CN108292434A - 用于医学图像中的解剖学结构的分割的方法、装置和系统 - Google Patents
用于医学图像中的解剖学结构的分割的方法、装置和系统 Download PDFInfo
- Publication number
- CN108292434A CN108292434A CN201680052346.3A CN201680052346A CN108292434A CN 108292434 A CN108292434 A CN 108292434A CN 201680052346 A CN201680052346 A CN 201680052346A CN 108292434 A CN108292434 A CN 108292434A
- Authority
- CN
- China
- Prior art keywords
- medical image
- anatomical structure
- image
- algorithm
- segmentation
- 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
- 210000003484 anatomy Anatomy 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims description 28
- 238000002372 labelling Methods 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000002059 diagnostic imaging Methods 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 description 13
- 230000002308 calcification Effects 0.000 description 6
- 238000010968 computed tomography angiography Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000002792 vascular Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 241000288113 Gallirallus australis Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 210000004705 lumbosacral region Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010068052 Mosaicism Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 235000004443 Ricinus communis Nutrition 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- AFSYRVDDZGJTIL-UHFFFAOYSA-N oxydibutanol Chemical compound CC(O)CCOCCC(C)O AFSYRVDDZGJTIL-UHFFFAOYSA-N 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 210000003462 vein Anatomy 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
- G06T7/10—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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T2207/20—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
-
- 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
- G06T2207/30012—Spine; Backbone
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明涉及用于医学图像中的解剖学结构的分割的方法以及相应的装置和系统，其中通过向医学图像应用基于无边缘形态学活动轮廓（MACWE）的算法来分割表示在医学图像中的解剖学结构，其中在基于无边缘形态学活动轮廓的算法中，考虑到涉及表示在医学图像中的解剖学结构的周围环境和/或背景的一个或多个特征。
Description
本发明涉及根据独立权利要求的用于医学图像中的解剖学结构的分割的方法以及对应的装置和系统。
医学图像中的解剖学结构的准确分割是当前医疗实践中高度感兴趣的，因为它可以帮助及时地诊断和规划疾病的进一步处置。例如，人类血管通常受脉管疾病影响，诸如动脉硬化和动脉狭窄，其可以引起更为严重的问题，包括心脏病发作、中风或者甚至死亡。如果不治疗，椎间盘通常经受可以引起慢性疼痛的恶化，并且因此影响人们生活的质量。用于内部结构分割的鲁棒且精确的方法可以有助于促进医师检测这样的疾病。
本发明的目标是提供允许用于医学图像中的解剖学结构的鲁棒且精确的分割的方法、装置和系统。
该目标通过根据独立权利要求的方法、装置和系统而实现。
在根据本发明的一方面的用于医学图像中的解剖学结构的分割的方法中，通过向医学图像应用基于无边缘形态学活动轮廓（MACWE）的算法来分割表示在医学图像中的解剖学结构，其中在基于MACWE的算法中，考虑到涉及表示在医学图像中的解剖学结构的周围环境和/或背景的一个或多个特征。
根据本发明的另一方面的用于医学图像中的解剖学结构的分割的装置包括图像处理单元，所述图像处理单元配置为通过向医学图像应用基于无边缘形态学活动轮廓（MACWE）的算法来分割表示在医学图像中的解剖学结构，其中在基于MACWE的算法中，考虑到涉及表示在医学图像中的解剖学结构的周围环境和/或背景的一个或多个特征。
根据本发明的又一方面的用于医学图像中的解剖学结构的分割的系统包括医学成像装置以及根据本发明的一方面的装置，所述医学成像装置配置为采集解剖学结构（特别地，血管和/或椎间盘）的医学图像。
本发明的各方面是基于使用（优选地，自动化和/或基于学习的）形态学活动轮廓模型以用于医学图像中的解剖学结构的分割的方案，比如，2D和3D磁共振（MR）图像中的椎间盘的分割，或者2D和3D计算机断层扫描血管造影（CTA）图像中的血管腔的分割。特别地，使用无边缘形态学活动轮廓（MACWE），其对于医学图像分割尤其有效，因为它快速且不受数值稳定性问题的影响。
为了增强其性能，通过使用表示在图像中的解剖学结构周围的区域的特征来驱使MACWE朝向解剖学结构的边界来修改标准MACWE。
可替换地或者附加地，标准MACWE算法可以与受监督的机器学习方法组合，其中利用现场特定的背景特征和/或利用表示在图像中的解剖学结构周围的区域的特征来训练模型。经训练的特征用于驱使MACWE朝向期望的边界。以该方式，通过插入初步地在现场特定的背景特征上训练的任何对应的机器学习分类器来修改标准MACWE。
MACWE算法的每一个前述修改使得它克服某些环境下标准MACWE的可能限制，比如，从期望的区漏出或者欠分割。此外，每一个经修改的MACWE算法都更加通用，并且对表示在图像中的解剖学结构的周围环境较不敏感。
总结起来，本发明允许医学图像中的解剖学结构的鲁棒且精确的分割。
在本发明的背景下，术语“分割”涉及基于医学图像的内容而发现解剖学结构（例如，血管或椎间盘）的轮廓，其充当从图像分离该解剖学结构的边界。
优选地，通过对表示在医学图像中的解剖学结构的周围环境和/或背景进行分类来考虑涉及解剖学结构的周围环境和/或背景的一个或多个特征。由此，将解剖学结构的周围环境和/或背景分配给涉及解剖学结构的周围环境和/或背景的性质的至少两个分类中的一个，并且在MACWE算法中考虑到已经向其分配的表示在医学图像中的解剖学结构的周围环境和/或背景的分类。通过考虑周围环境和/或背景的分类的结果，解剖学结构的MACWE分割是简单但又鲁棒且精确的。
进一步优选的是，通过向医学图像应用分类器来对表示在医学图像中的解剖学结构的周围环境和/或背景进行分类。优选的是，利用涉及训练图像的集合中的解剖学结构的周围环境和/或背景的特征向量来训练分类器。以该方式，实现了解剖学结构的特别鲁棒且可靠的分割。
优选地，对于血管腔分割，特征向量包含针对每一个训练位置计算的以下特征中的一个或多个：
- 当前训练位置处的强度与给定点处（优选地，血管的正中心处）的强度之间的相对强度差异。
- 熵值，其中高熵对应于具有高强度变化的区域。
- 当前训练位置的邻近区域处的最大强度值。
- 从当前训练位置到血管腔内的可用点（优选地，其中心处）的距离。
优选地，对于椎间盘分割，特征向量包含针对每一个训练位置计算的以下特征中的一个或多个：
- 两个经缩放的方向强度导数。
- 从当前训练位置到盘内的可用点（优选地，其中心处）的距离。
优选地，分类器是多标记分类器，其具有多个不同的标记。借助于多标记分类器，将表示在医学图像中的解剖学结构的周围环境和/或背景分配给两个或更多个（特别地，三个或更多个）不同分类中的一个。以该方式，在MACWE分割算法中以特别高的精度考虑到解剖学结构的周围环境和/或背景的特性。
使用多标记分类器对于2D和3D图像（尤其是MRI图像）中的椎间盘分割和/或2D计算机断层扫描血管造影（CTA）图像中的血管分割是特别优选和有利的。
可替换地或者附加地，该分类器是二元分类器，其具有两个不同的标记。由此，将表示在医学图像中的解剖学结构的周围环境和/或背景分配给两个不同分类中的一个。通过使用两级分类器，实现了良好的分割结果，即使标准MACWE的修改保持特别简单，因为在算法中不得不考虑的是周围环境和/或背景分类中的仅两种不同情况。
此外，优选的是，基于MACWE的算法包括向医学图像应用形态学算子的步骤，其中应用于医学图像的形态学算子取决于表示在医学图像中的解剖学结构的周围环境和/或背景的分类的结果。形态学算子是单调的对比度不变且平移不变的算子。例如，膨胀和侵蚀算子是形态学算子。优选地，对于曲线C的无边缘活动轮廓（ACWE）泛函的隐含版本，形态学算子包括和/或对应于欧拉-拉格朗日方程的图像附属项。
本发明的另外的优点、特征和示例将从以下各图的以下描述显而易见：
图1示出了根据本发明的装置和系统的示例；
图2示出了（a）具有血管截面周围的边界框的原始图像，以及（b）具有正（亮框）和负（暗框）训练样本区的血管截面周围的所提取的补片；
图3示出了（a）具有血管边界处的钙化（calcification）的血管截面周围的补片，以及（b）用于整个补片的熵图；
图4示出了（a）用于腰脊柱的矢面，以及（b）用于图像补片的边界框处于每一个盘周围的用于腰脊柱的矢面；
图5示出了（a）盘周围的所提取的补片，以及（b）具有正（亮框）和负（暗框）训练样本区的盘周围的所提取的补片；
图6图示了血管数据上的算法的收敛（t对应于当前迭代）。顶部行：（暗）真实值（ground-truth）遮罩（mask），（亮）通过算法分割。底部行：（暗）真实值遮罩的轮廓，（亮）通过算法的分割的轮廓；以及
图7图示了脊柱数据上的算法的收敛（t对应于当前迭代）。顶部行：（暗）真实值遮罩，（亮）通过算法分割。底部行：（暗）真实值遮罩的轮廓，（亮）通过算法获得的分割的轮廓。
图1示出了根据本发明的装置10和系统的示例。系统包括医学成像装置12，特别地，计算机断层扫描（CT）或磁共振（MR）成像装置，其配置为采集人类或动物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，医学成像装置12配置为采集和/或生成人类或动物体的脊柱的部分或者脊柱的CT或MR图像和/或计算机断层扫描血管造影（CTA）或磁共振血管造影（MRA）图像。
装置10包括图像处理单元13，例如，工作站或个人计算机（PC），其配置为处理图像数据集11。优选地，经由数据网络18将图像数据集11从医学成像装置12转移至图像处理单元13，例如，医院环境中的局域网（LAN）或者无线LAN（WLAN）或者互联网。
图像处理单元13优选地配置为在显示器14上分别生成图像数据集11的切片图像15和/或体积重建，所述显示器14例如工作站或PC的TFT屏幕。
根据本发明的各方面，图像处理单元13还配置为执行图像处理。优选地，图像处理单元13配置为通过向医学图像应用基于无边缘形态学活动轮廓（MACWE）的算法来分割表示在图像15中的解剖学结构，其中在基于MACWE的算法中，考虑到涉及表示在医学图像中的解剖学结构的周围环境和/或背景的一个或多个特征。
这将借助于下文中的方法和/或算法的示例来阐明。
I.第一示例
根据第一示例的分割方法是基于由Journal of Visual Communication and ImageRepresentation，11（2），130-141,2000中的T.F.Chan、B.Sandberg和L.A.Vese的Active contours without edges for vector-valued images描述的无边缘活动轮廓（ACWE），其通过应用如由P. Marquez-Neila, L.Baumela和L. Alvarez的A morphological approach to curvature-based evolution of curves and surfaces，IEEE Transactions onPattern Analysis and Machine Intelligence，36（1），2-17,2014描述的形态学算子（MACWE）来近似，这两者通过引用并入于此。根据本发明的一方面，通过如在下文详细阐明的机器学习方案来进一步修改和增强MACWE分割算法。
无边缘形态学活动轮廓
Chan等人定义了能量泛函，其使用曲线的内部区和外部区的内容。因为曲线未必是闭合的，所以在“内部区”之下，属于曲线的所有像素都是有意义的。
曲线C的无边缘活动轮廓（ACWE）泛函定义如下：
(1)
其中是固定参数，和是轮廓内部和外部的给定图像的值的均值。
为了确定表示在图像中的对象（例如，解剖学结构）的轮廓，求解以下最小化问题：
(2)
其中轮廓以及值和分别是曲线内部和外部的值的均值：
(3)
(4)。
用于泛函 (5)
的欧拉-拉格朗日方程包括平滑化、气球力和图像附属项。
如由P.Marquez-Neila等人（以上引用）描述的ACWE算法（也就是MACWE算法）的形态学近似包括以下步骤：
将膨胀和侵蚀算子定义为
(6)
(7)。
然后它继续如下：
a）首先应用气球力
(8)
b）接着是图像附属项
(9)
(10)
c）并且最终为平滑化算子
(11)
项是来自欧拉-拉格朗日方程（5）的平滑化项的形态学近似。对于与算子有关的进一步细节，参照P.Marquez-Neila等人（以上引用）。
为了应对轮廓泄露和欠分割的可能问题，并且使算法更通用并对周围环境较不敏感，将根据方程（10）的图像附属项改变为同样称为“二元泛函”的二元分类器L(I)，其值（例如，“真”或“假”或者“1”或“0”）取决于图像I。优选地，二元分类器L(I)由机器学习分类器定义，所述机器学习分类器以受监督的方式在针对特定问题生成的特征向量上进行训练。
优选地，方程（10）的图像附属项读起来如下：
(12)。
用于血管腔分割的特征表示
假设给定血管腔的边界内的点。提取具有位于给定点处的中心的图像补片，如在图2（a）中由虚线框图示。图像补片尺寸优选地足够大以便适应血管截面。
在训练阶段期间，首先针对每一个血管在位置处生成正（血管内部）和负（血管外部）示例（参见在图2（b）中示出的小的亮框和暗框的中心）。
然后它继续如下：
1.计算给定点周围的区处的均值强度，优选地，血管的正中心处（参见图2（b）中的血管的中心处的填充框）。
2.对于每一个训练位置，计算其邻近区域处的均值强度（参见图2（b）中的小的亮框和暗框）。
3.对于每一个训练位置，计算给定点处（优选地，血管的正中心处）的强度与当前训练位置处的强度之间的相对强度差异：
。
4.对于每一个训练位置，计算熵值。高熵对应于具有高强度变化的区域。因此，它们将趋向于强调血管腔和血管外壁边界以及病变血管的特殊区域（比如，钙化和斑块），如在图3（a）和（b）中图示。
5.对于每一个训练位置，寻找其邻近区域处的最大值。
6.计算从当前训练位置到给定点（优选地，血管的正中心处）的距离（以mm计）
以及。
7.然后使用特征向量以用于从方程（12）训练分类器L (I)。
用于椎间盘分割的特征表示
类似于针对血管腔分割的训练阶段，假设给定每一个椎间盘内的一个点。在此之后提取每一个位置周围的图像补片，如在图4中图示。
补片尺寸优选地足够大以便适应对应盘以及部分地邻近椎骨，如在图5（a）中图示的。
类似于针对血管的特征表示，针对每一个盘在位置处生成正（盘内部）和负（盘外部）示例（即，在图6（b）中示出的亮框和暗框的中心）。
然后它继续如下：
1.计算给定点周围的区处的均值强度，优选地，接近于盘的中心（参见在图5（b）中示出的盘的中心处的填充框）。
2.对于每一个训练位置，计算其邻近区域处的均值强度（参见图5（b）中的亮框和暗框）。
3.对于每一个训练位置，还寻找矢面中的y方向上方和下方的两个点和（例如，18mm位移）。对于每一个点和，计算其邻近区域处的均值强度和。
4.对于每一个训练位置，计算两个经缩放的方向强度导数和。
5.对于每一个训练位置，计算到给定点（优选地，到盘的中心）的两个距离和（以mm计）。
6.然后使用特征向量以用于从方程（12）训练分类器L (I)。
优选地，作为分类器L(I)，使用在http://weka.sourceforge.net/doc.dev/weka/classifiers/trees/REPTree.html中描述的降低错误修剪树分类器，还称为“REP树”或者“REP”。REP树是基于决策树的分类器，使用信息增益来训练并且在交叉验证方案中考虑到分类错误降低而修剪。对于与REP有关的细节，参见J. R. Quinlan, Simplifying decision trees, in: International journal of man-machine studies, 27(3):221–234, 1987，它通过引用并入于此。
结果与总结
为了示出根据第一示例的方案的有效性，做出与其组成的性能单独的比较，也就是MACWE和REP。
为了评估REP，使用留一法交叉验证方案。为了评估MACWE，简单地在所有数据集上运行它，即，它不要求任何训练。
令人惊奇地发现，在血管和脊柱数据集二者上，根据第一示例的方案明显胜过其两个组成部分（在单独使用它们时）的情况。
尽管REP单独示出在两个数据集上令人满意的结果，但是假阳性分类可以出现。MACWE可以单独用于血管腔分割，然而，它通常泄露或者包括钙化。特别地，它对于椎间盘分割任务执行起来非常欠佳，并且仅在其中核恶化的情况下示出可接受的结果。
最后但同样重要的是，根据第一示例的方法在验证措施的数目方面胜过其它方法，其在解剖学方面更为准确，即，示出经分割的区多么类似与接近（以mm计）是真实值分割的验证措施。
图6图示了根据第一示例的算法如何朝向血管腔边界收敛。每一列对应于算法的不同迭代。上部行示出了完全分割和真实值遮罩。下部行仅示出轮廓。如所期望，算法排除了钙化（左部的亮团）。
图7图示了算法在脊柱数据上的收敛。每一列对应于算法的不同迭代。上部行示出完全分割和真实值遮罩，并且下部行仅包含轮廓。
总结起来，通过第一示例的方式，描述了用于医学图像中的解剖学结构的分割的通用算法。该方案易于实现。它是鲁棒的，并且在血管和脊柱数据上示出特别好的结果。
II.第二示例
类似于第一示例，根据第二示例的分割方法是基于无边缘活动轮廓（ACWE），其通过形态学方案而被修改（MACWE）。根据本发明的一方面，通过如在下文中详细阐明的机器学习方案来进一步修改和增强MACWE分割算法。
无边缘形态学活动轮廓
关于曲线C的无边缘活动轮廓（ACWE）函数、要求解的优化问题、用于泛函的欧拉-拉格朗日方程以及ACWE算法的形态学近似（MACWE），参照方程（1）至（11）以及在上文关于第一示例给出的相应阐述。
为了简化参数调谐，优选地，在根据方程（9）的图像附属项的条件不等式中仅使用一个参数来替代两个参数和，
, (13)
其中是体素处的强度，和是轮廓内部和外部的强度均值，并且参数向方程（13）的第二项给予更多权重。参数控制考虑更多的体素以用于通过分类器添附到经分割的区，即，向分类器给予更多控制。
假设是给定分割问题中的所有标记的集合，并且是算法力图分割的所有标记的集合。优选地，将定义为多标记分类器，其将最可能的标记从集合A分配给体素x：
, (14)
其中是体素被分配给标记的概率。
优选地，通过使用多标记分类器，获得以下新的图像附属项：
, (15)
其中是小容差参数。
也就是说，代替使用根据第一示例的二元分类器，在根据第二示例的算法中，使用多标记分类器。
类似于第一示例，初步地在现场特定的背景特征的集合上训练多标记分类器，其中经训练的分类器驱使MACWE朝向对象（例如，血管和/或椎间盘）的期望分割。
特征表示
基本上，关于针对血管腔和椎间盘分割的特征表示，关于根据第一示例的算法的以上阐述相应地适用。
优选地，使用简单特征的集合以用于求解三个不同的医学成像问题。常见特征的集合包括：到起始点（优选地，盘或血管腔的中心处的点）的欧几里得距离以及方向强度差异。另外，引入用于血管问题的两个附加特征，即，它力图分割血管腔，仅排除钙化和斑块。因此，在N+集合中仅使用两个标记。此外，添加熵特征，并且凭经验选择最大强度值特征以便保证包括血管腔的边界。
分类
对于分类步骤，优选地，使用基于决策树的算法，称为降低错误剪裁树、朴素贝叶斯或者随机森林分类器。关于还称为“REP树”或“REP”的降低错误剪裁树，以上章节“I.第一示例”中给出的阐述相应地适用。
实现优化
为了在任何给定迭代处针对所有形态学和分类任务改进算法的性能，优选地，将用于新体素的搜索区约束为添附到当前分割。仅考虑边界框内的体素，其稍微超出当前分割结构的边界框的尺寸。因此不考虑数据集内的非活动体素（即，不属于分割遮罩的体素），这彻底地提升计算性能。
结果与总结
根据第二示例的算法特别适于2D和3D MRI图像中的椎间盘的分割，以及CTA图像中的2D血管横截面平面中的腔的分割。
为了训练来自”Carotid Lumen Segmentation Challenge 2009” (K.Hameeteman等人, Evaluation framework for carotid bifurcation lumen segmentation and stenosis grading, Medical Image Analysis, 15(4):477–488,2011)和“Intervertebral Disc Localization and Segmentation Challenge 2015” (C.Chen等人, Localization and segmentation of 3d intervertebral discs in MR images by data driven estimation, Medical Imaging, IEEE Transactions on, PP(99):1–1, 2015)的数据集和数据，对于3D中的盘实现84.2%的最大值和78.28%，对于2D中的所有切片中的所有盘83.24%，对于腔88.57%的平均切块值。
总结起来，第二示例涉及用于2D和3D中的解剖学结构的分割的基于学习的活动轮廓模型。该方案构建于无边缘形态学活动轮廓（MACWE）上，其通过使用多标记分类器而增强，所述多标记分类器初步地在现场特定的背景特征的集合上训练并且将MACWE驱使朝向对象的期望分割。对于分类任务，与MACWE结合地使用REP、朴素贝叶斯或者随机森林分类器。通过针对算法中的形态学和分类操作实现优化，性能可以进一步提升。
根据第二示例的算法与根据第一示例的算法的不同如下：
- 在根据方程（13）的图像附属项中仅使用一个参数λ，而不是第一示例中的两个参数λ1和λ2；
- 使用多标记分类器（参见方程（14））而不是二元（即，双标记）分类器；
- 根据方程（15）的图像附属项与根据第一示例的方程（12）的图像附属项不同。
- 根据第一示例的算法特别适于血管和椎间盘的2D图像，而根据第二示例的算法特别适用于2D和3D图像二者；以及
- 在根据第一示例的算法中，使用决策树用于分类，而在第二示例中，执行与三个分类方法结合的评估，所述三个方法即，REP-树、朴素贝叶斯或者随机森林。
Claims (10)
1.一种用于医学图像中的解剖学结构的分割的方法，其中通过向医学图像（15）应用基于无边缘形态学活动轮廓（MACWE）的算法来分割表示在医学图像（15）中的解剖学结构，其中在基于无边缘形态学活动轮廓的算法中，考虑到涉及表示在医学图像（15）中的解剖学结构的周围环境和/或背景的一个或多个特征。
2.根据权利要求1所述的方法，其中通过对表示在医学图像中的解剖学结构的周围环境和/或背景进行分类来考虑涉及解剖学结构的周围环境和/或背景的所述一个或多个特征。
3.根据权利要求2所述的方法，其中通过向医学图像应用分类器（L）来对表示在医学图像中的解剖学结构的周围环境和/或背景进行分类。
4.根据权利要求3所述的方法，其中通过利用涉及训练图像的集合中的解剖学结构的周围环境和/或背景的特征向量 (fj i)训练分类器（L）来获得分类器（L）。
5.根据权利要求3或4所述的方法，其中分类器（L）是多标记分类器。
6.根据权利要求3-5中任一项所述的方法，其中分类器（L）是二元分类器。
7.根据权利要求2-6中任一项所述的方法，其中基于无边缘形态学活动轮廓的算法包括向医学图像应用形态学算子的步骤，其中应用于医学图像的形态学算子取决于表示在医学图像中的解剖学结构的周围环境和/或背景的分类的结果。
8.根据权利要求7所述的方法，其中形态学算子对应于基于无边缘形态学活动轮廓的算法的图像附属项。
9.一种用于医学图像中的解剖学结构的分割的装置（10），所述装置包括图像处理单元（13），所述图像处理单元（13）配置为通过向医学图像（15）应用基于无边缘形态学活动轮廓（MACWE）的算法来分割表示在医学图像（15）中的解剖学结构，其中在基于无边缘形态学活动轮廓的算法中，考虑到涉及表示在医学图像（15）中的解剖学结构的周围环境和/或背景的一个或多个特征。
10.一种用于医学图像（15）中的解剖学结构的分割的系统，包括：
- 医学成像装置（12），配置为采集解剖学结构的医学图像（15），以及
- 根据前述权利要求所述的装置（10）。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP15184647.4 | 2015-09-10 | ||
| EP15184647.4A EP3142070A1 (en) | 2015-09-10 | 2015-09-10 | Method, apparatus and system for segmentation of anatomical structures in medical images |
| PCT/EP2016/071224 WO2017042292A1 (en) | 2015-09-10 | 2016-09-08 | Method, apparatus and system for segmentation of anatomical structures in medical images |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108292434A true CN108292434A (zh) | 2018-07-17 |
Family
ID=54146980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201680052346.3A Pending CN108292434A (zh) | 2015-09-10 | 2016-09-08 | 用于医学图像中的解剖学结构的分割的方法、装置和系统 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20180247413A1 (zh) |
| EP (2) | EP3142070A1 (zh) |
| CN (1) | CN108292434A (zh) |
| WO (1) | WO2017042292A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109498046A (zh) * | 2018-11-19 | 2019-03-22 | 西安电子科技大学 | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10354391B2 (en) * | 2016-10-27 | 2019-07-16 | Peter Jin-Pyong Yim | Method and system for multi-label image segmentation |
| CN108230301A (zh) * | 2017-12-12 | 2018-06-29 | 哈尔滨理工大学 | 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 |
| TWI790414B (zh) * | 2020-01-16 | 2023-01-21 | 趙尚威 | 用於人體之特徵辨識方法及其系統 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254327A (zh) * | 2011-07-29 | 2011-11-23 | 西南交通大学 | 数码照片中的人脸自动分割方法 |
| CN103180878A (zh) * | 2010-10-25 | 2013-06-26 | 皇家飞利浦电子股份有限公司 | 用于医学图像的分割的系统 |
| CN104766321A (zh) * | 2015-04-03 | 2015-07-08 | 北京航空航天大学 | 一种利用环形最短路径的红外行人图像精确分割方法 |
-
2015
- 2015-09-10 EP EP15184647.4A patent/EP3142070A1/en not_active Withdrawn
-
2016
- 2016-09-08 CN CN201680052346.3A patent/CN108292434A/zh active Pending
- 2016-09-08 WO PCT/EP2016/071224 patent/WO2017042292A1/en active Application Filing
- 2016-09-08 EP EP16763781.8A patent/EP3347873A1/en not_active Withdrawn
- 2016-09-08 US US15/758,352 patent/US20180247413A1/en not_active Abandoned
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103180878A (zh) * | 2010-10-25 | 2013-06-26 | 皇家飞利浦电子股份有限公司 | 用于医学图像的分割的系统 |
| CN102254327A (zh) * | 2011-07-29 | 2011-11-23 | 西南交通大学 | 数码照片中的人脸自动分割方法 |
| CN104766321A (zh) * | 2015-04-03 | 2015-07-08 | 北京航空航天大学 | 一种利用环形最短路径的红外行人图像精确分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| PABLO MÁRQUEZ-NEILA ET AL: "morphological approach to curvature-based evolution of curves and surfaces", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| ZEYNETTIN AKKUS ET AL: "Semi-automated segmentation of pre-operative low grade gliomas in magnetic resonance imaging", 《CANCER IMAGING》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109498046A (zh) * | 2018-11-19 | 2019-03-22 | 西安电子科技大学 | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20180247413A1 (en) | 2018-08-30 |
| EP3347873A1 (en) | 2018-07-18 |
| EP3142070A1 (en) | 2017-03-15 |
| WO2017042292A1 (en) | 2017-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4999163B2 (ja) | 画像処理方法および装置ならびにプログラム | |
| CN104217418B (zh) | 钙化血管的分割 | |
| US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
| US20200074634A1 (en) | Recist assessment of tumour progression | |
| El-Regaily et al. | Survey of computer aided detection systems for lung cancer in computed tomography | |
| JP2020508143A (ja) | インスタンス重み付けを伴うランダムフォレストを使用するマルチパラメトリックｍｒｉにおける前立腺がんの検出、およびホリスティックネスト型ネットワークを用いたディープラーニングによるｍｒ前立腺セグメント化 | |
| CN108022242A (zh) | 使用深度学习的先验的自动化分割 | |
| CN110738652B (zh) | 一种肺部动静脉分离方法及装置 | |
| CN112699869A (zh) | 基于深度学习的肋骨骨折辅助检测方法及图像识别方法 | |
| CN108027970A (zh) | 用于分析血管的医学图像的方法、装置和系统 | |
| CN104573309A (zh) | 用于计算机辅助诊断的设备和方法 | |
| CN108292434A (zh) | 用于医学图像中的解剖学结构的分割的方法、装置和系统 | |
| CN111462071B (zh) | 一种图像处理方法和系统 | |
| Zhang et al. | ARPM‐net: a novel CNN‐based adversarial method with Markov random field enhancement for prostate and organs at risk segmentation in pelvic CT images | |
| Sun et al. | Intracranial hemorrhage detection by 3D voxel segmentation on brain CT images | |
| CN112381762A (zh) | 一种基于深度学习算法的ct肋骨骨折辅助诊断系统 | |
| Bauer et al. | Graph-based airway tree reconstruction from chest CT scans: evaluation of different features on five cohorts | |
| KR101625955B1 (ko) | 장기의 동맥 및 정맥의 구분 방법 | |
| CN115222713A (zh) | 一种冠状动脉钙化积分的计算方法、装置及存储介质 | |
| Faisal et al. | Computer assisted diagnostic system in tumor radiography | |
| Tempelaere et al. | Non-destructive internal disorder segmentation in pear fruit by X-ray radiography and AI | |
| CN117710317A (zh) | 检测模型的训练方法及检测方法 | |
| Saha et al. | DETECTION OF RETINAL ABNORMALITIES USING MACHINE LEARNING METHODOLOGIES. | |
| Zamani Boroujeni et al. | Coronary Artery Center‐Line Extraction Using Second Order Local Features | |
| Kaur et al. | Deep learning in medical applications: Lesion segmentation in skin cancer images using modified and improved encoder-decoder architecture |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180717 |
|
| WD01 | Invention patent application deemed withdrawn after publication |