CN107111876A - 血管管腔亚分辨率分割 - Google Patents
血管管腔亚分辨率分割 Download PDFInfo
- Publication number
- CN107111876A CN107111876A CN201680005546.3A CN201680005546A CN107111876A CN 107111876 A CN107111876 A CN 107111876A CN 201680005546 A CN201680005546 A CN 201680005546A CN 107111876 A CN107111876 A CN 107111876A
- Authority
- CN
- China
- Prior art keywords
- voxel
- node
- possibility
- subresolution
- center line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 10
- 210000004204 blood vessel Anatomy 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 claims description 2
- 230000006870 function Effects 0.000 description 14
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 11
- 229910052791 calcium Inorganic materials 0.000 description 11
- 239000011575 calcium Substances 0.000 description 11
- 208000002173 dizziness Diseases 0.000 description 9
- 230000017531 blood circulation Effects 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 6
- 101000666730 Homo sapiens T-complex protein 1 subunit alpha Proteins 0.000 description 5
- 102100038410 T-complex protein 1 subunit alpha Human genes 0.000 description 5
- 210000004351 coronary vessel Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- G06T7/162—Segmentation; Edge detection involving graph-based methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- 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
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10—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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20168—Radial search
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Pulmonology (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种成像系统(100)包括:亚分辨率管腔变窄检测器(112),其通过中心线轮廓分析来检测图像体积中的血管管腔的亚分辨率变窄,并且通过利用所检测的亚分辨率变窄修正近似的可见管腔直径来计算亚分辨率确定的直径。
Description
技术领域
以下总体上涉及医学成像,并且利用针对管腔结构的分割的具体应用进行了描述。
背景技术
文献指出,冠状动脉疾病是全球唯一的最大死亡原因。冠状动脉疾病是经由血液向心肌供氧的冠状动脉的管腔变窄。冠状动脉的管腔直径不等。例如,健康成年个体的左主冠状动脉管腔的直径通常为4.5±0.5mm,远端左前降支冠状动脉管腔通常为1.9±0.4mm。
评估冠状管腔变窄(例如,狭窄)的一种无创技术是心脏计算机断层摄影血管造影(CCTA)。在CCTA中,使用冠状动脉的一幅或多幅三维(3D)图像(例如,计算机断层摄影(CT)图像)来识别和量化管腔变窄。另一定量测量使用基于管腔的3D模型的血流储备分数(FFR)模拟的压差。
可视成像分辨率或精确度(例如,利用CCTA成像)通常为约1.5mm,例如,能够准确分辨图像中的差异的一个空间尺寸。使用图像来确定小于可见分辨率的三倍到四倍的管腔的变窄对以下造成影响:首先影响是否检测到变窄;其次,影响受到变窄影响的、对管腔的结构进行分割以量化测量结果的准确度。重建算法通常利用低通滤波器来使图像平滑,这会使得管腔边界模糊。在管腔直径小于低通滤波器支持能力的情况下,平滑处理可能导致分割算法过高估计管腔直径。动脉中的钙沉积使动脉变窄,这可能导致成像中的晕开(blooming)伪影和对比潜在的真实管腔更大的管腔进行模拟的典型的分割算法中的晕开伪影。
发明内容
在本文中描述的各方面解决了上述问题和其他问题。
以下描述了使用图形最小切割算法利用改善的图形来检测血管管腔的亚分辨率变窄并分割血管管腔的系统和方法。
在一个方面中,一种成像系统包括:亚分辨率管腔变窄检测器,其通过中心线轮廓分析来检测图像体积中的血管管腔的亚分辨率变窄,并且通过利用所检测的亚分辨率变窄修正近似的可见管腔直径来计算亚分辨率确定的直径。
在另一方面中,一种分割管腔血管的方法包括:利用对图像体积中的血管管腔中的近似的可见管腔直径的中心线轮廓分析来检测亚分辨率变窄;通过基于所检测的亚分辨率变窄修正近似的可见管腔直径来计算亚分辨率确定的直径。
在另一方面中,一种成像系统包括:图形最小切割变化分割器,其利用在由节点表示的图像体积的经分割的区域中的每个体素来构建图形。每个节点连接到管腔节点和背景节点。将每个节点连接到所述管腔节点的边利用可能性Li与可能性Ld的乘积进行加权,其中,所述可能性Li是体素根据最接近的中心线体素的强度以及经训练的模型而是经分割的血管管腔的部分的可能性,所述可能性Ld是体素基于所述体素距最接近的中心线点的空间距离以及亚分辨率确定的直径而是所述经分割的血管管腔的部分的可能性。将每个节点连接到所述背景节点的边通过1-Li*Ld进行加权。邻近体素之间的边通过平滑度惩罚进行加权。所述图形最小切割变化分割器并对所述图形进行切割,所述的对所述图形进行切割基于最小成本将所述图形分成连接到所述管腔节点的第一部分和连接到所述背景节点的第二部分,并且所述第一部分中的所述节点生成经分割的血管管腔的体积。
附图说明
本发明可以采取各种部件和部件的布置,以及各个步骤和步骤的安排的形式。附图仅出于图示优选实施例的目的,并且不得被解释为对本发明的限制。
图1示意性地图示了与成像系统相结合的示例性亚分辨率管腔变窄检测和分割系统。
图2图示了使用半峰全宽(FWHM)规则的近似的管腔直径的范例。
图3示意性地图示了在可见成像分辨率下对变化的血管直径的可视化的范例。
图4示出了减小的强度管腔变窄的图形范例。
图5示出了钙晕开的管腔变窄的范例。
图6示出了在管腔横截面处的最小阈值强度和最大阈值强度与拟合的线性模型的图形范例。
图7示出了在管腔横截面的方差阈值强度与拟合的线性模型的图形范例。
图8用流程图图示了亚分辨率管腔变窄检测和分割的示例性方法。
图9用流程图图示了对可见管腔直径进行近似的示例性方法。
图10用流程图图示了检测亚分辨率管腔变窄的示例性方法。
具体实施方式
首先参考图1,图示了示例性亚分辨率管腔变窄检测和分割系统100。诸如计算机断层摄影(CT)成像设备、超声(US)、磁共振成像(MRI)、正电子发射断层摄影(PET)、单光子发射计算机断层摄影(SPECT)等的成像设备102生成成像数据,例如,在成像设备102的成像膛104中的对象的感兴趣区域的投影数据、原始数据等,所述感兴趣区域包括具有在成像设备的分辨率内的管腔的结构,例如,脉管结构。重建器106接收成像数据,并且根据成像数据来重建一幅或多幅图像,例如,(一个或多个)重建的图像体积。例如,CT成像设备生成心脏CT血管造影(CCTA)图像。能够从成像设备102和/或从存储设备108接收所重建的图像,所述存储设备108例如为图片存档与通信系统(PACS)、放射学信息系统(RIS)、医院信息系统(HIS)、电子病历(EMR)等。
血管中心线生成器110生成通过选择的、要被分割的血管的管腔的中心线。血管中心线生成器110能够使用本领域已知的技术和/或其它技术来生成指示的脉管结构(例如,冠状动脉)的中心线。血管中心线生成器110接收所重建的图像,并且从经自动或手动指导的所接收的图像中根据图像体积来确定血管管腔的中心线。
亚分辨率(sub-res.)管腔变窄检测器112基于图像体积和所确定的中心线来对可见管腔直径进行近似。亚分辨率管腔变窄检测器112利用中心线强度轮廓分析来检测到亚分辨率变窄,例如,精确度大于所重建的图像的可见分辨率的腔变窄的测量结果。中心线强度轮廓分析包括根据强度轮廓的变化和指示钙晕开的增加的强度来检测亚分辨率变窄。基于所检测的变窄,亚分辨率管腔变窄检测器112将近似的可见管腔直径修正为亚分辨率确定的直径。
在一个非限制性实例中,图形最小切割变化分割器114基于以逐体素强度为基础的可能性、以逐体素直径为基础的可能性、平滑度惩罚和优化来在亚分辨率下分割管腔。
针对每个体素以逐体素强度为基础的可能性是使用到中心线的横截面中的体素强度的特性的经训练的模型来计算的。分割区域(例如,血管的区域)中的每个体素被分配一个值Li,该值表示体素根据最接近的中心线体素的强度以及经训练的模型而是管腔的部分的可能性。经训练的模型使用最接近的中心线体素的强度Ictr来计算最大强度阈值fmax(Ictr)和最小强度阈值fmin(Ictr)。体素是经分割的管腔的部分的可能性能够包括以下函数:Li=1/(Wshu*((Ivoxel-Ictr)/((fmax(Ictr)-fminIctr))/2)),其中,Wshu是权重,Ivoxel是体素强度。
针对每个体素以逐体素直径为基础的可能性是使用到中心线的横截面中的体素强度的特性的经训练的模型来计算的。分割区域中的每个体素被分配一个值Ld,该值表示体素基于该体素距最接近的中心线点的空间距离以及亚分辨率确定的直径而是管腔的部分的可能性。体素基于距离而是经分割的管腔的部分的可能性能够包括以下函数:其中,Wd是权重,dvoxel是体素与最接近的中心线点之间的空间距离,D是中心线点处的亚分辨率确定的直径。
基于针对邻近体素p与邻近物q的局部强度差、表面方向和局部强度差方向配对的乘积以及经训练的模型来计算平滑度惩罚。针对每对邻近体素的局部强度差能够由下式给出:其中,Ip和Iq是以亨氏单位(HU)为单位的邻近体素的强度,dp,q是体素p与q之间的空间距离,fvar(Ictr,p)是根据到p的最接近的中心线点处的以HU为单位的强度的方差的经训练的模型的函数。表面方向能够由下式给出:其中,abs是绝对值函数,(p-q)是体素p与q之间的向量,dir(ctr,p)是到p的最接近的中心线点处的中心线的方向,θ是常数,例如在0.1至0.5的范围内,例如为0.3和/或其他值,局部强度差方向由下式给出:如果Ip–Iq>0或p(q)>m,则是1,其中m是预定阈值最大强度的常数,例如400-800HU的范围内的值,例如为600HU;否则为0。
基于以最小代价对构建的图形的切割(其将图形分成管腔和背景),优化向经分割的区域中的每个体素分配标签,作为表示体素是否处于经分割的管腔中的值,例如,背景。该图形包括由节点表示的每个体素,并且两个额外的节点表示管腔和背景,例如,非管腔。每个体素节点通过边连接到管腔节点和背景节点。每个体素与管腔节点之间的边的权重由Li*Ld给出,其中,Li和Ld是基于上述强度和距离而分配给体素的可能性值。每个体素与背景节点之间的边的权重由1-Li*Ld给出。每个体素的节点由通过平滑度惩罚(其为局部强度差、表面方向和局部强度差方向的乘积)进行加权的边连接到邻近体素的节点,例如,预定的一组邻近体素(例如,与体素邻接的那些体素)。使用诸如Ford-Fulkerson、Edmonds-Karp、Push-Relabel、Boykov-Kolmogorov等的最小切割算法来执行对包括节点和加权边的构建的图形的切割。
图形最小切割变化分割器114基于根据最小切割算法的经分配的标签在亚分辨率下分割管腔。连接到管腔的切割部分中的体素被定义为亚分辨率分割的管腔116。连接到背景的切割部分中的体素并不包括在经分割的管腔中。亚分辨率分割的管腔能够被显示在显示设备118上,被叠加在图像体积上和/或与图像数据108一起存储。
血流储备分数(frac.)分析器120能够基于亚分辨率分割的管腔116来计算血流储备分数。血流储备分数分析器120使用更准确分割的结构(例如,更精确分割的结构)来确定血流储备分数,其包括根据减少的强度和/或钙晕开的亚分辨率变窄。所计算的血流储备分数能够例如与图像数据一起被显示在显示设备118上和/或被存储在计算机存储器中。
重建器106、血管中心线生成器110、亚分辨率管腔变窄检测器、图形最小切割变化分割器114和血流储备分数分析器120由一个或多个配置的数据处理器122(例如,电子数据处理器、光学数据处理器、微处理器、数字处理器等)来适当地实施。所配置的数据处理器122运行被存储在非瞬态计算机可读存储介质(“存储器”)中的计算机可读指令。所配置的数据处理器122也可以运行由载波、信号或其他瞬态介质承载的一个或多个计算机可读指令。数据处理器122能够包括诸如工作站、膝上型计算机、移动计算设备、智能电话、服务器、身体佩戴式计算设备等的计算设备124。数据处理器122能够是分布式计算设备,例如,点对点计算设备、客户端-服务器计算设备等。
计算设备124能够包括显示设备118,例如,阴极射线管(CRT)、存储管、双稳态显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子体显示面板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影仪以及头戴式显示器等。计算设备124能够包括一个或多个输入设备126,例如,键盘、麦克风、鼠标、触摸屏等。
参考图2,图示了使用半峰全宽(FWHM)规则确定的近似的可见管腔直径的范例。在直的多平面视图中示出左前降支冠状管腔200。该视图使用垂直轴上距所生成的中心线的距离(以毫米(mm)为单位)以及水平轴上距口的距离(以毫米为单位)。近似的可见管腔直径202被指示为白线。
针对强度值对在以不同角度垂直于中心线的平面中的射线进行采样。应用半峰全宽(FWHM)规则来确定针对每个采样射线的近似的可见直径。FWHM选择直径端点,其中,强度值是最大强度值的一半或峰值强度值的一半以及强度分布曲线的最大宽度。针对每个横截面计算每个平面中的采样射线上的直径值(例如,中值),以确定近似的可见管腔直径。在一个实例中,针对直径值计算样本射线的平均值。滤波器能够对垂直于中心线的平面上的直径值进行平滑。
参考图3,示意性地图示了在可见成像分辨率下对变化的血管直径的可视化的范例。基于所重建的图像,血管直径被过高估计。管腔轮廓300(例如,真实尺寸)被图示有3mm302、1.5mm 304、1.3mm 306、1mm 308和0.5mm 310的不同轮廓或直径。尺寸被示出在水平轴线上,中心线在4mm处,在垂直轴上强度为1.0。卷积312之后的管腔轮廓(例如如通过成像设备在分辨率下观察的)被示为对应于真实的管腔轮廓中的每个。卷积后的管腔轮廓使用与真腔管轮廓相同的轴线。随着直径变窄,卷积之后的强度轮廓314的测量结果减小,例如由峰值、宽度、形状和/或FWHM(定义如上)测量结果所指示的。例如,以大小减小的顺序的管腔的峰值强度大约为1.1、1.0、0.9、0.8和0.4。半峰宽(例如卷积后轮廓的强度分别为0.55、0.5、0.45、0.4和0.2下的尺寸)过高估计了真实的管腔。
对应于不同直径管腔中的每个图示了管腔的二维(2D)可视化316。以白色指示的第一强度区域表示管腔318,由暗区指示的第二强度区域表示非管腔320。如所可视化的并且当管腔的直径减小时,第一区域减小或变窄,并且类似地,在可视化中表示的管腔318的强度也减小。
参考图4,示出了减小的强度管腔变窄的图形范例。第一图形400描绘沿着中心线的以HU为单位的强度值。垂直轴或y轴是以HU为单位的强度值,水平轴或x轴是沿着中心线距口的距离。图形上的第一标绘线是沿着中心线402的强度值,第二标绘线是对强度值404的平滑。变窄406由在沿着中心线距口的距离为19mm与23mm之间处强度值的降低来指示,例如,低于最小阈值408。最小阈值408基于中心线强度值,例如,中心线强度中值。
亚分辨率管腔变窄检测器112计算中心线轮廓的多尺度二阶导数,例如,表示沿着中心线的强度值的经平滑的线404的二阶导数。在值(例如,线)低于阈值并且二阶导数为正(例如,>)的地方检测到变窄406。
基于如参考图3所描述的强度值的变化,第二图形410将变窄412描绘为垂直轴上的百分比以及水平轴上沿着中心线距口的距离,与第一图形400的标度相同。显示对应的图像414,其包括减小的强度区416,例如,变暗区或不太明亮的区,所述减小的强度区416对应于由亚分辨率管腔变窄检测器112基于沿着中心线的强度值所检测的变窄。对应的图像414包括与第一图形400和第二图形410相同的水平轴。在一个实例中,亚分辨率管腔变窄检测器112接收来自输入设备126的输入,所述输入指示搜索变窄的区和/或呈现变窄的区。
亚分辨率管腔变窄检测器112基于所检测的变窄根据近似的可见管腔直径来计算亚分辨率确定的直径。该计算能够包括公式 其中,Dsub是亚管腔变窄的直径,Dapprox是近似的可见管腔直径,Ictr是中心线的强度值,μ0是参考管腔强度值,例如,主动脉的强度值,α、β和γ是常数,例如分别为0.5、0.16和0.14。
参考图5,示出了随着管腔变窄的钙晕开的范例。亚分辨率管腔变窄检测器112基于大于一阈值的强度值来检测由于钙晕开而引起的变窄。第一图形500包括表示沿着中心线的强度值的线502,以及表示用滤波器平滑的强度值的第二线504。在垂直轴或y轴上表示强度值,在水平轴或x轴上表示沿着中心线的距离。超过阈值508的强度值506被指示为在距口9mm至12mm之间。
亚分辨率管腔变窄检测器112检测钙晕开的变窄,其中,值(例如,线)高于最大阈值508并且二阶导数为负(例如,<0)。上限阈值的强度值能够使用参考值,例如,主动脉的强度。基于所检测的由于钙晕开而引起的变窄,亚分辨率管腔变窄检测器112将近似的可见分辨率直径修正为亚分辨率确定的直径。
第二图形510指示变窄512作为垂直轴或y轴上的管腔的百分比以及在与第一图形500相同的水平轴上沿着中心线距口的距离。在对应于由于钙晕开而引起的所检测的变窄的9至12mm距离处显示对应的图像514,所述对应的图像514包括增加的强度区516,例如,较亮区。对应的图像514包括与第一图形500和第二图形510公用的水平轴。
参考图6,示出了在管状横截面处的最小阈值强度600与模型的拟合的线性函数602以及在管腔横截面处的最大阈值强度604与模型的拟合的线性函数606的图形范例。图形最小切割变化分割器114基于沿着中心线的横截面的强度特性来生成限定用于分割管腔的体素特异性强度极限的模型。
图形最小切割变化分割器114对沿着中心线的横截面中的体素的特性强度进行采样。例如,在每个横截面处,计算要分割的区域中的强度的最小值、最大值和标准偏差的特性。图6是散点图,在水平轴或x轴上是以HU为单位的中心线强度,在垂直轴或y轴上是以HU为单位的最大强度和最小强度。
图形最小切割变化分割器114基于所采样的特性来生成模型。该模型包括中心线强度的函数。最大强度606变暗,并且将第一函数606拟合到最大强度以导出最大强度阈值极限。第一函数606能够包括形式fmax=aIctr+b,其中,fmax是垂直于由计算的亚分辨率确定的直径界定的中心线的平面中的体素的最大强度阈值,Ictr是中心线处的体素的强度,a和b是通过线性回归分析计算的常数。最小强度600较亮,并且第二函数602被拟合到最小强度600以导出最小强度阈值。第二函数602能够包括形式fmin=cIctr+d,其中,Imin是垂直于中心线的平面中的体素的最小强度,Ictr是中心线处的体素的强度,c和d是通过线性回归分析计算的常数。该模型不同于全局值,例如从主动脉强度导出的值或从中心线的值导出的值(例如,中心线值的平均值)。
参考图7,示出了管腔横截面的标绘的变化强度700和拟合的线性函数702的图形范例。该模型包括采样的中心线横截面强度的方差的拟合函数702。在水平轴或x轴上表示中心线强度,以HU为单位,在垂直轴或y轴上表示方差(例如,标准偏差),以HU为单位。第三函数702被拟合到采样的方差上。第三函数702能够包括形式fvar=eIctr+f,其中,Ivar是垂直于中心线的平面中体素的强度的方差,Ictr是中心线处的体素的强度,e和f是通过线性回归分析计算的常数。
参考图8,用流程图图示了亚分辨率管腔变窄检测和分割的示例性方法。在800处,根据诸如CCTA数据的图像数据和血管中心线检测管腔变窄,以计算亚分辨率确定的管腔直径。使用FWHM规则和/或其他方法根据图像数据和中心线对可见管腔直径进行近似。在沿着中心线的横截面处对强度轮廓进行采样。如参考图3、图4和图5所描述地分析中心线强度轮廓。如参考图4和图5所描述地检测变窄,其包括由低于最小阈值的强度以及高于最大阈值的强度而检测的变窄。基于所检测的变窄和近似的可见管腔直径,计算针对沿着中心线的横截面的亚分辨率确定的直径。
在806处,根据中心线强度轮廓和经训练的模型的函数导出逐体素强度极限。参考图6和图7描述经训练的模型的函数的范例。
在810处,基于以逐体素强度为基础的可能性、以逐体素直径为基础的可能性、平滑度惩罚和优化来构建图形。通过最小切割分割算法将图形切成两部分。一个部分限定经分割的管腔812,一个部分是背景,例如,不经分割的管腔。经分割的管腔812被表示为三维空间模型,例如,冠状动脉管腔。
参考图9,用流程图图示了对可见管腔直径进行近似的示例性方法。在900处,接收具有生成的血管的中心线的图像体积。在902处,沿着中心线对横截面进行采样。每个横截面以横截面的平面的射线进行采样,并且射线处于k个角度,其中,k是>0的整数。
在904处,针对每个横截面,使用FWHM规则来计算下限阈值。在906处,针对每个横截面,使用常数(例如,2.3倍的下限阈值)来计算上限阈值。
在908处,从每个横截面中消除低于下限阈值或上限阈值的异常值,例如处于一角度的射线。在910处,针对横截面中的每个剩余角度估计直径。
在912处,根据针对每个横截面的剩余角度处的估计的直径来计算近似的可见直径,例如,中值直径、平均值直径等。
在914处,能够对沿着中心线的横截面处的近似的可见直径进行滤波。所述滤波能够使用平滑滤波器,例如在横截面上求平均,这对从横截面到横截面的近似的直径的变化进行了平滑。
参考图10,用流程图图示了检测亚分辨率管腔变窄的示例性方法。在1000处,接收具有生成的血管中心线和估计的管腔的近似的可见直径的图像体积。
在1002处,确定强度上限阈值和强度下限阈值。所述上限阈值能够根据主动脉管腔的强度来确定。所述下限阈值能够根据中心线的强度来确定。
在1004处,计算中心线轮廓的多尺度二阶导数。
在1006处,检测变窄。大于最大阈值并且具有为负的二阶导数(例如,局部最大值)的强度值识别由于沿着中心线的横截面处的钙晕开而引起的变窄。小于最小阈值并且具有为正的二阶导数(例如,局部最小值)的强度值识别基于强度在沿着中心线的横截面处所检测的变窄。
在1008处,基于所检测的变窄来修正近似的可见直径,以计算每个横截面处的亚分辨率确定的直径,所检测的变窄是基于根据所减少的强度的变窄或由于钙晕开而引起的变窄的。
以上可以以计算机可读指令的方式实施,所述计算机可读指令被编码或嵌入在计算机可读存储介质上,所述计算机可读指令当由(一个或多个)计算机处理器执行时,令(一个或多个)处理器执行所描述的动作。额外地或备选地,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承载。
已经参考优选实施例描述了本发明。他人在阅读和理解前面的具体描述的情况下可以想到修改和替代。本文旨在将本发明解释为包括所有这样的修改和替代,只要它们落入权利要求书及其等价方案的范围内。
Claims (20)
1.一种成像系统(100),包括:
亚分辨率管腔变窄检测器(112),其被配置为通过中心线轮廓分析来检测图像体积中的血管管腔的亚分辨率变窄,并且被配置为通过利用所检测的亚分辨率变窄修正近似的可见管腔直径来计算亚分辨率确定的直径。
2.根据权利要求1所述的成像系统(100),还包括:
图形最小切割变化分割器(114),其被配置为利用在由节点表示的经分割的区域中的每个体素来构建图形并对所述图形进行切割,每个节点连接到管腔节点和背景节点,并且将每个节点连接到所述管腔节点的边利用可能性Li与可能性Ld的乘积进行加权,其中,所述可能性Li是所述体素根据最接近的中心线体素的强度以及经训练的模型而是经分割的血管管腔的部分的可能性,所述可能性Ld是所述体素基于所述体素距最接近的中心线点的空间距离以及亚分辨率确定的直径而是所述经分割的血管管腔的部分的可能性,并且将每个节点连接到所述背景节点的边通过1-Li*Ld进行加权,并且邻近体素之间的边通过平滑度惩罚进行加权,并且所述的对所述图形进行切割基于最小成本将所述图形分成连接到所述管腔节点的第一部分和连接到所述背景节点的第二部分,并且所述第一部分中的所述节点分割所述血管管腔。
3.根据权利要求1和2中的任一项所述的成像系统(100),其中,所述中心线轮廓分析基于沿着所述经分割的血管管腔的中心线的横截面的、低于预定阈值的强度轮廓来检测变窄。
4.根据权利要求3所述的成像系统(100),其中,所述亚分辨率确定的直径是使用针对沿着所述经分割的血管管腔的所述中心线的每个横截面的所述强度轮廓的半峰全宽强度计算的直径的函数。
5.根据权利要求1-4中的任一项所述的成像系统(100),其中,所述中心线轮廓分析基于沿着所述经分割的血管管腔的所述中心线的横截面的、大于预定阈值的强度轮廓来检测变窄。
6.根据权利要求2-5中的任一项所述的成像系统(100),其中,用于确定所述可能性Li的所述经训练的模型对沿着所述中心线的横截面中的体素强度的特性进行建模。
7.根据权利要求6所述的成像系统(100),其中,所述经训练的模型包括拟合到沿着所述中心线的横截面的最小体素强度的函数。
8.根据权利要求6和7中的任一项所述的成像系统(100),其中,所述经训练的模型包括拟合到沿着所述中心线的横截面的最大体素强度的函数。
9.根据权利要求2-8中的任一项所述的成像系统(100),其中,所述经训练的模型包括所述最接近的中心线体素的所述强度的第一函数,并且所述可能性Li是使用所述第一函数来计算的。
10.根据权利要求2-9中的任一项所述的成像系统(100),其中,所述可能性Ld是使用所述体素距最接近的中心线点的空间距离和亚分辨率确定的直径的第二函数来计算的。
11.一种分割管腔血管的方法,包括:
利用对图像体积中的血管管腔中的近似的可见管腔直径的中心线轮廓分析来检测(1006)亚分辨率变窄;
通过基于所检测的亚分辨率变窄修正所述近似的可见管腔直径来计算(1008)亚分辨率确定的直径。
12.根据权利要求11所述的方法,还包括:
使用最小切割算法来切割(810)经构建的图形并使用切割对所述图形进行切割,并且所述经构建的图形包括表示经分割的区域中的每个体素的节点,每个节点连接到管腔节点和背景节点,并且将每个节点连接到所述管腔节点的边利用可能性Li与可能性Ld的乘积进行加权,其中,所述可能性Li是所述体素根据最接近的中心线体素的强度以及经训练的模型而是经分割的血管管腔的部分的可能性,所述可能性Ld是所述体素基于所述体素距最接近的中心线点的空间距离以及亚分辨率确定的直径而是所述经分割的血管管腔的部分的可能性,并且将每个节点连接到所述背景节点的边通过1-Li*Ld进行加权,并且邻近体素之间的边通过平滑度惩罚进行加权,并且所述的使用切割对所述图形进行切割基于最小成本将所述图形分成连接到所述管腔节点的第一部分和连接到所述背景节点的第二部分,并且所述第一部分中的所述节点生成所述经分割的血管管腔的体积。
13.根据权利要求11和12中的任一项所述的方法,其中,所述中心线轮廓分析基于沿着所述经分割的血管管腔的所述中心线的横截面的、低于预定阈值的强度轮廓来检测变窄。
14.根据权利要求13所述的方法,其中,所述亚分辨率确定的直径是使用针对沿着所述经分割的血管管腔的所述中心线的每个横截面的所述强度轮廓的半峰全宽强度计算的直径的函数。
15.根据权利要求11-14中的任一项所述的方法,其中,所述中心线轮廓分析基于沿着所述经分割的血管管腔的所述中心线的横截面的、大于预定阈值的强度轮廓来检测变窄。
16.根据权利要求12-15中的任一项所述的方法,其中,用于确定所述可能性Li的所述经训练的模型对沿着所述中心线的横截面中的体素强度的特性进行建模。
17.根据权利要求16所述的方法,其中,所述经训练的模型包括拟合到沿着所述中心线的横截面的最小体素强度的函数以及拟合到沿着所述中心线的横截面的最大体素强度的函数。
18.根据权利要求12-17中的任一项所述的方法,其中,所述经训练的模型包括所述最接近的中心线体素的所述强度的第一函数,并且所述可能性Li是使用所述第一函数来计算的。
19.根据权利要求12-18中的任一项所述的方法,其中,所述可能性Ld是使用所述体素距最接近的中心线点的空间距离和亚分辨率确定的直径的第二函数来计算的。
20.一种成像系统(100),包括:
图形最小切割变化分割器(114),其被配置为利用在由节点表示的图像体积的经分割的区域中的每个体素来构建图形并对所述图形进行切割,每个节点连接到管腔节点和背景节点,并且将每个节点连接到所述管腔节点的边利用可能性Li与可能性Ld的乘积进行加权,其中,所述可能性Li是所述体素根据最接近的中心线体素的强度以及经训练的模型而是经分割的血管管腔的部分的可能性,所述可能性Ld是所述体素基于所述体素距最接近的中心线点的空间距离以及亚分辨率确定的直径而是所述经分割的血管管腔的部分的可能性,并且将每个节点连接到所述背景节点的边通过1-Li*Ld进行加权,并且邻近体素之间的边通过平滑度惩罚进行加权,并且所述的对所述图形进行切割基于最小成本将所述图形分成连接到所述管腔节点的第一部分和连接到所述背景节点的第二部分,并且所述第一部分中的所述节点生成经分割的血管管腔的体积。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562104100P | 2015-01-16 | 2015-01-16 | |
US62/104,100 | 2015-01-16 | ||
PCT/IB2016/050156 WO2016113690A1 (en) | 2015-01-16 | 2016-01-14 | Vessel lumen sub-resolution segmentation |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107111876A true CN107111876A (zh) | 2017-08-29 |
CN107111876B CN107111876B (zh) | 2021-01-05 |
Family
ID=55273303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680005546.3A Active CN107111876B (zh) | 2015-01-16 | 2016-01-14 | 血管管腔亚分辨率分割 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10580141B2 (zh) |
EP (1) | EP3245632B1 (zh) |
JP (1) | JP6653706B2 (zh) |
CN (1) | CN107111876B (zh) |
WO (1) | WO2016113690A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10803592B2 (en) | 2017-05-09 | 2020-10-13 | Heartflow, Inc. | Systems and methods for anatomic structure segmentation in image analysis |
US10885630B2 (en) * | 2018-03-01 | 2021-01-05 | Intuitive Surgical Operations, Inc | Systems and methods for segmentation of anatomical structures for image-guided surgery |
AU2022213188A1 (en) * | 2021-01-26 | 2023-08-10 | Fluidda Respi Nv | Method for dimensional measurement of a vessel |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5872861A (en) * | 1993-07-22 | 1999-02-16 | U.S. Philips Corporation | Digital image processing method for automatic detection of stenoses |
CN101541242A (zh) * | 2006-11-30 | 2009-09-23 | 皇家飞利浦电子股份有限公司 | 对脉管结构进行显像 |
Family Cites Families (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0765154A (ja) * | 1993-08-31 | 1995-03-10 | Toshiba Corp | 血管像の定量解析装置及びその定量解析方法 |
JPH10510746A (ja) * | 1995-10-06 | 1998-10-20 | フィリップス エレクトロニクス エヌ ベー | 密度分布からの寸法の測定 |
JP4421203B2 (ja) * | 2003-03-20 | 2010-02-24 | 株式会社東芝 | 管腔状構造体の解析処理装置 |
AU2005237517B2 (en) * | 2004-04-26 | 2011-01-20 | Claudia Ingrid Henschke | Medical imaging system for accurate measurement evaluation of changes in a target lesion |
US20060079746A1 (en) * | 2004-10-11 | 2006-04-13 | Perret Florence M | Apparatus and method for analysis of tissue classes along tubular structures |
US7711165B2 (en) | 2005-07-28 | 2010-05-04 | Siemens Medical Solutions Usa, Inc. | System and method for coronary artery segmentation of cardiac CT volumes |
DE102006002259A1 (de) * | 2006-01-17 | 2007-07-19 | Siemens Ag | Verfahren zur Untersuchung von Gefäßen eines Patienten auf der Grundlage von innerhalb eines Untersuchungsbereichs mit einem Tomographiegerät erfassten Bilddaten |
US7990379B2 (en) | 2006-10-25 | 2011-08-02 | Siemens Aktiengesellschaft | System and method for coronary segmentation and visualization |
US8077939B2 (en) * | 2006-11-22 | 2011-12-13 | General Electric Company | Methods and systems for enhanced plaque visualization |
US20090012382A1 (en) * | 2007-07-02 | 2009-01-08 | General Electric Company | Method and system for detection of obstructions in vasculature |
JP5523681B2 (ja) * | 2007-07-05 | 2014-06-18 | 株式会社東芝 | 医用画像処理装置 |
US20100298719A1 (en) | 2007-10-31 | 2010-11-25 | Samuel Alberg Kock | Method for calculating pressures in a fluid stream through a tube section, especially a blood vessel with atherosclerotic plaque |
US8126232B2 (en) | 2008-03-05 | 2012-02-28 | Siemens Aktiengesellschaft | System and method for 3D vessel segmentation with minimal cuts |
JP2010000306A (ja) * | 2008-06-23 | 2010-01-07 | Toshiba Corp | 医用画像診断装置、画像処理装置、及びプログラム |
US8208706B2 (en) * | 2008-07-16 | 2012-06-26 | Siemens Medical Solutions Usa, Inc. | Functional image presentation |
US8077954B2 (en) * | 2008-08-04 | 2011-12-13 | Siemens Aktiengesellschaft | System and method for image processing |
DE102009023504A1 (de) * | 2009-06-02 | 2010-12-09 | Siemens Aktiengesellschaft | Verfahren zur Bestimmung eines Abmessungswerts und Abmessungsbestimmungseinrichtung |
US20180344174A9 (en) * | 2009-09-23 | 2018-12-06 | Lightlab Imaging, Inc. | Lumen Morphology and Vascular Resistance Measurements Data Collection Systems, Apparatus and Methods |
US8675941B2 (en) * | 2010-09-30 | 2014-03-18 | Siemens Aktiengesellschaft | Method for visualization of airway anatomical changes |
WO2012100221A1 (en) * | 2011-01-20 | 2012-07-26 | University Of Iowa Research Foundation | Automated determination of arteriovenous ratio in images of blood vessels |
US10186056B2 (en) * | 2011-03-21 | 2019-01-22 | General Electric Company | System and method for estimating vascular flow using CT imaging |
US8600132B2 (en) * | 2011-05-03 | 2013-12-03 | General Electric Company | Method and apparatus for motion correcting medical images |
KR20140082663A (ko) * | 2011-08-26 | 2014-07-02 | 이비엠 가부시키가이샤 | 혈류성상 진단을 위한 시스템, 그 방법 및 컴퓨터 소프트웨어 프로그램 |
CN104126193B (zh) | 2012-02-14 | 2019-08-06 | 皇家飞利浦有限公司 | 图像分辨率增强 |
JP6101048B2 (ja) * | 2012-02-20 | 2017-03-22 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
US9858387B2 (en) * | 2013-01-15 | 2018-01-02 | CathWorks, LTD. | Vascular flow assessment |
EP2943902B1 (en) * | 2012-10-24 | 2020-03-11 | CathWorks Ltd. | Automated measurement system and method for coronary artery disease scoring |
CN104768465B (zh) | 2012-11-06 | 2018-06-19 | 皇家飞利浦有限公司 | 血流储备分数(ffr)指标 |
US9351698B2 (en) * | 2013-03-12 | 2016-05-31 | Lightlab Imaging, Inc. | Vascular data processing and image registration systems, methods, and apparatuses |
WO2014149722A1 (en) * | 2013-03-15 | 2014-09-25 | Wake Forest University Health Sciences | Vascular territory segmentation using mutual clustering information from image space and label space |
US10165955B2 (en) * | 2014-02-06 | 2019-01-01 | Reuven Gladshtein | Obtaining cardiovascular parameters using arterioles related transient time |
US9943277B2 (en) * | 2014-04-02 | 2018-04-17 | International Business Machines Corporation | Detecting coronary stenosis through spatio-temporal tracking |
US10349910B2 (en) * | 2015-03-31 | 2019-07-16 | Agency For Science, Technology And Research | Method and apparatus for assessing blood vessel stenosis |
GB201506842D0 (en) * | 2015-04-22 | 2015-06-03 | Ucl Business Plc And Schooling Steven | Locally rigid vessel based registration for laparoscopic liver surgery |
JP6516597B2 (ja) * | 2015-07-07 | 2019-05-22 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
JP5890055B1 (ja) * | 2015-07-09 | 2016-03-22 | 株式会社アルム | 血管画像処理装置、血管画像処理プログラム、および血管画像処理方法 |
CA3017610C (en) * | 2016-03-16 | 2024-04-30 | Heartflow, Inc. | Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries |
-
2016
- 2016-01-14 US US15/542,458 patent/US10580141B2/en active Active
- 2016-01-14 EP EP16702447.0A patent/EP3245632B1/en active Active
- 2016-01-14 CN CN201680005546.3A patent/CN107111876B/zh active Active
- 2016-01-14 WO PCT/IB2016/050156 patent/WO2016113690A1/en active Application Filing
- 2016-01-14 JP JP2017536972A patent/JP6653706B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5872861A (en) * | 1993-07-22 | 1999-02-16 | U.S. Philips Corporation | Digital image processing method for automatic detection of stenoses |
CN101541242A (zh) * | 2006-11-30 | 2009-09-23 | 皇家飞利浦电子股份有限公司 | 对脉管结构进行显像 |
Also Published As
Publication number | Publication date |
---|---|
WO2016113690A1 (en) | 2016-07-21 |
EP3245632A1 (en) | 2017-11-22 |
CN107111876B (zh) | 2021-01-05 |
US10580141B2 (en) | 2020-03-03 |
JP2018501898A (ja) | 2018-01-25 |
US20180276828A1 (en) | 2018-09-27 |
EP3245632B1 (en) | 2020-07-15 |
JP6653706B2 (ja) | 2020-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10115039B2 (en) | Method and system for machine learning based classification of vascular branches | |
EP3108445B1 (en) | Sparse appearance learning-based segmentation | |
Li et al. | Vessels as 4-D curves: Global minimal 4-D paths to extract 3-D tubular surfaces and centerlines | |
Friman et al. | Multiple hypothesis template tracking of small 3D vessel structures | |
EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
JP4950071B2 (ja) | 3次元医療画像からの肺動脈樹の自動抽出の方法 | |
Saha et al. | Topomorphologic separation of fused isointensity objects via multiscale opening: Separating arteries and veins in 3-D pulmonary CT | |
Wang et al. | Vessel segmentation using implicit model-guided level sets | |
CN107077731B (zh) | 成像不确定性的可视化 | |
US9600877B2 (en) | Quantitative imaging | |
Xu et al. | Quantification of coronary arterial stenoses in CTA using fuzzy distance transform | |
CN111968070A (zh) | 一种基于三维建模的血管检测方法及装置 | |
Jayasuriya et al. | Brain symmetry plane detection based on fractal analysis | |
CN107111876A (zh) | 血管管腔亚分辨率分割 | |
BR112019011375A2 (pt) | método para segmentar um objeto 3d em uma imagem de radiação médica | |
WO2015150320A1 (en) | Segmentation of tubular organ structures | |
KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
EP3146505B1 (en) | Visualization of tissue of interest in contrast-enhanced image data | |
CN109313803B (zh) | 一种用于映射对象的身体的至少部分的图像中的结构的至少部分的方法和装置 | |
Zhang et al. | Robust infrarenal aortic aneurysm lumen centerline detection for rupture status classification | |
US20150199840A1 (en) | Shape data generation method and apparatus | |
Medina et al. | Accuracy of connected confidence left ventricle segmentation in 3-D multi-slice computerized tomography images | |
KR20180097037A (ko) | 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치 | |
Zhang et al. | Vascular centerline extraction of CTA images based on minimal path and Bayesian tracking | |
Zheng et al. | Support value based stent-graft marker detection |
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 |