CN107111883B - 用于图像数据的纹理分析图 - Google Patents
用于图像数据的纹理分析图 Download PDFInfo
- Publication number
- CN107111883B CN107111883B CN201580058882.XA CN201580058882A CN107111883B CN 107111883 B CN107111883 B CN 107111883B CN 201580058882 A CN201580058882 A CN 201580058882A CN 107111883 B CN107111883 B CN 107111883B
- Authority
- CN
- China
- Prior art keywords
- spectral
- texture analysis
- voxel
- weights
- texture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Nuclear Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
一种方法包括根据重建的谱图像数据获得至少第一能量相关的谱图像体积和第二能量相关的谱图像体积。所述方法还包括生成多维谱示意图,其针对每个体素,将所述第一能量相关的谱图像体积的值映射到所述第二能量相关的谱图像体积的对应值。所述方法还包括根据所述多维谱示意图生成一组谱纹理分析权重。所述方法还包括检索一组纹理分析函数,其根据共生矩阵直方图被生成作为体素强度和体素梯度值的函数。所述方法还包括利用该组纹理分析函数和该组谱纹理分析权重通过所述重建的谱图像数据的纹理分析来生成纹理分析图,并在视觉上呈现所述纹理分析图。
Description
技术领域
下文总体上涉及成像,更具体地,涉及计算针对图像数据的纹理分析图,并且其具体应用于被配置为用于谱(能量相关)成像的计算机断层摄影(CT)扫描器。然而,下文也适用于其它成像模态,例如但不限于磁共振(MR)、单光子发射计算机断层摄影(SPECT)、正电子发射断层摄影(PET)、超声(US)和/或其他成像模态。
背景技术
CT扫描器包括安装在关于z轴围绕检查区域旋转的可旋转机架上的X射线管。探测器阵列朝向从X射线管与检查区域相对的角弧。X射线管发射穿过检查区域的辐射。探测器阵列探测穿过检查区域的辐射,并生成指示所述检查区域的投影数据。重建器处理投影数据并生成指示检查区域的体积图像数据。然而,由于由探测器阵列输出的信号与在能量谱上集成的能量通量成比例,体积图像数据不反映谱特征。
被配置用于谱(能量相关)CT的CT扫描器包括单个广谱X射线管和具有能量解析探测器的能量解析探测器阵列(例如,具有光子计数探测器、具有不同谱灵敏度的至少两组闪烁体-光电二极管层等)和识别电子器件、被配置为在扫描期间在至少两个不同的发射电压(例如,80kVp和140kVp)之间切换的单个X射线管、和/或配置为发射具有不同平均谱的辐射的两个或多个X射线管。重建器将来自探测器的信号分解成各种能量相关的分量,并重建各个分量,生成反映谱特征的谱体积图像数据,和/或对分量进行组合以产生非谱体积图像数据。
组织血管分布的表征和诸如血管新生、坏死和缺氧的相关病理能够通过提供有价值的信息来改善癌症诊断,这能够补充其他的、更标准的技术,例如代谢性FDG-PET和解剖CT。例如,具有增加的血管新生的癌组织经常显示病变内或周围的血管网格(mesh)的增加的异质性和不规则性。此外,在肿瘤内部的肿瘤缺氧或坏死可以显示相对于肿瘤边界的明显的较低的纹理特征。文献已经显示,基于直方图的熵和均匀性是在实际评估恶性组织的纹理粗糙度和不规则性中的重要描述符。
利用关于谱CT体积图像数据的常规(非谱)纹理分析技术,能够分析由衰减值分布(与材料密度相关)引起的纹理,或者备选地其导出的谱图像结果,诸如碘图。不幸地是,关于谱CT体积图像数据,不能够利用常规(非谱)纹理分析技术来以固有地考虑全谱CT信息的方式分析器官和组织纹理。此外,常规CT纹理分析方法通常生成相对于原始处理的谱CT体积图像数据具有较低空间分辨率的纹理图。
发明内容
本文描述的各方面解决了上述问题和其他问题。
在一个方面中,描述了一种用于根据谱图像数据生成纹理分析图的方法。所述方法包括根据重建的谱图像数据获得至少第一能量相关的谱图像体积和第二能量相关的谱图像体积。第一能量和第二能量是不同的。所述方法还包括生成多维谱示意图,其针对重建的谱图像数据的每个体素,将第一能量相关的谱图像体积的值映射到第二能量相关的谱图像体积的相应值。所述方法还包括根据多维谱示意图生成一组谱纹理分析权重。所述方法还包括检索一组纹理分析函数,其根据共生矩阵直方图中被生成作为体素强度和体素梯度值的函数。所述方法还包括利用该组纹理分析函数和该组谱纹理分析权重通过重建的谱图像数据的纹理分析来生成纹理分析图。所述方法还包括在视觉上呈现纹理分析图。
在另一方面,一种成像系统包括重建处理器和谱数据纹理处理器,所述重建处理器被配置为使用谱基础分解算法来重建谱成像数据,以生成至少第一能量相关的谱图像体积和第二能量相关的谱图像体积。处理器被配置为:生成多维谱示意图,其针对每个体素将第一能量相关的谱图像体积的值映射到第二能量相关的谱图像体积的对应值,根据多维谱示意图生成一组谱纹理分析权重,根据共生矩阵直方图生成一组纹理分析函数作为体素强度和体素梯度值的函数,利用该组纹理分析函数和该组谱纹理分析权重通过重建的谱图像数据的纹理分析来生成纹理分析图,在视觉上呈现纹理分析图。
在另一方面,描述了一种用于生成纹理分析图的方法。所述方法包括生成用于重建成像数据的多维示意图。所述方法还包括根据多维谱示意图生成一组纹理分析权重。所述方法还包括计算针对共生矩阵直方图的空间权重的初始分布。所述方法还包括根据所述共生矩阵直方图生成一组纹理分析函数作为体素强度和体素梯度值的函数。所述方法还包括利用该组纹理分析函数和该组谱分析权重通过重建的谱图像数据的纹理分析来生成纹理分析图。所述方法还包括基于纹理分析图中的体素值之间的局部差来计算针对所述共生矩阵直方图的空间权重的更新分布。所述方法还包括使用针对所述共生矩阵直方图的空间权重的更新分布来生成更新的一组纹理分析函数。所述方法还包括利用该组更新的纹理分析函数和该组谱分析权重来生成细化的纹理分析图。
本发明可以采用各种部件和部件布置的形式,以及各种步骤和步骤布置的形式。附图仅用于图示优选实施例的目的,不应被解释为限制本发明。
附图说明
图1示意性地图示了与谱数据纹理处理器连接的范例成像系统。
图2示意性地图示了谱数据纹理处理器的范例。
图3图示了范例2D谱示意图。
图4图示了范例共生矩阵直方图。
图5图示了共生矩阵直方图的权重对谱示意图中的向量长度和向量差的相关性。
图6图示了体积谱图像数据的图像、针对所述图像的对应纹理分析图以及所述图像与所述纹理分析图进行组合的融合图像的视觉显示。
图7示出了定义两个区域的任意图案。
图8示出了针对纹理分析的范例图像。
图9示出了从现有技术的纹理分析导出的熵图。
图10示出了使用本文中所描述的权重掩模导出的熵图。
图11图示了用于生成纹理分析图的范例方法。
具体实施方式
图1图示了范例成像系统100。合适的成像模态包括CT、MR、SPECT、PET、US等。为了简洁和清楚起见,下文结合CT描述本文中的实施例。然而,本领域(例如,在医学成像领域和/或其他领域中)技术人员将至少仅从本文的描述中理解针对其他合适的成像模态的修改和/或变更,而无需过度的实验。所示的成像系统100包括固定机架102和由固定机架102可旋转地支撑的旋转机架104。旋转机架104关于纵轴或z轴“Z”围绕检查区域106旋转。
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,并且发射穿过检查区域106的X射线辐射。在一个实例中,辐射源110被配置为在集成期间内和/或其他情况下的两个或多个发射电压(例如,80和140kVp,80、100和120kVp等)之间切换发射电压。在变型中,成像系统100包括在不同发射电压下发射辐射的多个辐射源110。在另一变型中,辐射源110包括单个广谱X射线管。
探测器阵列112相对于辐射源110朝向在检查区域106对面的角弧。探测器阵列112探测穿过检查区域106的辐射并生成指示其的信号(投影数据)。在辐射源电压在至少两个发射电压之间切换和/或两个或更多个X射线管在两个不同发射电压下发射辐射的情况下,探测器阵列112针对每个辐射源电压中的一个生成信号。对于单个广谱X射线管,探测器阵列112包括产生信号的能量解析探测器(例如,多层闪烁体/光电二极管、直接转换光子计数等)。
重建处理器114利用存储在重建算法存储器118或其他地方的一个或多个谱基础分解算法116来重建信号。重建处理器114采用算法116中的至少一个产生包括对应于不同图像基础的两组或更多组体积图像数据的谱体积图像数据。例如,利用双能量,这些基础能够是光电/康普顿散射对、水/碘对(或其他材料基础对)、两种不同效应的keV X射线能量对等。在另一个范例中,利用光子计数CT,重建处理器114能够生成包括k边缘图像基础的两个或更多个图像基础,例如,其中存在三个或更多个能量窗口。重建处理器114还可以生成非谱体积图像数据。
谱数据纹理处理器120根据重建的谱投影数据来计算纹理分析图。如下面更详细描述的,在一个实例中,这包括通过(直接或间接地)使用来自多维谱示意图的信息来生成并使用优化材料密度纹理和材料类型纹理二者的权重,并且一起评估两种效果,以生成统一的纹理分析图。应当理解,考虑到全谱信息,本文所描述的纹理分析图能够用于分析器官和组织纹理。此外,相对于细化被省略的纹理分析,谱数据纹理处理器120可以使用中间生成的纹理分析图通过一次或多次迭代来细化纹理分析,以产生更高分辨率的纹理分析。
应当理解,谱数据纹理处理器120能够经由诸如中央处理单元(CPU)、微处理器和/或其他处理器的一个或多个处理器来实现。一个或多个处理器执行嵌入或编码在计算机可读存储介质上的一个或多个计算机可执行指令,所述计算机可读存储介质不包括暂态介质并且包括物理存储器和/或其他非暂态介质。在变型中,计算机可执行指令由诸如载波、信号的暂态介质和/或其他暂态介质承载。
计算机用作操作者控制台122。操作者控制台122包括人类可读输出设备(诸如监视器)和输入设备(诸如键盘、鼠标等)。驻存在控制台122上的软件允许操作者经由图形用户界面(GUI)或其他方式与扫描器100进行交互和/或操作扫描器100。在一个实例中,控制台122包括或实现谱数据纹理处理器120。在另一个实例中,谱数据纹理处理器120是与成像系统100分离的计算系统的一部分。受试者支撑124(诸如卧榻)支撑检查区域106中的人或动物受试者或物体。
图2图示了谱数据纹理处理器120的范例。
谱数据纹理处理器120接收由重建处理器114、成像系统100的其他处理器和/或其他成像系统重建的谱体积图像数据作为输入。备选地,谱体积图像数据能够由诸如图片归档和通信系统(PACS)、医院信息系统(HIS)、电子病历(EMR)、服务器、数据库和/或其他数据存储库获取、检索、接收等。
谱示意图存储器202存储一个或多个N维谱示意图204,其中,N是正整数。N维谱示意图204的N维谱示意图包括针对重建的谱投影数据中的每个位置(例如,体素)的来自每个谱基础图像的对应值。这些值能够从N维谱示意图中被检索。N维谱示意图通常用作沿着对应的示意图轴线的坐标。
针对两个(N=2)谱基础的N-D谱示意图300的范例在图3中示出。x轴302表示第一谱基础体素值,并且y轴304表示第二谱基础体素值。第一向量306表示第一基础材料,第二向量308表示第二基础材料,第三向量310表示第三基础材料,第四向量312表示第四基础材料。在其他实例中,N-D谱示意图包括更多的、更少的和/或不同的基础材料。合适的基础材料的范例包括但不限于碘、钙、软组织、空气和/或水。
返回到图2,体素纹理分析函数确定器206确定纹理分析函数作为体素强度值和体素梯度值的函数。纹理分析函数被确定并被存储在纹理分析函数存储器中。所利用的具体的纹理分析函数能够是默认的组、从用户偏好识别的、由用户使用预先指定的预设选择的等等。在一个实例中,纹理分析函数使用共生矩阵直方图的熵确定。
图4示出了用于确定纹理分析函数的非限制性范例。重建的谱投影数据被示出在402处的3D空间中。由关于体素的感兴趣的聚类长度确定的3D高斯权重掩模被示出为404。在406处示出了共生直方图。对于共生矩阵直方图,第一轴408表示例如使用豪恩斯菲尔德(Hounsfield)单位(HU)尺度的沿着体素值的分箱,第二轴410表示例如使用豪恩斯菲尔德(Hounsfield)单位/毫米(HU/mm)尺度的沿着梯度的分箱,并且第三轴412表示强度概率。
共生矩阵直方图能够使用已知和/或其他方法来创建。例如,在一个实例中,对于重建的谱投影数据402中的每个体素,根据关于体素的预定的附近区域(例如,围绕框住体素的六个边的六个周围的体素)中的体素值分布来确定加权的共生矩阵直方图406。为此,首先,针对周围的体素定义3D高斯权重掩模404。3D高斯权重掩码W0(i,j,k)能够如公式1中所示来计算:
公式1:
其中,[rxryrz]是重建的谱投影数据中的长度/像素比率(例如,毫米/像素,mm/像素),并且[i j k]是围绕用于高于预定阈值的W0的[0 0 0中的中心体素周围的体素指数。
标准化权重掩码W被导出以满足例如∑vWv=1,其中Wv都是掩码值。高斯宽度ξ(例如,毫米)确定直方图聚类长度。根据局部HU值及其绝对3D梯度来建立共生矩阵。加权的共生直方图在过程中针对每个图像体素来重建,在所述过程中,由掩模覆盖的每个体素(即,与掩模的中心对准的当前分析的图像体素的附近区域中的)向相关直方图分箱的高度(或强度412)添加对应的掩模局部权重。
相关的分箱矩阵指数由在矩阵的一个维度中的图像体素HU值和在第二个矩阵维度中的梯度值来确定。逐渐从掩模中心体素往外减少的加权图案将有助于不规则图的平滑和较少斑块的出现。最终的直方图被标准化为满足∑i,jpi,j=1,其中,i,j是矩阵分箱指数,并且pi,j是对应的分箱高度(即,矩阵元素值)。
本文还设想了其它方法。例如,在2013年12月16日提交的名称为“QUANTITATIVEIMAGING”的序列号为PCT/IB2013/060995的专利申请WO/2014/097124中描述了另一种合适的方法,其全部内容通过引用并入本文。在R.Carmi等人的“Complementary tumorvascularity imaging in a single PET-CT routine using FDG early dynamic bloodflow and contrast-enhanced CT texture analysis”(SPIE Medical Imaging 2014)中描述了另一种方法。
体素纹理分析函数确定器206根据共生直方图406导出一组纹理分析函数。描述异质性和不规则性的一个这样的函数是熵。为此,首先,通过以下方程根据针对每个图像体素的共生直方图计算预缩放熵S0:
S0=-∑i,jpi,jlog(pi,j),其中,i,j是分箱指数,并且pi,j是分箱高度。本文还设想其它方法。这包括在Davnall等人的“Assessment of tumor heterogeneity:an emergingimaging tool for clinical practice?”(Insights Imaging,2012年10月)中讨论的方法。
回到图2,谱纹理分析权重确定器210确定一组谱纹理权重。在一个实例中,这基于在诸如图3的2D谱示意图的ND谱示意图中的位置和向量方向来实现。在图5中示出这样的范例。在图5中,针对在谱示意图300中的体素502,并且针对能够相对于物理空间中的邻近体素(例如,体素504)的值计算的每个可能向量差(梯度)方向,或者具有其他类型的空间接近性的体素来确定权重500。对梯度方向的相关性允许在计算出的共生矩阵直方图406内的材料密度效应和材料谱分离效应的最佳混合。该组谱纹理权重提供权重表格。
返回图2,周围体素纹理分析函数确定器206针对感兴趣体素确定感兴趣体素周围的体素(例如围绕所述体素的预定的一组体素)的纹理分析函数。例如,在一个实例中,确定体素强度作为在N-D谱示意图中的对应向量长度的函数。在另一个实例中,对应于物理空间中的空间上相邻或闭合的体素,体素梯度被确定作为在N-D谱示意图中的两个向量之间的差向量的函数。为此,体素梯度基于在N-D谱示意图中的梯度方向来进行加权。
例如,对于图5中的体素502,计算谱示意图中的向量长度,并且基于预先确定的最接近的相邻体素的组(例如,六个边界)的向量差值来计算在3D中的梯度。用于将该体素映射到共生直方图的梯度权重由权重表格来确定。对应于与六个邻近体素相关的六个向量差,能够采用平均权重值。在另一范例中,体素强度能够与共生直方图的第一轴相关。在适当加权之后,梯度的绝对值能够与共生直方图的第二轴相关。
所得到的纹理分析图能够被存储在纹理分析图存储器214中、被可视化、被传送到另一设备、被进行其他处理等。图6示出了控制台122的显示监视器604的图像查看窗口602,其显示体积谱图像数据的图像606或切片、针对图像606的对应的纹理分析图608、以及图像606与纹理分析图608进行组合的融合图像610。纹理分析图608以统一的方式表示能够通过谱效应来识别的“材料密度纹理”和“材料类型纹理”二者。
在所示范例中,权重在视觉上被呈现在图像查看窗口602和/或其他查看区域中。此外,操作者能够使用控制台122的控制来交互地改变“材料密度纹理”与“材料类型纹理”之间的权重。此外,能够在图像查看窗口602中计算并视觉上呈现单独的“材料密度”纹理和“材料类型”纹理图。
如本文所述,纹理分析图能够针对体积图像数据中的每个体素来计算。然而,局部评估包括围绕特定分析体素的许多体素的统计分析。因此,与体积图像数据相比,纹理分析图可以具有相对较低的分辨率。公式1提供一种用于生成共生矩阵直方图的范例空间权重函数。直方图“聚类长度”ξ能够是例如用于实现特定的情况下的“最佳”纹理图定义的在三毫米(3mm)的数量级上。该长度限制纹理分析图的空间分辨率。
在一个实例中,纹理分析图的空间分辨率通过添加局部权重来增加,所述局部权重取决于两个相关体素的计算出的纹理图值之间的差,例如针对算法循环中的每个实例。为此目的,参考纹理图从先前的迭代中获取,并且该过程生成细化的纹理图。通常,利用相似纹理值分析的(在中间步骤中)较小的子区域将在被用于计算细化的纹理的经分析的较大的聚类中具有更高的权重。
如公式2中所示,能够将局部权重添加到公式1中:
公式2:
其中,Ti,j,k是i、j、k指数的体素纹理图值,T0,0,0是中心体素纹理图值(其轮流进行分析),σ是关于预先确定的纹理图值的差的参数(这能够是常数或自适应参数),并且T是相对于权重W被确定所针对的迭代的上一个迭代的纹理图。权重分布函数能够在算法的预定点中进行标准化。
本文还设想了其它方法。纹理分析图的空间分辨率的细化能够与用于谱体积图像数据和用于非谱体积图像数据的纹理分析图一起使用。
图7、8、9和10图示了细化的范例。图7示出了限定两个区域702(白色区域)和704(黑色区域)的任意图案。如图8中所示,每个掩模区域具有不同类型的随机纹理。该图像是用于纹理分析的输入图像。图9示出了根据现有技术的纹理分析方法导出的熵图。图10示出了使用公式2的权重掩模和6次迭代导出的熵图。应当理解,该范例仅是为了解释说明的目的;其不应被视为质量和/或性能的指示。
图11示出了用于谱纹理分析的范例方法。
应当理解,本文中所描述的方法中的动作的排序不是限制性的。因此,本文设想其他排序。此外,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,例如从成像系统100、另一成像系统、数据存储库等获得体积图像数据。图像数据能够是谱图像数据或非谱图像数据。
在1104处,例如从计算机存储器或其他物理存储设备获得N-D谱示意图。
在1106处,例如基于公式1、2和/或其他方式确定一组纹理分析函数。
在1108处,如本文所述,基于N-D谱示意图确定一组纹理分析权重。
在1110处,如本文所述,利用该组纹理分析函数和该组纹理分析权重来生成纹理分析图。
在1112处,所得到的纹理分析图能够在视觉上被呈现。如本文所述,纹理分析图能够通过其自身、与重建的成像数据同时或交替、与重建的成像数据融合等进行显示。此外,该组纹理分析权重能够与纹理分析图一起显示。
在1114处,响应于接收指示用于确定该组纹理分析函数中的至少一个空间权重的变化的输入信号来确定更新的一组纹理分析函数。
在1116处,利用更新的纹理分析函数和该组纹理分析权重来生成后续的纹理分析图。
在1118处,在视觉上呈现后续的谱纹理分析图。同样地,后续的纹理分析图能够通过其自身、与重建的成像数据同时或交替、与重建的成像数据融合等进行显示。此外,该组纹理分析权能够与纹理分析图一起显示。
应当理解,仅当权重变化时才执行动作1114-1118。否则,动作1114-1118被省略或不执行。
上述可以通过被编码或嵌入计算机可读存储介质上的计算机可读指令来实现,当由计算机处理器执行时,使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、载波或其他暂态介质承载。
已经参考优选实施例对本发明进行了描述。一旦阅读并理解了前述详细说明,其他人可能会想到修改和更改。其旨在将本发明被构建为包括所有这些修改和变更,只要它们在所附权利要求或其等同物的范围内。
Claims (15)
1.一种用于根据谱图像数据生成纹理分析图的方法,包括:
根据重建的谱图像数据获得至少第一能量相关的谱图像体积和第二能量相关的谱图像体积,其中,所述第一能量和所述第二能量是不同的;
生成多维谱示意图,其针对所述重建的谱图像数据的每个体素将所述第一能量相关的谱图像体积的值映射到所述第二能量相关的谱图像体积的对应值;
根据所述多维谱示意图生成一组谱纹理分析权重;
检索一组纹理分析函数,其根据共生矩阵直方图被生成作为体素强度和体素梯度值的函数;
利用所述一组纹理分析函数和所述一组谱纹理分析权重通过所述重建的谱图像数据的纹理分析来生成所述纹理分析图;并且
在视觉上呈现所述纹理分析图。
2.根据权利要求1所述的方法,还包括:
根据所述多维谱示意图中的每个体素的位置来生成所述一组谱纹理分析权重。
3.根据权利要求2所述的方法,还包括:
根据对应于所述多维谱示意图中的与每个体素相邻的一组体素的体素梯度来生成所述一组谱纹理分析权重。
4.根据权利要求1所述的方法,还包括:
在视觉上一同呈现所述一组谱纹理分析权重以及所述纹理分析图。
5.根据权利要求1所述的方法,还包括:
接收指示所述一组谱纹理分析权重中的至少一个谱纹理分析权重的变化的输入;
基于所述输入改变所述一组谱纹理分析权重并生成更新的一组谱纹理分析权重;并且
利用所述一组纹理分析函数和所述更新的一组谱纹理分析权重通过所述重建的谱图像数据的所述纹理分析来生成所述纹理分析图。
6.根据权利要求1所述的方法,还包括:
融合所述重建的谱图像数据和所述纹理分析图,以创建单个的融合图像;并且
在视觉上呈现所述单个的融合图像。
7.根据权利要求1所述的方法,还包括:
在显示器的查看区的单独的查看区域中视觉上呈现所述重建的谱图像数据和所述纹理分析图。
8.根据权利要求1所述的方法,还包括:
使用对所述梯度方向的相关性来混合所述纹理分析图中的材料密度效应和材料谱分离。
9.根据权利要求1至8中的任一项所述的方法,其中,生成所述纹理分析图包括针对体素,检索体素强度作为所述谱示意图中的对应向量长度的函数,并且检索对应于与所述体素相邻的一组体素的体素梯度作为所述谱示意图中的两个向量之间的差-向量的函数。
10.根据权利要求9所述的方法,还包括:
利用所述一组谱纹理分析权重对所述体素梯度进行加权。
11.根据权利要求9所述的方法,还包括:
将针对体素的梯度权重映射到所述共生矩阵直方图。
12.根据权利要求11所述的方法,其中,所述梯度权重是对应于与所述体素相邻的所述一组体素的平均权重值。
13.根据权利要求1至8中的任一项所述的方法,还包括:
在生成所述纹理分析图之前计算针对所述共生矩阵直方图的空间权重的初始分布,
其中,所述纹理分析图是中间纹理分析图;
基于中间纹理分析图中体素值之间的局部差来计算针对所述共生矩阵直方图的空间权重的更新分布;
使用针对所述共生矩阵直方图的空间权重的所述更新分布生成更新的一组纹理分析函数;并且
利用所述更新的一组纹理分析函数来生成细化的纹理分析图。
14.根据权利要求1至8中的任一项所述的方法,还包括:
使用谱基础分解算法来重建所述谱图像数据,以生成至少所述第一能量相关的谱图像体积和所述第二能量相关的谱图像体积。
15.一种成像系统(102),包括:
重建处理器(114),其被配置为使用谱基础分解算法来重建谱成像数据,以生成至少第一能量相关的谱图像体积和第二能量相关的谱图像体积;以及
谱数据纹理处理器(120),其包括处理器,所述处理器被配置为:
生成多维谱示意图,其针对每个体素将所述第一能量相关的谱图像体积的值映射到所述第二能量相关的谱图像体积的对应值;
根据所述多维谱示意图生成一组谱纹理分析权重;
根据共生矩阵直方图生成一组纹理分析函数作为体素强度和体素梯度值的函数;
利用所述一组纹理分析函数和所述一组谱纹理分析权重通过所述重建的谱图像数据的纹理分析来生成纹理分析图;并且
在视觉上呈现所述纹理分析图。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462072579P | 2014-10-30 | 2014-10-30 | |
US62/072,579 | 2014-10-30 | ||
PCT/IB2015/058382 WO2016067254A1 (en) | 2014-10-30 | 2015-10-30 | Texture analysis map for image data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107111883A CN107111883A (zh) | 2017-08-29 |
CN107111883B true CN107111883B (zh) | 2020-12-08 |
Family
ID=54601849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580058882.XA Active CN107111883B (zh) | 2014-10-30 | 2015-10-30 | 用于图像数据的纹理分析图 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10074190B2 (zh) |
EP (1) | EP3213298B1 (zh) |
JP (1) | JP6345881B2 (zh) |
CN (1) | CN107111883B (zh) |
WO (1) | WO2016067254A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10276267B2 (en) * | 2015-10-06 | 2019-04-30 | St. Jude Medical, Cardiology Division, Inc. | Methods and systems for displaying electrophysiological lesions |
US10371650B2 (en) * | 2016-09-22 | 2019-08-06 | Advanced Manufacturing LLC | Macrotexture map visualizing texture heterogeneity in polycrystalline parts |
DE102016224717B4 (de) * | 2016-12-12 | 2018-12-20 | Siemens Healthcare Gmbh | Verfahren zum Ermitteln von Gewebeeigenschaften von Tumoren, sowie Bildanalyseeinrichtung, Computertomographiesystem, Computerprogrammprodukt und computerlesbares Medium |
EP3409187B1 (de) * | 2017-05-30 | 2023-08-16 | Siemens Healthcare GmbH | Verfahren und vorrichtung zur bestimmung einer strömungssituation in einem organ |
KR20200133112A (ko) * | 2019-05-17 | 2020-11-26 | 삼성전자주식회사 | 생체 신호 측정 장치 |
CN110836857B (zh) * | 2019-11-19 | 2023-01-10 | 杭州深度视觉科技有限公司 | 一种超精研特征的检测系统及检测方法 |
WO2023056634A1 (zh) * | 2021-10-09 | 2023-04-13 | 深圳先进技术研究院 | Pet参数成像方法、装置、电子设备及可读存储介质 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7907769B2 (en) * | 2004-05-13 | 2011-03-15 | The Charles Stark Draper Laboratory, Inc. | Image-based methods for measuring global nuclear patterns as epigenetic markers of cell differentiation |
US8160296B2 (en) * | 2005-04-15 | 2012-04-17 | Mississippi State University Research And Technology Corporation | Change analyst |
US20100266179A1 (en) | 2005-05-25 | 2010-10-21 | Ramsay Thomas E | System and method for texture visualization and image analysis to differentiate between malignant and benign lesions |
US7778380B2 (en) | 2005-09-06 | 2010-08-17 | Koninklijke Philips Electronics N.V. | Data handling and analysis in computed tomography with multiple energy windows |
GB0705223D0 (en) * | 2007-03-19 | 2007-04-25 | Univ Sussex | Method, apparatus and computer program for analysing medical image data |
WO2009058915A1 (en) * | 2007-10-29 | 2009-05-07 | The Trustees Of The University Of Pennsylvania | Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri) |
US8380435B2 (en) * | 2010-05-06 | 2013-02-19 | Exxonmobil Upstream Research Company | Windowed statistical analysis for anomaly detection in geophysical datasets |
US8374414B2 (en) * | 2010-11-05 | 2013-02-12 | The Hong Kong Polytechnic University | Method and system for detecting ischemic stroke |
EP2732431B1 (en) * | 2011-07-15 | 2019-03-13 | Koninklijke Philips N.V. | Image processing for spectral ct |
CN102542562A (zh) | 2011-11-23 | 2012-07-04 | 首都医科大学 | 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法 |
WO2013173749A1 (en) * | 2012-05-17 | 2013-11-21 | The Regents Of The University Of California | Sampling-based multi-lateral filter method for depth map enhancement and codec |
EP2880628A1 (en) * | 2012-08-06 | 2015-06-10 | Vanderbilt University | Enhanced method for correcting data for deformations during image guided procedures |
US9280206B2 (en) * | 2012-08-20 | 2016-03-08 | Samsung Electronics Co., Ltd. | System and method for perceiving images with multimodal feedback |
CN102938148A (zh) * | 2012-10-09 | 2013-02-20 | 河海大学 | 一种基于v-glcm的高光谱影像纹理分析方法 |
EP2936430B1 (en) | 2012-12-20 | 2018-10-31 | Koninklijke Philips N.V. | Quantitative imaging |
WO2014126778A2 (en) * | 2013-02-12 | 2014-08-21 | Zygo Corporation | Surface topography interferometer with surface color |
WO2015023732A1 (en) * | 2013-08-13 | 2015-02-19 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Systems, methods and devices for analyzing quantitative information obtained from radiological images |
CN103985133B (zh) * | 2014-05-30 | 2017-01-18 | 武汉大学 | 基于图割能量优化的影像间最优拼接线寻找方法及系统 |
US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
US10113910B2 (en) * | 2014-08-26 | 2018-10-30 | Digimarc Corporation | Sensor-synchronized spectrally-structured-light imaging |
US10004403B2 (en) * | 2014-08-28 | 2018-06-26 | Mela Sciences, Inc. | Three dimensional tissue imaging system and method |
US10546370B2 (en) * | 2014-09-05 | 2020-01-28 | Koninklijke Philips N.V. | Visualization of spectral image data |
US10462445B2 (en) * | 2016-07-19 | 2019-10-29 | Fotonation Limited | Systems and methods for estimating and refining depth maps |
-
2015
- 2015-10-30 JP JP2017523338A patent/JP6345881B2/ja active Active
- 2015-10-30 US US15/521,722 patent/US10074190B2/en active Active
- 2015-10-30 WO PCT/IB2015/058382 patent/WO2016067254A1/en active Application Filing
- 2015-10-30 CN CN201580058882.XA patent/CN107111883B/zh active Active
- 2015-10-30 EP EP15797439.5A patent/EP3213298B1/en active Active
Non-Patent Citations (2)
Title |
---|
Complementary tumor vascularity imaging in a single PET-CT routine using FDG early dynamic blood flow and contrast-enhanced CT texture analysis;Carmi, Raz 等;《SPIE》;20140331;第1-14页 * |
黎曼流形上半调图像的协方差建模与贝叶斯分类方法;文志强 等;《模式识别与人工智能》;20131130;第26卷(第11期);第993-1003页 * |
Also Published As
Publication number | Publication date |
---|---|
US20170243364A1 (en) | 2017-08-24 |
US10074190B2 (en) | 2018-09-11 |
CN107111883A (zh) | 2017-08-29 |
EP3213298B1 (en) | 2018-12-12 |
WO2016067254A1 (en) | 2016-05-06 |
EP3213298A1 (en) | 2017-09-06 |
JP2018500061A (ja) | 2018-01-11 |
JP6345881B2 (ja) | 2018-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107111883B (zh) | 用于图像数据的纹理分析图 | |
EP2984629B1 (en) | Layered two-dimensional projection generation and display | |
Zhou et al. | Lung nodule volume quantification and shape differentiation with an ultra-high resolution technique on a photon-counting detector computed tomography system | |
US11227391B2 (en) | Image processing apparatus, medical image diagnostic apparatus, and program | |
US9600877B2 (en) | Quantitative imaging | |
US8049752B2 (en) | Systems and methods of determining sampling rates for volume rendering | |
JP2017067765A (ja) | 医用画像処理装置及びポジトロン放射断層撮影装置 | |
JP2020175206A (ja) | 画像視覚化 | |
JP2014522693A (ja) | スペクトルct向けの画像処理 | |
JP2006255412A (ja) | 腫瘍量を監視する方法及びシステム | |
CN107209946B (zh) | 图像数据分割和显示 | |
CN105793894B (zh) | 根据图像数据来进行骨骼分割 | |
JP7216722B2 (ja) | 診断撮像における画像特徴のアノテーション | |
Dawood et al. | Correction techniques in emission tomography | |
EP3077993A1 (en) | Image data processing | |
WO2016063234A1 (en) | Sub-viewport location, size, shape and/or orientation | |
JP7258744B2 (ja) | スペクトルコンピュータ断層撮影フィンガープリンティング | |
US20230334732A1 (en) | Image rendering method for tomographic image data | |
JP7442455B2 (ja) | 分光イメージングデータからの分光炎症マップ | |
WO2015083090A2 (en) | Image data processing |
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 |