CN108027970A - 用于分析血管的医学图像的方法、装置和系统 - Google Patents
用于分析血管的医学图像的方法、装置和系统 Download PDFInfo
- Publication number
- CN108027970A CN108027970A CN201680052351.4A CN201680052351A CN108027970A CN 108027970 A CN108027970 A CN 108027970A CN 201680052351 A CN201680052351 A CN 201680052351A CN 108027970 A CN108027970 A CN 108027970A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- classification
- surrounding
- image
- grader
- 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.)
- Pending
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims description 55
- 230000011218 segmentation Effects 0.000 claims description 39
- 230000002792 vascular Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 9
- 238000002059 diagnostic imaging Methods 0.000 claims description 6
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 14
- 210000000988 bone and bone Anatomy 0.000 description 30
- 238000012549 training Methods 0.000 description 17
- 238000010968 computed tomography angiography Methods 0.000 description 7
- 230000000877 morphologic effect Effects 0.000 description 6
- 210000001367 artery Anatomy 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 235000004443 Ricinus communis Nutrition 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010061246 Intervertebral disc degeneration Diseases 0.000 description 1
- 241000282320 Panthera leo Species 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
Abstract
本发明涉及用于分析血管的医学图像的方法以及相应装置和系统,所述方法包括以下步骤:a)通过对医学图像应用第一分类器来对在至少一个医学图像中表示的至少一个血管的周围进行分类,由此将血管的周围指定成至少两个周围类别中的一个,以及b)依据已经将血管的周围指定成的周围类别来对至少一个血管进行分割。本发明允许医学图像中表示的血管的可靠分割和/或形状检测(特别是分叉检测)。
Description
技术领域
本发明涉及根据独立权利要求的用于分析血管的医学图像的方法以及对应装置和系统。
背景技术
诸如动脉粥样硬化和狭窄的脉管疾病常常影响人类血管并且可以导致严重的问题,包括心脏病发作、中风或者甚至死亡。为了及时诊断和治疗此类疾病,医学成像技术广泛地与特别适用于制作身体各个部位的血管和组织的详细图像的计算机断层扫描血管造影术(CTA)一起使用。
图像处理和机器学习技术可以帮助加速和促进医生的日常工作。血管的鲁棒分割和标记对于准确的钙化、斑块和管腔分割是重要的。因此,这可以帮助更好地识别症状且诊断许多危险的脉管疾病。为了表示完整的血管树形态测定,除了精确的血管分割外,还需要诸如分叉之类的血管标志的检测。血管分叉是指在那里出现血管被分成两个更小的血管的点。用于分叉检测的准确算法可用于对现有被跟踪血管进行后处理,校正已回归的分叉标志或成为更大的血管跟踪或血管标记系统的一部分。
发明内容
本发明的一个目标是提供一种用于分析血管的医学图像以允许对图像中表示的血管进行可靠的分割和/或形状检测(特别是分叉检测)的方法、装置和系统。
通过根据独立权利要求的方法、装置和系统来实现该目标。
一种根据本发明的方面的用于分析血管的医学图像的方法包括以下步骤:通过对医学图像应用第一分类器来对在至少一个医学图像中表示的至少一个血管的周围进行分类,由此将血管的周围指定成至少两个周围类别中的一个,以及依据已经将血管的周围指定成的周围类别来对至少一个血管进行分割。
一种根据本发明的另一方面的用于分析血管的医学图像的装置包括:图像处理单元,其被配置成通过对医学图像应用第一分类器来对在至少一个医学图像中表示的至少一个血管的周围进行分类,由此将血管的周围指定成至少两个周围类别中的一个,以及依据已经将血管的周围指定成的周围类别来对该至少一个血管执行分割。
一种根据本发明的又一方面的用于分析血管的医学图像的系统包括被配置成获取血管的医学图像的医学成像装置和根据本发明的方面的装置。
本发明的方面基于用来提供用于自动化(特别是全自动)血管分割和/或检测(特别是血管分叉分割和/或检测)的方法的途径,其中首先对图像中表示的血管周围进行分类,之后是图像中表示的血管的分割。用于血管分割的分割方法取决于血管周围的分类的结果。例如,如果将血管的周围指定成第一周围类别,则应用第一分割方法,并且如果将血管的周围指定成第二周围类别,则应用不同于第一分割方法的第二分割方法。在本发明的意义中,关于血管的术语“周围”优选地与在血管周围和/或血管附近的任何区有关。通过将第一分类器应用于图像来执行该分类。优选地,在所标记的图像集合上训练第一分类器。通过基于已经将图像中表示的血管的周围指定的周围类别应用图像分割,实现对图像中血管(特别是血管的分叉)的可靠和准确的分割和/或检测。
总之,本发明允许对医学图像中表示的血管的可靠分割和/或形状检测(特别是分叉检测)。
优选地,就靠近血管和/或在血管附近存在的骨骼结构的密度(concentration)而言,该至少两个周围类别是不同的。这方面基于这样的概念,即血管往往位于靠近骨骼并且图像中表示的血管和骨骼的强度通常是非常相似的,因此血管和骨骼之间的边缘是模糊的。通过将不同分割方法应用于示出就靠近血管的骨骼结构的存在而言的不同类型的血管周围的图像,对于图像中表示的每种血管周围来说可以将最合适的分割方法应用于该图像。因此,实现血管的特别可靠的分割。
此外,优选地该至少两个周围类别包括第一周围类别和第二周围类别,其中第一周围类别的血管附近存在的骨骼结构的密度高于第二周围类别的血管附近存在的骨骼结构的密度。通过提供仅两个周围类别,血管周围的分类仍然是简单的并且关于两种不同分割方法中的一种的选择是高效的以便实现可靠的血管分割。
优选地,如果图像中表示的血管的周围被指定成第一周围类别,则血管的分割包括将基于学习的射线投射算法应用于图像。通过将基于学习的射线投射算法用于接近和/或靠近骨骼结构的血管的分割,实现特别可靠的分割。
备选地或另外地,优选地,如果图像中表示的血管的周围被指定成第二周围类别,则血管的分割包括将基于无边缘形态学活动轮廓(MACWE)的算法应用于图像。通过将MACWE用于不接近和/或不靠近骨骼结构的血管的分割,实现特别可靠的分割。
根据另一优选实施例,通过利用针对至少两个周围类别的特征向量训练分类器来获得第一分类器。优选地,每个特征向量都是八维特征向量,通过计算图像块的八个子块与图像块的基准子块的均值强度的强度差来获得其分量。优选地,基准子块处于被分成九个子块的图像块的中心。通过前面提到的实施例中的一个或多个,以简单的方式来实现两个不同类别的血管周围之间的特别可靠的区别。
优选地,该第一分类器是被配置成将图像中表示的血管的周围指定成其k个最近邻域之中最常见的周围类别的k最近邻(KNN)分类器,其中k是正整数。优选地,在训练阶段,基于利用针对以下两个周围类别的特征向量训练图像以构建针对KNN分类器的KD树,即没有位于血管近旁的骨骼的正常情况(也被称为“第二周围类别”)和血管位于骨骼近旁的情况(也被称为“第一周围类别”)。在对于每个新图像样本的分类阶段中,KNN分类器被用于决定该图像样本更可能属于哪个类别。使用KNN分类器是用于确定适当分割方法的简单且又可靠方法。
根据又一优选实施例,该方法进一步包括以下步骤:通过将第二分类器应用于经分割的血管壁来对血管的经分割的血管壁的至少一个区段的形状进行分类,由此将经分割的血管壁的至少一个区段指定至少两个形状类别中的一个。优选地,该至少两个形状类别包括与展示出分叉的血管形状有关的第一形状类别。以这种方式,执行“级联分类”以便检测血管的形状(特别是(一个或多个)分叉),其中将该第一和第二分类器训练成两个分开的分类步骤,即将第一分类器训练成将图像中表示的血管周围区分成血管近旁的不同密度的骨骼结构(如在上面详细解释的),并且将第二分类器训练成将经分割的对象(血管)区分成不同形状(特别是分叉)。
此外,优选地,通过利用针对至少两个形状类别的一个或多个边界描述符训练分类器来获得第二分类器。边界描述符包含图像中表示的已分割血管的边界特性的描述。优选地,为了计算边界描述符,通过首先使用形态学算子(膨胀然后减法)并且然后将最小边界矩形拟合到分割的轮廓上来画出分割的轮廓。优选地,该一个或多个边界描述符与经分割的血管壁的以下特征中的至少一个有关:伸长率、离心率、凸度、固性(solidity)、径向距离的标准偏差。借助于上面提到的实施例中的一个或多个,实现经分割的血管的特别可靠的形状检测(特别是分叉检测)。
根据再一优选实施例,该第二分类器基于近似最近邻(ANN)算法和/或支持向量机(SVM)算法。
附图说明
根据以下附图的以下描述,本发明的其他优点、特征和示例将是显而易见的:
图1示出根据本发明的装置和系统的一个示例;
图2示出不具有位于靠近血管或在血管附近的骨骼或骨骼结构的块(上面的行)和具有该骨骼或骨骼结构的块(下面的行)的示例;
图3示出(a)正常血管、(b)分叉、(c)双分叉、和(d)通过骨骼的血管的横截面图像;
图4示出对于像素强度方向导数(DDPI)描述符的特征生成的示意性表示;
图5示出在腿研究中获得的经分割的血管树和分叉位置;以及
图6示出在头和颈研究中获得的经分割的血管树和分叉位置。
具体实施方式
图1示出根据本发明的装置10和系统的一个示例。该系统包括医学成像装置12(特别地计算机断层扫描术(CT)或磁共振(MR)成像装置),其被配置成获取人类或动物身体的一个或多个图像(例如多个二维图像或三维图像)并且生成对应的医学图像数据集11。优选地,该医学成像装置12被配置成获取和/或生成计算机断层扫描血管造影术(CTA)或磁共振血管造影术(MRA)图像。
该装置10包括图像处理单元13(例如工作站或个人计算机(PC)),其被配置成处理图像数据集11。优选地,经由数据网络18(例如医院环境中的局域网(LAN)或无线LAN(WLAN)或者因特网)将该图像数据集11从医学成像装置12传递至图像处理单元13。
该图像处理单元13优选地被配置成在显示器14(例如工作站或PC的TFT屏幕)上分别生成图像数据集11的体积重建和/或切片图像15。
该图像处理单元13被进一步配置成根据本发明的方面来执行图像处理。优选地,该图像处理单元13被配置成通过将第一分类器应用于医学图像15来对至少一个医学图像15中表示的至少一个血管的周围进行分类,由此为血管的周围指定至少两个周围类别中的一个,以及依据已经将血管的周围指定成的周围类别来对该至少一个血管执行分割。
将借助于下面的方法和/或算法的示例来阐明这一点。
I.第一示例。
在第一示例中,假设给出血管外壁内的点和该点处血管的切向量。优选地,该点位于血管官腔内部以便实现算法的特别可靠的运行。优选地,该算法包括以下步骤:
1. 使用三线性插值提取中心位于该给定点处的图像块。优选地,该图像块尺寸足够大以适应任何可能的人类动脉横截面。
2. 执行数据的对比度扩展以便增强块处的重要明亮结构并且使噪声和其他无关紧要的结构变暗。依据块中是否存在骨骼结构,使血管的内部变暗或增强。
3. k最近邻(KNN)分类被用于为血管壁分割决定适当的方法。因为血管常常位于非常靠近骨骼,并且血管和骨骼的强度通常非常相似,所以有区别地处理示出不同种类的血管周围的图像。基于KNN分类来应用两种分割方法:
3a.在骨骼靠近血管或在血管附近存在的情况下,将自适应基于学习的射线投射算法用于分割。
3a.在骨骼没有靠近血管或在血管附近存在的其他情况下,首先通过边缘保持滤波算法来对块平滑化。然后,将在给定点处用小半径的圆或椭圆进行初步初始化的无边缘形态学活动轮廓(MACWE)用于分割。
通过2014年1月IEEE Transactions on Pattern Analysis and MachineIntelligence Vol.36 No.1中的P. Marquez-Neila, L. Baumela, L. Alvarez, A morphological approach to curvature-based evolution of curves and surfaces来描述用于图像分割的无边缘形态学活动轮廓,通过引用将其合并于此。
用于血管分割的该算法对于输入数据来说是准确且鲁棒的并且示出与血管是否位于靠近骨骼结构无关的优良性能。
II.第二示例。
第二示例与使用两种机器学习来首先对血管周围进行分类,然后是血管壁的准确分割的自适应方法有关。类似于第一示例,在血管没有位于靠近骨骼的情况下应用(优选地受形状约束的)无边缘形态学活动轮廓(MACWE),并且否则使用基于学习的射线投射算法。
假设给出血管外壁内的一个点和该点处血管的切向量(或血管的横截面图像)。为了确保算法适当地运行,该点应该被定位在血管管腔的内部。
图像块提取。
使用三线性插值提取中心位于给定点处的图像块,其中使用在初始体积图像数据的八个直接邻域体素处的值来对块的每个位置处的值进行插值。因为算法事先不知道它应该预期哪个血管,所以图像块尺寸优选地足够大以适应任何可能的人类或动物动脉横截面的血管分叉或分支,其是将血管分支成两个更小血管的脉管系统的部分。
如果给出该点处的横截面图像,则优选地跳过该步骤。
块数据预处理。
优选地,通过执行以下步骤来将块数据进行标准化:
1. 对数据重新缩放,使得像素强度值位于范围[0;1]中。
2. 计算块的强度的均值和标准偏差。
3. 如下使用均值、标准偏差和正则化参数来对每个值p i 进行标准化:
。
4. 直方图被剪裁以使得负值被设置为零且大于1的值被设置为1。
以这种方式,在块处的重要明亮结构被增强且其他无关紧要的结构被变暗。依据块中是否存在骨骼结构来使血管内部变暗或增强。
块分类。
血管常常位于非常靠近骨骼,并且血管和骨骼的强度通常非常相似。因此,血管和骨骼之间的边缘是模糊的。一种基于全自动活动轮廓的方法最终可以将血管分开且露出来。因此,有区别地处理示出不同种类的血管包围的图像。
优选地,K最近邻(KNN)分类被用来为血管壁分割决定适当的策略或方法。优选地,分类包括两个阶段,即训练阶段(在其中基于许多训练样本来确定分类器)以及分类阶段(在其中通过使用在训练阶段中获得的分类器来对图像分类)。
在训练阶段中,对于每个训练样本执行以下步骤:
1. 将块细分成九个子块-
。
2. 因为以优选将给定点定位成靠近血管管腔中心的方式来提取图像块,所以假设中心子块部分或全部位于血管内部并且因此可以变成“基准”子块。
3. 为每个子块计算均值强度
。
4. 从其他子块的均值强度减去基准子块的均值强度:
。
5. 根据子块强度差来形成八维特征向量:
。
6. 利用针对以下两个类别的特征向量来训练KNN分类器,即没有位于血管近旁的骨骼的正常情况(也被称为“第二周围类别”)和血管位于骨骼近旁的情况(也被称为“第一周围类别”)。
在分类阶段中,对于每个新的样本重复,重复训练阶段的步骤1至5。KNN分类器被用来决定该块更可能属于哪个类别。
基于学习的射线投射。
在靠近血管或在血管附近存在骨骼和/或高密度骨骼结构的情况下(即将图像中表示的血管的周围指定成第一周围类别),将自适应基于学习的射线投射算法用于血管壁的分割。
该算法优选地包括两个阶段,即阈值学习阶段和射线投射阶段。
给定对于两种情况的具有训练样本的集合,即只具有血管的正常样本,以及具有位于血管近旁的骨骼的样本。图2示出不具有在血管附近的骨骼的图像块的三个示例(上面的行)和具有位于靠近血管的骨骼的图像块的三个示例(下面的行)。
在阈值学习阶段,对于每个样本执行下面的步骤:
1. 计算在血管中心的邻域处的平均强度值。优选地,使用5 x5核。
2. 计算在平均强度与在血管边界内部和外部的像素处的强度之间的若干相对强度距离。
3. 利用以下相对强度距离来训练两个核稠密度估计器:与血管内部的距离有关的,和与在和血管边界外部的像素强度之间的距离有关的。
在射线投射阶段,对于每个新的块执行以下步骤:
1. 计算在靠近血管中心的给定点p c 的邻域处的平均强度值。优选地,使用5 x5核。
2. 设置角度增量并且从集合生成处于所有角度的射线。
3. 对于每个射线,找到最靠近的点,在点处成为血管的概率小于成为其他别的东西的概率:。将距离添加至距离的径向直方图。
4. 没有发现局部极值的射线被存储在列表中。对于其他射线,计算平均距离。
5. 将基于直方图的阈值化方法应用于距离的直方图。如果找到阈值,则将对于来自列表的所有射线的距离设置成阈值。优选地,应用通过Graphical Models andImage Processing (CVGIP), 56(5), 414 – 419, 1994中的A. G. Shanbhag的Utilization of information measure as a means of image thresholding描述的基于直方图的阈值化方法,通过引用将其合并于此。
6. 使用用于使轮廓平滑的移动平均法。
无边缘形态学活动轮廓。
在靠近血管或在血管附近不存在骨骼和/或仅存在低密度骨骼结构的情况下(即图像中表示的血管的周围被指定成第二周围类别的情况下),优选将无边缘形态学活动轮廓(MACWE)用于血管壁的分割。
借助于无边缘活动轮廓(MACWE)来检测其边界不一定由梯度信息来限定的对象。参考Journal of Visual Communication and Image Representation, 11(2):130-141,2000中的T.F.Chan、B.Y.Sandberg和L.A.Vese的Active contours without edges for vector-valued images的细节,通过引用将其合并于此。
曲线C的无边缘活动轮廓(ACWE)泛函被定义为:
在这里是固定参数,和是轮廓C的内部和外部的值的均值。
为了确定对象的轮廓,考虑下面的最小化问题
。
作为该算法的初始目标,在给定的中心线或起始点处使用中心优选靠近血管管腔的中心的小圆。
优选使用的无边缘形态学活动轮廓(MACWE)对应于对于前面提到的最小化问题的形态学近似,这在Computer Vision and Pattern Recognition (CVPR), 2010 IEEEConference, pages 2197-2202. IEEE, 2010中通过L. Alvarez, L. Baumela、P.Henriquez和P. Marquez-Neila的Morphological snakes来描述,通过引用将其合并于此。有利地,对于前面提到的最小化问题的此形态学近似不需要求解数值偏微分方程(PDE)(不像原始模型那样),并且因此不会受到数值稳定性问题的影响。除此之外,与复杂的数值算法相比,形态学算子实施起来更容易且更直接。
因此,根据第二示例的算法能够处理现有技术中已知的算法的若干问题并且展示出许多优点。
有利地,它不需要边缘停止函数,即它不基于原始图像的梯度。此外,初始曲线可以在所期望的结构内部的任何位置,并且可以具有任何初始形状,即使目标对象看起来完全不同。此外,初始曲线不一定必须是闭合的。更进一步地,算法对图像噪声是鲁棒的。
此外,可以通过形态学算子的连续应用来接近偏微分方程(PDE)的数值解。这些算子是快速的并且不会经历稳定性问题。除此之外,与多重数值算法(比如线性系统求解器等等)相比,形态学算子实施起来更容易。
此外,根据第二示例的算法不随初始化环境而变化。如果它是在暗区域中被初始化的,则它将趋于使结构明亮。否则,它将趋于使结构变暗。
最后但同样重要的是,可以容易地将该算法扩展到较高维度并且只使用易于调节的仅几个参数。
III.第三示例。
第三示例与用于血管的图像(特别是血管的计算机断层扫描血管造影术(CTA)扫描)中的分叉检测的级联分类算法有关。
该算法优选地首先由受训分类器分析血管周围,之后是通过无边缘形态学活动轮廓(MACWE)的血管(特别是血管外壁)的准确分割,并且最后提取经分割的对象的边界特征且由适当的接近K最近邻分类器对其形状进行分类。
更具体地,该第三示例与用于分叉检测的实时级联分类算法有关。优选地,针对该算法的两个分开的步骤来训练两个分类器。第一分类器被训练成利用血管近旁的高密度骨骼结构来区分位置,并且第二分类器被训练成区分分叉。
有利地,该算法不一定要求血管树的全分割适当地运行。作为代替,它对同血管正交的横截面图像有效。该算法可以是更大血管跟踪算法的用来对分叉位置迅速分类的一部分,或者被用来对已存在的血管树进行后处理。该算法很快,能够实时工作并且可以被集成在更大的血管分析系统中。已经将它成功地应用于来自身体的各个部位(例如头、颈和腿)的动脉。
由于血管的外观在不同人体部位中变化很大,所以定义一种能够应对所有可能场景的一般方法是很有挑战性的。在横截面图像中,在暗环境上血管通常表现为明亮结构,如在图3(a)中示例性示出的。在图3(b)和3(c)中示出分叉的典型横截面。在大多数情况下,分叉看起来像是两个更小的血管合并在一起。许多动脉(诸如脊椎、基底和颈动脉)在强度上可以不同,因为它们穿过或正好行进在骨骼结构近旁,如在图3(d)中示例性示出的。在那些情况下,骨骼结构和血管的强度是类似的并且因此在它们之间不存在可见的清楚边界。
根据第三示例的算法基于下面的概念,即在骨骼结构近旁的血管位置中不存在重要的大分叉,并且因此可以在该算法的第一步骤中排除展示靠近血管或在血管附近的骨骼结构的图像块。在第二步骤处,首先分割血管外壁内的区域,并且然后对经分割的区的形状进行分类。
简言之,在每个给定候选位置,该算法包括以下主要步骤:
1. 重建血管横截面;
2. 使用特征和分类器的组合来对血管是否位于骨骼结构近旁进行分类;
3. 分割血管外壁内的内部区域;以及
4. 使用一组边界描述符和ANN分类器来对经分割的形状是否表示分叉进行分类。
将在下面更详细地阐明这些步骤。
血管横截面重建。
为了生成血管的横截面,需要优选地在血管管腔内部的点以及该点处的切向量。如果给出血管的中心线,则可以容易地计算该向量。
优选地,为了提取中心线以及由此血管路径的横截面,使用在Proc. of MICCAIWorkshop 3D Segmentation in the Clinic: A Grand Challenge II, 2008中由S.Zambal、J. Hladuvka、A. Kanitsar和K. Bühler的Shape and appearance models for automatic coronary artery tracking描述的方法,通过引用将其合并于此。
然后在中心线点处计算血管横截面。使用三线性插值来提取中心位于给定点处的图像块,其中使用在初始体积的八个直接邻域体素处的值来对块的每个位置处的值进行插值。因为事先不知道血管的尺寸,所以算法优选地被配置成生成图像块以使得任何可能人类动脉横截面的血管分叉与其相适合。例如,块的平均尺寸近似10mm,并且对于某些大的动脉最大尺寸高达40mm。
对于基于强度的横截面分类的特征表示。
为了将算法训练成区分具有清晰可见血管的块和具有骨骼结构的块,优选地评估以下特征中的一个或多个:
方向梯度直方图(HOG):描述符对图像的局部化块中出现的梯度信息进行计数,如在Computer Vision and Pattern Recognition, 2005, CVPR 2005, IEEE ComputerSociety Conference (June 2005), vol. 1, pp. 886–893中通过N. DALAL, B. TRIGGS,Histograms of oriented gradients for human detection所描述的,通过引用将其合并于此。有利地应用HOG特征来同时检测多个解剖区。在根据第三示例的算法的上下文中,优选地在第一分类级中使用HOG特征,因为示出骨骼结构的块在骨骼中以及在骨骼边缘处展示高的局部梯度。因此,它们与正常血管块是可区别的,在正常血管块处高梯度主要出现在血管边界处。
Haralick纹理特征(HTF):将基于空间灰度级相关性的一组简单纹理特征应用于图像分类,如在Texture features for image classification, IEEE Transactions onSystems, Man, and Cybernetics 3, 6 (1973)中由HARALICK R., SHANMUGAM K.,DINSTEIN I.所描述的,通过引用将其合并于此。该特征可以被用在用于从医学图像检索内容以用于组织识别和图像分类以及用于腰椎间盘退化的自动诊断的方法中。在Haralick等人的原始文章中,引入14个描述符,而根据本算法使用如下10个描述符:角二阶矩、对比度、相关性、平方和(方差)、逆差矩、和平均、和方差、和熵、差分方差以及差分熵。
像素强度方向导数(DDPI):使用一组简单的基于强度的特征。对于每个块,重复以下步骤(还参见图4以用于说明):
1. 将块细分成九个子块(参见图2),在这里。
2. 由于图像块是以给定点位于靠近血管管腔的中心的方式提取的,所以假定中心子块部分或完全位于血管内部并且因此变成“基准”子块。
3. 对于每个子块,计算其像素的均值强度。
4. 从其它子块的均值强度减去基准子块的均值强度。
5. 如下形成八维特征向量:
。
6. 通过以升序对每个向量的值排序来使特征旋转不变。
7. 对下面两种类别利用上面阐述的八维特征向量来训练分类器:即没有位于血管(包括具有分叉的情况)近旁的骨骼的正常情况(也被称为“第二周围类别”)和当血管经过或行进靠近骨骼结构时的情况(“第一周围类别”)。
分类算法。
对于分类任务,使用两个下面监督学习分类算法中的至少一个。
近似最近邻法(ANN)优先搜索K均值算法属于一类近似最近邻算法并且尤其当特征空间尺寸或训练样本的数目大时非常有效。搜索树是通过使用k-均值聚类将每个树级处的点分离成M个不同区直到该区中的点数目小于M为止来构造的。关于该算法的细节,参考MUJA M., LOWE D.在Pattern Analysis and Machine Intelligence, IEEETransactions on 36, 11 (Nov 2014), 2227–2240中的Scalable nearest neighbor algorithms for high dimensional data,通过引用将其合并于此。
支持向量机(SVM)算法通过构造将表示各类别之间的最大分离的超平面来有效地执行非线性分类。当特别与图像处理中的HOG特征一起工作时SVM特别有效。关于该算法的细节,参考CORTES C., VAPNIK V.在Machine learning 20, 3 (1995), 273–297中的Support-vector networks,通过引用将其合并于此。
优选地,在方案的第一个分类级 (参见上面的主要步骤2),两个分类器(即ANN或SVM)中的每一个都与三个不同特征组合。
优选地,在方案在第二分类部分(参见上面的主要步骤4),仅在边界特征上使用ANN。
对于血管分割的无边缘形态学活动轮廓。
对于血管分割(特别是血管外壁分割),使用上面结合第二示例描述的无边缘形态学活动轮廓(MACWE)。
对于经分割的形状分类的特征表示。
对于经分割的对象(即血管外壁)的分类,使用边界描述符。为了计算描述符,通过首先使用形态学算子(膨胀然后减法)并且然后使用在CHAUDHURI D., SAMAL A.在Pattern Recogn. 40, 7 (July 2007), 1981–1989中的A simple method for fitting of bounding rectangle to closed regions中描述的方法将最小边界矩形拟合到轮廓上来画出分割的轮廓,通过引用将其合并于此。
下面的描述符特别适用于本分类任务,因为它们能够区别圆形形状和椭圆形状(血管和分叉通常具有的形状)或高度凹形形状(这进而可能是由失败的分割导致的)。
伸长率(Elongation):
离心率(Eccentricity):
凸度(Convexity):
固性(Solidity):
径向距离的标准偏差(Standard Deviation of Radial Distance):
在这里;是径向距离,即从轮廓点的质心到周长点的距离。
图5示出在利用根据第三示例的算法的腿研究中获得的经分割的血管树和分叉位置的一个示例。图6示出在利用根据第三示例的算法的头和颈研究中获得的经分割的血管树和分叉位置的一个示例。为了清楚起见,另外利用虚线圈来标记分叉位置。
总之,根据第三示例的两级算法允许在CTA图像中人体不同部位中的可靠动脉分叉检测。有利地,因为典型且简单的特征被用于分类,并将易于调整的算法用于血管外壁的分割以及经分割的形状的进一步分类,所以该算法是直接实施的。因为该算法不使用任何CTA专用信息,所以它可以很容易地被采用于来自其他成像形态的血管图像,比如磁共振血管造影术(MRA)图像。最后但同样重要的,定时测量结果表明该算法也适用于更大的实时血管分析系统。
Claims (14)
1.一种用于分析血管的医学图像的方法,所述方法包括以下步骤:
a)通过对医学图像应用第一分类器来对在至少一个医学图像中表示的至少一个血管的周围进行分类,由此将血管的周围指定成至少两个周围类别中的一个,以及
b)依据已经将血管的周围指定成的周围类别来对至少一个血管进行分割。
2.根据权利要求1所述的方法,其中就血管附近存在的骨骼结构的密度而言,该至少两个周围类别是不同的。
3.根据权利要求2所述的方法,该至少两个周围类别包括第一周围类别和第二周围类别,其中第一周围类别的血管附近存在的骨骼结构的密度高于第二周围类别的血管附近存在的骨骼结构的密度。
4.根据权利要求3所述的方法,如果图像中表示的血管的周围被指定成第一周围类别,则血管的分割包括将基于学习的射线投射算法应用于图像。
5.根据权利要求3所述的方法,其中如果图像中表示的血管的周围被指定成第二周围类别,则血管的分割包括将基于无边缘形态学活动轮廓(MACWE)的算法应用于图像。
6.根据前述权利要求中的任一项所述的方法,其中通过利用针对至少两个周围类别的特征向量训练分类器来获得第一分类器。
7.根据权利要求6所述的方法,其中该第一分类器是被配置成将血管的周围指定成其k个最近邻域之中最常见的周围类别的k最近邻(KNN)分类器,其中k是正整数。
8.根据前述权利要求中的任一项所述的方法,所述方法进一步包括以下步骤:
c)通过将第二分类器应用于经分割的血管壁来对血管的经分割的血管壁的至少一个区段的形状进行分类,由此将经分割的血管壁的至少一个区段指定成至少两个形状类别中的一个。
9.根据权利要求8所述的方法,其中该至少两个形状类别包括与展示出分叉的血管形状有关的第一形状类别。
10.根据权利要求8或9所述的方法,其中通过利用针对至少两个形状类别的一个或多个边界描述符训练分类器来获得第二分类器。
11.根据权利要求10所述的方法,其中该一个或多个边界描述符与经分割的血管壁的以下特征中的至少一个有关:伸长率、离心率、凸度、固性、径向距离的标准偏差。
12.根据权利要求8至11中的任一个所述的方法,其中该第二分类器基于近似最近邻(ANN)算法和/或支持向量机(SVM)算法。
13.一种用于分析血管的医学图像的装置(10),所述装置(10)包括图像处理单元(13),其被配置成:
a)通过对医学图像应用第一分类器来对在至少一个医学图像(15)中表示的至少一个血管的周围进行分类,由此将血管的周围指定成至少两个周围类别中的一个,以及
b)依据已经将血管的周围指定成的周围类别来对该至少一个血管执行分割。
14.一种用于分析血管的医学图像的系统,包括:
- 被配置成获取血管的医学图像(15)的医学成像装置(12),以及
- 根据前述权利要求的装置(10)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP15184638.3 | 2015-09-10 | ||
EP15184638.3A EP3142069B1 (en) | 2015-09-10 | 2015-09-10 | Method, apparatus and system for analyzing medical images of blood vessels |
PCT/EP2016/071134 WO2017042249A1 (en) | 2015-09-10 | 2016-09-08 | Method, apparatus and system for analyzing medical images of blood vessels |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108027970A true CN108027970A (zh) | 2018-05-11 |
Family
ID=54151086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680052351.4A Pending CN108027970A (zh) | 2015-09-10 | 2016-09-08 | 用于分析血管的医学图像的方法、装置和系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10657649B2 (zh) |
EP (1) | EP3142069B1 (zh) |
CN (1) | CN108027970A (zh) |
WO (1) | WO2017042249A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062942A (zh) * | 2020-03-16 | 2020-04-24 | 南京景三医疗科技有限公司 | 血管分叉的检测方法、装置及医疗设备 |
CN113361584A (zh) * | 2021-06-01 | 2021-09-07 | 推想医疗科技股份有限公司 | 模型训练的方法及装置、肺动脉高压的测量方法及装置 |
CN113419202A (zh) * | 2020-12-29 | 2021-09-21 | 苏州朗润医疗系统有限公司 | 一种采用Radial 3DTOF获取颈动脉磁共振血管图像的方法及磁共振成像系统 |
CN113706548A (zh) * | 2020-05-09 | 2021-11-26 | 北京康兴顺达科贸有限公司 | 基于ct影像对胸部前纵隔病灶自动分割的方法 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11200976B2 (en) * | 2019-08-23 | 2021-12-14 | Canon Medical Systems Corporation | Tracking method and apparatus |
TWI714440B (zh) * | 2020-01-20 | 2020-12-21 | 緯創資通股份有限公司 | 用於電腦斷層攝影的後處理的裝置和方法 |
EP4129197A4 (en) * | 2020-03-30 | 2023-08-30 | Terumo Kabushiki Kaisha | COMPUTER PROGRAM, INFORMATION PROCESSING METHOD, INFORMATION PROCESSING DEVICE AND MODEL GENERATION METHOD |
CN111640124B (zh) * | 2020-05-25 | 2023-06-02 | 浙江同花顺智能科技有限公司 | 一种血管提取方法、装置、设备及存储介质 |
CN111861999A (zh) * | 2020-06-24 | 2020-10-30 | 北京百度网讯科技有限公司 | 动静脉交叉压迫征的检测方法、装置、电子设备及可读存储介质 |
US11587236B2 (en) * | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
CN112594937B (zh) * | 2020-12-16 | 2022-03-18 | 珠海格力电器股份有限公司 | 热水器的控制方法、装置、电子设备及存储介质 |
US20220215534A1 (en) * | 2021-01-04 | 2022-07-07 | Shenzhen Keya Medical Technology Corporation | Methods and systems for computer-assisted medical image analysis using sequential model |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040101183A1 (en) * | 2002-11-21 | 2004-05-27 | Rakesh Mullick | Method and apparatus for removing obstructing structures in CT imaging |
US20050195189A1 (en) * | 2002-11-27 | 2005-09-08 | Raghav Raman | Curved-slab maximum intensity projections |
CN1929781A (zh) * | 2003-08-21 | 2007-03-14 | 依斯克姆公司 | 用于脉管斑块检测和分析的自动化方法和系统 |
CN101393644A (zh) * | 2008-08-15 | 2009-03-25 | 华中科技大学 | 一种肝门静脉血管树建模方法及其系统 |
US20100128954A1 (en) * | 2008-11-25 | 2010-05-27 | Algotec Systems Ltd. | Method and system for segmenting medical imaging data according to a skeletal atlas |
CN101996329A (zh) * | 2010-11-17 | 2011-03-30 | 沈阳东软医疗系统有限公司 | 一种对血管形变区域的检测装置和方法 |
CN102663416A (zh) * | 2012-03-20 | 2012-09-12 | 苏州迪凯尔医疗科技有限公司 | 手术规划系统中内脏及其内部血管的分割方法 |
CN104217418A (zh) * | 2013-05-31 | 2014-12-17 | 西门子公司 | 钙化血管的分割 |
US20150043774A1 (en) * | 2013-08-09 | 2015-02-12 | Siemens Aktiengesellschaft | Automatic Planning For Medical Imaging |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7177453B2 (en) * | 2002-11-26 | 2007-02-13 | General Electric Company | Method and apparatus for partitioning a volume |
US8345944B2 (en) * | 2008-08-06 | 2013-01-01 | Siemens Aktiengesellschaft | System and method for coronary digital subtraction angiography |
US8582848B2 (en) * | 2010-07-30 | 2013-11-12 | Siemens Medical Solutions Usa, Inc. | System and method for detection of acoustic shadows and automatic assessment of image usability in 3D ultrasound images |
US9472017B2 (en) * | 2013-01-29 | 2016-10-18 | Siemens Aktiengesellschaft | Fast rendering of curved reformation of a 3D tubular structure |
EP2811458A1 (en) * | 2013-06-05 | 2014-12-10 | Agfa Healthcare | Automated aorta detection in a CTA volume |
US9697603B2 (en) * | 2014-12-19 | 2017-07-04 | Toshiba Medical Systems Corporation | Medical image data processing system and method for vessel segmentation using pre- and post-contrast data |
US10037603B2 (en) * | 2015-05-04 | 2018-07-31 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
-
2015
- 2015-09-10 EP EP15184638.3A patent/EP3142069B1/en active Active
-
2016
- 2016-09-08 US US15/758,351 patent/US10657649B2/en active Active
- 2016-09-08 WO PCT/EP2016/071134 patent/WO2017042249A1/en active Application Filing
- 2016-09-08 CN CN201680052351.4A patent/CN108027970A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040101183A1 (en) * | 2002-11-21 | 2004-05-27 | Rakesh Mullick | Method and apparatus for removing obstructing structures in CT imaging |
US20050195189A1 (en) * | 2002-11-27 | 2005-09-08 | Raghav Raman | Curved-slab maximum intensity projections |
CN1929781A (zh) * | 2003-08-21 | 2007-03-14 | 依斯克姆公司 | 用于脉管斑块检测和分析的自动化方法和系统 |
CN101393644A (zh) * | 2008-08-15 | 2009-03-25 | 华中科技大学 | 一种肝门静脉血管树建模方法及其系统 |
US20100128954A1 (en) * | 2008-11-25 | 2010-05-27 | Algotec Systems Ltd. | Method and system for segmenting medical imaging data according to a skeletal atlas |
CN101996329A (zh) * | 2010-11-17 | 2011-03-30 | 沈阳东软医疗系统有限公司 | 一种对血管形变区域的检测装置和方法 |
CN102663416A (zh) * | 2012-03-20 | 2012-09-12 | 苏州迪凯尔医疗科技有限公司 | 手术规划系统中内脏及其内部血管的分割方法 |
CN104217418A (zh) * | 2013-05-31 | 2014-12-17 | 西门子公司 | 钙化血管的分割 |
US20150043774A1 (en) * | 2013-08-09 | 2015-02-12 | Siemens Aktiengesellschaft | Automatic Planning For Medical Imaging |
Non-Patent Citations (2)
Title |
---|
RAHELEH KAFIEH 等: "Vessel segmentation in images of optical coherence tomography using shadow information and thickening of Retinal Nerve Fiber Layer", 2013 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING * |
梅川 等: "一种基于区域增长和结构识别的心血管X线造影图像分割方法", 生物医学工程学杂志 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062942A (zh) * | 2020-03-16 | 2020-04-24 | 南京景三医疗科技有限公司 | 血管分叉的检测方法、装置及医疗设备 |
CN113706548A (zh) * | 2020-05-09 | 2021-11-26 | 北京康兴顺达科贸有限公司 | 基于ct影像对胸部前纵隔病灶自动分割的方法 |
CN113706548B (zh) * | 2020-05-09 | 2023-08-22 | 北京康兴顺达科贸有限公司 | 基于ct影像对胸部前纵隔病灶自动分割的方法 |
CN113419202A (zh) * | 2020-12-29 | 2021-09-21 | 苏州朗润医疗系统有限公司 | 一种采用Radial 3DTOF获取颈动脉磁共振血管图像的方法及磁共振成像系统 |
CN113419202B (zh) * | 2020-12-29 | 2022-06-21 | 苏州朗润医疗系统有限公司 | 一种采用Radial 3DTOF获取颈动脉磁共振血管图像的方法及磁共振成像系统 |
CN113361584A (zh) * | 2021-06-01 | 2021-09-07 | 推想医疗科技股份有限公司 | 模型训练的方法及装置、肺动脉高压的测量方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20180247414A1 (en) | 2018-08-30 |
EP3142069B1 (en) | 2020-05-13 |
US10657649B2 (en) | 2020-05-19 |
EP3142069A1 (en) | 2017-03-15 |
WO2017042249A1 (en) | 2017-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108027970A (zh) | 用于分析血管的医学图像的方法、装置和系统 | |
JP4999163B2 (ja) | 画像処理方法および装置ならびにプログラム | |
CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
Choi et al. | Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images | |
Delibasis et al. | Automatic model-based tracing algorithm for vessel segmentation and diameter estimation | |
JP5864542B2 (ja) | 画像の異常を検出するための画像データの処理方法、システムおよびプログラム | |
El-Regaily et al. | Survey of computer aided detection systems for lung cancer in computed tomography | |
US8244012B2 (en) | Computer aided detection of pulmonary embolism with local characteristic features in CT angiography | |
Robben et al. | Simultaneous segmentation and anatomical labeling of the cerebral vasculature | |
Staal et al. | Automatic rib segmentation and labeling in computed tomography scans using a general framework for detection, recognition and segmentation of objects in volumetric data | |
Kuo et al. | Automatic lung nodule detection system using image processing techniques in computed tomography | |
Deng et al. | Graph cut based automatic aorta segmentation with an adaptive smoothness constraint in 3D abdominal CT images | |
Leo | MRI brain image segmentation and detection using K-NN classification | |
Jaffar et al. | An ensemble shape gradient features descriptor based nodule detection paradigm: a novel model to augment complex diagnostic decisions assistance | |
Harouni et al. | Precise segmentation techniques in various medical images | |
Farhangi et al. | Automatic lung nodule detection in thoracic CT scans using dilated slice‐wise convolutions | |
Hu et al. | Axis-guided vessel segmentation using a self-constructing cascade-AdaBoost-SVM classifier | |
Li et al. | An automatic and efficient coronary arteries extraction method in CT angiographies | |
Ali et al. | An IOMT assisted lung nodule segmentation using enhanced receptive field-based modified UNet | |
Abdelsamea | An enhancement neighborhood connected segmentation for 2D-cellular image | |
Zhu et al. | A novel lung cancer detection algorithm for CADs based on SSP and Level Set | |
Mirunalini et al. | Automatic stenosis detection using SVM from CTA projection images | |
Hadi et al. | Implementing DEWA framework for early diagnosis of melanoma | |
Shaziya et al. | Comprehensive review of automatic lung segmentation techniques on pulmonary CT images | |
Walczak et al. | Segmenting lungs from whole-body CT scans |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190912 Address after: Belgian Mo Applicant after: AGFA HEALTHCARE Applicant after: Vrvis virtual reality and visualization Co. Address before: Austria Vienna Applicant before: AGFA HEALTHCARE Applicant before: Vrvis virtual reality and visualization Co. |
|
TA01 | Transfer of patent application right | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240126 |
|
AD01 | Patent right deemed abandoned |