分割区域的尺度上的效应，在这种情况下，获得更小的分割区域2302。
对于变形，预期诊断的类型是分割区域的尺度(大的分割对应于阳性诊断)，效应不确定性的选定概率水平是确定的百分比，其效应是在负方向上(即探索更小的分段)。对于在原始分割区域内的那些体素，基于选定的概率水平和局部不确定性输入估计来从所述分割中排除所述体素。
图24-26的范例涉及感兴趣组织的纹理或精细结构(例如在不同的肺部疾病中的肺实质的纹理和结构)。图24示出了原始诊断图像2400，其示出器官2404内的精细结构的组织2402。图25示出了每体素的估计的成像不确定性每，其中，每个体素具有围绕均值2502预测的相同的高斯不确定性分布2500。图26示出了人造变形图像2600，其示出探索的不确定性对组织纹理的效应，其在这种情况下，是较少的组织不规则和异质性。
对于变形，目标区域是选定的组织区域，预期诊断的类型是当局部图值是异质和不规则时分配阳性临床结果为多的，并且效应不确定性的选定概率水平是确定的百分比，效应是在负方向上(即，探索较少不规则性和不均匀性)，并且体素周围的全局特征的类型：针对每个体素，计算围绕该特定体素的确定的空间区域(例如，具有若干mm的半径的球)中的所有体素的值的均值。如果中心体素的值比所述局部均值更高，那么它的值基于选定的概率水平被降低(但不低于局部均值)。如果体素的值低于均值，那么它的值被增加(但不超过局部均值)。
图27-31的范例包括对诊断结果的全局定量分析(例如功能性血液灌注分析)。图27示出了在阶段1中的原始诊断图像2700，并且图28示出了在阶段2中的原始诊断图像2800。所述阶段可以是，例如，两个不同的扫描或在动态扫描中两个不同的时间帧或两个不同的分析流程。在图28中，区域2802表示了用于分析的感兴趣的区域。区域2802之内是连续的体素值。图29示出了数值量化诊断结果。图30示出了关于每体素的估计的成像不确定性的信息。此处，每个体素具有围绕最大可能值预测的相同的非对称的不确定性分布。该信息指示可能的体素值，其中，最可能的值是来自原始的诊断图像的值。图31示出了人造变形的数值量化诊断结果。在这种情况下，比原始的诊断结果低。
对于变形，目标区域是ROI，预期的诊断的类型是通过计算来自阶段1的结果与来自阶段2的结果的比率来计算针对两个成像阶段的绘制的ROI内的平均体素值，并且将更加阳性的临床结果分配给更高的比率，并且效应不确定性的选定的概率水平是确定的百分比，效应是在负方向上。该算法考虑选定的ROI内的每个体素的不确定性分布，并且在考虑相关的体素的误差传播的同时计算新的比率。结果被呈现为新的数值结果。为计算误差传播，可以进行蒙特卡罗模拟，其中，在每次迭代中，区域中的每个体素基于其不确定性分布获得一值。在每次迭代中执行全局分析(即，在这种情况下，比率计算)，结果被保存。所有迭代的结果给出全局分析结果的全局概率分布，并根据其可以找到与确定的概率水平相关的值。
己经参考优选的实施例描述了本发明。他人在阅读并理解了前述详细说明之后可以进行修改和变形。本发明旨在被理解为包括所有这样的修改和变形，只要其落入权利要求书或其等价方案的范围之内。

Claims (21)

1.一种方法，包括：
获得由成像系统生成的体积图像数据；
生成针对所述体积图像数据的每个体素的不确定性；
基于所生成的不确定性来利用体积图像数据生成评价体积；
接收指示所述评价体积中的感兴趣区域或体积的输入信号；
接收诊断类型；
接收感兴趣评价概率水平；
接收感兴趣效应方向；
基于所述感兴趣评价概率水平和所述感兴趣效应方向来将所述评价体积变形以创建人造体积，所述人造体积反映所述不确定性对所述诊断类型的效应；并且
视觉地显示所述人造体积。
2.如权利要求1所述的方法，还包括：
在查看窗口的非交叠区域中视觉地同时显示所述人造体积和所述评价体积。
3.如权利要求1所述的方法，还包括：
在查看窗口中视觉地交替显示所述人造体积和的所述评价体积。
4.如权利要求1所述的方法，还包括：
融合所述人造体积和所述评价体积，以形成单个体积；并且
在查看窗口中视觉地显示单个融合的体积。
5.如权利要求1至4中的任一项所述的方法，其中，所述诊断类型对应于材料类，并且通过响应于所述体素是不同材料类的概率符合或超过所述感兴趣评价概率水平而将对应于所述材料类的所述评价体积的感兴趣区域或体积中的每个体素替换为对应于所述不同材料类的体素，来生成所述人造体积。
6.如权利要求5所述的方法，其中，对应于除所识别的材料类之外的材料类的体素不被替换。
7.如权利要求1至4中的任一项所述的方法，其中，所述诊断类型指示较高的体素值表示阳性诊断结果并且较低的体素值表示阴性诊断，并且通过将所述评价体积的感兴趣区域或体积中的每个体素替换为对应于原始体素值减去所述体素的标准差的值来生成所述人造体积。
8.如权利要求7所述的方法，其中，所述评价体积的所述感兴趣区域或体积中的体素值仅响应于所述体素是不同的值的概率符合或超过所述感兴趣评价概率水平而被替换。
9.如权利要求1至4中的任一项所述的方法，其中，所述诊断类型响应于所述体素中的更多的体素是异质和不规则的而指示更为阳性的临床结果，并且通过仅针对具有符合或超过所述感兴趣评价概率水平的值的体素将所述评价体积的感兴趣区域或体积中的每个体素值替换为计算的值来生成所述人造体积。
10.如权利要求9所述的方法，其中，替换值是通过以下来计算的：计算感兴趣体素周围的预定空间区域中的体素的值的均值，并且如果中心体素高于所述均值则将所述值减去其不确定性标准差，并且如果所述中心体素低于所述均值则将所述值增加其不确定性标准差。
11.如权利要求1至4中的任一项所述的方法，其中，所述诊断类型响应于较大的分割结构而指示更为阳性的临床结果，并且通过响应于所述体素具有符合或超过所述感兴趣评价概率水平的概率而对所述分割结构中的体素值进行标记来生成所述人造体积，其中，已经在所述分割结构的外部的体素不变。
12.如权利要求1至4中的任一项所述的方法，其中，所述诊断类型是基于对选定的感兴趣区域的全局分析的，并且在考虑相关体素的误差传播时在考虑感兴趣区域或体积内的每个体素值的所述不确定性的同时来计算所述人造体积。
13.如权利要求1至4中的任一项所述的方法，其中，所述诊断类型基于对应于感兴趣区域或体积中的感兴趣材料类的体素相对于所有体素类的总和的比率，并且通过创建在考虑相关体素的误差传播时在考虑感兴趣区域和/或体积内的每个体素值的所述不确定性的同时计算的新的类的比率来计算所述人造体积。
14.一种成像系统(100)，包括：
存储器(120)，其被配置为存储人造体积生成器模块(126)的计算机可执行指令；以及
处理器(118)，其响应于运行所述计算机可执行指令而：
生成针对体积图像数据的每个体素的不确定性；
基于所生成的不确定性来利用体积图像数据生成评价体积；
接收指示所述评价体积中的感兴趣区域和/或体积的输入信号；
接收诊断类型；
接收感兴趣评价概率水平；
接收感兴趣效应方向；
基于所述感兴趣评价概率水平和所述感兴趣效应方向来将所述评价体积变形以创建人造体积，所述人造体积反映所述不确定性对所述诊断类型的效应；并且
视觉地显示所述人造体积。
15.如权利要求14所述的成像系统，其中，所述诊断类型对应于材料类，并且所述处理器通过以下操作来创建所述人造体积：响应于所述体素是不同材料类的概率符合或超过所述感兴趣评价概率水平而将对应于所述材料类的所述评价体积的感兴趣区域或体积中的每个体素替换为对应于所述不同材料类的体素。
16.如权利要求14所述的成像系统，其中，所述诊断类型指示较高的体素值表示阳性诊断结果并且较低的体素值表示阴性诊断，并且所述处理器通过将所述评价体积的感兴趣区域或体积中的每个体素值替换为对应于原始体素值减去所述体素的标准差的值来创建所述人造体积。
17.如权利要求14所述的成像系统，其中，所述诊断类型响应于所述体素中的更多是异质的和不规则的而指示更为阳性的临床结果，并且所述处理器通过仅针对具有符合或超过所述感兴趣评价概率水平的值的体素将所述评价体积的感兴趣区域和/或体积中的每个体素值替换为计算的值来创建所述人造体积，其中，替换值是通过以下来计算的：计算感兴趣体素周围的预定空间区域中的体素的值的均值，并且如果中心体素高于所述均值则将所述值减去其不确定性标准差，并且如果所述中心体素低于所述均值则将所述值增加其不确定性标准差。
18.如权利要求14所述的成像系统，其中，所述诊断类型响应于较大的分割结构而指示更为阳性的临床结果，并且所述处理器响应于所述体素具有符合或超过所述感兴趣评价概率水平的概率而对所述分割结构中的体素值进行标记，其中，已经在所述分割结构的外部的体素不变。
19.如权利要求14所述的成像系统，其中，所述诊断类型是基于对选定的感兴趣区域的全局分析的，并且所述处理器在考虑相关体素的误差传播时在考虑感兴趣区域或体积内的每个体素值的不确定性的同时创建所述人造体积。
20.如权利要求14所述的成像系统，其中，所述诊断类型基于对应于感兴趣区域或体积中的感兴趣材料类的体素相对于所有体素类的总和的比率，并且所述处理器通过创建在考虑相关体素的误差传播时在考虑感兴趣区域和/或体积内的每个体素值的不确定性的同时计算的新的比率来创建所述人造体积。
21.一种被编码有计算机可读指令的计算机可读存储介质，所述计算机可读指令在由处理器运行时，令所述处理器：
生成针对体积图像数据的每个体素的不确定性；
基于所生成的不确定性来利用体积图像数据生成评价体积；
接收指示所述评价体积中的感兴趣区域和/或体积的输入信号；
接收诊断类型；
接收感兴趣评价概率水平；
接收感兴趣效应方向；
基于所述感兴趣评价概率水平和所述感兴趣效应方向来将所述评价体积变形以创建人造体积，所述人造体积反映所述不确定性对所述诊断类型的效应；并且
视觉地显示所述人造体积。
CN201580057306.3A 2014-10-22 2015-10-21 成像不确定性的可视化 Active CN107077731B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462066967P 2014-10-22 2014-10-22
US62/066,967 2014-10-22
PCT/IB2015/058126 WO2016063235A2 (en) 2014-10-22 2015-10-21 Visualization of imaging uncertainty

Publications (2)

Publication Number Publication Date
CN107077731A true CN107077731A (zh) 2017-08-18
CN107077731B CN107077731B (zh) 2021-08-03

Family

ID=54478927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580057306.3A Active CN107077731B (zh) 2014-10-22 2015-10-21 成像不确定性的可视化

Country Status (5)

Country Link
US (1) US10275946B2 (zh)
EP (1) EP3210193A2 (zh)
JP (1) JP6789933B2 (zh)
CN (1) CN107077731B (zh)
WO (1) WO2016063235A2 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232678A (zh) * 2019-05-27 2019-09-13 腾讯科技（深圳）有限公司 一种图像不确定度预测方法、装置、设备及存储介质
CN111223556A (zh) * 2018-11-23 2020-06-02 西门子医疗有限公司 集成医学图像可视化和探索
CN112166332A (zh) * 2018-03-22 2021-01-01 皇家飞利浦有限公司 使用磁共振指纹识别的异常检测
CN113689375A (zh) * 2020-05-18 2021-11-23 西门子(深圳)磁共振有限公司 介入治疗中的图像呈现方法、系统、成像系统及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10592743B2 (en) 2017-08-24 2020-03-17 International Business Machines Corporation Machine learning to predict cognitive image composition
US10478134B2 (en) * 2017-09-26 2019-11-19 General Electric Company Systems and methods for improved diagnostics for nuclear medicine imaging
JP7395396B2 (ja) * 2020-03-23 2023-12-11 株式会社東芝 情報処理装置、情報処理方法およびプログラム
WO2022204485A1 (en) * 2021-03-26 2022-09-29 Carnegie Mellon University System, method, and computer program product for determining a needle injection site

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101002228A (zh) * 2004-05-18 2007-07-18 医学视像上市公司 结节边界检测
CN101006928A (zh) * 2006-01-25 2007-08-01 西门子公司 断层造影系统和用于显示断层造影表示的方法
US20090028398A1 (en) * 2007-07-25 2009-01-29 Sectra Ab Sensitivity lens for assessing uncertainty in image visualizations of data sets, related methods and computer products
CN101484916A (zh) * 2006-05-15 2009-07-15 Im3D有限公司 基于改进的区域生长分割的自动识别解剖结构中的癌前期异常的方法和系统及由此得到的计算机程序
CN101517614A (zh) * 2006-09-22 2009-08-26 皇家飞利浦电子股份有限公司 肺结节的高级计算机辅助诊断
US20110002520A1 (en) * 2009-07-01 2011-01-06 Siemens Corporation Method and System for Automatic Contrast Phase Classification
CN102089783A (zh) * 2008-07-11 2011-06-08 爱克发医疗保健公司 用于体积数据集的多模式显像的方法和设备
JP2011177517A (ja) * 2010-03-03 2011-09-15 Medicsight Plc 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム
US20120320055A1 (en) * 2010-03-11 2012-12-20 Koninklijke Philips Electronics N.V. Probabilistic refinement of model-based segmentation
CN103262120A (zh) * 2010-12-09 2013-08-21 皇家飞利浦电子股份有限公司 图像数据的体积描绘

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE602007004332D1 (de) * 2006-05-31 2010-03-04 Koninkl Philips Electronics Nv Anzeige von verläufen und erwarteten verläufen von mitigation
US20100017182A1 (en) * 2008-07-15 2010-01-21 Szilard Voros Method for coronary artery disease risk assessment
US20100131293A1 (en) * 2008-11-26 2010-05-27 General Electric Company Interactive multi-axis longitudinal health record systems and methods of use
US8224640B2 (en) * 2009-09-08 2012-07-17 Siemens Aktiengesellschaft Method and system for computational modeling of the aorta and heart
US9710730B2 (en) 2011-02-11 2017-07-18 Microsoft Technology Licensing, Llc Image registration
WO2013040673A1 (en) 2011-09-19 2013-03-28 The University Of British Columbia Method and systems for interactive 3d image segmentation

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101002228A (zh) * 2004-05-18 2007-07-18 医学视像上市公司 结节边界检测
CN101006928A (zh) * 2006-01-25 2007-08-01 西门子公司 断层造影系统和用于显示断层造影表示的方法
CN101484916A (zh) * 2006-05-15 2009-07-15 Im3D有限公司 基于改进的区域生长分割的自动识别解剖结构中的癌前期异常的方法和系统及由此得到的计算机程序
CN101517614A (zh) * 2006-09-22 2009-08-26 皇家飞利浦电子股份有限公司 肺结节的高级计算机辅助诊断
US20090028398A1 (en) * 2007-07-25 2009-01-29 Sectra Ab Sensitivity lens for assessing uncertainty in image visualizations of data sets, related methods and computer products
CN102089783A (zh) * 2008-07-11 2011-06-08 爱克发医疗保健公司 用于体积数据集的多模式显像的方法和设备
US20110002520A1 (en) * 2009-07-01 2011-01-06 Siemens Corporation Method and System for Automatic Contrast Phase Classification
JP2011177517A (ja) * 2010-03-03 2011-09-15 Medicsight Plc 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム
US20120320055A1 (en) * 2010-03-11 2012-12-20 Koninklijke Philips Electronics N.V. Probabilistic refinement of model-based segmentation
CN102947862A (zh) * 2010-03-11 2013-02-27 皇家飞利浦电子股份有限公司 基于模型的分割的概率细化
CN103262120A (zh) * 2010-12-09 2013-08-21 皇家飞利浦电子股份有限公司 图像数据的体积描绘

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
AHMED SAAD 等: "ProbExplorer: Uncertainty-guided Exploration and Editing of Probabilistic Medical Image Segmentation", 《EUROGRAPHICS/ IEEE-VGTC SYMPOSIUM ON VISUALIZATION 2010》 *
ALBORZ AMIR-KHALILI 等: "Uncertainty-Encoded Augmented Reality for Robot-Assisted Partial Nephrectomy A Phantom Study", 《MIAR/-CAI 2013》 *
GEVORG GRIGORYAN 等: "Point-Based Probabilistic Surfaces to Show Surface Uncertainty", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 *
JOE MICHAEL KNISS: "Managing uncertainty in visualization and analysis of medical data", 《2008.5TH IEEE INTERNATIONAL SYMPOSIUM》 *
罗清 等: "核磁共振图像分割算法及应用进展", 《国际生物医学工程杂志》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112166332A (zh) * 2018-03-22 2021-01-01 皇家飞利浦有限公司 使用磁共振指纹识别的异常检测
CN111223556A (zh) * 2018-11-23 2020-06-02 西门子医疗有限公司 集成医学图像可视化和探索
CN111223556B (zh) * 2018-11-23 2023-11-03 西门子医疗有限公司 集成医学图像可视化和探索
CN110232678A (zh) * 2019-05-27 2019-09-13 腾讯科技（深圳）有限公司 一种图像不确定度预测方法、装置、设备及存储介质
CN110232678B (zh) * 2019-05-27 2023-04-07 腾讯科技（深圳）有限公司 一种图像不确定度预测方法、装置、设备及存储介质
CN113689375A (zh) * 2020-05-18 2021-11-23 西门子(深圳)磁共振有限公司 介入治疗中的图像呈现方法、系统、成像系统及存储介质

Also Published As

Publication number Publication date
JP6789933B2 (ja) 2020-11-25
CN107077731B (zh) 2021-08-03
EP3210193A2 (en) 2017-08-30
WO2016063235A3 (en) 2016-06-16
JP2017531519A (ja) 2017-10-26
US20170309081A1 (en) 2017-10-26
US10275946B2 (en) 2019-04-30
WO2016063235A2 (en) 2016-04-28

Similar Documents

Publication Publication Date Title
Bae et al. Pulmonary nodules: automated detection on CT images with morphologic matching algorithm—preliminary results
JP5081390B2 (ja) 腫瘍量を監視する方法及びシステム
Brown et al. Lung micronodules: automated method for detection at thin-section CT—initial experience
CN107077731A (zh) 成像不确定性的可视化
Zhou et al. Automatic multiscale enhancement and segmentation of pulmonary vessels in CT pulmonary angiography images for CAD applications
NL1024869C2 (nl) Werkwijze en systeem voor het meten van voor ziekte relevante weefselveranderingen.
Van Ginneken et al. Computer-aided diagnosis: how to move from the laboratory to the clinic
US9324140B2 (en) Methods and systems for evaluating bone lesions
Zhou et al. Preliminary investigation of computer-aided detection of pulmonary embolism in threedimensional computed tomography pulmonary angiography images
US11594005B2 (en) System, method and apparatus for assisting a determination of medical images
JP6302934B2 (ja) コンピュータ支援による関心組織の特定
JP6645831B2 (ja) かん流撮像
EP4002387A1 (en) Cad device and method for analysing medical images
US20220284578A1 (en) Image processing for stroke characterization
JP2020535924A (ja) 診断撮像における画像特徴のアノテーション
US20130223706A1 (en) Quantification of a characteristic of a lumen of a tubular structure
CN109727660B (zh) 在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测
Zhou et al. Variabilities in reference standard by radiologists and performance assessment in detection of pulmonary embolism in CT pulmonary angiography
Bevilacqua et al. Automatic classification of lung tumour heterogeneity according to a visual-based score system in dynamic contrast enhanced CT sequences
Qiang et al. Computerized segmentation of pulmonary nodules depicted in CT examinations using freehand sketches
Park et al. Separation of left and right lungs using 3D information of sequential CT images and a guided dynamic programming algorithm
Medina et al. Accuracy of connected confidence left ventricle segmentation in 3-D multi-slice computerized tomography images
Opiła et al. Remarks on visualization of fuzziness of cardiac data
Zhou et al. Preliminary investigation of computer-aided detection of pulmonary embolism in three-dimensional computed tomography pulmonary angiography Images1
Anderson Deep learning for lung cancer analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant