CN109069058B - 血管检测装置、磁共振成像装置以及非瞬态存储介质 - Google Patents

血管检测装置、磁共振成像装置以及非瞬态存储介质 Download PDF

Info

Publication number
CN109069058B
CN109069058B CN201780024842.2A CN201780024842A CN109069058B CN 109069058 B CN109069058 B CN 109069058B CN 201780024842 A CN201780024842 A CN 201780024842A CN 109069058 B CN109069058 B CN 109069058B
Authority
CN
China
Prior art keywords
image
region
images
blood vessel
section
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
CN201780024842.2A
Other languages
English (en)
Other versions
CN109069058A (zh
Inventor
后藤隆男
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN109069058A publication Critical patent/CN109069058A/zh
Application granted granted Critical
Publication of CN109069058B publication Critical patent/CN109069058B/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
    • A61B5/48—Other medical applications
    • A61B5/4887—Locating particular structures in or on the body
    • A61B5/489—Blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
    • G01R33/4833—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices
    • G01R33/4835—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices of multiple slices
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Optics & Photonics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Vascular Medicine (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

一种MRI装置(1)，包括：图像生成单元(101)，该图像生成单元(101)用于在限定在包含血管的要成像的身体部位中的多个切片中生成多个轴向图像D1至D10；分类单元(102)，该分类单元(102)用于：基于多个轴向图像D1至D10中的每一个表示经成像的身体部位中的哪个部分，将多个轴向图像D1至D10分类成多个类别I至IV；以及限定单元(103)，该限定单元(103)用于限定搜索区域，该搜索区域用于基于轴向图像落在多个类别I至IV中的哪一个类别内来从轴向图像内搜索血管。

Description

血管检测装置、磁共振成像装置以及非瞬态存储介质
相关申请的交叉引用
本申请要求2016年4月21日提交的日本专利申请号2016-085200的优先权权益，该临时专利申请的全文通过引用并入本文。
技术领域
本发明涉及用于检测血管的血管检测装置、包括血管检测装置的磁共振成像装置、以及应用于血管检测装置的非瞬态存储介质。
背景技术
已知使用造影剂来对受试者进行成像的磁共振成像装置。
使用造影剂来对受试者进行成像的方法的示例是：操作者在与躯干相交的多个轴向平面中的每一个中生成图像，从图像/多个图像内/中视觉上找出主动脉的位置，并限定用于检测在主动脉的位置处的造影剂的跟踪器区域。
通过增加切片梯度磁场中的Z移相器的面积来检测主动脉以便尽可能地减少来自在轴向图像中经渲染的主动脉的血液的信号。然而，主动脉中的血液有时在心脏收缩中展现出高信号，是因为随后主动脉中的血流速度减小。因此，实际上，由于高信号血液的影响，有时不能充分地减小来自主动脉中的血液的信号。这造成了如下问题：将与主动脉不同的组织错误地检测为主动脉，或不能检测主动脉。相应地，己公开即使当没有充分地减小来自主动脉中的血液的信号时也能够检测主动脉的位置的技术。
即使当没有充分地减小来自主动脉中的血液的信号时，以上参考的技术也能够检测主动脉的位置。然而，在一些轴向图像中，与要检测的感兴趣的主动脉的截面不同的身体部位的截面可能展现出与主动脉的信号图案相似的信号图案。在该情况下，可能将与主动脉不同的身体部位的截面错误地检测为主动脉的截面。当错误地检测主动脉时，将跟踪器限定在偏离主动脉的位置处，这导致了检测造影剂的准确度劣化的问题。
因此，需要开发用于改善在图像中检测血管的准确度的技术。
发明内容
在第一方面中，血管检测装置包括：图像生成单元，该图像生成单元用于在限定在包含血管的要成像的身体部位中的多个切片中生成多个图像；分类单元，该分类单元用于基于所述多个图像中的每一个表示经成像的身体部位中的哪个部分从而将所述多个图像分类成多个类别；以及限定单元，该限定单元用于限定搜索区域，该搜索区域用于基于所述图像落在所述多个类别中的哪个类别内来从所述图像内搜索所述血管。
在其第二方面中，本发明是磁共振成像装置，该磁共振成像装置包括：扫描部，该扫描部用于在包含血管的要成像的身体部位上执行扫描，所述装置包括第一方面中的血管检测装置。
在其第三方面中，本发明是非瞬态存储介质，该非瞬态存储介质上存储有程序，该程序使计算机执行如下处理：生成限定在包含血管的要成像的身体部位中的多个切片中的多个图像的图像生成处理；基于所述多个轴向图像中的每一个表示经成像的身体部位中的哪个部分从而将所述多个轴向图像分类成多个类别的分类处理；以及限定搜索区域的限定处理，该搜索区域用于基于所述图像落在所述多个类别中的哪一个类别内来从所述图像内搜索所述血管。
将多个图像分类成多个类别，并且根据图像落在多个类别中的哪一个类别内来限定用于从图像内搜索血管的搜索区域；因此，可以改善在图像内检测血管的准确度。
附图说明
图1是本发明的一个实施例中的磁共振成像装置的示意图；
图2是解释处理装置10实现的单元的示图；
图3是示出本实施例中执行的扫描的示图；
图4是示意性地示出要成像的身体部位的示图；
图5是示出执行定位器扫描LS以及主扫描MS的示例性流程的示图；
图6是解释定位器扫描LS的示图；
图7是示意性地示出针对“m”个受试者SUi至SUm的轴向图像DA1至DAn、DAn+1至DAn+a、……、DAj+i至DAk的示图；
图8是示意性地示出通过从轴向图像中剪切出矩形区域中的图像部分来获取每一个图像的示图，该矩形区域外接于躯干区域C1。
图9是示意性地示出在将图像的分辨率按比例缩小之后的图像的示图；
图10是示出针对经按比例缩小的图像a1'至an'中的每一个所确定的向量的示图；
图11是示出针对受试者SU1至SUm的每个轴向图像所获取的向量αi的示图；
图12是示意性地示出邻接矩阵MA的示图。
图13是示出分类映射CM的示图；
图14是示出步骤ST2的示例性流程的示图；
图15是示意性地示出切片SL1中的轴向图像D1的示图；
图16是示意性地示出通过二值化切片SL1中的轴向图像D1而获取到的二值图像DB1的示图；
图17是示意性地示出手臂部分被擦除的二值图像DC1的示图；
图18是示意性地示出通过从轴向图像D1中剪切出矩形区域中的图像部分而获取到的图像的示图，该矩形区域外接于躯干区域HB；
图19是示意性地示出将图像D1"的分辨率按比例缩小之后的图像D1"的示图；
图20是示出针对经按比例缩小的图像D1"所确定的向量β1的示图；
图21是示出投影至分类映射CM上的点E的示图；
图22是解释识别N个点的方法的示图；
图23是示出轴向图像D1至D10的每一个落在哪一个类别内的示图；
图24是解释概率分布模型的示图；
图25是解释限定搜索区域的方法的示图；
图26是示意性地示出相乘的图像MD1'至MD10'和针对轴向图像D1至D10所确定的搜索区域R1至R10的示图；
图27是示出检测到的脑脊髓液CSF的位置的示图；
图28是示出线Ls和Le的示图；
图29是示出窗口W的示图；
图30是其中使用分类器C来检测主动脉A的说明性示图；
图31是示意性地示出根据步骤ST2的针对轴向图像D1至D10分别定位的主动脉的位置PA1至PA10的示图；
图32是示意性地示出平面FS的示图；
图33是解释限定跟踪器区域的示例性方法的示图；以及
图34是示意性地示出涉及剪切图像部分从而使得不包括躯干区域C1的身体表面部分并确定向量α1至αk的示例的示图。
具体实施方式
现在将在下文中描述用于实践本发明的实施例，然而本发明不限于此。
图1是本发明的一个实施例中的磁共振成像装置的示意图。磁共振成像装置(以下称为“MRI装置”)1包括磁体2、工作台3、接收线圈4、以及造影注射装置5。
磁体2具有接收空间21，在该接收空间21中接收受试者14。此外，磁体2具有超导线圈22、梯度线圈23、以及RF线圈24。超导线圈22施加静磁场，梯度线圈23施加梯度脉冲，并且RF线圈24施加RF脉冲。可以采用永磁体来替代超导线圈22。
工作台3具有用于运送受试者14的托架3a。通过托架3a将受试者14运送到接收空间21中。
接收线圈4附连至受试者14。接收线圈4接收来自受试者14的磁共振信号。造影注射装置5将造影剂注入受试者14。
MRI装置1进一步包括控制部6、发射器7、梯度电源8、接收器9、处理装置10、存储部分11、操作部分12、以及显示部分13。
控制部6从处理装置10接收数据，该数据包含序列中使用的RF脉冲和梯度脉冲的波形信息、应用的时间等。控制部6随后基于RF脉冲的数据来控制发射器7并基于梯度脉冲的数据来控制梯度电源8。控制部分也执行：针对造影注射装置5所进行的造影剂的注射的开始时间的控制；托架3a的移动的控制等。尽管在图1中控制部6执行造影注射装置5、发射器7、梯度电源8、托架3a等的控制，但可以由多个控制部来执行造影注射装置5、发射器7、梯度电源8、托架3a等的控制。例如，可以分开提供用于控制造影注射装置5的控制部、用于控制发射器7和梯度电源8的控制部、和用于控制托架3a的控制部。
发射器7基于从控制部6接收到的数据来向RF线圈24提供电流。梯度电源8基于从控制部6接收到的数据来向梯度线圈23提供电流。
接收器9对由接收线圈4接收到的磁共振信号应用处理(诸如解调/检测)，并将得到的信号输出至处理装置10。应注意到，磁体2、接收线圈4、控制部6、发射器7、梯度电源8、以及接收器9的组合构成了扫描部分。
存储部11在其中存储由处理装置10执行的程序等。存储部11可以是非瞬态存储介质，诸如硬盘或CD-ROM。处理装置10加载存储在存储部11中的程序，并作为用于执行写入程序的处理的处理器来操作。处理装置10通过执行写入程序的处理来实现多种单元。图2是解释处理装置10实现的单元的示图。
图像生成单元101在多个切片中的每个中生成图像，该多个切片与受试者14中的要成像的身体部位相交。
分类单元102基于由图像生成单元101获取的多个图像中的每一个表示经成像的身体部位中的哪个部分来将多个图像分类成多个类别。稍后将描述该类别。
搜索区域限定单元103基于多个图像中的每一个落在多个类别中的哪一个类别内来限定用于逐个图像地搜索血管的搜索区域。
检测单元104在搜索区域内检测主动脉的位置。平面计算单元105基于由检测单元104检测到的主动脉A的位置PA1至PA10(参见附图31)来计算纵向切割主动脉的平面。
跟踪器区域限定单元106限定用于检测造影剂的跟踪器区域Rt(参见图33)。
MRI装置1包括计算机，该计算机包括处理装置10。处理装置10通过加载存储在存储部11中的程序来实现图像生成单元101至跟踪器区域限定单元106等。处理装置10可通过单个处理器或者通过两个或更多的处理器来实现图像生成单元101至跟踪器区域限定单元106。由处理装置10执行的程序可以存储在单个存储部中，或者分开存储在多个存储部中。处理装置10构成了血管检测装置。
返回参考图1，将继续进行描述。操作部12由操作者操作以将几种信息输入到计算机8。显示部13显示几种信息。如以上所述的那样配置MRI装置1。
图3是示出了本实施例中所执行的扫描的示图，且图4是示意性地示出了要成像的身体部位的示图。在本实施例中，执行定位器扫描LS、主扫描MS等。定位器扫描LS是用于获取图像的扫描，该图像用于限定切面位置或跟踪器区域Rt(参见图33)。跟踪器区域Rt是用于检测流过主动脉A的造影剂所限定的区域。继定位器扫描LS之后，执行主扫描MS。
在主扫描MS中，将造影剂注入受试者，并且重复执行用于从跟踪器区域Rt中检测造影剂的序列。一旦已经将预定量的造影剂注入跟踪器区域，执行用于获取肝脏的图像的成像序列。现在将在以下描述执行定位器扫描LS以及主扫描MS的示例性流程。
图5是示出执行定位器扫描LS和主扫描MS的示例性流程的示图。在步骤ST1处，执行定位器扫描LS(参见图2)。
图6是解释定位器扫描LS的示图。定位器扫描LS是用于获取身体部位的图像的扫描，该身体部位包括受试者中的肝脏和围绕肝脏的器官。图6示出了执行定位器扫描LS中的切片。尽管定位器扫描LS获取了轴向、矢状和冠状图像，但为方便起见，图6示出用于获取轴向图像的多个切片(本文中的十个切片SL1至SL10)。
在执行定位器扫描LS中，控制部6(参见图1)将用于定位器扫描LS中的序列中的RF脉冲的数据发送到发射器7，并且向梯度电源8发送用于定位器扫描LS中的序列中的梯度脉冲的数据。发射器7基于从控制部6接收到的数据向RF线圈24提供电流，而梯度电源8基于从控制部6接收到的数据向梯度线圈23提供电流。因此，RF线圈24提供RF脉冲，而梯度线圈23施加梯度脉冲。通过执行定位器扫描LS，从要成像的身体部位中生成MR信号。由接收线圈4来接收MR信号(参见图1)。接收线圈4接收MR信号并且输出包含关于MR信号的信息的模拟信号。接收器9对从接收线圈4接收到的信号应用信号处理(诸如解调/检测)，并将从信号处理得到的信号输出至处理装置10。
图像生成单元101(参见图2)基于由定位器扫描LS采集到的数据来在切片SL1至SL10中生成图像D1至D10(将在下文中将该图像称为“轴向图像”)。在附图中，示意性地示出轴向图像D1、D4、D6以及D10。由于切片SL1至SL10与主动脉A相交，所以轴向图像D1至D10呈现了主动脉A的截面。
轴向图像包括三个区域。第一个是表示受试者的躯干的截面的区域(在下文中称为“躯干区域”)HB，第二个是表示受试者的左臂的截面的区域(在下文中称为“左臂区域”)HL，且第三个是表示受试者的右臂的截面的区域(在下文中称为“右臂区域”)HR。在生成轴向图像D1至D10之后，流程进入步骤ST2。
在步骤ST2处，分类单元102(参见图2)将轴向图像D1至D10分类成多个类别。现在将在以下介绍对轴向图像D1至D10进行分类的方法。在以下的示例中，将描述使用拉普拉斯特征映射法(Laplacian eigenmaps method)来对轴向图像进行分类的方法。
在本实施例中，将轴向图像D1至D10分类成如下限定的四个类别：
类别I：具有肺的大的截面面积的轴向图像；
类别II：与肺和肝之间的边界的附近相交的轴向图像；
类别III：具有肝脏的大的截面面积的轴向图像；以及
类别IV：与肝脏和肾相交的轴向图像。
在本实施例中，在对受试者进行成像之前，为了根据轴向图像落在四个类别I至IV中的哪一个内而对轴向图像D1至D10中的每一个进行分类，事先准备分类映射，并使用分类映射来获取轴向图像的分类。现在将在以下描述创建分类映射的示例性方法。
图7至13是解释创建分类映射的方法的示图。首先，准备用于创建分类映射的腹部的多个轴向图像。图7示出了示例，在该示例中从“m”个受试者SU1至SUm准备腹部的多个轴向图像D1至DAn、DAn+i至DAn+a、……、DAj+i至DAk。每个轴向图像显示了躯干区域C1、左臂区域C2、以及右臂区域C3。本实施例示出了示例，在该示例中从“m”个受试者SU1至SUm准备“k”个轴向图像DA1至DAk。
接着，创建分类映射的映射创建器判定轴向图像DA1至DAk中的每一个落在类别I至IV中的哪一个内。例如，判定轴向图像DA1、DA2等落在类别I内，而判定轴向图像DAk等落在类别IV内。
接下来，从轴向图像DA1至DAk中的每一个中剪切出外接于躯干区域C1的矩形区域中的图像部分。图8是示意性地示出通过从轴向图像中剪切出外接于躯干区域C1的矩形区域中的图像部分而获取每一个图像的示图。在图8中，为解释方便起见，仅从受试者SU1至SUm中选出受试者SU1以示出从轴向图像中剪切出的图像。
参考图8，由符号a1、a2、……、an来指定从轴向图像DA1至DAn中剪切出的图像。此外，由像素的数量来表示经剪切的图像a1至an的尺寸：vi乘wi(i＝1至n)。由于矩形区域外接于躯干区域C1，所以可以从经剪切的图像a1至an中排除左臂区域C2和右臂区域C3。
在从轴向图像DA1至DAn中剪切出躯干的图像部分之后，将经剪切的图像a1至an的分辨率按比例缩小。图9是示意性地示出了在将它们的分辨率按比例缩小之后的图像的示图。由符号a1'、a2'、……、an'来指定经按比例缩小的图像。将经按比例缩小的图像a1'至an'按比例缩小至相同尺寸的分辨率(v0乘w0)。例如，v0＝44且w0＝22。由此通过按比例缩小图像，从而可以生成相同分辨率的图像a1'至an'。
接下来，确定针对每个经按比例缩小的图像a1'至an'的向量。图10是示出针对经按比例缩小的图像a1'至an'中的每一个所确定的向量的示图。
首先，让我们考虑针对经按比例缩小的图像a1'至an'中的第i个图像ai'的向量αi。向量αi是这样的向量：对该向量进行限定使得其元素是图像ai'中的像素的像素值。将图像ai'的像素的数量表示为t(v0乘w0)，从而可以通过下式来表达向量αi：
αi＝(αi1,αi2,αi3,αi4,αi5,…,αit)…(1)
其中，αi1、αi2、αi3、αi4、αi5、……、αit表示图像ai'中的像素的像素值，从而使得由具有“t”个元素的向量来表达向量αi。
因此，可以由下式来表达例如当i＝1时的向量(即针对图像a1'的向量a1)：
α1＝(α11,α12,α13,α14,α15,…,α1t)…(2)
参考图10，当i＝1、2、3、6以及n时，示出代表性向量α1、α2、α3、α6以及αn。
尽管图8至10解释了示例(在该示例中，确定了针对受试者SU1的轴向图像DA1至DAn的轴向量α1至αn)，但根据上述方法，也可以针对其他受试者SU1至SUm的轴向图像来确定向量αi。图11示出了在逐个轴向图像的基础上针对受试者SU1至SUm获取到的向量αi。在本实施例中，从受试者SU1至SUm中准备“k”个轴向图像DA1至DAk，从而获取到“k”个向量α1至αk。
在确定这些向量α1至αk之后，确定邻接矩阵MA。图12示意性地示出了邻接矩阵MA。邻接矩阵MA中的每一个元素表示两个向量之间的距离dij。
在确定邻接矩阵MA之后，可以根据距离dij由热核来进行加权从而获取矩阵W。随后，确定对角矩阵D，该对角矩阵的对角元素是矩阵W中的各列的相应和，并且基于矩阵W和D来获取拉普拉斯矩阵。
在获取拉普拉斯矩阵之后，解决拉普拉斯矩阵的特征问题以获取“k”个特征向量。在获取“k”个特征向量之后，从“k”个特征向量中识别出具有最小特征值的特征向量F1以及具有第二小的特征值的特征向量F2。由此，两个特征向量F1和F2可以用于获取表示受试者SU1至SUm的轴向图像DA1至DAk(参见图7)之间的关系的图。图13示意性地示出了得到映射的示例。映射CM的横轴表示特征向量F1的元素，而纵轴表示特征向量F2的元素。可以由坐标点(f1,f2)(f1：特征向量F1的元素，并且f2：特征向量F2的元素)来确定映射CM中的轴向图像DA1至DAk的位置。在图13中，为解释方便起见，使用四个标记(叉形、空心方形、空心三角形、以及空心圆形)来表示代表轴向图像DA1至DAk的位置的点。叉形指示了表示落在类别I内的轴向图像(具有肺的大截面面积的轴向图像)的位置的点。空心方形指示了表示落在类别II内的轴向图像(与肺和肝脏之间的边界的附近相交的轴向图像)的位置的点。空心三角形指示了表示落在类别III内的轴向图像(具有肝脏的大截面面积的轴向图像)的位置的点。空心圆形指示了表示落在类别IV内的轴向图像(与肝脏和肾相交的轴向图像)的位置的点。
在本实施例中，将图13中示出的映射CM用作用于对定位器扫描LS中获取到的轴向图像D1至D10(参见图6)进行分类的分类映射。将分类映射存储在存储部11(参见图1)中。
在步骤ST2处，分类单元102基于存储在存储部11中的分类映射CM将定位器扫描LS中获取到的轴向图像D1至D10分类成多个类别I至IV。现在将参考图14来描述基于分类映射CM将轴向图像D1至D10分类成多个类别I至IV的过程。
图14是示出步骤ST2的示例性流程的示图。步骤ST2具有步骤ST21至ST29。现在将逐一描述步骤ST21至ST29。
在步骤ST21处，分类单元102从切片SL1至SL10中的轴向图像D1至D10中选择出一个轴向图像。本文中假设选择与肺相交的切片SL1中的轴向图像D1。图15示意性地示出了切片SL1中的经选择的轴向图像D1。在轴向图像D1中，呈现了受试者中的躯干区域HB，并且除此之外呈现了左臂区域HL和右臂区域HR。在选择切片SL1中的轴向图像D1之后，流程进入步骤ST22。
在步骤ST22处，分类单元102二值化切片SL1中的轴向图像D1。图16示意性地示出了通过二值化切片SL1中的轴向图像D1所获取到的二值图像DB1。分类单元102执行二值化处理，从而利用逻辑值“1”来呈现躯干区域HB、左臂区域HL以及右臂区域HR，而利用逻辑值“0”来呈现身体外部的区域。这提供了二值图像DB1，在该二值图像DB1中，利用逻辑值“1”来呈现身体内部的区域且利用逻辑值“0”来呈现身体外部的区域。可以采用的二值化的方法是：例如“医学成像技术(Med.Imag.Tech.),第31卷，第2期，2013年3月”中描述的区域生长法。在应用二值化之后，流程进入步骤ST23。
在ST23处，分类单元102执行从二值图像DB1中擦除手臂部分的处理。
图17是示意性地示出手臂部分被擦除的二进制图像DC1的示图。在步骤ST23处，执行从二值图像DB1中擦除左臂和右臂区域的图像处理。这样提供了二值图像DC1，在该二值图像DC1中，手臂部分被擦除。可以采用的二值化的方法是：例如“医学成像技术(Med.Imag.Tech.),第31卷，第2期，2013年3月”中描述的执行了腐蚀处理、区域生长处理、和膨胀处理的方法。在获取二值图像DC1(在该二值图像DC1中，手臂部分被擦除)之后，流程进入步骤ST24。
在步骤ST24处，分类单元102基于在步骤ST23处获取到的二值图像DC1来从轴向图像D1中剪切出外接于躯干区域HB的矩形区域中的图像部分。图18是示意性地示出通过从轴向图像D1剪切出外接于躯干区域HB的矩形区域的图像部分而获取到的图像的示图。由于二值图像DC1中躯干区域具有逻辑值“1”且将逻辑值“0”分配给躯干外的区域，所以可以通过使用二值图像DC1来识别轴向图像D1内的躯干区域HB。因此，可从轴向图像D1剪切出外接于躯干区域HB的矩形区域。在图18中，由D1'来指定从轴向图像D1中剪切出的图像。此外，由p1乘q1的像素数量来表示经剪切的图像D1'的尺寸。由于矩形区域外接于躯干区域HB，所以可以从矩形区域中排除左臂区域HL和右臂区域HR。在从轴向图像D1中剪切出图像部分之后，流程进入步骤ST25。
在步骤ST25处，分类单元102按比例缩小经剪切的二值图像DB1的分辨率。图19是示意性地示出按比例缩小其分辨率之后的图像D1"的示图。已经将经按比例缩小的图像D1"按比例缩小至与用于创建分类映射CM的图像a1'至an'(参见图10)尺寸相同的分辨率(v0乘w0)。在按比例缩小分辨率之后，流程进入步骤ST26。
在步骤ST26处，分类单元102确定针对经按比例缩小的图像D1"的向量(参见图20)。
图20是示出针对经按比例缩小的图像D1"所确定的向量β1的示图。向量β1是这样的向量：对该向量进行限定使得其元素是经按比例缩小的图像D1"中的像素的像素值。可以通过下式来表达向量β1：
β1＝(β11，β12，β13，β14，β15，…，β1i)...(3)
其中，向量β11、β12、β13、β14、β15、……、β1i表示经按比例缩小的图像D1"中的像素的像素值。在确定向量β1之后，流程进入步骤ST27。
在步骤ST27处，分类单元102确定用于创建分类映射CM的“k”个向量α1至αk(参见图11)中的每一个与针对轴向图像D1的向量β1之间的距离。随后根据距离值利用热核来对距离进行加权从而确定矩阵Y。接下来，在创建分类映射CM中识别出的两个特征向量F1和F2用于将矩阵Y投影至分类映射CM(参见图13)上。图21示出了表示将矩阵Y投影至分类映射CM上的点E。在图21中点E位于坐标(f11,f21)。以该方式，将对应于轴向图像D1的点E映射到分类映射CM上。在映射之后，流程进入步骤ST28。
在步骤ST28处，分类单元102以到对应于轴向图像D1的点E的距离的升序从限定在分类映射CM上的多个点中识别出N个点。
图22是解释识别N个点的方法的示图。图22在放大的视图中示出了映射到分类映射CM上的点E的附近。
分类单元102计算限定在分类映射CM上的多个点中的每一个与点E之间的距离，并以距离的升序来识别N个点。由此，可以以到点E的距离的升序来识别N个点。本文中假设N＝7。因此，以到点E的距离的升序识别出七个点e1、e2、e3、e4、e5、e6、以及e7。在识别出七个点e1至e7之后，流程进入步骤ST29。
在步骤ST29处，分类单元102首先识别七个点e1至e7落在四个分类I至IV中的哪个之内。本文中，将七个点e1至e7中的六个点(e1、e2、e4、e5、e6和e7)识别为落在类别I内，并且将一个点(e3)识别为落在类别II内。在识别每个点落在哪一个类别内之后，分类单元102确定七个点中的多少个落在每个类别内，并且识别具有最大数量的点落在其中的类别。由于本文中七个点e1至e7中的六个落在类别I中，所以识别类别I。因此，判定轴向图像D1落在四个类别I至IV中的类别I内，从而将轴向图像D1分类成类别I。
尽管之前的描述是针对轴向图像D1的分类，但也可以根据从步骤ST21到步骤ST29的流程来对其他轴向图像D2至D10进行分类。由于在分类映射CM中反映了关于类别I至IV中的每一个的信息，所以可以通过使用分类映射CM来识别轴向图像D1至D10中的每一个表示经成像的身体部位中的哪个部分。因此，可将轴向图像D1至D10分类为四个类别。
图23是示出轴向图像D1至D10中的每一个落在哪个类别内的示图。图23示出了轴向图像D1至D10中的四个代表性轴向图像D1、D4、D6和D10落在哪个类别内。将轴向图像D1分类成类别I，将轴向图像D4分类成类别II，将轴向图像D6分类成类别III，并且将轴向图像D10分类成类别IV。在分类轴向图像D1至D10之后，流程进入步骤ST3。
在步骤ST3处，搜索区域限定单元103(参见图2)限定针对轴向图像D1至D10中的每一个的主动脉搜索区域。现在将在下文中描述限定主动脉搜索区域的方法。
在本实施例中，在存储部11中存储概率分布模型，该概率分布模型表达针对类别I至IV中的每一个的主动脉存在的概率。
图24是解释概率分布模型的示图。本文中，存储部11存储四个概率分布模型M1至M4。
概率分布模型M1表示类别I中的主动脉的存在的概率。可以基于出现在用于创建分类映射CM的多个轴向图像DA1至DAk(参见图7)中的轴向图像(例如，轴向图像DA1、DAn+1、DAj+1)(该轴向图像具有肺的大截面面积)中的主动脉的位置来确定类别I中的主动脉的存在的概率。概率分布模型M1中的区域RM1表示具有主动脉存在的高概率的区域。参考概率分布模型M1的a-a截面，示出主动脉的存在的概率从区域RM1的外边缘朝向其内部增加。
概率分布模型M2表示类别II中的主动脉的存在的概率。可以基于出现在用于创建分类映射CM的多个轴向图像DA1至DAk(参见图7)中的轴向图像(例如，轴向图像DA3、DAn+3、DAj+3)(该轴向图像与肺和肝脏之间的边界的附近相交)中的主动脉的位置来确定类别II中的主动脉的存在的概率。概率分布模型M2中的区域RM2表示具有主动脉存在的高概率的区域。参考概率分布模型M2的a-a截面，示出主动脉的存在的概率从区域RM2的外边缘朝向其内部增加。
概率分布模型M3表示类别III中的主动脉的存在的概率。可以基于出现在用于创建分类映射CM的多个轴向图像DA1至DAk(参见图7)中的轴向图像(例如，轴向图像DA6、DAn+6、DAj+6)(该轴向图像具有肝脏的大截面面积)中的主动脉的位置来确定类别III中的主动脉的存在的概率。概率分布模型M3中的区域RM3表示具有主动脉存在的高概率的区域。参考概率分布模型M3的a-a截面，示出主动脉的存在的概率从区域RM1的外边缘朝向其内部增加。
概率分布模型M4表示类别IV中的主动脉的存在的概率。可以基于出现在用于创建分类映射CM的多个轴向图像DA1至DAk(参见图7)中的轴向图像(例如，轴向图像DAn、DAn+a、DAk)(该轴向图像与肝脏和肾相交)中的主动脉的位置来确定类别IV中的主动脉的存在的概率。概率分布模型M4中的区域RM4表示具有主动脉存在的高概率的区域。参考概率分布模型M4的a-a截面，示出主动脉的存在的概率从区域RM4的外边缘朝向其内部增加。
搜索区域限定单元103基于概率分布模型M1至M4来限定用于搜索轴向图像D1至D10中的主动脉的搜索区域。现在将在以下介绍限定轴向图像D1至D10中的搜索区域的方法。由于限定轴向图像D1至D10中的搜索区域的方法对于所有轴向图像是相同的，所以从轴向图像D1至D10中选出轴向图像D1以描述以下描述中的限定搜索区域的方法。
图25是解释限定搜索区域的方法的示图。搜索区域限定单元103从概率分布模型M1至M4中选择用于确定搜索轴向图像D1中的主动脉的搜索区域的概率分布模型。由于将轴向图像D1分类成类别I(参见图23)，所以搜索区域限定单元103从概率分布单元M1至M4中选择对应于类别I的概率分布模型M1。
接下来，搜索区域限定单元103将从轴向图像D1中获取到的经剪切的图像D1'(参见图18)与概率分布模型M1相乘以便获得相乘的图像MD1'。
在获取到相乘的图像MD1'之后，搜索区域限定单元103基于关于概率分布模型M1中的区域RM1的位置的信息来从相乘的图像MD1'内确定对应于概率分布模型M1中的区域RM1的区域R1。将因此确定的区域R1限定为轴向图像D1中的主动脉搜索区域R1。
尽管在图25中解释了限定轴向图像D1中的主动脉搜索区域R1的方法，但是也通过根据相似的过程来确定相乘的图像而针对其他轴向图像D2至D10中的每一个确定搜索区域。图26示意性地示出了相乘的图像MD1'至MD10'以及针对轴向图像D1至D10所确定的搜索区域R1至R10。在图26中，示意性地示出了针对轴向图像D1至D10中的四个代表性轴向图像D1、D4、D6、和D10确定的相乘的图像MD1'、MD4'、MD6'、和MD10'以及搜索区域R1、R4、R6、和R10。在确定搜索区域R1至R10之后，流程进入步骤ST4。
在步骤ST4处，检测单元104(参见图2)从搜索区域R1内检测主动脉的位置。现在将在下文中描述检测主动脉的位置的方法。由于检测轴向图像D1至D10中的主动脉的位置的方法对于所有轴向图像是相同的，所以从轴向图像D1至D10中选出轴向图像D1以描述以下描述中的检测主动脉的位置的方法。
在步骤ST4处，首先从针对轴向图像D1的相乘的图像MD1'内检测出脑脊髓液CSF。可以采用的检测脑脊髓液CSF的方法是：例如“医学成像技术(Med.Imag.Tech.),第31卷，第2期，2013年3月”中描述的方法。”图27示出检测到的脑脊髓液CSF的位置。
在检测到脑脊髓液CSF之后，检测单元104限定相对于脑脊髓液CSF与搜索区域R1相切的线Ls和Le。图28示出了线Ls和Le。
在限定线Ls和Le之后，检测单元104限定用于检测主动脉A的线Ls上的窗口(参见图29)。
图29是示出所限定的窗口W的示图。由像素的数量a乘b来表示窗口的尺寸。检测单元104限定相对于脑脊髓液CSF在线Ls上的窗口W。在限定窗口W之后，检测单元104通过在由线Ls和Le描绘的范围内围绕脑脊髓液CSF旋转窗口W来改变窗口W的旋转角θ，并且此外改变窗口W的尺寸(像素的数量a乘b)。随后使用分类器C(参见图30)来从搜索区域R1内检测主动脉A，这将会在以下讨论。
图30是说明性示图，其中使用分类器C来检测主动脉A。检测单元104在θ1与θ2之间改变θ，并且每当改变θ时改变窗口W的a和b的值。随后，每当改变窗口W的三个参数(θ,a,b)中的任何一个时，提取窗口W中的像素的数据。分类器C用于输出输出值“出(Out)”，该输出值“出”用于：基于提取出的数据来判定内接于窗口W的远端部分的轴向图像D1中的主动脉A是高或是低，并且在对受试者进行成像之前事先创建了分类器C。可以通过例如学习包含关于针对主动脉的信号值的信息的训练数据以及包含关于与主动脉不同的组织的信号值的信息的训练数据来创建分类器C。在本实施例中，分类器C配置为使得输出值“出”对于主动脉A内接于窗口W的远端部分的较高的概率是较大的。因此，可以判定：当来自分类器的输出值“出”是最大的时，轴向图像D1中的主动脉A内接于窗口W的远端部分的概率最高。本文中假设：当旋转角θ＝θ1、像素的数量a＝a1、且像素的数量b＝b1时，来自分类器C的输出值“出”是最大的。随后，当窗口W的参数(θ,a,b)＝(θ1,a1,b1)时，判定轴向图像D1中的主动脉A内接于窗口W的远端部分，并因此可以在搜索区域R1内检测到主动脉A。
尽管在之前的描述中解释了检测轴向图像D1中的主动脉A的方法，但是也针对其他轴向图像D2至D10使用分类器C从搜索区域内检测主动脉。因此，可以针对轴向图像对主动脉的位置进行定位。图31示意性地示出了分别针对轴向图像D1至D10根据步骤ST2所定位的主动脉的位置PA1至PA10。主动脉PA1至PA10不一定是主动脉的中心，并且可能位于主动脉的截面的内部。在定位每一个轴向图像D1至D10中的主动脉的位置之后，流程进入步骤ST5。
在步骤ST5处，平面计算单元105(参见图2)基于经检测的主动脉A的位置PA1至PA10来计算纵向切割主动脉的平面。现在将在以下描述计算该平面的方法。
首先，基于主动脉的位置PA1至PA10，平面计算单元105逐个轴向图像地识别主动脉的截面的区域。可以采用的识别主动脉的截面的区域的方法是：例如，诸如水平集方法的分割技术。在识别主动脉的截面的区域之后，定位主动脉的截面的中心。例如，可以将主动脉A的截面的几何中心定位为主动脉A的中心。可以通过认为主动脉A的截面具有基本上圆形来定位主动脉A的中心。
在定位主动脉A的中心之后，平面计算单元105基于关于针对轴向图像D1至D10所定位的主动脉A的中心的位置的信息来确定平面FS，该平面FS基本上平行于主动脉A的路线纵向切割主动脉A。图32示意性地示出经确定的平面FS。在本实施例中，平面计算单元105计算针对每一个轴向图像D1至D10所定位的主动脉A的中心与平面之间的距离的平方和，并当平方和最小时将平面确定为平面FS。在确定平面FS之后，流程进入步骤ST6。
在步骤ST6处，限定用于检测造影剂的跟踪器区域。现在将在下文中描述限定跟踪器区域的方法。
图33是解释限定跟踪器区域的示例性方法的示图。操作者操作操作部12(图1)以输入将步骤ST5处所确定的平面FS显示在显示部13中的命令。一旦输入了命令，则将步骤ST5处所确定的平面FS显示在显示部13中。
在显示出平面FS之后，操作者操作操作部12以输入信息，该信息用于参考显示在平面FS中的器官和主动脉中的位置关系来限定跟踪器区域。一旦输入了信息，则跟踪器区域限定单元106(参见图2)基于输入信息来限定跟踪器区域。图33示出将跟踪器区域Rt限定为位于主动脉A的内部中的情况。应当注意到，可以基于主动脉A的位置自动地限定跟踪器区域Rt。在限定跟踪器区域Rt之后，流程进入步骤ST7。
在步骤ST7处，执行主扫描MS(参见图3)。在主扫描MS中，向受试者注射造影剂，并且在此之后重复执行用于从跟踪器区域Rt中检测造影剂的序列。一旦已经将造影剂的预限定量注入跟踪器区域Rt，则执行用于获取肝脏的图像的扫描，并终止流程。
在本实施例中，确定轴向图像落在哪个类别内，并使用对应于该类别的概率分布模型来确定主动脉搜索区域。因此，当关注具有主动脉的存在的高概率的区域时，可以达成主动脉的检测，由此改善主动脉的检测的准确度。
此外，在本实施例中，从轴向图像D1至D10中的每一个中剪切出图像部分以便外接于躯干区域HB，并且执行轴向图像D1至D10的分类。因此，可以在不受左臂区域HL和右臂区域HR中的信号值的影响的情况下对轴向图像D1至D10进行分类，由此充分地降低了错误地对轴向图像进行分类的风险。
尽管在本实施例中相对于脑脊髓液CSF来限定窗口W，但可以相对于与脑脊髓液CSF不同的身体部位来限定窗口W。此外，尽管在本实施例中检测主动脉A，但可以将本发明应用于要检测与主动脉A不同的血管的情况。
尽管本实施例基于轴向图像来检测主动脉，但可以基于非轴向平面的平面(例如，与轴向图像以一角度相交的倾斜平面)中的图像来确定主动脉。
尽管在本实施例中窗口W是矩形的，但也可以具有不同的形状(例如，椭圆形)。
在本实施例中的创建分类映射CM中，从轴向图像中剪切出外接于躯干部分C1的矩形区域中的图像部分(参见图8)以便确定向量α1至αk(参见图11)。然而，可以通过剪切图像使得包括躯干区域C1的中心部分而不包括身体表面部分来确定向量α1至αk。图34是示意性地示出了示例，该示例涉及：剪切图像部分使得不包括躯干区域C1的身体表面部分，并且确定向量α1至αk。根据图34中的方法，由于基于包括躯干区域C1的中心部分且不包括身体表面部分的图像部分(阴影部分)来确定向量α1至αk，所以可以在身体表面部分的脂肪的影响被减小的情况下创建分类映射CM'(未示出)。当创建分类映射CM'来替代分类映射CM时(参见图13)，可以再次通过执行步骤ST2来对轴向图像进行分类。当使用分类映射CM来对轴向图像进行分类时，在步骤ST24处从轴向图像D1中剪切出图像部分以便外接于躯干区域HB。然而，当使用分类映射CM'来对轴向图像进行分类时，在步骤ST24处可以从轴向图像D1中剪切出图像部分以便不包括躯干区域HB的身体表面部分。
此外，在本实施例中，通过剪切图像部分以便不包括左臂和右臂区域来创建分类映射。然而，在正确地对轴向图像进行分类的情况下，可以通过剪切图像部分以便包括左臂和右臂区域来创建分类映射。
尽管在本实施中描述了使用拉普拉斯特征映射法对轴向图像进行分类的方法，但本实施例中的分类方法是示例性的，且可以使用任何其他技术来对轴向图像进行分类。

Claims (17)

1.一种血管检测装置，包括：
图像生成单元，所述图像生成单元用于以轴向方向在多个切片中生成多个图像，所述多个切片被限定在包含血管的要成像的身体部位中；
分类单元，所述分类单元用于：基于所述多个图像中的每一个表示经成像的身体部位中的哪个部分，将所述多个图像以轴向方向分类成多个类别；
限定单元，所述限定单元用于：基于所述多个图像落在所述多个类别中的哪个类别内，从所述多个图像内搜索所述血管。
2.如权利要求1所述的血管检测装置，其特征在于：对应于每个所述类别，建立表示所述血管的存在的概率的模型；并且所述限定单元基于所述模型来限定搜索区域。
3.如权利要求1所述的血管检测装置，其特征在于，所述多个类别包括：
第一类别，所述第一类别对应于具有肺的大截面面积的图像；
第二类别，所述第二类别对应于与所述肺和肝脏之间的边界的附近相交的图像；
第三类别，所述第三类别对应于具有所述肝脏的大截面面积的图像；以及
第四类别，所述第四类别对应于与所述肝脏和肾相交的图像。
4.如权利要求1所述的血管检测装置，其特征在于，所述分类单元基于用于识别所述多个图像中的每个表示所述经成像的身体部位中的哪个部分的映射，将所述多个图像分类成多个类别。
5.如权利要求4所述的血管检测装置，其特征在于：所述分类单元确定向量，所述向量的元素是所述图像中的像素的像素值；基于所述向量将对应于所述图像的点映射到所述映射上；并且基于所述点被映射到所述映射中的位置，确定所述图像落在所述多个类别中的哪个类别内。
6.如权利要求5所述的血管检测装置，其特征在于，所述多个图像中的每个包括：第一区域，所述第一区域表示受试者的躯干的截面；第二区域，所述第二区域表示所述受试者的左臂的截面；以及第三区域，所述第三区域表示所述受试者的右臂的截面；并且所述分类单元从所述图像中剪切出图像部分，所述图像部分包括所述第一区域并且不包括所述第二区域和所述第三区域，并且基于通过剪切所述图像部分而获取到的图像来确定所述向量。
7.如权利要求5所述的血管检测装置，其特征在于，所述多个图像中的每个包括：第一区域，所述第一区域表示受试者的躯干的截面；第二区域，所述第二区域表示所述受试者的左臂的截面；以及第三区域，所述第三区域表示所述受试者的右臂的截面；并且所述分类单元从所述图像中剪切出图像部分，所述图像部分包括所述第一区域的中心部分并且不包括所述第一区域的身体表面部分、所述第二区域和所述第三区域，并且基于通过剪切所述图像部分而获取到的图像来确定所述向量。
8.如权利要求1所述的血管检测装置，包括检测单元，所述检测单元用于从搜索区域中检测所述血管的位置。
9.一种磁共振成像装置，包括：扫描部，该扫描部用于在包含血管的要成像的身体部位上执行扫描，所述磁共振成像装置还包括权利要求1-8任一项所述的血管检测装置。
10.一种非瞬态存储介质，所述非瞬态存储介质上存储有程序，所述程序用于使计算机执行：
图像生成处理，所述图像生成处理包括：以轴向方向在多个切片中生成多个图像，所述多个切片被限定在包含血管的要成像的身体部位中；
分类处理，所述分类处理包括：基于所述多个图像中的每个表示经成像的身体部位中的哪个部分，将所述多个图像以轴向方向分类成多个类别；以及
限定处理，所述限定处理包括：基于所述多个图像落在所述多个类别中的哪个类别内，限定用于从所述多个图像内搜索所述血管的搜索区域。
11.如权利要求10所述的非瞬态存储介质，其特征在于：对应于每个所述类别，建立表示所述血管的存在的概率的模型；并且所述限定处理基于所述模型来限定所述搜索区域。
12.如权利要求10所述的非瞬态存储介质，其特征在于，所述多个类别包括：
第一类别，所述第一类别对应于具有肺的大截面面积的图像；
第二类别，所述第二类别对应于与所述肺和肝脏之间的边界的附近相交的图像；
第三类别，所述第三类别对应于具有所述肝脏的大截面面积的图像；以及
第四类别，所述第四类别对应于与所述肝脏和肾相交的图像。
13.如权利要求10所述的非瞬态存储介质，其特征在于，所述分类处理基于用于识别所述多个图像中的每个表示所述经成像的身体部位中的哪个部分的映射，将所述多个图像分类成多个类别。
14.如权利要求13所述的非瞬态存储介质，其特征在于：所述分类处理包括确定向量，所述向量的元素是所述图像中的像素的像素值；所述分类处理基于所述向量将对应于所述图像的点映射到所述映射上，并且基于所述点被映射到所述映射中的位置，确定所述图像落在所述多个类别中的哪个类别内。
15.如权利要求14所述的非瞬态存储介质，其特征在于，所述多个图像中的每个包括：第一区域，所述第一区域表示受试者的躯干的截面；第二区域，所述第二区域表示所述受试者的左臂的截面；以及第三区域，所述第三区域表示所述受试者的右臂的截面；并且所述分类处理包括从所述图像中剪切出图像部分，所述图像部分包括所述第一区域并且不包括所述第二区域和所述第三区域，并且所述分类处理基于通过剪切所述图像部分而获取到的图像来确定所述向量。
16.如权利要求14所述的非瞬态存储介质，其特征在于，所述多个图像中的每个包括：第一区域，所述第一区域表示受试者的躯干的截面；第二区域，所述第二区域表示所述受试者的左臂的截面；以及第三区域，所述第三区域表示所述受试者的右臂的截面；并且所述分类处理包括从所述图像中剪切出图像部分，所述图像部分包括所述第一区域的中心部分并且不包括所述第一区域的身体表面部分、所述第二区域和所述第三区域，并且所述分类处理基于通过剪切所述图像部分而获取到的图像来确定所述向量。
17.如权利要求10所述的非瞬态存储介质，还包括检测处理，所述检测处理包括：从所述搜索区域中检测所述血管的位置。
CN201780024842.2A 2016-04-21 2017-04-18 血管检测装置、磁共振成像装置以及非瞬态存储介质 Active CN109069058B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016-085200 2016-04-21
JP2016085200A JP6378715B2 (ja) 2016-04-21 2016-04-21 血管検出装置、磁気共鳴イメージング装置、およびプログラム
PCT/US2017/028105 WO2017184585A1 (en) 2016-04-21 2017-04-18 Blood vessel detecting apparatus, magnetic resonance imaging apparatus, and program

Publications (2)

Publication Number Publication Date
CN109069058A CN109069058A (zh) 2018-12-21
CN109069058B true CN109069058B (zh) 2022-10-28

Family

ID=60116995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780024842.2A Active CN109069058B (zh) 2016-04-21 2017-04-18 血管检测装置、磁共振成像装置以及非瞬态存储介质

Country Status (4)

Country Link
US (1) US10824919B1 (zh)
JP (1) JP6378715B2 (zh)
CN (1) CN109069058B (zh)
WO (1) WO2017184585A1 (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6842638B1 (en) * 2001-11-13 2005-01-11 Koninklijke Philips Electronics N.V. Angiography method and apparatus
CN1689512A (zh) * 2002-02-20 2005-11-02 株式会社东芝 使用造影剂的磁共振成象方法和装置
CN103519811A (zh) * 2012-06-29 2014-01-22 Ge医疗系统环球技术有限公司 检测装置、医用装置以及程序
CN104239874A (zh) * 2014-09-29 2014-12-24 青岛海信医疗设备股份有限公司 一种器官血管识别方法及装置
JP2015123306A (ja) * 2013-12-27 2015-07-06 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 血管検出装置、磁気共鳴装置、およびプログラム
CN104937434A (zh) * 2012-11-30 2015-09-23 Ge医疗系统环球技术有限公司 第一部位与第二部位之间的边界的基于图像的检测
WO2016040411A1 (en) * 2014-09-12 2016-03-17 Ge Medical Systems Global Technology Company, Llc Magnetic resonance apparatus with image-based position detection of a part to be detected

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6845260B2 (en) * 2001-07-18 2005-01-18 Koninklijke Philips Electronics N.V. Automatic vessel indentification for angiographic screening
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
DE102004003081A1 (de) * 2004-01-21 2005-08-18 Siemens Ag Verfahren zur Bestimmung der Position und/oder Orientierung der Bildebene von zur Kontrastmittelbolus-Messung vorzunehmenden Schichtbildaufnahmen eines Gefäßbereichs
US7317821B2 (en) 2004-11-22 2008-01-08 Carestream Health, Inc. Automatic abnormal tissue detection in MRI images
DE102005050344A1 (de) * 2005-10-20 2007-05-03 Siemens Ag Kryokatheter zur Einführung in ein Körpergefäß sowie medizinische Untersuchungs- und Behandlungsvorrichtung
US8170642B2 (en) * 2007-01-11 2012-05-01 Siemens Aktiengesellschaft Method and system for lymph node detection using multiple MR sequences
WO2008100386A2 (en) * 2007-02-09 2008-08-21 Board Of Regents, The University Of Texas System Intravascular photoacoustic and ultrasound echo imaging
CN101677782B (zh) 2007-05-09 2013-05-15 株式会社日立医药 磁共振成像装置及图像分类方法
DE102007060689B4 (de) * 2007-12-17 2017-07-13 Siemens Healthcare Gmbh Verfahren zur Aufnahme von angiographischen Datensätzen und Magnetresonanzanlage dafür
WO2009105530A2 (en) * 2008-02-19 2009-08-27 The Trustees Of The University Of Pennsylvania System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors
US9235887B2 (en) * 2008-02-19 2016-01-12 Elucid Bioimaging, Inc. Classification of biological tissue by multi-mode data registration, segmentation and characterization
JP5523718B2 (ja) 2008-04-02 2014-06-18 株式会社東芝 医用撮像装置
DE102008060048A1 (de) * 2008-12-02 2010-06-17 Siemens Aktiengesellschaft Gefäßabhängige Kippwinkelmodulation bei der TOF-MR-Angiographie
CA2733519A1 (en) * 2009-03-31 2010-10-07 Fujifilm Corporation Image processing device and method, as well as program
JP5449843B2 (ja) * 2009-04-24 2014-03-19 株式会社東芝 画像表示装置及び画像表示方法
CN101925108A (zh) 2009-06-10 2010-12-22 中兴通讯股份有限公司 一种长期演进系统中测量配置的修改方法及装置
DE102010018261B4 (de) * 2010-04-26 2012-07-12 Siemens Aktiengesellschaft Verfahren und Computersystem zur automatischen Vektorisierung eines Gefäßbaumes
JP5944645B2 (ja) * 2010-11-02 2016-07-05 東芝メディカルシステムズ株式会社 磁気共鳴イメージング装置
US8600476B2 (en) * 2011-04-21 2013-12-03 Siemens Aktiengesellschaft Patient support table control system for use in MR imaging
US9295406B2 (en) * 2011-05-05 2016-03-29 Siemens Medical Solutions Usa, Inc. Automatic or semi-automatic whole body MR scanning system
JP2014100249A (ja) * 2012-11-19 2014-06-05 Toshiba Corp 血管解析装置、医用画像診断装置、血管解析方法、及び血管解析プログラム
JP6066197B2 (ja) * 2013-03-25 2017-01-25 富士フイルム株式会社 手術支援装置、方法およびプログラム
JP5992853B2 (ja) * 2013-03-27 2016-09-14 富士フイルム株式会社 手術支援装置、方法およびプログラム
JP6176843B2 (ja) 2013-07-25 2017-08-09 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 血管検出装置、磁気共鳴装置、およびプログラム
US20150073535A1 (en) * 2013-09-12 2015-03-12 Abbott Cardiovascular Systems Inc. Treatment of coronary artery lesions with a scaffold having vessel scaffold interactions that reduce or prevent angina
KR20160143178A (ko) * 2015-06-04 2016-12-14 삼성전자주식회사 의료 영상 처리 장치 및 의료 영상 처리 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6842638B1 (en) * 2001-11-13 2005-01-11 Koninklijke Philips Electronics N.V. Angiography method and apparatus
CN1689512A (zh) * 2002-02-20 2005-11-02 株式会社东芝 使用造影剂的磁共振成象方法和装置
CN103519811A (zh) * 2012-06-29 2014-01-22 Ge医疗系统环球技术有限公司 检测装置、医用装置以及程序
CN104937434A (zh) * 2012-11-30 2015-09-23 Ge医疗系统环球技术有限公司 第一部位与第二部位之间的边界的基于图像的检测
JP2015123306A (ja) * 2013-12-27 2015-07-06 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 血管検出装置、磁気共鳴装置、およびプログラム
WO2016040411A1 (en) * 2014-09-12 2016-03-17 Ge Medical Systems Global Technology Company, Llc Magnetic resonance apparatus with image-based position detection of a part to be detected
CN104239874A (zh) * 2014-09-29 2014-12-24 青岛海信医疗设备股份有限公司 一种器官血管识别方法及装置

Also Published As

Publication number Publication date
US10824919B1 (en) 2020-11-03
JP2017192591A (ja) 2017-10-26
CN109069058A (zh) 2018-12-21
US20200327361A1 (en) 2020-10-15
WO2017184585A1 (en) 2017-10-26
JP6378715B2 (ja) 2018-08-22

Similar Documents

Publication Publication Date Title
Aylward et al. Initialization, noise, singularities, and scale in height ridge traversal for tubular object centerline extraction
US8907944B2 (en) Method and system for navigating, segmenting, and extracting a three-dimensional image
EP2823464B1 (en) Intelligent landmark selection to improve registration accuracy in multimodal image fusion
USRE35798E (en) Three-dimensional image processing apparatus
US8477153B2 (en) Method and system for navigating, segmenting, and extracting a three-dimensional image
EP2120208A1 (en) Method and system for lesion segmentation
US20160117797A1 (en) Image Processing Apparatus and Image Processing Method
CN107545579B (zh) 一种心脏分割方法、设备和存储介质
CN111462071B (zh) 一种图像处理方法和系统
EP1914681B1 (en) Smooth gray-level based surface interpolation for anisotropic data sets
US20060210158A1 (en) Object-specific segmentation
US8050470B2 (en) Branch extension method for airway segmentation
US20130050207A1 (en) Method and system for navigating, segmenting, and extracting a three-dimensional image
CN109069058B (zh) 血管检测装置、磁共振成像装置以及非瞬态存储介质
US8818061B2 (en) Method for characterizing a blood vessel
CN112712507B (zh) 一种确定冠状动脉的钙化区域的方法及装置
JP2014147480A (ja) 境界検出装置、磁気共鳴装置、およびプログラム
US10402968B2 (en) Image processing device, medical device, and program
CN114503166A (zh) 三维体数据的测量方法、测量系统、医疗器械及存储介质
EP4270311A1 (en) Image identification program, image identification method, image identification device
US20240104721A1 (en) Anatomy-aware contour editing method and system for implementing said method
EP3300021A1 (en) Image processing system and method for interactive contouring of three-dimensional medical data
US11771505B2 (en) Three dimensional mapping system for cranial surgical pathways and method
CN117274435A (zh) 基于点击的轮廓编辑方法及计算机产品
CN115908300A (zh) 心脏瓣膜钙化分割的方法、装置、设备及存储介质

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