CN107292857A - 图像处理装置及方法和计算机可读存储介质 - Google Patents
图像处理装置及方法和计算机可读存储介质 Download PDFInfo
- Publication number
- CN107292857A CN107292857A CN201710223092.3A CN201710223092A CN107292857A CN 107292857 A CN107292857 A CN 107292857A CN 201710223092 A CN201710223092 A CN 201710223092A CN 107292857 A CN107292857 A CN 107292857A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel value
- pixel
- unit
- value
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title abstract description 52
- 230000008859 change Effects 0.000 claims description 71
- 238000009826 distribution Methods 0.000 claims description 49
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 description 49
- 210000004185 liver Anatomy 0.000 description 19
- 230000006870 function Effects 0.000 description 15
- 210000000056 organ Anatomy 0.000 description 8
- 230000002708 enhancing effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000002601 radiography Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000000746 body region Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 108010022579 ATP dependent 26S protease Proteins 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013098 chemical test method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000000007 visual 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30008—Bone
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种图像处理装置及方法和计算机可读存储介质。所述图像处理装置包括：获得单元，其被构造为获得被检体的第一图像和所述被检体的第二图像；差分单元，其被构造为获得在将所述第一图像和所述第二图像配准之后的差分图像；以及改变单元，其被构造为基于使用所述第一图像中的像素值和所述第二图像中的像素值计算的似然度，进行改变所述差分图像中的像素值的处理。
Description
技术领域
本发明涉及一种图像处理装置以及图像处理方法和计算机可读存储介质。
背景技术
在医学领域中，使用通过诸如计算机断层摄影装置(在下文中被称为CT(ComputedTomography，计算机断层摄影)装置)等的各种类型的医学摄像装置(模态)获得的图像来进行诊断。尤其是，为了拍摄被检体的状况随时间的改变，将在不同的定时获得的图像进行比较。要比较的图像中的一个在下文中将被称为参照图像，并且其他图像在下文中将被称为变形对象图像。
作为使参照图像与变形对象图像之间的随时间的改变可视化的图像处理，已知一种获得代表图像之间的差分的图像(在下文中将被称为差分图像)的技术，即，减法技术。在差分图像中，描绘了两个图像之间的改变的部分，并且将剩余的未改变的部分表达为具有均匀浓度值的区域。
在差分图像中，由于参照图像与变形对象图像之间的摄像条件的差异或被检体的状况的改变，可能描绘了差分图像上的除医生关注的区域以外的区域，从而劣化关注区域的可见性。日本特开2014-94036号公报公开了一种基于从参照图像和变形对象图像中的一者确定的噪声区域来调整差分图像上的像素值的权重的技术。
然而，在日本特开2014-94036号公报中描述的技术中，与医生关注的区域无关地，从参照图像和变形对象图像中的一者确定噪声区域，并且调整差分图像上的像素值的权重。因此，即使在差分图像上的医生不关注的区域中，也在图像上描绘了改变，从而劣化了医生关注的区域中的差分值的可见性。另外，由于在调整像素值的权重时仅考虑参照图像和变形对象图像中的一者，因此需要选择这些图像中的、要调整权重所基于的图像的操作。
鉴于上述问题而做出了本发明，并且本发明提供一种能够使用多个图像中的像素值来调整差分图像上的像素值的权重的图像处理技术。本发明提供一种获得能够通过在实施稍后描述的本发明的模式中的相应的布置来实现的、但是通过相关技术无法获得的功能和效果的技术。
发明内容
根据本发明的一个方面，提供了一种图像处理装置，所述图像处理装置包括：获得单元，其被构造为获得被检体的第一图像和所述被检体的第二图像；差分单元，其被构造为获得在将所述第一图像和所述第二图像配准之后的差分图像；以及改变单元，其被构造为基于使用所述第一图像中的像素值和所述第二图像中的像素值所计算的似然度，进行改变所述差分图像中的像素值的处理。
根据本发明的一个方面，提供了一种图像处理装置，所述图像处理装置包括：获得单元，其被构造为获得被检体的第一图像和所述被检体的第二图像；差分单元，其被构造为获得在将所述第一图像和所述第二图像配准之后的差分图像；以及改变单元，其被构造为基于所述第一图像中的各个像素的像素值与所述第二图像中的各个像素的像素值之间的比较，进行改变所述差分图像中的像素值的处理。
根据本发明的一个方面，提供了一种图像处理装置，所述图像处理装置包括：获得单元，其被构造为获得被检体的第一图像和所述被检体的第二图像；差分单元，其被构造为获得在将所述第一图像和所述第二图像配准之后的差分图像；显示处理单元，其被构造为在显示单元上显示所述第一图像和所述第二图像；以及改变单元，其被构造为基于所述显示单元的显示条件，进行改变所述差分图像中的像素值的处理。
根据本发明的另一方面，提供了一种图像处理方法，所述图像处理方法包括：获得被检体的第一图像和所述被检体的第二图像；获得在将所述第一图像和所述第二图像配准之后的差分图像；以及基于使用所述第一图像中的像素值和所述第二图像中的像素值计算的似然度，进行改变所述差分图像中的像素值的处理。
根据本发明的另一方面，提供了一种图像处理装置，所述图像处理装置包括：获得单元，其被构造为获得被检体的图像；以及特征量获得单元，其被构造为，针对所述图像中的关注像素，设置通过所述关注像素的多个预定路径，针对路径中的各个，基于路径上的邻近像素值之间的相似度，计算代表路径上的像素值的连续性的评价值，并且基于针对各路径获得的评价值，获得所述关注像素的特征量。
根据本发明，能够使用多个图像中的像素值来调整差分图像上的像素值的权重。此外，根据本发明，当调整像素值的权重时，不需要进行选择要用来调整权重的参照图像的操作，从而减轻了对作为用户的医生的负担。
通过以下(参照附图)对示例性实施例的描述，本发明的其他特征将变得清楚。
附图说明
图1是示出根据实施例的图像处理装置的功能布置的框图；
图2是例示图像处理装置的处理过程的示例的流程图；
图3是示出由图像获得单元获得的图像的显示示例的图；
图4是示出基于像素(该像素是包括在用户关注的区域中的像素)的似然度(likelihood)来改变差分图像中的各个像素值的示例的图；
图5是示出当在对图像之间的对应位置进行检测的结果中发生位置偏移时的差分图像的示例的图；
图6是示出由图像获得单元获得的图像以及各个像素值改变之后的差分图像的示例的图；
图7是例示图像处理装置的处理过程的示例的流程图；
图8是例示提取关注区域外部的区域的处理过程的流程图；
图9是用于说明增强块(massive)区域的处理的示例的图；
图10是用于说明增强块区域的处理的示例的图；以及
图11A至图11D是用于说明增强块区域的处理的示例的图。
具体实施方式
现在将参照附图详细地示例性地描述本发明的实施例。注意，在实施例中描述的构成要素仅仅是示例。本发明的技术范围由权利要求的范围来确定，并且不受以下各实施例限制。
<第一实施例>
根据第一实施例的图像处理装置获得多个图像(参照图像和变形对象图像)之间的差分图像，并且执行用于适当地调整差分图像上的像素值的权重的图像处理。该图像处理装置的特征是，在获得差分图像并执行图像处理的处理期间，从参照图像中的像素值和经历了与参照图像的可变形配准的变形对象图像中的像素值，获得像素(该像素是包括在诸如医生等的用户关注的区域中的像素)的指数(似然度)，并且使用所获得的指数(似然度)作为差分值的权重。
在该技术中，例如，能够通过将包括在差分图像上的关注区域中的像素的权重设置为大于用户不关注的区域中的像素的权重，来提高用户关注的区域中的差分值的可见性。作为选择，能够通过将包括在用户不关注的区域中的像素的权重设置为小于用户关注的区域中的像素的权重，来相对地提高关注区域中的差分值的可见性。
下面将参照图1来描述根据本实施例的图像处理装置的布置和处理。图1是示出包括根据本实施例的图像处理装置的图像处理系统(医学图像处理系统)的布置的示例的框图。图像处理系统包括作为其功能部件的图像处理装置10、网络21和数据库22。图像处理装置10经由网络21可通信地连接到数据库22。网络21包括例如LAN(局域网)和WAN(广域网)。
数据库22保持并管理医学图像和与医学图像相关联的信息。图像处理装置10能够经由网络21获得数据库22中保持的医学图像。图像处理装置10包括通信IF(接口)31(通信单元)、ROM(只读存储器)32、RAM(随机存取存储器)33、存储单元34、操作单元35、显示单元36和控制单元37。
通信IF 31(通信单元)由LAN卡等形成，并且实现外部装置(例如，数据库22等)与图像处理装置10之间的通信。ROM 32由非易失性存储器等形成，并且存储各种程序。RAM 33由易失性存储器等形成，并且临时存储各种信息作为数据。存储单元34由HDD(硬盘驱动器)等形成，并且存储各种信息作为数据。操作单元35由键盘和鼠标、触摸面板等形成，并且将来自用户(例如，医生)的指令输入到各种装置。
显示单元36由显示器等形成，并且向用户显示各种信息。控制单元37由CPU(中央处理单元)等形成，并且全面地控制图像处理装置10中的处理。控制单元37包括作为其功能部件的图像获得单元50、图像变形单元51、差分处理单元52、像素值改变单元53和显示处理单元54。
在根据本实施例的图像处理装置中，图像获得单元50获得被检体的第一图像和被检体的第二图像。第一图像和第二图像是在不同的定时获得的图像。图像获得单元50从数据库22获得第一图像I1(参照图像)和第二图像I2(变形对象图像)。这些图像是通过各种模态获得的被检体的图像(医学图像)。本实施例将描述医学图像是在不同的日期和时间获得的CT图像的示例。然而，医学图像可以是其他种类的图像。无论图像的种类如何都可应用本实施例。
图像变形单元51通过基于第一图像中的各个像素的位置与第二图像中的各个像素的位置之间的对应关系使第二图像变形，使得第二图像中的各个像素与第一图像中的对应像素匹配，来将第一图像和第二图像配准。即，图像变形单元51通过获得第一图像I1(参照图像)中的各个像素的位置与第二图像I2(变形对象图像)中的各个像素的位置之间的对应关系，并且基于对应关系使第二图像I2变形，使得第二图像I2中的各个像素与第一图像I1中的对应像素匹配，来将第一图像和第二图像配准。第二图像I2的变形处理结果在下文中将被称为图像I2'(第二图像I2')。为了计算对应关系，可以使用现有的线性变形算法、现有的非线性变形算法或它们的组合。通过由图像变形单元51进行图像之间的可变形配准，能够将表示包括在第一图像I1中的特征部分的特征点和表示包括在第二图像I2(第二图像I2')中的特征部分的特征点配准。
差分处理单元52获得在将第一图像和第二图像配准之后的差分图像。差分处理单元52从配准后的图像获得对应位置处的像素值，并且通过针对所获得的像素值进行差分处理来获得差分图像TS。即，差分处理单元52获得第一图像I1和第二图像I2'中的相同位置处的像素的像素值，在这两个像素值之间进行差分处理，并且将计算结果作为差分图像TS输出到像素值改变单元53。下面将描述从第一图像I1中的像素值减去第二图像I2'中的像素值的差分处理。相反，可以采用从第二图像I2'中的像素值减去图像I1中的像素值的差分处理。
基于使用第一图像中的像素值和第二图像中的像素值计算的似然度，像素值改变单元53进行改变差分图像中的像素值的处理。像素值改变单元53使用与关于用户关注的区域中的像素值的范围的信息(像素值信息)相关联的学习数据中的像素值的分布信息(表示关注区域中的像素值的分布的分布信息)，基于从第一图像I1和第二变形图像I2'计算的似然度，来进行改变差分图像TS中的各个像素的像素值的处理。
关于用户关注的像素值的范围的信息(像素值信息)，可以由用户经由操作单元35输入，或者从显示单元36上显示的第一图像I1和/或第二图像I2自动地确定。例如，像素值改变单元53能够基于经由操作单元35输入的信息，在差分图像中的各个像素中获得关于关注区域中的像素值的范围的像素值信息。另外，像素值改变单元53能够基于显示单元36的显示条件，在差分图像中的各个像素中获得关于关注区域中的像素值的范围的像素值信息。像素值改变单元53能够基于第一图像和第二图像中的至少一者的显示条件，来获得关于关注区域中的像素值的范围的像素值信息。
像素值改变单元53基于所获得的像素值信息，来设置表示关注区域中的像素值的分布的分布信息。存储单元34存储学习数据中的像素值的分布信息(表示关注区域中的像素值的分布的分布信息)，并且像素值改变单元53基于根据像素值信息而从存储单元34获得的分布信息来设置分布信息。学习数据中的像素值的分布信息(表示关注区域中的像素值的分布的分布信息)对应于被检体的各个部位(例如，肺、骨、肝脏等)，并且被存储在存储单元34中作为表示像素值的不同分布的信息。关注区域中的像素值信息与学习数据中的像素值的分布信息(表示关注区域中的像素值的分布的分布信息)相关联。例如，如果像素值改变单元53获得关于作为关注区域的骨区域的像素值信息，则从存储单元34获得与骨区域相对应的、学习数据中的像素值的分布信息(表示关注区域中的像素值的分布的分布信息)，并且将该分布信息设置为似然度计算条件(θ)。像素值改变单元53基于使用第一图像中的像素值和第二图像中的像素值计算的似然度，来进行改变差分图像中的像素值的处理。
注意，学习数据中的像素值的分布信息(表示关注区域中的像素值的分布的分布信息)是在各种模态获得图像时所能够获得的信息。学习数据中的像素值的分布信息(表示关注区域中的像素值的分布的分布信息)可以与被检体的图像(医学图像)一起被存储在数据库22中。在这种情况下，图像获得单元50能够从数据库22获得学习数据中的像素值的分布信息(表示关注区域中的像素值的分布的分布信息)，并且将其存储在存储单元34中。
接下来，像素值改变单元53将进行改变差分图像TS中的像素值的处理的结果输出到显示处理单元54。基于似然度执行了像素值改变处理的差分图像在下文中将被称为差分图像TS'。
显示处理单元54用作用于控制显示单元36的显示的显示控制单元。显示处理单元54在显示单元36的图像显示区域中显示由像素值改变单元53计算的差分图像TS'。显示处理单元54可以在显示单元36的图像显示区域中显示都由图像获得单元50获得的第一图像I1和第二图像I2、通过图像变形单元51变形的第二图像I2'、以及由差分处理单元52计算的差分图像TS。例如，显示处理单元54能够控制显示单元36的显示，以并排显示差分图像TS'和TS、第一图像I1以及第二图像I2(I2')，或者叠加并显示这些图像中的一些。
图像处理装置10的各部件根据计算机程序进行工作。例如，控制单元37(CPU)使用RAM 33作为工作区域来加载在ROM 32或存储单元34中存储的计算机程序，并且执行它们，从而实现各部件的功能。注意，可以使用专用电路来实现图像处理装置10的部件的一些或全部功能。作为选择，可以使用云计算机来实现控制单元37的部件的一些功能。
例如，在与图像处理装置10的地点不同的地点中存在的操作装置可以经由网络21可通信地连接到图像处理装置10。然后，可以通过在图像处理装置10与操作装置之间发送/接收数据，来实现图像处理装置10或控制单元37的部件的功能。
接下来将参照图2至和图6来描述图1中所示的图像处理装置10的处理的示例。图2是例示图像处理装置10的处理过程的示例的流程图。本实施例将例举各自包括骨的医学图像。然而，本实施例可应用到各自包括其他关注部位(例如肺、脑或肝脏)的医学图像。
(步骤S101：图像的获得/显示)
在步骤S101中，如果用户经由操作单元35指示获得参照图像(第一图像I1)和变形对象图像(第二图像I2)，则图像获得单元50从数据库22获得由用户指定的多个图像(参照图像(第一图像I1)和变形对象图像(第二图像I2))，并且将它们存储在RAM33中。此外，如图3中所示，显示处理单元54在显示单元36的图像显示区域300中显示从数据库22获得的多个图像(参照图像(第一图像I1)和变形对象图像(第二图像I2))。
(步骤S102：可变形配准，步骤S103：图像变形)
在步骤S102中，图像变形单元51从RAM 33读出图像，并且计算第一图像I1中的各个像素与第二图像I2中的各个像素之间的对应关系。更具体地，图像变形单元51计算表示从第一图像I1中的各个像素到第二图像I2中的各个像素的对应关系的变形向量。变形向量是表示对与参照图像(第一图像I1)中的各个像素相对应的、变形对象图像(第二图像I2)中的各个像素的虚拟移动量(位移量)和移动方向(变形方向)的向量。例如，在三维图像的情况下，如果参照图像(第一图像I1)中的各个像素的坐标(x1，y1，z1)移动到变形对象图像(第二图像I2)中的各个像素的坐标(x2，y2，z2)，则由(x2-x1，y2-y1，z2-z1)代表变形向量。
注意，可以通过诸如仿射变换等的线性图像可变形配准方法，诸如LDDMM(LargeDeformation Diffeomorphic Metric Mapping，大变形微分同胚量度映射)等的非线性图像可变形配准方法或它们的组合，来执行图像中的对应位置之间的变形向量的计算。由图像获得单元50获得的多个图像可以是除了由各种模态获得的原始图像以外的图像。例如，可以使用诸如边缘增强滤波器等的各种图像增强滤波器的输出图像，通过提取关注区域而获得的区域图像，以及这些图像的组合。
在步骤S103中，图像变形单元51使用在步骤S102中获得的变形向量，根据第二图像I2生成第二图像I2'，使得第一图像I1中的各个像素与变形对象图像(第二图像I2)中的对应像素匹配，并且将生成的图像存储在RAM 33中。显示处理单元54在显示单元36的图像显示区域中显示由图像变形单元51生成的第二图像I2'。
注意，如果包括在第一图像I1和第二图像I2中的被检体的位置(像素)最初彼此对应，则可以跳过步骤S102和S103中的处理。
(步骤S104：像素值之间的差分处理(差分图像的生成))
在步骤S104中，差分处理单元52从RAM 33读出第一图像I1和第二图像I2'，通过进行第一图像I1和第二图像I2'中的对应位置处的像素的像素值之间的差分处理生成差分图像TS，并且将生成的图像存储在RAM 33中。
(步骤S105：获得用户关注的区域中的像素值信息)
在步骤S105中，像素值改变单元53获得关于用户关注的像素值的范围的信息(像素值信息)。像素值改变单元53基于显示单元36上显示的图像的显示条件，获得关于用户关注的区域中的像素值的范围的信息(像素值信息)。更具体地，像素值改变单元53基于在步骤S101或S103中显示在显示单元36上的图像(第一图像I1和第二图像I2或I2')的显示条件，例如，用于浓度值转换的诸如窗位(window level，WL)和窗宽(window width，WW)等的设置值，来估计用户关注的区域中的像素值信息。
当作为用户的医生进行CT图像的图像诊断时，他/她通过依据医生关注的被检体的部位改变窗位(window level，WL)和窗宽(window width，WW)，来改变与医生关注的被检体的部位相对应的图像的显示条件的设置(转换显示图像的浓度值)。更具体地，例如，如果医生进行骨的图像诊断，则将窗位(WL)设置为350至500[H.U.]之间的值，并且将窗宽(WW)设置为1500至2500[H.U.]之间的值。通过根据被检体的部位改变图像的显示条件的设置，显示具有使得容易观看医生关注的被检体的部位(例如，骨)的浓度分布的显示图像。
通过使用这一点，像素值改变单元53能够基于显示经历差分处理的图像(第一图像I1和第二图像I2或I2')的显示单元36的图像显示条件(例如，窗位(WL)和窗宽(WW))的设置值，来估计作为用户的医生关注的像素值的范围和/或被检体的部位(器官)。
注意，如果窗位(WL)和窗宽(WW)的设置在第一图像I1与第二图像I2'之间不同，则期望使用充当图像之间的可变形配准的基准的、参照图像(第一图像I1)的设置值，但是可以使用第二图像I2'的设置值。像素值改变单元53能够基于第一图像和第二图像中的至少一者的显示条件，来获得关于关注区域中的像素值的范围的像素值信息。
可以经由操作单元35从用户输入用户关注的像素值信息。在差分图像中的每个像素中，像素值改变单元53能够基于经由操作单元35输入的信息，来获得关于关注区域的像素值的范围的像素值信息。像素值改变单元53可以从存储目的地获得存储在ROM 32或RAM33中的预定(预先确定)的像素值信息。
(步骤S106：改变差分图像中的像素值(图像减法运算结果))
在步骤S106中，像素值改变单元53使用与用户关注的像素值信息相关联的学习数据中的像素值的分布信息(表示关注区域中的像素值的分布的分布信息)作为似然度计算条件(θ)，基于根据第一图像I1和第二图像I2'计算的似然度，来改变差分图像TS中的各个像素的像素值，从而生成差分图像TS'。
根据第一图像I1和第二图像I2'计算的似然度是表示如下的信息：与差分图像TS中的位置相对应的、第一图像I1和/或第二图像I2(I2')中的位置(相同坐标)处的像素，被包括在用户关注的区域中的可能性。
为了计算像素值的似然度，假设像素值的分布是正态分布，并且像素值改变单元53使用表示关注区域中的像素值的分布的分布信息来计算像素值的似然度。像素值改变单元53从已知的学习数据，预先获得作为表示关注区域中的像素值的分布的分布信息的、正态分布的参数(平均值和方差)，并且通过使用所获得的分布信息(正态分布的参数)作为似然度计算条件(θ)，来计算要处理的图像中的各个像素的似然度。为此，在进行似然度计算之前，像素值改变单元53从学习数据获得作为表示关注区域中的像素值的分布的分布信息的、正态分布的参数。
例如，在CT图像的情况下，像素值改变单元53针对以各个浓度范围存在的各个部位(器官)(例如，包含大量空气的肺部区域、包括主要由软组织构成的肝脏的腹部器官、或者骨)，获得作为表示关注区域中的像素值的分布的分布信息的、正态分布的参数。
在根据本实施例的似然度计算中，像素值改变单元53将与用户关注的区域的像素值信息相关联的学习数据中的像素值的分布信息(表示关注区域中的像素值的分布的分布信息)设置为似然度计算条件(θ)，并且基于使用第一图像中的像素值和第二图像中的像素值所计算的似然度，进行改变差分图像中的像素值的处理。更具体地，像素值改变单元53使用似然度作为差分图像中的像素值(差分值)的权重。像素值改变单元53使用基于似然度所获得的加权系数来改变差分图像中的像素值。像素值改变单元53将包括用户关注的像素值的区域中的差分值设置为相对来说大于剩余区域中的差分值。这能够仅增强用户想要捕捉的改变，从而提高差分图像的可见性。
图4示出了当用户关注的区域是骨时的图像显示示例。参照图4，差分图像TS 403是基于图4中示出的参照图像401(第一图像I1)与变形对象图像402(第二图像I2)二者之间的差分而获得的图像，并且差分图像TS'404是通过执行像素值改变处理而获得的差分图像。在图4的差分图像TS和TS'中，分别由白色、黑色和灰色代表正差分值、负差分值和差分值0。虚线表示部位区域(器官区域)的轮廓。然而，部位区域(器官区域)不必须描绘在差分图像上。图4的示例示出了当从作为用户关注的部位区域的骨区域的学习数据获得表示骨区域中的像素值的分布的分布信息(参数)时的情况。在这种情况下，基于使用该分布信息(参数)计算的似然度，将很可能包括在用户关注的部位区域(骨区域)中的像素之间的差分值的权重设置为大于剩余区域中的像素之间的差分值的权重，并且转换像素值。如上所述，能够通过增强很可能包括在用户关注的部位区域(骨区域)中的像素之间的差值，抑制除了用户关注的部位区域以外的区域(例如，腹部器官)中的随时间的改变的描绘。
在本实施例中，像素值改变单元53基于根据第一图像I1和第二图像I2'获得的似然度，来定义要用于改变差分图像TS中的像素p的像素值的乘法的加权系数W(p)，如下面的式(1)所给出的。像素值改变单元53基于使用第一图像中的像素值(I1(p))和表示关注区域中的像素值的分布的分布信息(θ)所计算的似然度Pr(I1(p)|θ)以及使用第二图像中的像素值(I2'(p))和表示关注区域中的像素值的分布的分布信息(θ)所计算的似然度Pr(I2'(p)|θ))中的较大者，来进行改变差分图像中的像素值的处理。
W(p)＝max(Pr(I1(p)|θ),Pr(I2'(p)|θ)) ...(1)
其中，函数max(A,B)是提取自变量A和B中的最大值的函数，Pr(C|D)代表当给出条件D时获得条件C的概率(似然度)。另外，I1(p)代表第一图像I1中的像素p的像素值，I2'(p)代表第二图像I2'中的像素p的像素值。如果第二图像I2没有变形，则I2'(p)代表第二图像I2中的像素值。
此外，假设θ表示从学习数据获得的、表示关注区域中的像素值的分布的分布信息(参数)。然后，像素值改变单元53针对差分图像TS中的所有像素中的各个，通过将差分图像TS中的像素值TS(p)乘以加权系数W(p)来改变像素值，并且将作为通过执行像素值改变处理获得的处理结果的差分图像TS'存储在RAM 33中。
在用于计算加权系数W(p)的式(1)中使用图像(第一图像I1和第二图像I2')二者作为差分图像TS的计算源的原因是，为了防止错误地抑制差分图像上的关注区域中的差分值。
如果例如仅使用图像中的一者来计算加权系数W(p)，则如果存在在一个图像中具有高似然度但在另一图像中具有低似然度的像素，则权重可能变小。更具体地，如果以在给定时段拍摄的图像之间的随时间的差分为对象，则在一个图像中具有代表正常器官结构的浓度值的像素，可能由于病变而具有落在另一图像中的正常像素值的范围外部的像素值。因此，在这种情况下，如果使用包括病变的图像来计算权重，则对应像素处的权重变小。
相反，如果使用图像二者作为差分图像TS的计算源来计算加权系数W(p)，则如果像素值落在图像中的至少一者的似然度范围内，则能够向用户关注的区域中的像素的改变(差分值)给出大的权重。此外，如果使用图像二者，则当计算加权系数W(p)时，不需要选择第一图像I1和第二图像I2'中的一个的步骤。
在图4中所示的示例中，在作为第一图像I1和第二图像I2'之间的简单差分的差分图像TS中，除了作为用户关注的区域的部位区域(骨区域)以外，作为用户不关注的区域的其他部位区域(肝脏区域)也作为差分值保留。肝脏区域中的CT值通常落在60至70[H.U.]的范围内，并且骨区域中的CT值等于或大于150[H.U.]。因此，通过学习学习数据中的表示与骨区域有关的像素值的分布的分布信息(参数)θ，骨区域中的Pr(I1(p)|θ)和Pr(I2'(p)|θ)高于肝脏区域中的Pr(I1(p)|θ)和Pr(I2'(p)|θ)。因此，在将差分图像TS中的像素值TS(p)乘以加权系数W(p)的结果(即，TS'(p))中，其他部位区域(肝脏区域)中的像素值TS'(p)与作为用户关注的区域的部位区域(骨区域)中的像素值TS'(p)相比，具有接近0的差分值。结果，如同图4中所示的差分图像TS'，其他部位区域(肝脏区域)中的差分值被抑制，并且在作为用户关注的区域的部位区域(骨区域)中的差分值相对增强，从而使得更容易视觉地感知作为关注区域的骨的改变。
注意，在计算加权系数W(p)时使用图像二者作为差分图像的计算源具有以下优点。即，作为差分图像TS的特征，能够使在步骤S102和S103中进行的图像中的对应位置的计算中的误差清楚地可视化。将参照图5详细描述该特征。注意，在图5中所示的差分图像中，类似于图4，分别由白色、黑色和灰色代表正差分值、负差分值和差分值0。假设用户关注的区域是图5中的骨区域。
参照图5，图像501是参照图像(第一图像I1)，图像502是变形对象图像(第二图像I2)，并且图像503是变形对象图像(第二图像I2')。图像504示出了图像501(参照图像(第一图像I1))和图像502(变形对象图像(第二图像I2))的叠加图像。图像505示出了图像501(参照图像(第一图像I1))和变形对象图像(第二图像I2')的叠加图像。
图像506例举了作为使用图像(第一图像I1和第二图像I2')二者作为差分图像的计算源来计算加权系数并且通过将像素值乘以加权系数来改变差分图像中的各个像素值的处理结果的差分图像TS'。
如图5的图像506(差分图像)中所示，对于在图像中的对应位置的检测中发生小的位置偏移的地点，在差分图像上正值和负值被描绘为彼此靠近。当用户看到图像上的差分值的描绘结果，例如，正像素值和负像素值被局部反转的地点时，他/她能够识别像素值已被真正改变的地点和在图像之间的对应位置检测结果中发生了位置偏移的错误地点。
图像507例举了作为使用图像中的一者(第一图像I1)作为差分图像的计算源来计算加权系数并且通过将像素值乘以加权系数来改变差分图像中的各个像素值的处理结果的差分图像TS'。图像508例举了作为使用图像中的一者(第二图像I2')作为差分图像的计算源来计算加权系数并且通过将像素值乘以加权系数来改变差分图像中的各个像素值的处理结果的差分图像TS'。
如上所述，如果在图像之间的对应位置检测结果中发生位置偏移，则认为对于第一图像I1和第二图像I2'中的相同坐标点处的像素，一个图像中的像素具有高的骨似然度，而另一图像中的像素具有低的骨似然度。因此，如果仅使用根据图像中的一者计算的似然度来确定差分值的权重，则如图像507和图像508中所示，差分值中的一个的权重不期望地是小的。因此，在差分图像上彼此靠近地存在的正值和负值的特征丢失，因此难以识别像素值已被真正地改变的地点和对应位置检测结果的错误地点。
另一方面，如果使用在计算差分值(图5的图像506)时使用的图像二者来计算权重，则保持正值和负值彼此靠近地存在的特征。因此，使用图像二者(第一图像I1和第二图像I2')作为差分图像TS的计算源来计算加权系数具有如下的效果：如图5的图像506中所示，维持差分图像TS的对应位置检测结果的容易错误识别的特征。
(步骤S107：计算结果的输出显示)
在步骤S107中，像素值改变单元53将差分图像TS'输出到显示处理单元54。如图6中所示，显示处理单元54在显示单元36的图像显示区域300中显示差分图像TS'。显示处理单元54控制显示单元36的显示以并排显示差分图像TS'、参照图像(第一图像I1)和变形对象图像(第二图像I2)。显示处理单元54能够控制显示单元36的显示以进一步显示第二图像(I2')。
在根据本实施例的图像处理技术中，能够基于与关于用户关注的像素值的范围的信息(像素值信息)相关联的学习数据中的像素值的分布信息(表示关注区域中的像素值的分布的分布信息)以及参照图像和变形对象图像二者，来调整差分图像上的各个像素值的权重。该处理能够增强关注部位的改变并且抑制非关注部位的改变的描绘，从而提高用户关注的部位的改变的可见性。
(变型例1)
虽然在步骤S106中，像素值改变单元53使用第一图像I1和第二图像I2'中的像素p的像素值来计算像素p处的加权系数，但是可以使用像素p的邻近像素的像素值(例如，针对三维图像的6或26个邻近像素)来计算。例如，像素值改变单元53能够基于使用第一图像中的像素及其邻近像素的像素值和第二图像中的像素及其邻近像素的像素值所计算的似然度，来进行改变差分图像中的像素值的处理。在获得似然度的计算中，使用赋予像素的像素值来定义公式(式(1))。可以使用诸如平滑滤波器或边缘增强滤波器等的图像增强滤波器的输出值作为该值。
此外，如果能够通过诸如阈值处理或图形切割分段等的已知的区域提取方法来提取关注区域中的像素，则对所提取的区域赋予概率1，并且对所提取的区域外部的区域赋予概率0，从而使用概率作为加权系数W。
注意，像素值改变单元53可以基于计算出的加权系数W(p)的最小值和最大值，来将加权系数W归一化在预定范围(例如，[0，1])内。
(变型例2：权重的定义式的变型例1)
在第一实施例和变型例1中，通过基于式(1)使用两个图像(第一图像I1和第二图像I2')中的像素值获得似然度，来确定用于改变差分图像TS中的像素值TS(p)的加权系数W(p)。作为另一方法，如由下面的式(2)给出的，针对由两个图像中的像素值的对所定义的分布来获得似然度。在变型例2中，像素值改变单元53能够基于使用表示关注区域中的像素值的分布的分布信息(θ)和基于第一图像和第二图像中的像素值对所获得的像素值而计算的似然度，来进行改变差分图像中的像素值的处理。
W(p)＝Pr(I1(p),I2'(p)|θ) ...(2)
虽然在式(1)中使用基于单变量正态分布的似然度，但是在式(2)中使用基于双变量正态分布的似然度。类似于使用单变量正态分布的情况，同样在该多变量(两个或更多个变量)正态分布中，像素值改变单元53也能够通过从学习数据获得参数(变量的平均值和方差-协方差矩阵)作为表示像素值的分布的分布信息(θ)，来计算似然度。式(2)中的表示像素值的分布的分布信息(θ)包括第一图像I1中的关注区域中的像素值的平均值、第二图像I2'中的关注区域中的像素值的平均值以及值的方差-协方差矩阵。像素值改变单元53能够使用在拍摄第一图像时获得的分布信息和在拍摄第二图像时获得的分布信息来计算似然度作为表示像素值的分布的分布信息(θ)。在这种情况下，像素值改变单元53针对第一图像I1中的像素值，使用在拍摄第一图像时获得的分布信息，并且针对第二图像I2(I2')中的像素值，使用在拍摄第二图像时获得的分布信息，来计算似然度。注意，像素值改变单元53能够使用在拍摄第一图像时获得的分布信息和在拍摄第二图像时获得的分布信息中的一者，来计算针对第一图像和第二图像中的像素值的似然度。
作为使用多变量正态分布的方法，除了第一图像I1和第二图像I2'中的像素p的像素值以外，还能够通过组合用于第一图像和第二图像的图像处理滤波器的输出结果来定义似然度。此外，可以使用像素p的邻近像素值和通过图像处理滤波器的邻近像素的输出结果。
注意，可以基于计算出的值的最小值和最大值，通过将加权系数W(p)归一化在预定范围(例如，[0，1])内，来获得该加权系数W。
(变型例3：权重的定义式的变型例2)
在第一实施例和变型例1和2中，定义基于学习数据的似然度，并且确定用于改变差分图像TS中的像素值(p)的加权系数W(p)。然而，如下面的式(3)所给出的，可以使用图像中的像素值作为加权系数。在变型例3中，像素值改变单元53基于第一图像中的各个像素的像素值与第二图像中的各个像素的像素值之间的比较，来进行改变差分图像中的像素值的处理。像素值改变单元53使用基于比较获得的加权系数W(p)来改变差分图像TS中的像素值。
W(p)＝max(I1(p),I2'(p)) ...(3)
作为可应用式(3)的示例，用户关注的区域中的像素值相对而言大于其他区域中的像素值。更具体地，例如，注意CT图像中的骨区域。已知骨区域具有比其他区域的X射线吸收率更高的X射线吸收率，因此CT图像中的骨区域中的像素值相对而言大于其他区域中的像素值。因此，能够通过对第一图像I1或第二图像I2'中的像素值大的区域设置大的权重，从而与其他区域相比，增强差分图像TS中的骨区域中的差分值。
注意，期望将该加权系数W计算为0或更大的值。可以基于计算出的值的最小值和最大值，将加权系数W(p)归一化在预定范围(例如，[0，1])内。
在该示例中，加权系数W(p)被设置为使得随着像素值越大则权重变得越大。然而，例如，如果注意CT图像中的诸如肺等的区域，则可以随着像素值越小而将权重设置得越大。更具体地，例如，通过校正像素值使得最小值为1，获得其倒数，并且将其用作加权系数W(p)，权重随着像素值越小而变得越大。
注意，在式(3)的计算中，已经说明了使用赋予像素的像素值的计算。然而，可以使用平滑滤波器或边缘增强滤波器的输出值作为像素值。作为选择，可以使用像素p的邻近像素值和通过图像处理滤波器的邻近像素的输出结果。
(变型例4：权重的定义式的变型例3)
作为与根据第一实施例和变型例1至3不同的设置加权系数W的方法，能够如下使用显示单元36上显示的图像的显示条件的设置值，诸如在步骤S101中显示在显示单元36上的图像的窗位(WL)和窗宽(WW)。显示条件包括表示像素值范围的中值的设置值和表示相对于中值的像素值范围的宽度的设置值。在变型例4中，显示处理单元54在显示单元36上显示第一图像和第二图像，并且像素值改变单元53基于显示单元36的显示条件来进行改变差分图像中的像素值的处理。像素值改变单元53通过基于显示条件所获得的加权系数，来改变差分图像中的像素值。显示条件包括表示像素值范围的中值的设置值和表示相对于中值的像素值范围的宽度的设置值。
一般而言，基于被设置为CT图像的显示条件的窗位(WL)和窗宽(WW)来确定由从黑色到白色的灰度(色调)表达的画面上的像素值的范围。窗位(WL)是表示要由灰度表达的像素值范围的中值的设置值，并且窗宽(WW)是表示要由灰度表达的像素值范围的宽度的设置值。即，在画面上，由黑色来表达(WL-WW/2)或更小的像素值，并且由白色来表达(WL+WW/2)或更大的像素值。即，由于落在由窗位(WL)和窗宽(WW)指定的像素值范围外部的像素值被修剪，因此即使原始图像中的像素值不同，在画面上它们也由相同的黑色或白色来表达。
通过使用这一点，像素值改变单元53使用基于表示像素值范围的中值的设置值和表示像素值范围的宽度的设置值所获得的加权系数，来进行改变差分图像中的像素值的处理。如果第一图像I1或第二图像I2'中的像素值落在[WL-WW/2，WL+WW/2]的范围内，则将加权系数W设置为1；否则，将加权系数W设置为0。因此，能够仅提取用户关注的像素值的范围内的差分。注意，如果窗位(WL)和窗宽(WW)的设置在第一图像I1与第二图像I2'之间不同，则像素值改变单元53能够使用充当可变形图像配准中的基准的、第一图像I1的设置值。注意，像素值改变单元53也能够使用用于第二图像I2'的窗位(WL)和窗宽(WW)的设置值。作为选择，像素值改变单元53能够使用第一图像I1的关注的像素值范围和第二图像I2'的关注的像素值范围之间的交叠部分的像素值范围。
<第二实施例>(提取关注区域外部的像素，并且将其用来改变差分结果中的像素值。)
在第一实施例中，像素值改变单元使用关注区域中的像素值的分布、提取关注区域中的像素的结果等，来改变差分结果中的像素值。与此相对，可以使用关注区域外部的像素值的分布和提取结果来改变差分结果中的像素值。
本实施例将说明例如如下的情况：如果将骨设置为关注区域，则获得提取或增强关注区域外部的诸如心脏或肝脏等的区域的信息，并且基于该信息改变差分结果中的像素值。
除了向像素值改变单元53添加功能以外，根据第二实施例的图像处理装置的布置与根据第一实施例的布置相同。在第二实施例中，如图7中所示，在获得用户关注的区域的像素值信息之后，像素值改变单元53获得如下信息，在该信息中，从输入图像数据组增强或提取用户不关注的区域，并且基于该信息改变差分图像中的像素值。
将参照图7至图10以及图11A至图11D来描述根据第二实施例的图像处理装置10的处理过程。
图7是例示从图像处理装置10中的数据获得处理开始的，并且显示改变像素值的差分图像的处理的示例的流程图。在该流程图中的步骤当中，在步骤S1010至S1050以及S1070中，进行与图2中所示的根据第一实施例的步骤S101至S105以及S107中的处理相同的处理。即，步骤S1055和S1060中的处理与第一实施例不同。下面将仅描述添加的处理和与第一实施例的不同之处。
(步骤S1055：提取关注区域外部的区域)
在步骤S1055中，像素值改变单元53从参照图像和变形后的变形对象图像二者提取用户不关注的区域。例如，如果关注区域是骨，则诸如心脏和肝脏等的器官区域是关注区域外部的区域。使用像素值信息的特性，通过例如图8中所示的处理过程，来提取关注区域外部的这些区域。
如图4中所示，当与骨结构比较时，肝脏的器官结构具有如下的特性：存在具有相似像素值的像素的集合以形成块(mass)。相反，对于骨结构，各个骨通常具有小、长和窄的结构，并且骨的表面(皮质骨)和内侧(松质骨)的像素值变化很大。因此，能够通过增强由具有相似像素值的像素组形成的块区域，并且通过诸如阈值处理等的已知提取方法从图像中提取该区域，来提取除了骨区域以外的区域。
从在CT图像中将骨区域和除了骨区域以外的区域分开的观点，将另外说明基于像素值的连续性增强块区域的特征量的效果。在CT图像上，骨区域具有约150[H.U.]或更大的高值。诸如心脏和肝脏等的器官区域具有约60[H.U.]或更大的像素值，但是这些像素值可能通过检查方法(主要通过使用造影剂)而变高。因此，依据造影摄像条件，尤其是诸如心脏和肝脏等的器官区域具有与骨区域中的像素值的分布交叠的像素值的分布。因此，在一些情况下，诸如针对像素值自身的阈值处理等的区域提取方法，不能应对在各种造影摄像条件下的区域提取。另一方面，如果计算基于像素值的连续性的特征量，则即使造影摄像条件不同，也能够获得恒定的计算值，而与造影摄像条无关件，只要作为提取对象的器官区域被均匀染色即可。因此，通过在肝脏或心脏的提取中使用用于增强块区域而不是像素值的特征量，能够期望针对造影摄像条件的差异获得稳定的区域提取结果。
在图8中所示的处理过程中，在步骤S201中，获得被检体的图像。在步骤S202中，针对图像进行平滑处理，从而降低图像中的噪声。注意，可以跳过步骤S202中的用于降低噪声目的的处理。之后，在步骤S203中，获得用于评价像素值之间的相似度的参数(阈值)。能够使用参数(阈值)来计算代表连续性的特征量。更具体地，可以使用预定参数，或者可以由用户经由操作单元35输入参数。作为选择，可以根据图像中的像素值的方差自动确定参数。如果以这种方式自动确定参数，则期望随着方差越大而将参数(阈值)的值设置得越大。在步骤S204中，计算代表像素值的连续性的特征量，并且增强图像中包括的块区域。像素值改变单元53针对图像中的关注像素，设置通过关注像素的多个预定路径，基于路径上的邻近像素值之间的相似度，计算各个路径中的代表各个路径上的像素值的连续性的评价值，并且基于针对各个路径获得的评价值获得关注像素的特征量(特征量的获得)。像素值改变单元53还基于所获得的特征量来计算关注像素处于块区域中的似然度。在步骤S205中，像素值改变单元53用作用于从图像中提取区域的提取单元，并且使用诸如阈值处理或图形切割分段等的已知提取方法来提取作为除了骨区域以外的区域的块区域。
作为在步骤S204中增强块区域的方法，例如，考虑如下的方法：当注意图像中的给定像素时，计算在穿过给定像素的预定路径上连续存在的相似像素的数量。在该示例中，预定路径的数量是一个或更多个，但是期望使用多个路径来增强块区域。尤其是，期望至少针对图像的各个轴向方向设置路径。即，期望当图像是三维时，至少针对三个轴向方向中的各个设置路径，并且当图像是二维时，至少针对两个轴向方向中的各个设置路径。
注意，为了计算关于像素值的连续性的特征量，可以预先限制被设置为计算对象的像素(关注像素)。更具体地，考虑如下的方法：为像素值提供阈值，并且针对具有等于或大于阈值的像素值(或等于或小于阈值的像素值、或小于阈值的像素值)的像素计算特征量。考虑如下的情况：如果CT图像中的骨被设置为关注区域，则提取或增强关注区域外部的诸如心脏和肝脏等的区域。在根据本实施例的示例中，不需要针对具有未由器官区域中的像素保持的像素值(例如，-100[H.U.]或更小)的像素进行以下的计算。通过跳过计算，能够加速以下的特征量计算处理。尤其是，将在步骤S1050中获得的并且用户关注的像素值的范围中的像素设置为计算对象(关注像素)是有效的。
将参照图9至图10以及图11A至图11D来描述增强块区域的处理的示例。
将描述在图9中所示的情况下计算浓度值的连续性的方法。图9示出了由粗线围绕的像素的集合代表预定路径，并且关注像素是x坐标和y坐标(2，3)处的像素的情况。注意，在图9中所示的各个像素中描述的数值代表像素的像素值。在这种情况下，将在下面描述如下的方法：计算在通过关注像素的预定路径上连续存在的相似像素的数量。
如图10中所示，当计算特征量时，以关注像素(2，3)开始计算。首先，将关注像素(2，3)的像素值与邻近像素(3，3)的像素值进行比较。如果像素值之间的差的绝对值小于在步骤S203中获得的参数(阈值)，则确定像素值是连续的，并且计算前进到下一步骤。在图10的示例中，作为第一计算中的对象的像素(2，3)和(3，3)的像素值为100和110，并且像素值之间的差的绝对值为10。如果在步骤S203中获得的阈值为20，则像素值的比较结果小于阈值，因此确定像素(2，3)和(3，3)具有连续性。在这种情况下，在该阶段，将作为像素(2，3)和(3，3)之间的距离的、一个像素的宽度的值，临时存储为连续性的特征量(评价值)。之后，只要像素的连续性继续，则就滑动作为计算对象的像素对，并且重复执行计算。作为实际示例，将描述在针对像素对(2，3)和(3，3)的计算中确定像素具有连续性之后的下一计算步骤。在这种情况下的下一计算步骤中，滑动像素对以将像素(3，3)和像素(4，3)设置为对象，并且以与上述方式相同的方式来比较它们的像素值。在第二计算中，作为计算对象的像素(3，3)和(4，3)的像素值都为110，并且像素值之间的差的绝对值为0。因此，由于绝对值小于作为在步骤S203中获得的阈值的20，因此确定像素(3，3)和(4，3)具有连续性。然后，将一个像素的宽度与已经记录的连续性的特征量相加，从而将连续性的特征量的值更新为两个像素的宽度。重复进行这种计算，并且继续计算，直到像素值之间的差的绝对值等于或大于像素值之间的比较时的阈值。在图10的情况下，在第四计算中作为计算对象的像素的像素值为120和200，像素值之间的差的绝对值(＝80)大于阈值(＝20)，因此此时停止计算。与三个像素的宽度相对应的值被存储在关注像素中作为像素值的连续性的特征量。注意，连续性的宽度的单位可以是“像素”或诸如“mm”等的实际尺寸。此外，图10示出了在x方向的正侧搜索连续性的示例。然而，可以在负侧或在两侧上搜索连续性。通过针对图像中的所有像素进行上述计算，能够针对各个像素计算代表像素值的连续性的特征量。
注意，使用邻近像素之间的差的绝对值来确定像素值的连续性。然而，可以使用其他指数来确定连续性。例如，可以依据邻近像素的像素值之间的比是否等于或小于阈值来确定连续性。作为选择，可以基于预定路径中包括的多个像素的像素值来确定连续性。例如，当确定图9中的从像素(2，3)至像素(5，3)的连续性时，可以使用像素(2，3)、(3，3)、(4，3)和(5，3)的像素值的方差。在这种情况下，如果像素值的方差的值小于给定阈值，则能够确定像素具有连续性。
此外，作为另一连续性确定条件，可以考虑如下的条件：当到达具有等于或大于给定阈值的像素值(或等于或小于给定阈值的像素值、或小于给定阈值的像素值)的像素时，停止连续性的计算。尤其是，如果作为计算对象的像素的像素值达到在步骤S1050中获得的、用户关注的像素值的范围外部的值，则可以停止计算。不需要单独地使用这些连续性确定条件中的各个，并且可以使用多个条件的组合。
用来计算代表像素值的连续性的特征量的预定路径可以是三维空间中的任意路径，只要该路径通过关注像素即可。此外，如果使用多个预定路径，则可以将针对各个预定路径计算的特征量设置为多值向量数据，并且保持为关注像素的特征量。作为选择，可以通过计算已使用多个预定路径单独计算的连续性的特征量的和来获得一个特征量的值，并且将其设置为关注像素的特征量。预定路径的代表性示例是图11A至图11D中所示的示例。由于空间限制，图11A至图11D示出了如下的示例：将二维平面上的、包括关注像素的8个邻近像素的正方向和负方向的四个方向上的路径设置为预定路径。在本实施例中，能够使用如下的方法：在三维空间中扩展与该方法相同的方法，并且将包括26个邻近像素的正方向和负方向的13个方向设置为预定路径。注意，可以从关注像素到图像的边缘设置预定路径。如果图像中的对象的身体区域是已知的，则期望仅在身体区域中设置预定路径。作为选择，可以将预定路径的长度限制为比预定长度短的长度，并且可以不进行针对等于或长于预定长度的长度的计算。
当像素值沿着预定路径均匀地存在时，代表像素值的连续性的特征量的输出往往是大的。因此，如果存在由具有相似像素值的像素组形成的块区域(例如肝脏或心脏)，则特征量的输出值在多个路径中的各个中变大。相反，对于具有诸如肋等的窄形状的区域，输出值仅在沿着形状的路径中变大，并且在剩余路径的各个中变小。通过使用这一点，使用多个预定路径针对各个路径计算代表像素值的连续性的特征量，并且组合地使用结果，从而使得能够增强诸如肝脏等的块区域(除了骨区域以外的区域)。作为将针对多个路径的特征量的计算结果进行组合的方法，可以有获得平均值、中值、最大值、最小值、最小值与最大值之间的差或比、或方差值的方法。
注意，基于多个路径的特征量计算关注像素处于要提取的区域中的似然度的方法(增强块区域的方法)不限于上述方法，并且可以使用诸如机器学习等的技术来形成。例如，在已经定义了要提取的区域的学习情况下，通过学习来创建用于计算针对各个路径的特征量并基于特征量确定关注像素是否处于要提取的区域中的鉴别器。此时，可以将特征量转换成旋转不变特征量，并且可以基于转换后的值进行学习。然后，可以使用所创建的鉴别器来提取图像的区域。注意，用于将特征量转换成旋转不变特征量的计算方法的示例是如下的方法：将特征量最大的所有路径中的一个设置为X轴方向，并且将与该路径正交的路径当中的、特征量最大的路径设置为Y轴方向。
在步骤S205中，通过诸如阈值处理或图形切割分段等的已知提取方法来提取在步骤S204中增强的块区域(除了骨区域以外的区域)。注意，在该提取处理中，在各个像素中，除了用于增强块区域的特征量以外，还可以组合地使用像素值自身或其他特征量。
利用上述处理，在图像中的各个像素中，使用通过像素的多个预定路径，基于各个路径上的邻近像素值之间的相似度，来计算代表像素值的连续性的特征量，并且基于特征量而提取区域，从而使得能够提取包括与骨区域中的像素值接近的像素值的、除了骨区域以外的块区域。即，通过使用各自代表连续性的特征量的上述方法，能够解决骨的像素值接近经历了造影摄像的器官的像素值，并且因此难以基于骨与器官之间的像素值进行辨别的问题。
(步骤S1060：改变差分图像中的像素值)
在步骤S1060中，像素值改变单元53能够对在步骤S1055中提取的区域赋予概率0，并且对所提取的区域外部的区域赋予概率1，从而使用概率作为加权系数W。作为选择，除了根据第一实施例的加权系数W以外，还可以使用关注区域外部的像素的提取结果作为第二加权系数W2。即，像素值改变单元53能够通过使用差分图像TS中的像素p的差分值TS(p)、加权系数W(p)和第二加权系数W2(p)计算TS(p)×W(p)×W2(p)，来使用多个加权系数改变差分图像中的像素值。多个加权系数的组合可以是如同TS(p)×(W(p)+W2(p))的线性组合。
注意，上面已经描述了提取关注区域外部的像素的情况。然而，可以根据代表像素值的连续性的特征量的值获得加权系数W2。在将骨区域设置为关注区域的本实施例中，优选地进行设置，使得随着特征量的值越大，则差分图像中的像素值所乘的加权系数变得越小(接近0)，并且随着特征量的值越小，则加权系数变得越大(接近1)。注意，在这种情况下，可以跳过步骤S205中的区域提取处理。通过以这种方式设置加权系数，能够预期具有如下的效果：在注意骨的差分值时，相对地减小关注区域外部的诸如心脏或肝脏等的块区域中的差分值。
在根据本实施例的图像处理技术中，能够基于关于用户不关注的区域的信息来调整差分图像上的像素值的权重。该处理能够抑制用户不关注的区域的部位上的改变的描绘，从而提高用户关注的部位上的改变的可见性。
注意，根据上述实施例的步骤S1055中描述的块区域的特征量计算方法，能够用于除了提高差分图像上的关注区域的可见性以外的目的。例如，为了提取/分析医学图像的诸如心脏或肝脏等的器官区域的另一目的，能够使用代表作为器官区域的似然度的特征量。
其他实施例
还可以通过读出并执行记录在存储介质(也可更完整地称为“非暂时性计算机可读存储介质”)上的计算机可执行指令(例如，一个或更多个程序)以执行上述实施例中的一个或更多个的功能、并且/或者包括用于执行上述实施例中的一个或更多个的功能的一个或更多个电路(例如，专用集成电路(ASIC))的系统或装置的计算机，来实现本发明的实施例，并且，可以利用通过由系统或装置的计算机例如读出并执行来自存储介质的计算机可执行指令以执行上述实施例中的一个或更多个的功能、并且/或者控制一个或更多个电路以执行上述实施例中的一个或更多个的功能的方法，来实现本发明的实施例。计算机可以包括一个或更多个处理器(例如，中央处理单元(CPU)、微处理单元(MPU))，并且可以包括分开的计算机或分开的处理器的网络，以读出并执行计算机可执行指令。计算机可执行指令可以例如从网络或存储介质被提供给计算机。存储介质可以包括例如硬盘、随机存取存储器(RAM)、只读存储器(ROM)、分布式计算系统的存储器、光盘(诸如压缩光盘(CD)、数字通用光盘(DVD)或蓝光光盘(BD)TM)、闪存装置以及存储卡等中的一个或更多个。
本发明的实施例还可以通过如下的方法来实现，即，通过网络或者各种存储介质将执行上述实施例的功能的软件(程序)提供给系统或装置，该系统或装置的计算机或是中央处理单元(CPU)、微处理单元(MPU)读出并执行程序的方法。
虽然参照示例性实施例对本发明进行了描述，但是应当理解，本发明不限于所公开的示例性实施例。应当对所附权利要求的范围给予最宽的解释，以使其涵盖所有这些变型例以及等同的结构和功能。
Claims (24)
1.一种图像处理装置，所述图像处理装置包括：
获得单元，其被构造为获得被检体的第一图像和所述被检体的第二图像；
差分单元，其被构造为获得在将所述第一图像和所述第二图像配准之后的差分图像；以及
改变单元，其被构造为基于使用所述第一图像中的像素值和所述第二图像中的像素值所计算的似然度，进行改变所述差分图像中的像素值的处理。
2.根据权利要求1所述的图像处理装置，其中，所述改变单元基于使用所述第一图像中的像素值和表示关注区域中的像素值的分布的分布信息所计算的似然度、以及使用所述第二图像中的像素值和表示关注区域中的像素值的分布的分布信息所计算的似然度中的较大者，来进行改变所述差分图像中的像素值的处理。
3.根据权利要求1所述的图像处理装置，其中，所述改变单元基于使用所述第一图像中的像素的像素值和该像素的邻近像素的像素值以及所述第二图像中的像素的像素值和该像素的邻近像素的像素值所计算的似然度，来进行改变所述差分图像中的像素值的处理。
4.根据权利要求1所述的图像处理装置，其中，所述改变单元基于使用如下项所计算的似然度，来进行改变所述差分图像中的像素值的处理：表示关注区域中的像素值的分布的分布信息以及根据所述第一图像中的像素值与所述第二图像中的像素值的对而获得的像素值。
5.根据权利要求1所述的图像处理装置，所述图像处理装置还包括：
变形单元，其被构造为通过基于所述第一图像中的各个像素的位置与所述第二图像中的各个像素的位置之间的对应关系使所述第二图像变形，使得所述第二图像中的各个像素与所述第一图像中的对应像素匹配，来将所述第一图像和所述第二图像配准。
6.根据权利要求5所述的图像处理装置，其中，所述差分单元从配准后的图像获得对应位置处的像素值，并且通过针对所获得的像素值进行差分处理来获得差分图像。
7.根据权利要求1所述的图像处理装置，所述图像处理装置还包括：
显示处理单元，其被构造为在显示单元上显示所述第一图像和所述第二图像，
其中，对于所述差分图像中的各个像素，所述改变单元基于所述显示单元的显示条件，获得关于关注区域中的像素值的范围的像素值信息。
8.根据权利要求7所述的图像处理装置，其中，所述改变单元基于所述第一图像和所述第二图像中的至少一者的显示条件，获得关于关注区域中的像素值的范围的像素值信息。
9.根据权利要求1所述的图像处理装置，其中，针对所述差分图像中的各个像素，所述改变单元基于经由操作单元输入的信息，获得关于关注区域中的像素值的范围的像素值信息。
10.根据权利要求7所述的图像处理装置，其中，所述改变单元基于所述像素值信息，改变表示关注区域中的像素值的分布的分布信息。
11.根据权利要求10所述的图像处理装置，所述图像处理装置还包括：
存储单元，其被构造为存储表示关注区域中的像素值的分布的分布信息，
其中，所述存储单元存储与所述被检体的关注区域相对应的多个分布信息，并且
所述改变单元根据基于所述像素值信息而从所述存储单元获得的分布信息，来设置分布信息。
12.根据权利要求1所述的图像处理装置，其中，所述改变单元使用基于所述似然度所获得的加权系数，来改变所述差分图像中的像素值。
13.一种图像处理装置，所述图像处理装置包括：
获得单元，其被构造为获得被检体的第一图像和所述被检体的第二图像；
差分单元，其被构造为获得在将所述第一图像和所述第二图像配准之后的差分图像；以及
改变单元，其被构造为基于所述第一图像中的各个像素的像素值与所述第二图像中的各个像素的像素值之间的比较，进行改变所述差分图像中的像素值的处理。
14.根据权利要求13所述的图像处理装置，其中，所述改变单元使用基于所述比较而获得的加权系数，来改变所述差分图像中的像素值。
15.一种图像处理装置，所述图像处理装置包括：
获得单元，其被构造为获得被检体的第一图像和所述被检体的第二图像；
差分单元，其被构造为获得在将所述第一图像和所述第二图像配准之后的差分图像；
显示处理单元，其被构造为在显示单元上显示所述第一图像和所述第二图像；以及
改变单元，其被构造为基于所述显示单元的显示条件，进行改变所述差分图像中的像素值的处理。
16.根据权利要求15所述的图像处理装置，其中，所述改变单元使用基于所述显示条件而获得的加权系数，来改变所述差分图像中的像素值。
17.根据权利要求16所述的图像处理装置，其中
所述显示条件包括，表示像素值范围的中值的设置值以及表示相对于中值的像素值范围的宽度的设置值，并且
所述改变单元使用基于表示像素值范围的中值的设置值以及表示像素值范围的宽度的设置值而获得的加权系数，来进行改变所述差分图像中的像素值的处理。
18.根据权利要求1所述的图像处理装置，其中，所述第一图像和所述第二图像是以不同定时获得的图像。
19.一种图像处理方法，所述图像处理方法包括：
获得被检体的第一图像和所述被检体的第二图像；
获得在将所述第一图像和所述第二图像配准之后的差分图像；以及
基于使用所述第一图像中的像素值和所述第二图像中的像素值所计算的似然度，进行改变所述差分图像中的像素值的处理。
20.一种图像处理装置，所述图像处理装置包括：
获得单元，其被构造为获得被检体的图像；以及
特征量获得单元，其被构造为，针对所述图像中的关注像素，设置通过所述关注像素的多个预定路径，针对路径中的各个，基于路径上的邻近像素值之间的相似度，计算代表路径上的像素值的连续性的评价值，并且基于针对各路径获得的评价值，获得所述关注像素的特征量。
21.根据权利要求20所述的图像处理装置，其中，所述路径被设置为包括所述图像的各轴向方向。
22.根据权利要求20所述的图像处理装置，其中，所述特征量获得单元还基于所述特征量计算所述关注像素处于块区域中的似然度。
23.根据权利要求20所述的图像处理装置，所述图像处理装置还包括：
提取单元，其被构造为基于所述特征量从所述图像提取区域。
24.一种存储有计算机程序的计算机可读存储介质，所述计算机程序执行权利要求19所述的图像处理方法的步骤。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016080477 | 2016-04-13 | ||
| JP2016-080477 | 2016-04-13 | ||
| JP2016-170070 | 2016-08-31 | ||
| JP2016170070A JP6877109B2 (ja) | 2016-04-13 | 2016-08-31 | 画像処理装置、画像処理方法、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107292857A true CN107292857A (zh) | 2017-10-24 |
| CN107292857B CN107292857B (zh) | 2021-09-21 |
Family
ID=58644796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710223092.3A Active CN107292857B (zh) | 2016-04-13 | 2017-04-07 | 图像处理装置及方法和计算机可读存储介质 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10388018B2 (zh) |
| EP (1) | EP3236418B1 (zh) |
| CN (1) | CN107292857B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111954494A (zh) * | 2018-04-09 | 2020-11-17 | 东芝能源系统株式会社 | 医用图像处理装置、医用图像处理方法及程序 |
| US10854419B2 (en) | 2018-09-07 | 2020-12-01 | Toshiba Memory Corporation | Contour extraction method, contour extraction device, and non-volatile recording medium |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102103853B1 (ko) * | 2016-09-27 | 2020-04-24 | 주식회사 히타치하이테크 | 결함 검사 장치 및 결함 검사 방법 |
| CN111065315B (zh) * | 2017-11-02 | 2022-05-31 | Hoya株式会社 | 电子内窥镜用处理器以及电子内窥镜系统 |
| GB2569547B (en) * | 2017-12-19 | 2021-05-12 | Samsung Electronics Co Ltd | Reconstruction of original images from modified images |
| US11151726B2 (en) * | 2018-01-10 | 2021-10-19 | Canon Medical Systems Corporation | Medical image processing apparatus, X-ray diagnostic apparatus, and medical image processing method |
| JP7383371B2 (ja) * | 2018-02-28 | 2023-11-20 | キヤノン株式会社 | 画像処理装置 |
| US11055532B2 (en) * | 2018-05-02 | 2021-07-06 | Faro Technologies, Inc. | System and method of representing and tracking time-based information in two-dimensional building documentation |
| CN110874821B (zh) * | 2018-08-31 | 2023-05-30 | 赛司医疗科技（北京）有限公司 | 一种自动过滤精液中非精子成分的图像处理方法 |
| DE112019005308T5 (de) * | 2018-10-25 | 2021-07-22 | Fujifilm Corporation | Erzeugungsvorrichtung, -verfahren und -programm für gewichtetes bild, bestimmerlernvorrichtung, -verfahren und -programm, bereichsextraktionsvorrichtung, -verfahren und -programm und bestimmer |
| EP3726318B1 (en) * | 2019-04-17 | 2022-07-13 | ABB Schweiz AG | Computer-implemented determination of a quality indicator of a production batch-run that is ongoing |
| US11080833B2 (en) * | 2019-11-22 | 2021-08-03 | Adobe Inc. | Image manipulation using deep learning techniques in a patch matching operation |
| US11501478B2 (en) | 2020-08-17 | 2022-11-15 | Faro Technologies, Inc. | System and method of automatic room segmentation for two-dimensional laser floorplans |
| CN112465886A (zh) * | 2020-12-09 | 2021-03-09 | 苍穹数码技术股份有限公司 | 模型生成方法、装置、设备和可读存储介质 |
| JP2023128704A (ja) * | 2022-03-04 | 2023-09-14 | キヤノン株式会社 | 画像処理装置、方法、プログラム及び記憶媒体 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5611000A (en) * | 1994-02-22 | 1997-03-11 | Digital Equipment Corporation | Spline-based image registration |
| WO2002050771A1 (en) * | 2000-04-19 | 2002-06-27 | The Victoria University Of Manchester | Image subtraction |
| CN1879553A (zh) * | 2005-06-15 | 2006-12-20 | 佳能株式会社 | 检测心脏、胸廓和横隔膜边界的方法、装置和存储介质 |
| CN101447080A (zh) * | 2008-11-19 | 2009-06-03 | 西安电子科技大学 | 基于非下采样Contourlet变换的HMT图像分割方法 |
| US20090310843A1 (en) * | 2006-06-26 | 2009-12-17 | Fujifilm Corporation | Image display device |
| CN101826159A (zh) * | 2009-03-07 | 2010-09-08 | 鸿富锦精密工业（深圳）有限公司 | 实现灰度图像分区二值化的方法和数据处理设备 |
| CN101930611A (zh) * | 2009-06-10 | 2010-12-29 | 霍尼韦尔国际公司 | 多视图面部追踪 |
| CN102596035A (zh) * | 2009-10-09 | 2012-07-18 | 株式会社日立医疗器械 | 医用图像处理装置、x线拍摄装置、医用图像处理程序、及医用图像处理方法 |
| CN103168462A (zh) * | 2011-10-14 | 2013-06-19 | 株式会社摩如富 | 图像合成装置、图像合成方法、图像合成程序及记录介质 |
| US8737740B2 (en) * | 2011-05-11 | 2014-05-27 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and non-transitory computer-readable storage medium |
| CN105027161A (zh) * | 2013-02-28 | 2015-11-04 | 日本电气株式会社 | 图像处理方法和图像处理设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL191615A (en) * | 2007-10-23 | 2015-05-31 | Israel Aerospace Ind Ltd | A method and system for producing tie points for use in stereo adjustment of stereoscopic images and a method for identifying differences in the landscape taken between two time points |
| JP6071444B2 (ja) | 2012-11-07 | 2017-02-01 | キヤノン株式会社 | 画像処理装置及びその作動方法、プログラム |
-
2017
- 2017-04-05 EP EP17164941.1A patent/EP3236418B1/en active Active
- 2017-04-07 CN CN201710223092.3A patent/CN107292857B/zh active Active
- 2017-04-11 US US15/484,400 patent/US10388018B2/en active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5611000A (en) * | 1994-02-22 | 1997-03-11 | Digital Equipment Corporation | Spline-based image registration |
| WO2002050771A1 (en) * | 2000-04-19 | 2002-06-27 | The Victoria University Of Manchester | Image subtraction |
| CN1879553A (zh) * | 2005-06-15 | 2006-12-20 | 佳能株式会社 | 检测心脏、胸廓和横隔膜边界的方法、装置和存储介质 |
| US20090310843A1 (en) * | 2006-06-26 | 2009-12-17 | Fujifilm Corporation | Image display device |
| CN101447080A (zh) * | 2008-11-19 | 2009-06-03 | 西安电子科技大学 | 基于非下采样Contourlet变换的HMT图像分割方法 |
| CN101826159A (zh) * | 2009-03-07 | 2010-09-08 | 鸿富锦精密工业（深圳）有限公司 | 实现灰度图像分区二值化的方法和数据处理设备 |
| CN101930611A (zh) * | 2009-06-10 | 2010-12-29 | 霍尼韦尔国际公司 | 多视图面部追踪 |
| CN102596035A (zh) * | 2009-10-09 | 2012-07-18 | 株式会社日立医疗器械 | 医用图像处理装置、x线拍摄装置、医用图像处理程序、及医用图像处理方法 |
| US8737740B2 (en) * | 2011-05-11 | 2014-05-27 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and non-transitory computer-readable storage medium |
| CN103168462A (zh) * | 2011-10-14 | 2013-06-19 | 株式会社摩如富 | 图像合成装置、图像合成方法、图像合成程序及记录介质 |
| CN105027161A (zh) * | 2013-02-28 | 2015-11-04 | 日本电气株式会社 | 图像处理方法和图像处理设备 |
Non-Patent Citations (6)
| Title |
|---|
| E-LIANG CHEN 等: "An automatic diagnostic system for CT liver image classification", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
| XIN LIU 等: "A MAXIMUM LIKELIHOOD CLASSIFICATION METHOD FOR IMAGE SEGMENTATION CONSIDERING SUBJECT VARIABILITY", 《2010 IEEE SOUTHWEST SYMPOSIUM ON IMAGE ANALYSIS & INTERPRETATION》 * |
| YAN KANG 等: "A New Accurate and Precise 3-D Segmentation Method for Skeletal Structures in Volumetric CT Data", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
| 王世伟: "《医学影像实用技术教程》", 31 August 2007, 中国铁道出版社 * |
| 董放: "基于分形维数对肝脏CT图像的纹理特征研究", 《武警医学》 * |
| 陈灵娜: "基于分维特征的肝脏CT图像识别", 《南华大学学报（自然科学版）》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111954494A (zh) * | 2018-04-09 | 2020-11-17 | 东芝能源系统株式会社 | 医用图像处理装置、医用图像处理方法及程序 |
| CN111954494B (zh) * | 2018-04-09 | 2023-12-01 | 东芝能源系统株式会社 | 医用图像处理装置、医用图像处理方法及记录介质 |
| US10854419B2 (en) | 2018-09-07 | 2020-12-01 | Toshiba Memory Corporation | Contour extraction method, contour extraction device, and non-volatile recording medium |
| TWI736843B (zh) * | 2018-09-07 | 2021-08-21 | 日商東芝記憶體股份有限公司 | 輪廓抽出方法、輪廓抽出裝置及非揮發性記錄媒體 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3236418B1 (en) | 2020-10-28 |
| CN107292857B (zh) | 2021-09-21 |
| EP3236418A2 (en) | 2017-10-25 |
| US10388018B2 (en) | 2019-08-20 |
| EP3236418A3 (en) | 2018-03-21 |
| US20170301093A1 (en) | 2017-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107292857A (zh) | 图像处理装置及方法和计算机可读存储介质 | |
| US11514573B2 (en) | Estimating object thickness with neural networks | |
| US9792703B2 (en) | Generating a synthetic two-dimensional mammogram | |
| El-Baz et al. | Automatic analysis of 3D low dose CT images for early diagnosis of lung cancer | |
| JP4311598B2 (ja) | 異常陰影検出方法および装置 | |
| JP6570145B2 (ja) | 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置 | |
| WO2014144019A1 (en) | Methods, systems, and computer readable media for real-time 2d/3d deformable registration using metric learning | |
| Pluim et al. | The truth is hard to make: Validation of medical image registration | |
| Loog et al. | Filter learning: application to suppression of bony structures from chest radiographs | |
| US10692215B2 (en) | Image processing apparatus, image processing method, and storage medium | |
| US20230007835A1 (en) | Composition-guided post processing for x-ray images | |
| US20160275357A1 (en) | Method and system for tracking a region in a video image | |
| US20090060332A1 (en) | Object segmentation using dynamic programming | |
| US9672600B2 (en) | Clavicle suppression in radiographic images | |
| Hibbard | Region segmentation using information divergence measures | |
| Kurugol et al. | Centerline extraction with principal curve tracing to improve 3D level set esophagus segmentation in CT images | |
| EP3896649A1 (en) | Medical image synthesis of abnormality patterns associated with covid-19 | |
| Pandey et al. | Recognition of X-rays bones: challenges in the past, present and future | |
| CN113538419A (zh) | 一种图像处理方法和系统 | |
| JP5954846B2 (ja) | 形状データ生成プログラム、形状データ生成方法及び形状データ生成装置 | |
| JP2016171961A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| Naseem | Cross-modality guided Image Enhancement | |
| Nikolikos et al. | Multi-contrast MR Image/Volume Alignment via ECC Maximization | |
| Li et al. | Adaptive weighted total variation expansion and Gaussian curvature guided low-dose CT image denoising network | |
| EP4302268A1 (en) | System and methods for inferring thickness of object classes of interest in two-dimensional medical images using deep neural networks |
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 |