CN107111884B - 用于确定三维医学图像中的病变区域中的短轴的方法 - Google Patents
用于确定三维医学图像中的病变区域中的短轴的方法 Download PDFInfo
- Publication number
- CN107111884B CN107111884B CN201580072563.4A CN201580072563A CN107111884B CN 107111884 B CN107111884 B CN 107111884B CN 201580072563 A CN201580072563 A CN 201580072563A CN 107111884 B CN107111884 B CN 107111884B
- Authority
- CN
- China
- Prior art keywords
- pair
- axis
- long axis
- range
- voxel
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 23
- 230000003902 lesion Effects 0.000 title claims description 13
- 230000004323 axial length Effects 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20068—Projection on vertical or horizontal image axis
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Generation (AREA)
Abstract
从定义长轴的体素和长轴平面中的体素开始确定短轴。在长轴的平面内的体素垂直地投射到长轴上,并且接收一个标识符,该标识符指示它们被投射到其上的长轴上的区域。评估在相同范围内和相邻范围内的点对中的各点(投射的子体素)之间的距离,以便确定最长距离。
Description
技术领域
本发明涉及一种在三维医学图像表示中计算沿预定方向的轴的方法。本发明更具体地涉及确定病变(例如肿瘤)的三维图像中的短轴的方法。
背景技术
短轴和长轴是反映病变三维大小的重要测量。这些测量在医疗诊断和治疗中用于评估和跟踪病变。
这些测量例如在RECIST(实体肿瘤中的反应评估标准)标准中使用,以定义肿瘤在治疗过程中如何反应、稳定或发展。
从MRI(核磁共振成像)或CT(X射线计算机断层扫描)的3D重建中提取处理的小瘤。
在相同平面上定义短轴和长轴。该平面的方向被预定义。该方向通常对应于原生(native)切片的方向(DICOM图像)。在计算长轴时计算平面本身。
给定在平面中定义长轴的一对点(体素),也称为对应于平面中任意两点之间的最大距离的最大直径,短轴被定义为与长轴垂直的最长轴。
短轴对应于定义与长轴垂直的轴的集合中任意两点之间的最大距离。在通常对应于体积原生平面(切片、DICOM图像,图1中的示例)的相同平面中定义两个轴。
文献中存在提出快速估计长轴的一些算法。
然而,仍然需要用于估计短轴的准确方法。
本发明的一个方面是提供一种计算一组体素的短轴的快速且准确的方法。
根据下文给出的描述,其他目的将变得显而易见。
发明内容
上述方面通过具有权利要求1中所陈述的方法步骤的计算机实施的方法来实现。
该方法已经被设计来对CT和MRI三维重建起作用,但可应用于任何2D图像。
本发明涉及短轴的计算。也可以使用公知的方法来计算长轴。
该方法从定义3D病变和包含轴的平面的方向(通常是原生切片方向)的一组体素开始。
如果采集是2D图像,则该方法从该图像开始。
可以在本发明的方法(如下面在详细描述中描述)中计算定义长轴及其对应的平面的一对体素的输入。
然而,长轴也可以预先确定。其定义可以存储在存储器中并从存储器中检索,或者可以事先确定用于确定短轴的方法的步骤。
在从属权利要求中陈述了本发明优选实施例的具体特征。
本发明通常被实现为计算机程序产品,其适于在计算机上运行并存储在计算机可读介质上时执行任意权利要求的方法。
根据下面的描述和附图,本发明的另外的优点和实施例将变得显而易见。
附图说明
图1图示了3D体积表示的原生平面中的短轴和长轴,
图2图示了应用于5体素掩模的根据本发明的短轴的计算方法,
图3图示了本发明的短轴计算方法的细化。
具体实施方式
短轴和长轴计算需要输入一组体素。
这些体素可以对应于病变掩模中包含的所有体素。
可以通过任意病变分割方法获得病变掩模,例如在2013年5月23日提交的题为“Method of defining a region of interest”的共同待审的欧洲专利申请13168875.6中描述的方法。
根据本发明的方法,需要长轴的位置以及定义长轴的平面来计算短轴。
长轴计算需要输入定义病变以及包含轴的平面的方向(通常是原生切片方向)的一组体素。
存在计算长轴的几种方法。下面描述这种方法的一个示例。
长轴计算示例
对于与给定方向正交的每个平面,计算每对点之间的距离(在该示例性实施例中,考虑从体素中心到体素中心的距离)。具有最大距离的一对点定义其对应平面中的局部直径。
在为每个平面定义的局部直径中,最大直径被定义为具有上述距离中的最大距离的直径。该直径及其获得该直径的平面用作短轴算法的输入,例如,一方面定义平面的一组体素,以及另一方面,定义长轴的一对体素。
上述算法提供使用体素中心定义的最大直径(图2.b)。
在接下来的步骤中,中心可以被拐角值代替以获得更准确的直径(图2.c)。在所图示实施例中,“中心”对应于体素平行六面体几何中心。
该算法可以使用体素中心而不是体素拐角作为输入来运行,以便处理较少的数据。
根据本发明的短轴计算:
令u为与长轴共线的单位向量,以及v 为与输入平面中的u垂直的单位向量。
Voxel_size是定义体素大小的3D向量(以mm为单位)。Max_deviation是用户定义参数,其用于控制从v方向允许的最大偏差角。为了获得与长轴恰好成90度角的短轴,该参数应设置为0°。
1.定义初始范围宽度,称为range_width,例如:
range_width = Voxel_size ∙ u
该公式为取样/聚类的下一步提供了最佳的结果,因为它提供了具有投射体素大小的范围,因此只有对齐的体素将在相同范围内。
可以使用替代公式,但可能需要更大数量的迭代。如果Max_deviation大,可以设想更大的范围。
2. 对长轴取样。
通过将长轴细分为一组相等尺寸的范围来对长轴进行取样。每个范围宽度为range_width(图2.d)。在下文中,词语范围、聚类和样本指的是相同的参考。
3.来自输入的体素集合的每个点沿着u投射,并根据其投射值的位置分配给各范围中的一个(在图2.d中,每个范围成员被分配相同的标识符)。以这种方式生成分配给相同范围的体素聚类。
4. 在每个聚类内,在内部找到最远距离的一对点(如果有的话)。令intra_ candidate为所有聚类中具有最大距离的一对点(在图2e中,intra_candidate点被突出显示)。在该实施例的这个水平,计算体素中心之间的距离。
可替代地,可以反而考虑体素拐角之一(必须是相同拐角),例如可以计算左上拐角和左上拐角之间的距离。
5. 评估这对intra_candidate。在下一节描述评估算法。该算法确定输入对是否是有效的候选,并且如果有效,则用边缘点替换体素中心。
如果在一对的体素内可以绘制基本上垂直于长轴的轴,则该对被认为是有效对,在本发明的上下文中“基本上垂直”意指该轴的方向与垂直于长轴的方向的偏差角小于预定值max_deviation。
偏差角的值可以由用户设定。偏差角可以设置为0°以获得准确的结果。小的角度是更可接受的(例如,根据实验,5°是良好折衷)。
6.对于每个范围range_i,找到定义最大距离的一对点(如果有的话),使得一个点属于range_i,以及另一个点属于range_i的相邻范围。如果为range_i找到一对点,则将其添加到称为inter_candidante的对的列表中。在这个水平上,也使用体素中心计算距离。
可替代地,可以反而考虑体素拐角之一(必须是相同拐角),例如可以计算左上拐角和左上拐角之间的距离。
7.根据它们的距离,例如以降序对inter_candidante列表中的对进行排序。
8.遍及列表inter_candidante运行(从具有最远的距离的一个开始)。如果在运行期间找到一个有效对(通过下面定义的评估和细化算法来评估该对),短直径被分配给该对,或分配给inter_candidante的列表的成员,如果它存在、有效且具有更大的距离。
如果找到这样的一对,则算法停止。
否则,评估列表中的下一对。
9.如果没有找到有效对(包括inter_candidante),并且如果范围宽度range_ width小于给定的极限,则增大range_width并转到步骤2。例如,该极限可以设置为初始范围宽度的两倍值(在步骤1中计算)。
评估和细化算法
本节中定义的算法与一对体素的输入一起起作用。它评估候选对,即,告知是否有可能在这些体素内找到和与比max_deviation小的长轴的方向垂直的方向具有一偏差角的长轴的垂直轴。它还通过体素边缘内的一对点来代替体素中心。
令voxel1为输入对的第一体素,以及并且令voxel2为输入体素对的第二点(voxel1和voxel2是可交换的)。
1. 对于voxel1中的每个拐角点p i (总共4个拐角),如果通过p i 的v的共线轴与voxel2相交,那么输入对是有效的,并且pair i 被定义为由点p i 和与voxel2的最远距离交叉点组成的直径(实际上只考虑与4个边的相互作用)。否则(如果所有轴都不与voxel2相交),则转到步骤3。
中心点对应于投射体素(投射为它对应于体素与工作平面之间的交叉)平行四边形几何中心,并且拐角点对应于平行四边形几何拐角。
2. 将具有最大距离的对pair i (i为{1, 2, 3, 4})返回为最终细化结果。停止评估和细化算法。
3. 对于voxel1中的每个拐角点p i ,对于voxel2中的每个拐角点p j ,如果轴(p i ,p j )与向量v的偏差角小于max_deviation,那么输入对是有效的,并且(p i ,p j )被添加到称为candidate的列表中。否则,如果没有找到轴,则输入对无效,并且算法停止。
4. 在candidate中查找具有最大距离的一对点,并用该一对点替换输入对。
Claims (2)
1.用于识别病变区域的图像中的短轴的计算机实现的方法,包括以下步骤:
-1)输入定义3D病变并且定义所述病变的长轴和包括所述长轴和短轴的平面的方向的一组体素,
-2)将所述长轴划分为多个范围,每个范围具有预设范围宽度range_width,
-3)根据与所述长轴的方向基本上垂直的方向,将输入的一组体素的每个点投射到所述长轴上,
-4)形成投射到相同范围上的点的聚类,并且在每个形成的聚类内,定义最远的点对,
-5)选择群集中最远的对作为intra_candidate,
-6)对于每个范围,通过评估具有属于一个范围的一个点和属于相邻范围的另一个点的点对来找到inter_candidate,并且为针对范围选择最远的这样的对,
-7)在inter_candidate中选择最远的对pair_inter,其满足以下条件,通过其体素能够绘制基本上垂直于所述长轴的轴,所述长轴与小于预定值max_deviation的长轴的垂直方向存在偏差角,
-8)如果通过其点的轴长于被分配给所述inter_candidate的轴,则将短轴分配给所述intra_candidate或pair_inter,
-9)如果在对的体素内没有找到所述对,则能够绘制基本上垂直于所述长轴的轴,增大range_width并从第二步骤重复。
2.根据权利要求1所述的方法,其中,如果找到有效对,则体素中心被体素的边缘点取代,由此如果在一对内可以绘制基本上垂直于所述长轴的轴,则该对是有效对。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP15150133.5 | 2015-01-06 | ||
EP15150133 | 2015-01-06 | ||
PCT/EP2015/079916 WO2016110384A1 (en) | 2015-01-06 | 2015-12-16 | Method for determining the short axis in a lesion region in a three dimensional medical image |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107111884A CN107111884A (zh) | 2017-08-29 |
CN107111884B true CN107111884B (zh) | 2020-09-04 |
Family
ID=52347151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580072563.4A Expired - Fee Related CN107111884B (zh) | 2015-01-06 | 2015-12-16 | 用于确定三维医学图像中的病变区域中的短轴的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10127683B2 (zh) |
EP (1) | EP3243187B1 (zh) |
CN (1) | CN107111884B (zh) |
WO (1) | WO2016110384A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10959696B1 (en) * | 2019-11-25 | 2021-03-30 | Robert Edwin Douglas | Method and apparatus for an improved localizer for 3D imaging |
CN113393462B (zh) * | 2021-08-18 | 2021-11-26 | 浙江杜比医疗科技有限公司 | 一种病灶区域分割方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101001569A (zh) * | 2004-02-06 | 2007-07-18 | 韦克福里斯特大学健康科学院 | 利用非侵入性成像的整体组织特性的组织评估和用于确定影像整体组织特性的系统 |
CN101796544A (zh) * | 2007-09-03 | 2010-08-04 | 皇家飞利浦电子股份有限公司 | 体素数据的可视化 |
US8249320B2 (en) * | 2008-01-16 | 2012-08-21 | Fujifilm Corporation | Method, apparatus, and program for measuring sizes of tumor regions |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2475722B (en) | 2009-11-30 | 2011-11-02 | Mirada Medical | Measurement system for medical images |
-
2015
- 2015-12-16 WO PCT/EP2015/079916 patent/WO2016110384A1/en active Application Filing
- 2015-12-16 CN CN201580072563.4A patent/CN107111884B/zh not_active Expired - Fee Related
- 2015-12-16 US US15/541,027 patent/US10127683B2/en active Active
- 2015-12-16 EP EP15817195.9A patent/EP3243187B1/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101001569A (zh) * | 2004-02-06 | 2007-07-18 | 韦克福里斯特大学健康科学院 | 利用非侵入性成像的整体组织特性的组织评估和用于确定影像整体组织特性的系统 |
CN101796544A (zh) * | 2007-09-03 | 2010-08-04 | 皇家飞利浦电子股份有限公司 | 体素数据的可视化 |
US8249320B2 (en) * | 2008-01-16 | 2012-08-21 | Fujifilm Corporation | Method, apparatus, and program for measuring sizes of tumor regions |
Non-Patent Citations (1)
Title |
---|
3D Volume Reconstruction and Biometric Analysis of Fetal Brain from MR Images;Paola campadelli et al;《Computational intelligence methods for bioinformatics and biostatistics》;Lecture Notes in Computer Science;20081003;第5488卷;188-197 * |
Also Published As
Publication number | Publication date |
---|---|
US20180005403A1 (en) | 2018-01-04 |
EP3243187A1 (en) | 2017-11-15 |
WO2016110384A1 (en) | 2016-07-14 |
CN107111884A (zh) | 2017-08-29 |
US10127683B2 (en) | 2018-11-13 |
EP3243187B1 (en) | 2018-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11605185B2 (en) | System and method for generating partial surface from volumetric data for registration to surface topology image data | |
KR20220117236A (ko) | 의료 이미지를 사용한 자동화된 종양 식별 및 분할 | |
CN109074639B (zh) | 医学成像系统中的图像配准系统和方法 | |
US8620040B2 (en) | Method for determining a 2D contour of a vessel structure imaged in 3D image data | |
JP5252804B2 (ja) | 4次元医用画像の形成方法 | |
CN109325971B (zh) | 图像配准方法及装置 | |
Ni et al. | Segmentation of uterine fibroid ultrasound images using a dynamic statistical shape model in HIFU therapy | |
US8055047B2 (en) | Polyp detection using smoothed shape operators | |
RU2721078C2 (ru) | Сегментация анатомической структуры на основе модели | |
CN107111884B (zh) | 用于确定三维医学图像中的病变区域中的短轴的方法 | |
Wang et al. | Adaptive mesh expansion model (AMEM) for liver segmentation from CT image | |
EP4156089A1 (en) | Method, device and system for automated processing of medical images to output alerts for detected dissimilarities | |
US9089265B2 (en) | Automated parameter selection for a tomographic imaging device | |
JP5122650B2 (ja) | 経路近傍レンダリング | |
Beichel et al. | Computer‐aided lymph node segmentation in volumetric CT data | |
Heryan et al. | Automatic extraction of the pelvicalyceal system for preoperative planning of minimally invasive procedures | |
WO2011142725A1 (en) | Method and device for processing a computed tomography measurement result | |
Kang et al. | Correspondenceless 3D-2D registration based on expectation conditional maximization | |
Vogel et al. | Optimization of acquisition geometry for intra-operative tomographic imaging | |
EP4036865A1 (en) | Method, device and system for visualizing colon | |
Siena et al. | A shape-dependent variability metric for evaluating panel segmentations with a case study on LIDC | |
Аврунін et al. | Planning Method for Safety Neurosurgical and Computed Tomography Contrast-Data Set Visualization | |
CN104471424A (zh) | 利用mri、ct或us对心肌收缩功能的量化 | |
Wang | Patch-based segmentation with spatial context for medical image analysis | |
Wang et al. | A minimally interactive method to segment enlarged lymph nodes in 3D thoracic CT images using a rotatable spiral-scanning technique |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200904 |