CN108351396B - 用于组织分类的方法、计算机程序产品和磁共振成像系统 - Google Patents

用于组织分类的方法、计算机程序产品和磁共振成像系统 Download PDF

Info

Publication number
CN108351396B
CN108351396B CN201680063933.2A CN201680063933A CN108351396B CN 108351396 B CN108351396 B CN 108351396B CN 201680063933 A CN201680063933 A CN 201680063933A CN 108351396 B CN108351396 B CN 108351396B
Authority
CN
China
Prior art keywords
region
magnetic resonance
image
images
shape
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201680063933.2A
Other languages
English (en)
Other versions
CN108351396A (zh
Inventor
S·魏斯
U·卡切尔
C·施特宁
M·G·赫勒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN108351396A publication Critical patent/CN108351396A/zh
Application granted granted Critical
Publication of CN108351396B publication Critical patent/CN108351396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
    • G01R33/481—MR combined with positron emission tomography [PET] or single photon emission computed tomography [SPECT]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
    • G01R33/4812—MR combined with X-ray or computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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

Abstract

本发明的目的是改善MRI图像中的组织分类。具体而言，本发明的目的是改善MRI图像中对骨和空气的分类。该目的是通过一种用于在包括第一区域和第二区域的磁共振(MR)图像中的感兴趣区域中进行组织分类的方法来实现的，其中，所述第一区域表示空气并且所述第二区域表示骨。所述方法包括以下步骤：‑采集包括所述第一区域和所述第二区域的第一磁共振图像；并且‑采集包括所述第一区域和所述第二区域的第二磁共振图像，其中，与所述第一磁共振图像中相比，所述第二磁共振图像中的所述第一区域具有不同的形状；并且‑在所述第一图像和所述第二图像中识别所述第一区域和所述第二区域；并且‑关于所述第一区域和所述第二区域对所述第一图像和所述第二图像进行比较；并且‑基于所述第一图像与所述第二图像之间的形状差异的存在来将所述第一区域分类为表示空气的区域，并且基于所述第一图像与所述第二图像之间的形状差异的不存在而将所述第二区域分类为骨。

Description

用于组织分类的方法、计算机程序产品和磁共振成像系统
技术领域
本发明涉及磁共振成像(MRI)领域，并且更具体地涉及MRI系统和用于在MRI系统中使用的计算机程序产品。本发明还涉及磁共振图像的图像处理领域。
背景技术
由于CT值(Hounsfield值)与辐射的衰减直接相关，因而用于在放射治疗中使得的衰减图通常从计算机断层摄影扫描导出。而且，CT图像容易提供将组织分类为骨、软组织、脂肪和空气。然而，它们将对象暴露于电离辐射，并且更经常地，磁共振成像(MRI)通常对于可视化肿瘤和风险器官更优。然而，基于MR的衰减图模拟是困难的，因为没有依赖于辐射衰减的可用的MR对比剂。以下是当前研究的主题，MR对比度/图像类型的组合以及哪种图像处理算法最适合CT图像和衰减图的模拟。Nyholm，T和Jonsson J，Counterpoint：Opportunities and Challenges of a Magnetic Resonance Imaging–OnlyRadiotherapy WorkFlow,Seminars in Radiation Oncology,2014,第175-179页，给出了对这一领域的机遇和挑战的综述。
在仅基于MRI的RT规划中，尤其是在头颈部区域中的一个主要问题是区分骨(特别是皮质骨)与空气，这两者在MRI中都是低强度的。
US2011/0286649描述了一种基于两个UTE图像来生成伪CT图像的方法。训练的分类器用于分割骨。第一UTE图像以比第二UTE图像更低的TE被采集。因此第一UTE图像可能是模糊的。模糊区域可以通过形态学方法来轻微侵蚀。然后可以将所述第一UTE图像中被侵蚀的头部掩模与所述第二UTE图像中被侵蚀的头部掩模进行比较。然后，模糊区域可被定义为被侵蚀的第一UTE图像的这样的部分：第二UTE图像中的头部掩模定义为背景的部分。然后可以从所述第一UTE图像头部掩模去除模糊区域以生成最终的头部掩模。
发明内容
本发明的目的是改善MRI图像中的组织分类。具体而言，本发明的目的是改善MRI图像中对骨和空气的分类。根据本发明的第一方面，该目的通过根据权利要求1所述的方法来实现。根据本发明的第二方面，该目的通过根据权利要求6的计算机程序产品来实现。根据本发明的第三方面，该目的通过根据权利要求7的MRI系统来实现。
骨组织是一种刚性组织，它通常不容易改变形状，而身体内的空气腔可以更容易地改变形状。发明人洞悉，可以利用这种知识来区分MRI图像中的骨和空气。如果在气腔中发生形状变化，则可以通过比较形状变化之前采集的图像(第一磁共振图像)和形状变化之后采集的图像(第二磁共振图像)来利用该形状变化。受形状变化影响的低信号强度区域可以被分类为空气，而不受形状变化影响的低信号强度区域可以被分类为骨。由此可以改善组织分类。贯穿本申请，所述第一区域表示空气，并且所述第二区域表示骨。
根据本发明的实施例，所述第一区域的形状差异是由第三区域的变化引起的。该第三区域例如可以是粘膜并且所述变化可能是该粘膜增厚，例如在头和颈区中。根据本发明的另外的实施例，诱发形状变化。积极诱发形状变化是有利的，因为以这种方式，形状变化可以更好的可控。例如，在头和颈成像的情况下，可以通过施予组胺，乙酰甲胆碱或妥拉明来诱发形状变化。施予组胺、乙酰甲胆碱或者酚妥拉明会影响头和颈区的粘膜厚度。粘膜仅在气腔的方向上变厚，从而通过比较所述第一磁共振图像和所述第二磁共振图像，区分骨和空气是可能的。相反的情况也可以用于组织分类。例如，一些患者遭受鼻过敏。在这些患者中，通过施用抗组胺药物可以在第一磁共振图像与第二磁共振图像之间降低粘膜厚度。
然而，不一定必须诱发形状变化。形状变化也可能随着时间的推移而发生。在这种情况下，人们可以等待形状变化的发生。例如，粪便通过肠道也会影响存在的气腔的形状。而且，呼吸可能诱发形状变化。因引，形状的变化可以通过许多不同的方式来诱发。本发明基于这样的见解，即可以利用该形状变化用于图像处理和组织分类。
根据本发明的实施例，可基于组织分类来生成感兴趣区域的伪CT图像和/或衰减图和/或数字重建的射线照片(DRR)。这是有利的，因为伪CT图像和/或衰减图和/或DRR可以被包括放射疗法递送系统的MRI系统使用以生成放射治疗计划。伪CT图像和/或衰减图和/或DRR可由包括PET系统的MRI系统使用以创建衰减图以校正PET图像。
本发明的方法步骤可以在计算机程序产品的程序代码模块中实现。该计算机程序产品可以是被配置用于磁共振图像上的组织分类的独立程序。此外，计算机程序产品可以被集成到MRI系统中。MRI系统可以被配置为采集第一磁共振图像和第二磁共振图像并且通过利用空气可以随时间改变形状而骨不随时间改变形状的信息来执行组织分类。如果MRI系统与放射治疗递送系统或PET系统组合，这是特别有利的，因为在这些情况下，组织分类可以由放射治疗递送系统使用的(在线)放射治疗规划计算或由PET使用的衰减校正系统中使用。
参考本文下文中所描述的实施例，本发明的这些和其他方面将显而易见并将得以阐述。
附图说明
图1示出了头和颈区，具体而言是鼻叶的图，
图2示出了根据本发明的方法的流程图，
图3图解地示出了根据本发明的磁共振成像系统。
具体实施方式
图1图解地示出了头和颈区，具体而言是鼻叶的图。该图示出了骨组织100和空气110。上侧子图101是诱发粘膜120中的变化并因此诱发空气110中的变化之前的情形的表示。下侧子图102是诱发变化(例如施予组胺，乙酰甲胆碱或酚妥拉明)之后的情况的表示。结果，粘膜120在右侧图像中120b比在左侧图像120a中更厚。
通常，头颈部区域的充气腔被粘膜组织120包围。换句话说，粘膜表示空气110和骨100之间的中间层。有可能诱发粘膜的显著厚度变化。由于骨结构是刚性的，因而粘膜的厚度增加只能通过朝向气腔延伸来实现。这可以用来区分MRI图像中的空气和骨组织。
图2示出了根据本发明的方法的流程图。
步骤1：采集第一磁共振图像201，其中，所述第一磁共振图像包括第一区域110和第二区域100。
步骤2：诱发具有预定的组织类型的第三组织中的形状变化202。在该情况下，所述第三组织是粘膜120。
步骤3：采集第二磁共振图像203，其中，所述第二磁共振图像包括第一区域110和第二区域100。在第二磁共振图像中，与第一磁共振图像相比，粘膜并且由此第一区域具有改变的形状。任选地，所述第一磁共振图像和所述第二磁共振图像可以被配准以补偿由患者移动引起的残留误差。
步骤4：识别所述第一磁共振图像和所述第二磁共振图像中的所述第一区域和所述第二区域204。例如，这可以通过将第一磁共振图像和第二磁共振图像中示出噪声水平强度的患者的表示内的所有体素分类为“第一区域或第二区域”或“骨或空气”来实现。
步骤5：关于所述第一区域和所述第二区域比较所述第一磁共振图像和所述第二磁共振图像205。
步骤6：基于所述第一图像与所述第二图像之间的形状差异的存在，将所述第一区域分类为表示空气的区域，并且基于所述第一图像与所述第二图像之间的形状差异的不存在而将所述第二区域分类为骨206。这可以例如通过以下方式来实现。将从所述第一磁共振图像中的噪声水平强度改变为所述第二磁共振图像中的标准粘膜信号水平的那些像素分类为空气。将区域增长算法应用于所述第一磁共振图像中被分类为空气的像素，以对所有剩余的空气像素进行分类。将所述第一图像中噪声水平强度上的所有剩余像素分类为骨像素。
本领域技术人员将理解，该方法的一些步骤是可互换的。例如，人们可以在采集所述第二磁共振图像之前识别所述第一磁共振图像中的所述第一区域和所述第二区域。此外，例如，可以在识别第一区域和第二区域之前首先检测所述第一磁共振图像与所述第二磁共振图像之间的形状变化(例如，通过检测所述第一磁共振图像与所述第二磁共振图像中的对应体素之间的信号强度的变化)。步骤顺序的其他时序变化是可能的。然而，形状变化需要在所述第一磁共振图像与所述第二磁共振图像的采集之间。
采集所述第一图像和所述第二图像的有利方式是通过T1w狄克逊序列。T1w狄克逊扫描已被证明可以区分水类型组织和脂肪类型组织。在数据采集可以利用临床MRI系统共来实现(图3，300)，该临床MRI系统使用体线圈用于发射，以及例如12元件相控阵列后线圈和16元件相控阵列前线圈用于信号接收。采用T1增强的3D笛卡尔快速场回波采集，采集两个信号回波，其中，在TE1＝1.1ms处磁化接失相，并且在TE2＝2.1ms接近于同相。其他成像参数可以是例如重复时间TR＝3.3ms，翻转角度＝10°，体素尺寸1.7×1.7×2.5mm3，FOV 300×400×350mm3。
作为初始步骤，尽可能用标准医学图像处理(例如，头和颈区的嘴、耳)来识别空气和骨。剩余的低强度图像区域被识别，产生必须被分类为空气或骨的N个区域。假设所有的空气和骨区域都被非空区域分开，即每个识别的低强度区域仅包含空气或骨。在所述第一图像和所述第二图像中识别所述N个低强度区域，并且确定对应的体积Vin，其中指标i表示所述第一图像或所述第二图像，并且指标n(1≤n≤N)表示不同的低强度区域。在以下情况下区域n被分类为空气：
Figure GDA0002622514540000051
即，区域n的(归一化的)体积变化大于特定阈值T，指示粘膜改变的影响。另一方面，在以下情况下区域n被分类为骨：
Figure GDA0002622514540000052
即，观察到的区域体积变化太小，并且未受变化的粘膜的影响。
所述方法步骤可以在计算机程序产品中实现。该计算机程序产品可以是被配置用于组织分类的产品。在这种情况下，由计算机程序产品接收第一磁共振图像和第二磁共振图像，之后该计算机程序产品被配置为执行方法步骤4-6。此外，计算机程序产品可以被并入到MRI系统中。在这些情况下，方法步骤1和3-6可以由计算机程序产品执行。
图3图解地示出了根据本发明的磁共振(MRI)成像系统。MRI系统300包括用于控制磁共振成像系统以从感兴趣区域307采集MR数据的处理器305，其中，所述处理器还被配置为运行如本文中所述的执行用于组织分类的方法的计算机程序产品。MRI系统300可以与放射治疗递送310或PET系统310中的任一个组合。所述MRI系统可以配置为使用组织分类来创建放射治疗计划。所述MRI系统可以被配置为使用组织分类来对PET图像进行衰减校正。
尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示范性的，而非限制性的。本发明不限于公开的实施例。

Claims (12)

1.一种用于在包括第一区域和第二区域的磁共振（MR）图像中的感兴趣区域中进行组织分类的方法，其中，所述第一区域表示空气并且所述第二区域表示骨，其中，所述方法包括以下步骤：
采集包括所述第一区域和所述第二区域的表示的第一磁共振图像；
诱发空气区域中的形状变化或等待空气区域的形状变化发生；并且
采集包括所述第一区域和所述第二区域的表示的第二磁共振图像，其中，与在所述第一磁共振图像的采集期间相比，在所述第二磁共振图像的所述采集期间，所述第一区域具有不同的形状；并且
在所述第一磁共振图像和所述第二磁共振图像中识别所述第一区域和所述第二区域；并且
关于所述第一区域和所述第二区域的表示对所述第一磁共振图像和所述第二磁共振图像进行比较；并且
基于所述第一磁共振图像与所述第二磁共振图像之间的形状差异的存在来将所述第一区域分类为表示空气的区域，并且基于所述第一磁共振图像与所述第二磁共振图像之间的形状差异的不存在而将所述第二区域分类为骨。
2.根据权利要求1所述的方法，其中，所述第一区域中的形状差异是由预定类型的第三组织的形状变化引起的，并且其中，所述第三组织存在于所述第一磁共振图像和所述第二磁共振图像中的一个或两者中。
3.根据权利要求2所述的方法，还包括在采集所述第一磁共振图像和采集所述第二磁共振图像之间诱发所述第三组织中的形状变化的步骤。
4.根据权利要求1-3中的任一项所述的方法，还包括使用所述组织分类来生成所述感兴趣区域的伪CT图像和/或衰减图和或数字重建的射线照片的步骤。
5.根据权利要求1-3中的任一项所述的方法，其中，所述第一磁共振图像和所述第二磁共振图像是对象的头/颈区的图像，并且其中，所述形状差异是由粘膜厚度的变化引起的。
6.一种包括程序代码模块的计算机程序产品，其被存储在计算机可读介质中，所述程序代码模块用于使计算机执行用于在包括第一区域和第二区域的表示的磁共振（MR）图像中的感兴趣区域中的组织分类的方法的步骤，其中，所述第一区域表示空气并且所述第二区域表示骨，其中，所述方法包括以下步骤：
接收基于从所述感兴趣区域采集的MR数据的包括所述第一区域和所述第二区域的表示的第一磁共振图像；
接收基于从所述感兴趣区域采集的MR数据的包括所述第一区域和所述第二区域的表示的第二磁共振图像，其中，所述第一区域的所述表示的形状在所述第一磁共振图像中与在所述第二磁共振图像中显著不同，其中，所述形状的差异是由所述第一磁共振图像的采集与所述第二磁共振图像的采集之间的所述第一区域中的变化引起的；并且
在所述第一磁共振图像和所述第二磁共振图像中识别所述第一区域和所述第二区域；并且
关于所述第一区域和所述第二区域的表示对所述第一磁共振图像和所述第二磁共振图像进行比较；并且
基于所述第一磁共振图像与所述第二磁共振图像之间的形状差异的存在，将所述第一区域分类为表示空气的区域，并且基于所述第一磁共振图像与所述第二磁共振图像之间的所述形状差异的不存在而将所述第二区域分类为骨。
7.根据权利要求6所述的计算机程序产品，其中，所述第一磁共振图像和所述第二磁共振图像是对象的头/颈区的图像，并且其中，所述形状差异是由所述第一磁共振图像与所述第二磁共振图像之间的粘膜厚度的变化引起的。
8.根据权利要求6或7所述的计算机程序产品，其中，所述方法还包括使用所述组织分类来生成所述感兴趣区域的伪CT图像和/或衰减图和或数字重建的射线照片的步骤。
9.根据权利要求6或7所述的计算机程序产品，其中，所述第一磁共振图像和所述第二磁共振图像是T1w狄克逊图像。
10.一种磁共振成像系统，包括用于控制所述磁共振成像系统以从感兴趣区域采集MR数据的处理器，其中，所述处理器还被配置为执行根据权利要求6-9中的任一项的计算机程序产品。
11.根据权利要求10所述的磁共振成像系统，还包括放射治疗递送系统，其中，所述磁共振成像系统被配置为使用所述组织分类来创建放射治疗计划。
12.根据权利要求10所述的磁共振成像系统，还包括正电子发射断层摄影（PET）系统，其中，所述磁共振成像系统被配置为使用所述组织分类来对PET图像进行衰减校正。
CN201680063933.2A 2015-11-02 2016-10-17 用于组织分类的方法、计算机程序产品和磁共振成像系统 Active CN108351396B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP15192594.8 2015-11-02
EP15192594 2015-11-02
PCT/EP2016/074841 WO2017076618A1 (en) 2015-11-02 2016-10-17 Method for tissue classification, computer program product and magnetic resonance imaging system

Publications (2)

Publication Number Publication Date
CN108351396A CN108351396A (zh) 2018-07-31
CN108351396B true CN108351396B (zh) 2021-09-14

Family

ID=54365157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680063933.2A Active CN108351396B (zh) 2015-11-02 2016-10-17 用于组织分类的方法、计算机程序产品和磁共振成像系统

Country Status (5)

Country Link
US (1) US10987020B2 (zh)
EP (1) EP3371617A1 (zh)
JP (1) JP6855476B2 (zh)
CN (1) CN108351396B (zh)
WO (1) WO2017076618A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10210634B2 (en) * 2016-07-20 2019-02-19 Shanghai United Imaging Healthcare Co., Ltd. System and method for segmenting medical image
EP3511866A1 (en) 2018-01-16 2019-07-17 Koninklijke Philips N.V. Tissue classification using image intensities and anatomical positions
CN111105472B (zh) * 2019-11-26 2024-03-22 上海联影智能医疗科技有限公司 Pet图像的衰减校正方法、装置、计算机设备和存储介质
WO2024015470A1 (en) * 2022-07-13 2024-01-18 Hyperfine Operations, Inc. Simulating structures in images

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000040145A (ja) * 1998-07-23 2000-02-08 Godai Kk 画像処理装置、画像処理方法及び画像処理プログラムを記録した記録媒体
CN1973790A (zh) * 2005-09-21 2007-06-06 西门子公司 用于对引入检查对象体内的医疗器械进行定位的方法
JP2008035895A (ja) * 2006-08-01 2008-02-21 Ziosoft Inc 画像処理方法および画像処理プログラム
CN101268941A (zh) * 2007-03-21 2008-09-24 西门子公司 借助于磁共振设备自动确定衰减射线的物体的方法和装置
JP2008259682A (ja) * 2007-04-12 2008-10-30 Fujifilm Corp 部位認識結果修正装置、方法、およびプログラム
JP2012503177A (ja) * 2008-09-17 2012-02-02 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ ハイブリッド型の核／ｍｒ画像形成における透過データを使用したｍｒセグメンテーション
JP2014523310A (ja) * 2011-06-27 2014-09-11 コーニンクレッカ フィリップス エヌ ヴェ 骨組織の磁気共鳴イメージング

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6466813B1 (en) 2000-07-22 2002-10-15 Koninklijke Philips Electronics N.V. Method and apparatus for MR-based volumetric frameless 3-D interactive localization, virtual simulation, and dosimetric radiation therapy planning
JP2005197792A (ja) * 2003-12-26 2005-07-21 Canon Inc 画像処理方法、画像処理装置、プログラム、記憶媒体及び画像処理システム
US9101384B2 (en) * 2004-04-21 2015-08-11 Acclarent, Inc. Devices, systems and methods for diagnosing and treating sinusitis and other disorders of the ears, Nose and/or throat
US8384916B2 (en) * 2008-07-24 2013-02-26 Massachusetts Institute Of Technology Dynamic three-dimensional imaging of ear canals
US8774482B2 (en) 2010-05-20 2014-07-08 Siemens Aktiengesellschaft Generating pseudo-CT image volumes from ultra-short echo time MR
EP2684066B1 (en) * 2011-03-07 2020-08-19 Koninklijke Philips N.V. Mr segmentation using nuclear emission data in hybrid nuclear imaging/mr
US9204817B2 (en) * 2012-04-19 2015-12-08 General Electric Company Attenuation correction in positron emission tomography using magnetic resonance imaging
US9218524B2 (en) * 2012-12-06 2015-12-22 Siemens Product Lifecycle Management Software Inc. Automatic spatial context based multi-object segmentation in 3D images
BR112015024924A2 (pt) 2013-04-02 2017-07-18 Koninklijke Philips Nv aparelho médico, e, produto de programa de computador
KR101594994B1 (ko) * 2013-10-25 2016-02-17 광주과학기술원 3차원 무릎 관절 영상 생성 방법 및 장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000040145A (ja) * 1998-07-23 2000-02-08 Godai Kk 画像処理装置、画像処理方法及び画像処理プログラムを記録した記録媒体
CN1973790A (zh) * 2005-09-21 2007-06-06 西门子公司 用于对引入检查对象体内的医疗器械进行定位的方法
JP2008035895A (ja) * 2006-08-01 2008-02-21 Ziosoft Inc 画像処理方法および画像処理プログラム
CN101268941A (zh) * 2007-03-21 2008-09-24 西门子公司 借助于磁共振设备自动确定衰减射线的物体的方法和装置
JP2008259682A (ja) * 2007-04-12 2008-10-30 Fujifilm Corp 部位認識結果修正装置、方法、およびプログラム
JP2012503177A (ja) * 2008-09-17 2012-02-02 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ ハイブリッド型の核／ｍｒ画像形成における透過データを使用したｍｒセグメンテーション
JP2014523310A (ja) * 2011-06-27 2014-09-11 コーニンクレッカ フィリップス エヌ ヴェ 骨組織の磁気共鳴イメージング

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jens Sjölund.Skull Segmentation in MRI by a Support Vector Machine Combining Local and Global Features.《2014 22nd International Conference on Pattern Recognition》.2014,全文. *
功能磁共振成像在骨与软骨领域中的应用;闵红巍;《中华外科杂志》;20080831;第46卷(第15期);全文 *

Also Published As

Publication number Publication date
WO2017076618A1 (en) 2017-05-11
CN108351396A (zh) 2018-07-31
JP6855476B2 (ja) 2021-04-07
JP2018535746A (ja) 2018-12-06
EP3371617A1 (en) 2018-09-12
US10987020B2 (en) 2021-04-27
US20180310856A1 (en) 2018-11-01

Similar Documents

Publication Publication Date Title
Dinkla et al. Dosimetric evaluation of synthetic CT for head and neck radiotherapy generated by a patch‐based three‐dimensional convolutional neural network
Largent et al. Comparison of deep learning-based and patch-based methods for pseudo-CT generation in MRI-based prostate dose planning
EP2252204B1 (en) Ct surrogate by auto-segmentation of magnetic resonance images
CN106600609B (zh) 一种医学图像中脊柱的分割方法及系统
Gudur et al. A unifying probabilistic Bayesian approach to derive electron density from MRI for radiation therapy treatment planning
El Naqa et al. Concurrent multimodality image segmentation by active contours for radiotherapy treatment planning a
US9082169B2 (en) Longitudinal monitoring of pathology
Dai et al. Head-and-neck organs-at-risk auto-delineation using dual pyramid networks for CBCT-guided adaptive radiotherapy
CN108351396B (zh) 用于组织分类的方法、计算机程序产品和磁共振成像系统
US9245208B2 (en) Patient modeling from multispectral input image volumes
Chen et al. Combining registration and active shape models for the automatic segmentation of the lymph node regions in head and neck CT images
Wang et al. Automated segmentation of CBCT image using spiral CT atlases and convex optimization
EP3664034A1 (en) Method and data processing system for providing lymph node information
US8938107B2 (en) System and method for automatic segmentation of organs on MR images using a combined organ and bone atlas
US11534623B2 (en) Determining at least one final two-dimensional image for visualizing an object of interest in a three dimensional ultrasound volume
US20080285822A1 (en) Automated Stool Removal Method For Medical Imaging
Qazi et al. Probabilistic refinement of model-based segmentation: application to radiation therapy planning of the head and neck
Dowling et al. MR-only methodology
CN112912934B (zh) 用于使用解剖数据的活动图像重建的方法和系统
Reda et al. Automatic segmentation of intra-cochlear anatomy in post-implantation CT
Chen et al. Evaluation of multi atlas-based approaches for the segmentation of the thyroid gland in IMRT head-and-neck CT images
Largent et al. Pseudo-CT generation for Mri-only radiotherapy: Comparative study between a generative adversarial network, a U-net network, a patch-based, and an atlas based methods
Longuefosse et al. Lung CT Synthesis Using GANs with Conditional Normalization on Registered Ultrashort Echo-Time MRI
Miandoab et al. Extraction of respiratory signal based on image clustering and intensity parameters at radiotherapy with external beam: A comparative study
Wang et al. Cone-beam computed tomography–guided adaptive radiation therapy for abdominal cancer

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