CN109069094A - 从核医学图像对生理性蓄积的自动去除及ct图像的自动分割 - Google Patents
从核医学图像对生理性蓄积的自动去除及ct图像的自动分割 Download PDFInfo
- Publication number
- CN109069094A CN109069094A CN201780023599.2A CN201780023599A CN109069094A CN 109069094 A CN109069094 A CN 109069094A CN 201780023599 A CN201780023599 A CN 201780023599A CN 109069094 A CN109069094 A CN 109069094A
- Authority
- CN
- China
- Prior art keywords
- slice
- value
- threshold value
- grade
- image
- 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
- 230000011218 segmentation Effects 0.000 title claims description 9
- 210000004872 soft tissue Anatomy 0.000 claims abstract description 24
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 21
- 238000009825 accumulation Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 132
- 238000000034 method Methods 0.000 claims description 84
- 210000001015 abdomen Anatomy 0.000 claims description 70
- 210000003141 lower extremity Anatomy 0.000 claims description 48
- 210000000689 upper leg Anatomy 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 29
- 230000001105 regulatory effect Effects 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 239000003550 marker Substances 0.000 claims description 12
- 238000011835 investigation Methods 0.000 claims description 11
- 210000004197 pelvis Anatomy 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 4
- 210000004556 brain Anatomy 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 230000003187 abdominal effect Effects 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 25
- 238000003709 image segmentation Methods 0.000 description 14
- 238000009206 nuclear medicine Methods 0.000 description 8
- 230000004087 circulation Effects 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002285 radioactive effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000000746 body region Anatomy 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 1
- 241000251323 Matthiola oxyceras Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
- G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/29—Measurement performed on radiation beams, e.g. position or section of the beam; Measurement of spatial distribution of radiation
- G01T1/2914—Measurement of spatial distribution of radiation
- G01T1/2985—In depth localisation, e.g. using positron emitters; Tomographic imaging (longitudinal and transverse section imaging; apparatus for radiation diagnosis sequentially in different planes, steroscopic radiation diagnosis)
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
Abstract
公开了从核医学图像自动地去除生理性蓄积的发明。另外,还公开了进行CT图像的自动分割的发明,作为其优选的应用例,可用于从核医学图像自动去除生理性蓄积。优选的实施方式中,基于CT图像,制作像素值的直方图,确定空气区域与脂肪区域的边界、脂肪区域与软组织区域的边界、软组织区域与骨区域的边界。根据该结果,自动地确定出CT图像的头部区域、下腹部区域。进而,基于该结果,在核医学图像中确定出头部区域及膀胱区域,确定出生理性高蓄积区域,以掩蔽该部分的形式显示核医学图像。
Description
技术领域
本发明涉及从核医学图像对生理性蓄积的自动去除及CT图像的自动分割(Automatic segmentation)。
背景技术
核医学技术是对向体内施予的放射性药品在器官、体内组织等中聚集的样态加以图像化的技术。血流、代谢等的机能变化能以图像信息的形式而得到,可提供对疾病的诊断、病期或预后的确认、治疗效果的判定等有用的信息。
日本特开2013-088386号公报的0027、0029段中记载了下述内容:使用从CT图像提取出的股骨的位置信息,从PET图像仅选取出相当于股骨的部分。
现有技术文献
专利文献
专利文献1:日本特开2013-088386号公报
发明内容
但是,取决于放射性药品,其可能与疾病无关地大量蓄积于脑、膀胱等血流、代谢原本就高的区域。这些生理性蓄积会在核医学图像上明显地体现出来,因此可能会妨碍到图像诊断。
因此,在本申请中公开了从核医学图像自动地去除生理性蓄积的发明。另外,还公开了进行CT图像的自动分割的发明,作为其优选的应用例,可用于从核医学图像自动去除生理性蓄积。
第1发明为用于对CT图像的像素值自动地进行分类的发明。该发明的特征在于,执行包括下述步骤的处理,所述步骤为:
·基于上述CT图像,制作像素值的直方图(histogram);
·确定上述直方图中脂肪区域的峰值(即,脂肪区域峰值);
·确定上述直方图中软组织区域的峰值(即,软区域峰值);
·在等级值比上述脂肪区域峰值的等级值小的区域中,基于上述脂肪区域峰值的频率值,来确定表示空气区域的等级值上限的阈值(即,第1阈值);
·确定表示上述脂肪区域与上述软组织区域的边界的等级值的阈值(即,第2阈值);以及
·在等级值比与上述软区域峰值对应的等级值大的区域中,基于上述软区域峰值的频率值,来确定表示骨区域的等级值下限的阈值(即,第3阈值)。
根据上述第1发明,能够将CT图像的像素值分类为空气区域的像素值、脂肪区域的像素值、软组织区域的像素值、骨区域的像素值,因此能够根据不同目的灵活地展示CT图像。例如能够仅突出显示软组织区域,或者仅突出显示骨区域。另外,上述第1发明对于自动地进行对CT图像的区域分割而言也是非常有用的。例如,大量地存在有像素值处于空气区域的像素的区域为肺野的可能性高。另外,大量地存在有像素值处于骨区域的像素的区域的一种可能是:为例如骨盆的可能性高。由此,通过使用基于上述第1发明得到的像素值分类结果,能够自动地进行对CT图像的区域分割。
取决于实施方式,制作上述直方图的步骤可包括:
·制作从上述CT图像去除检查床部分而仅保留人体部分的二值化图像(即,参照图像);以及
·仅使用上述CT图像的像素中在上述参照图像的对应像素处存在数据的像素来制作上述直方图。
由于利用去除了与人体无关的检查床部分的CT图像进行分析,因此分析结果的合理性提高。
取决于实施方式,可在确定上述脂肪区域峰值及上述软区域峰值之前,对上述直方图实施平滑处理。
取决于实施方式,
·确定上述脂肪区域峰值的步骤可包括:在从以可包含上述脂肪区域峰值的方式设定的下限的等级值至基准等级值(即,与水对应的等级值)为止的范围中求出最大频率值,当上述最大频率值不是上述基准等级值的频率值时,将上述最大频率值及对应的等级值确定为上述脂肪区域峰值的频率值及等级值。
·上述处理可以还包括下述步骤:将在从上述脂肪区域峰值的等级值至上述基准等级值为止的范围内频率值最小的等级值确定为上述第2阈值。
另外,当从上述下限的等级值至上述基准等级值为止的范围中的最大频率值即为上述基准等级值的频率值时,取决于实施方式,确定上述脂肪区域峰值的步骤可包括:
·将从上述下限的等级值至上述基准等级值为止的范围中频率值变化量最小的等级值确定为上述第2阈值,其中,上述变化量是如下所定义的值,即,i为整数,
·等级值i的前侧差量=(等级值i-1的频率值)-(等级值i的频率值),
·等级值i的后侧差量=(等级值i的频率值)-(等级值i+1的频率值),
·等级值i的变化量=(等级值i的前侧差量)2+(等级值i的后侧差量)2;
将调查等级值规定为下述中的任一者,即,
·在从上述下限的等级值至上述第2阈值为止的范围内上述变化量最大的等级值,或
·在从上述第2阈值起、向上述下限的等级值的方向上对频率值变化加以调查时,最先出现的比上述第2阈值处的频率值低的频率值所对应的等级值;以及
·将在从上述调查边界值至上述第2阈值为止的范围内、上述前侧差量的值为正且最小的等级值及对应的频率值确定为上述脂肪区域峰值的等级值及频率值。
此外,在从上述调查边界值至上述第2阈值为止的范围内未观察到上述前侧差量的值为正的等级值的情况下,取决于实施方式,确定上述脂肪区域峰值的步骤可包括:将从上述下限的等级值至上述第2阈值为止的范围中的最大频率值及对应的等级值确定为上述脂肪区域峰值的频率值及等级值。
通过上述一系列的处理,在几乎所有情况下均能够确定上述脂肪区域峰值。
取决于实施方式,确定上述软区域峰值的步骤可包括:在规定的等级值范围内进行峰值检测处理。
取决于实施方式,可将下述中的任一者确定为上述第1阈值:
·在从上述下限的等级值至上述第2阈值为止的范围内、其频率值为上述脂肪区域峰值的频率值的规定比例以下或低于该规定比例的等级值;
·在从上述下限的等级值至上述脂肪区域峰值的等级值为止的范围内上述变化量最大的等级值。
取决于实施方式,可将比与上述软区域峰值对应的等级值大、且其频率值为上述软区域峰值的频率值的规定比例的等级值确定为上述第3阈值。
通过上述处理,在几乎所有情况下均能够确定上述第1及第3阈值。
第2发明是用于对已通过第1发明进行了像素值的分类且上述第1~第3阈值已被确定的上述CT图像自动地进行区域分割的发明。该发明的特征在于,执行包括下述步骤的处理,所述步骤为:
·制作空气区域容积曲线图(volume graph),该曲线图在一个轴取上述CT图像的体轴截面切片的切片编号,在另一个轴取各切片编号所对应的切片中像素值为上述第1阈值以下或小于上述第1阈值的像素组这至少一部分的容积;以及
·将下述体轴截面切片确定为位于胸部上端的胸部起点切片,所述体轴截面切片是比上述空气区域容积曲线图呈现最大值的体轴截面切片更靠头顶侧、且其容积值为上述软组织容积曲线图的最大值的规定比例的体轴截面切片。
根据第2发明,能够在CT图像的体轴截面切片中自动地确定位于胸部上端的胸部起点切片。因此,例如,能够在CT图像中容易地掌握身体的位置。另外,在存在已实施了与CT图像的配准的核医学图像的情况下,在该核医学图像中也能够容易地掌握胸部起点切片位置。
取决于实施方式,上述处理可包括下述步骤:在确定上述胸部起点切片之前,对上述空气区域容积曲线图实施平滑处理。
取决于实施方式,上述处理可包括下述步骤:
·制作软区域容积曲线图,所述曲线图在一个轴取上述CT图像的体轴截面切片的切片编号,在另一个轴取各切片编号所对应的切片中像素值在上述第2阈值至上述第3阈值之间的像素组的容积;以及
·将下述体轴截面切片确定为位于上腹部上端的上腹部起点切片,所述体轴截面切片是比上述空气区域容积曲线图呈现最大值的体轴截面切片更靠下肢侧、且上述软区域容积曲线图的容积值最大的体轴截面切片。
取决于实施方式,上述处理可包括下述步骤:在确定上述上腹部起点切片之前,对上述软区域容积曲线图实施平滑处理。
取决于实施方式,上述处理可包括下述步骤:将下述体轴截面切片确定为位于颈部上端的颈部起点切片,所述体轴截面切片是比上述胸部起点切片更靠头顶侧、且上述空气区域容积曲线图的容积值最大的体轴截面切片。
取决于实施方式,上述处理可包括下述步骤:
·对于比上述颈部起点切片更靠头顶侧的体轴截面切片进行3D标记;
确定在体轴截面切片中位于中央部的标记、即头部标记;以及
·以从上述颈部起点切片向头顶侧的方式针对各体轴截面切片计算像素值在上述第2阈值至上述第3阈值之间的、与上述头部标记对应的区域的像素组的容积,将该容积最先成为零的体轴截面切片确定为位于头部上端的头部起点切片。
取决于实施方式,上述处理可以还包括下述步骤:针对比前述上腹部起点切片更靠下肢侧的体轴截面切片,基于骨量的变化而确定位于下腹部上端的下腹部起点切片。
取决于实施方式,确定前述下腹部起点切片的步骤可包括:
·对于比上述上腹部起点切片更靠下肢侧的体轴截面切片进行3D标记,确定最大的标记、即躯干标记;
·对于比上述上腹部起点切片更靠下肢侧的体轴截面切片,提取像素值为上述第3阈值以上或大于上述第3阈值的、与上述躯干标记对应的区域的像素组,并且对于该提取的像素组进行3D标记,确定最大的标记、即脊椎·骨盆·股骨标记;
·针对比上述上腹部起点切片更靠下肢侧的体轴截面切片中的各切片,制作像素值为上述第3阈值以上或大于上述第3阈值的、与上述脊椎·骨盆·股骨标记对应的像素组的外接矩形;以及
·将上述外接矩形的面积的变化量最大的体轴截面切片确定为位于下腹部的起点的下腹部起点切片。
取决于实施方式,上述处理可包括针对从上述下腹部起点切片至下肢侧的体轴截面切片中的各切片进行下述步骤:
·对于像素值为上述第3阈值以上或大于上述第3阈值的、与上述躯干标记对应的区域的像素组进行标记;
·在同一切片内,提取大小排前两位的标记,若这两个标记的左右位置未重叠,则将这两个标记确定为股骨标记;
·在上述股骨标记得以确定的情况下,针对该股骨标记中的各标记而提取孔;以及
·在得以提取上述孔的情况下,计算像素值为上述第3阈值以上或大于上述第3阈值的、与上述股骨标记对应的区域的像素组的容积、即股骨容积;
进而,上述处理也可包括下述步骤:
·计算从上述下腹部起点切片至下肢侧的体轴截面切片中的下述像素组的容积的最大值,所述像素组是像素值为上述第3阈值以上或大于上述第3阈值的、与上述躯干标记对应的区域的像素组;以及
·将下述切片确定为位于下肢上端的下肢起点切片,所述切片是从上述下腹部起点切片至下肢侧的体轴截面切片中的、在已计算出上述股骨容积的体轴截面切片中该股骨容积的值成为上述最大值的规定比例的首个切片。
根据这些实施方式,能够在CT图像的体轴截面切片中确定例如位于胸部上端的切片、位于上腹部上端的切片、位于颈部上端的切片、位于头部上端的切片、位于下腹部上端的切片、位于下肢上端的切片中的任一者位于何处。因此,若显示例如这些切片位置,则能够在CT图像中容易地掌握身体的位置。另外,在存在已实施了与CT图像的配准的核医学图像的情况下,在该核医学图像中也容易掌握这些身体位置。
第3发明是用于从核医学图像自动地去除生理性蓄积的发明。该发明利用通过第2发明的实施方式确定的头部起点切片的切片位置信息和颈部起点切片的切片位置信息。另外,该发明的特征在于,执行包括下述步骤的处理,所述步骤为:
·在上述核医学图像中,使用上述头部起点切片的切片位置和上述颈部起点切片的切片位置来设定最大像素值搜索区域;
·在上述最大像素值搜索区域中,确定具有最大像素值的像素;以及
·从上述具有最大像素值的像素,通过区域增长的方法,确定头部的高蓄积区域。
根据第3发明,能够从核医学图像自动地确定头部的高蓄积区域,因此容易观察核医学图像中的其他病变部。例如,若以对该区域加以掩蔽(mask)的方式来显示该核医学图像,则能够以不受头部的无用信号妨碍的方式来进行对核医学图像的观察。
第4发明是用于从核医学图像自动地去除生理性蓄积的另一发明。该发明利用通过第2发明的实施方式确定的下腹部起点切片的切片位置信息和下肢起点切片的切片位置信息。另外,该发明的特征在于,执行包括下述步骤的处理,所述步骤为:
·在上述核医学图像中,使用上述下腹部起点切片的切片位置和上述下肢起点切片的切片位置,设定最大像素值搜索区域;
·在上述最大像素值搜索区域中,确定具有最大像素值的像素;以及
·从上述具有最大像素值的像素,利用区域增长的方法,确定膀胱部的高蓄积区域。
根据第4发明,能够从核医学图像自动地确定膀胱部的高蓄积区域,因此核医学图像的观察变得容易。例如,若以对该区域加以掩蔽的方式来显示该核医学图像,则能够以不受膀胱部的无用信号妨碍的方式来进行对核医学图像的观察。
本发明的实施方式中包括一种计算机程序,所述计算机程序具备下述程序指令,所述程序指令构成为:当其被装置的处理机构执行时使前述装置执行上述处理。另外,本发明的实施方式中包括一种方法,其是通过装置的处理机构执行程序指令从而该装置进行执行的方法,所述方法包括执行上述处理。
本发明的实施方式中包括一种装置,其为具备处理机构和储存程序指令的存储机构的装置,前述程序指令构成为:当其被前述处理机构执行时使前述装置执行上述处理。
申请的权利要求书所包含的权利要求中记载有目前认为优选的本申请发明的一些具体实施方式。但是,并未限定这些权利要求中记载的构成涵盖本申请说明书及附图中公开的所有的新颖技术构思。申请人在此预先声明,本申请说明书及附图中公开的所有的新颖技术构思(不论是否记载在目前的权利要求中)均被主张具有获得专利权的权利。
附图说明
[图1]为用于对可实施本发明的系统的硬件构成进行说明的图。
[图2]为用于对本申请中公开的新型处理的例子、即进行CT图像的自动分割及从核医学图像自动去除生理性蓄积的处理200的流程进行说明的流程图。
[图3]为用于对图2的步骤212的处理的具体例进行说明的流程图。
[图4]为用于对步骤306的检查床部分去除处理进行说明的图。
[图5]为步骤308中制作的直方图的例子。
[图6A]为用于对图3的步骤310的处理的具体例即处理600进行说明的流程图。
[图6B]为用于对步骤614中确定的调查等级值进行说明的图。
[图7]为示意性地呈现出直方图与脂肪区域峰值、软区域峰值、第1~第3阈值的关系的图。
[图8]为用于对图2的步骤214的处理的具体例即处理800进行说明的流程图。
[图9]为步骤806中制作的曲线图的显示例。
[图10]是将步骤808-812的例子中确定的胸部起点切片、上腹部起点切片、颈部起始切片的位置示于图9的曲线图上的图。
[图11]为用于对步骤814的处理进行说明的图。
[图12]为用于对图8的步骤816的具体例即处理1200进行说明的流程图。
[图13]为用于对步骤1204的处理进行说明的图。
[图14A]为用于对步骤1206的处理进行说明的图。
[图14B]为使外接矩形与图14A的脊椎·骨盆·股骨标记重叠地进行显示的例子。
[图15]为用于对图8的步骤818的具体例即处理1500进行说明的流程图。
[图16]为用于对步骤1508的处理进行说明的图。
[图17]为用于对图2的步骤216的处理的具体例之一即处理1700进行说明的流程图。
[图18]示出结果的显示例。
具体实施方式
以下,参照附图,对本申请中公开的技术构思的优选实施方式的例子进行说明。
图1为用于对可实施本发明的系统100的硬件构成进行说明的图。如图1所描绘地那样,系统100在硬件方面与一般的计算机相同,可以具备CPU102、主存储装置104、大容量存储装置106、显示器·接口107、外围设备接口108、网络·接口109等。与一般的计算机同样地,作为主存储装置104,可使用高速RAM(随机存取存储器),作为大容量存储装置106,可使用廉价且大容量的硬盘、SSD等。可以在系统100上连接用于进行信息显示的显示器,该显示器经由显示器·接口107而被连接。另外,可以在系统100上连接键盘、鼠标、触摸面板这样的用户接口,这些用户接口经由外围设备接口108而被连接。网络·接口109可以用于经由网络连接于其他计算机、互联网。
在大容量存储装置106中,储存有操作系统(OS)110、配准程序120、CT图像分割程序122、生理性蓄积去除程序124。系统100的最基本的功能通过使CPU102执行OS110而提供。配准程序120是用于进行CT图像与核医学图像的对位(配准;registration)的程序。CT图像分割程序122具备与由本申请公开的新型处理相关的程序指令。该指令的至少一部分由CPU102执行,由此,系统100可进行CT图像的分割、即身体区域的自动划分。生理性蓄积去除程序124也具备与由本申请公开的新型处理相关的程序指令。该指令的至少一部分由CPU102执行,由此,系统100可从核医学图像自动去除生理性蓄积。
在大容量存储装置106中,可以进一步储存有CT图像130及核医学图像132。CT图像130是各像素值与CT值相对应的三维图像数据,是作为利用CT图像分割程序122进行的分析或操作的对象的图像数据。核医学图像132在本例中为PET图像,是各像素值与放射线计数值相对应的三维图像数据。核医学图像132成为利用生理性蓄积去除程序124进行的分析或操作的对象。
也有在大容量存储装置106中进一步储存有数据140、142、144等的情况。关于这些数据,在后文中生成这些数据时进行说明。
除了图1所描绘的要素以外,系统100还可以具备电源、冷却装置等与通常的计算机系统所具备的装置相同的构成。就计算机系统的安装形态而言,已知有存储装置的分散·冗长化、虚拟化、多个CPU的利用、CPU虚拟化、DSP等专用于确定处理的处理器的使用、将确定处理硬件化而组合于CPU等利用了各种技术的各种形态。本申请中公开的发明可搭载于任何形态的计算机系统上,其范围不受计算机系统的形态的限定。本说明书中公开的技术构思通常而言可以以下述形式具体实现:(1)具备下述指令的程序,所述指令构成为通过由处理机构执行而使具备该处理机构的装置或系统执行本说明书中说明的各种处理;(2)装置或系统的动作方法,其通过该处理机构执行该程序而实现;(3)装置或系统,其具备该程序及构成为执行该程序的处理机构;等等。如上所述,也有软件处理的一部份被硬件化的情况。
另外,需要注意的是,在系统100的制造销售时、起动时,CT图像130、PET图像132、及各种数据140、142、144等大多未存储于大容量存储装置106中,所述CT图像130、PET图像132可以是经由例如外围设备接口108、网络·接口109从外部装置向系统100传输的数据。数据140、142、144可以是以CPU102执行CT图像分割程序122、生理性蓄积去除程序124的至少一部分而得到的结果的形式存储于大容量存储装置106中的数据。为谨慎起见,事先说明,本申请中公开的发明的范围不受存储装置中是否储存了图像数据等限定。
接着,使用图2,对本申请中公开的新型处理的例子、即进行CT图像的自动分割及从核医学图像自动去除生理性蓄积的处理200的流程进行说明。处理200可以为例如通过CPU102执行CT图像分割程序122、生理性蓄积去除程序124等而由系统100执行的处理。
步骤204表示处理的开始。在步骤208中,进行核医学图像132与CT图像130的对位(配准;registration)。即,使身体的朝向、大小、位置在三维上在CT图像130与核医学图像132之间一致。通过经由该处理,从而CT图像130与核医学图像132彼此可进行比较。配准处理可以为通过CPU102执行配准程序120而由系统100执行的处理。
配准功能包含于市面上可获得的许多核医学图像数据分析程序中,因此,在本实施例中,也可以使用安装于这样的程序的现有方法、其他已知的方法来进行配准。配准也可利用基于手动的方法进行。即,可利用如下方法进行:将CT图像与核医学图像一同以图像形式显示,通过鼠标等的操作,使一个图像平行移动或旋转而与另一图像叠合。
以下的说明中,应理解图像数据130和132是已实施了配准的数据。取决于实施方式,有时图像数据130与132之间的配准已完成。例如,在图像数据130及132为利用使SPECT或PET与CT一体化而成的装置一同拍摄而得到的数据的情况下,有时CT图像130与核医学图像132的配准在从装置输出的阶段就已完成。在该情况下,当然无需步骤208的处理。在这样的实施方式中,也无需配准程序120。
在步骤212中,作为步骤214的前处理,将CT图像130的像素值划分成空气区域、脂肪区域、软组织区域、骨区域。在后文中,使用图3对步骤212的处理的例子进行详细陈述。在步骤214中,使用步骤212的结果来进行CT图像130中的身体部位的鉴定。具体而言,确定CT图像130的体轴截面切片中位于特定部位的切片。例如,可确定位于胸部上端的切片、位于上腹部上端的切片、位于颈部上端的切片、位于头部上端的切片、位于下腹部上端的切片、位于下肢上端的切片是哪一个。在后文中使用图8~图16对步骤214的处理的例子进行详细陈述。
在步骤216中,基于步骤212的结果,对核医学图像132中的生理性蓄积进行鉴定。在后文中,使用图17对步骤216的处理的例子进行详细陈述。
在步骤220中,基于步骤216的结果,将存在生理性蓄积的部位掩蔽而显示核医学图像132。显示例示于图18中。
步骤224表示处理的结束。
接着,使用图3,对步骤212的处理的具体例即处理300进行详细陈述。处理300可以为通过CPU102执行CT图像分割程序122中包含的程序指令的至少一部分而由系统100执行的处理。
步骤302表示处理的开始。在步骤304中,进行作为利用CT图像分割程序122进行的处理的对象的数据的读入(载入)。即,从大容量存储装置106读出CT图像130的全部或一部分,并储存于主存储装置104。取决于实施方式,CT图像130也可以从外部装置经由外围设备接口108、网络·接口109而直接复制至主存储装置104。
需要说明的是,本实施例中作为处理300的处理对象的CT图像130以表示水的像素值成为零的方式进行了预先校正。因此也存在具有负的像素值的像素。
处理300中,接着制作CT图像130的像素值的直方图(步骤308)。取决于实施方式,也可以在从CT图像130去除检查床部分后再制作直方图。步骤306表示用于制作用于去除检查床部分的参照图像的步骤。步骤306以如下方式进行。
(步骤306A)首先,制作将CT图像130进行二值化而得到的二值化图像。二值化的阈值只要是将人体尽可能地提取出来那样的阈值即可。例如,在本实施例中,如上所述,CT图像130以表示水的像素值成为零的方式进行了预先校正,因此,可以将例如-190作为阈值来制作二值化图像。将制作的二值化图像的例子示于图4A。
(步骤306B)接着,从制作的二值化图像的中心开始在体轴方向的上下切片中搜索存在数据的位置,从此处进行区域增长(region growing)处理,由此制作去除了检查床部分的二值化图像。将以上述方式处理图4A的二值化图像而制作的二值化图像示于图4B。
区域增长失败时,通过3D标记处理来制作去除了检查床的二值化图像。将最大的标记作为人体,并去除除此以外的部分,由此仅选取出人体部分。
(步骤306C)去除检查床后,进行将值填入体内的孔部分的孔填充处理,并进行形态学运算的开处理,由此将未除净的检查床等去除。将以上述方式处理图4B的二值化图像而制作的图像示于图4C。将由步骤306C的处理得到的图像作为参照图像。
在步骤308中,如上所述,制作CT图像130的像素值的直方图。本实施例中,仅使用CT图像130的像素中的在步骤306中制作的参照图像的对应像素处存在数据的像素来制作直方图。在不进行步骤306的实施方式的情况下,可以使用CT图像130整体制作直方图。将制作的直方图的例子记载于图5中。如上所述,CT图像130以表示水的像素值成为零的方式进行了预先校正。另外,CT图像130以像素值的范围分布在从-1024至+1024的范围内的方式预先进行了标准化。因此,示例的直方图的横轴(等级值)的范围也成为从-1024至+1024。
如图5所例示的那样,对于CT图像的直方图而言,在大多情况下,在与水对应的等级值(本例中,等级值为0)的附近存在两个峰值。比与水对应的等级值低的等级值的峰值是由对应于脂肪区域的像素制作的峰值,本说明书中,被称为脂肪区域峰值。图5中表示为Max1。比与水对应的等级值高的等级值的峰值是由对应于软组织(肌肉、脑等)的像素制作的峰值,本说明书中,被称为软区域峰值。图5中表示为Max2。需要说明的是,在脂肪少的受试者的情况下,脂肪区域的峰值有时不清晰。
脂肪区域峰值周围的等级值被认为对应于脂肪区域。图5中,该区域表示为脂肪。软区域峰值周围的等级值被认为对应于软组织。图5中,该区域表示为软组织。比脂肪区域低的等级值被认为对应于空气区域。图5中,该区域表示为空气。CT值为空气区域的等级值的像素大量存在的区域可能为肺野(lung field)。比软组织区域高的等级值被认为对应于骨。图5中,该区域表示为骨。在图5中,空气区域与脂肪区域的边界、脂肪区域与软组织区域的边界、软组织区域与骨区域的边界分别表示为th1、th2、th3。在后续步骤中,自动确定脂肪区域峰值、软区域峰值、th1、th2、th3。
取决于实施方式,可以在从步骤308进入步骤310前对直方图实施平滑处理。
在步骤310中,确定上述脂肪区域峰值、和表示脂肪区域与软组织区域的边界的阈值即第2阈值(图5中描绘的th2)。使用图6A对步骤310的处理的例子进行说明。
图6A为用于对步骤310的处理的具体例即处理600进行说明的流程图。处理600可以为通过CPU102执行CT图像分割程序122中包含的程序指令的至少一部分而由系统100执行的处理。
步骤602表示处理的开始。在步骤604中,进行确定步骤308中制作的直方图中的脂肪区域峰值的第1试验。峰值检测处理无需跨越等级值的整个范围进行,若存在脂肪区域峰值,则在根据经验知晓的等级值范围内进行即可。例如,经发明人确认,在将与水对应的像素值校正·标准化为0、并将像素值范围校正·标准化为-1024至+1024而得到的CT图像的情况下,直方图的脂肪区域峰值在几乎所有情况下均分布在从等级值-256至0的范围内。因此,例如,作为脂肪区域峰值的搜索范围,可将下限的等级值设定为例如-256,将上限的等级值设定为例如0(即与水对应的等级值),在该范围内搜索脂肪区域峰值。
在步骤604中,查找该搜索范围中的最大频率值。该最大频率值不是与水对应的等级值(本例中,为等级值0)处的频率值时,将该最大频率值及对应的等级值确定为脂肪区域峰值的频率值及等级值。
但是,拍摄了CT图像130的受试者为脂肪少的受试者等时,搜索范围中的最大频率值有时为等级值0处的频率值。在该情况下,使用其他方法进行脂肪区域峰值的确定。
在步骤606中判定是否已成功确定了脂肪区域峰值。在得以确定的情况下,进入步骤608,进行表示脂肪区域与软组织区域的边界的阈值即第2阈值的确定。在步骤608中,将在从脂肪区域峰值的等级值至基准等级值(本例中,为等级值0)为止的范围内频率值最小的等级值确定为第2阈值。之后,处理600进入步骤622,结束处理。
在步骤606中判定为未能确定脂肪区域峰值的情况下,进入步骤610。在步骤610中,在从步骤604中设定的下限的等级值至与水对应的等级值即基准等级值(本例中,为等级值0)为止的范围内,针对各等级值,计算由以下关系式定义的“变化量”。
·等级值i的前侧差量=(等级值i-1的频率值)-(等级值i的频率值);
·等级值i的后侧差量=(等级值i的频率值)-(等级值i+1的频率值);
·等级值i的变化量=(等级值i的前侧差量)2+(等级值i的后侧差量)2
其中,i表示整数。
接着,处理600进入步骤612。在该步骤中,将表示脂肪区域与软组织区域的边界的阈值即上述第2阈值确定为在从上述下限的等级值至基准等级值为止的范围内上述变化量最小的等级值。
接下来,处理600进入步骤614。在该步骤中,确定成为下一步骤中搜索脂肪区域峰值的下限的等级值的调查等级值。该调查等级值被确定为以下的任一者。
(a)在从步骤604中设定的下限的等级值至步骤612中确定的第2阈值为止的范围内、步骤610中计算的变化量最大的等级值。
(b)在从步骤612中确定的第2阈值起、向上述下限的等级值的方向上对频率值变化加以调查时,最先出现的比第2阈值处的频率值低的频率值所对应的等级值。
将其中的(b)所规定的调查等级值的情形示于图6B。
在步骤616中,进行确定脂肪区域峰值的第2试验。在该步骤中,将在从调查边界值至第2阈值为止的范围内、步骤610中计算的“前侧差量”的值为正且最小的等级值及对应的频率值确定为脂肪区域峰值的等级值及频率值。
在步骤618中判定是否已成功确定了脂肪区域峰值。在得以确定的情况下,进入步骤622,结束处理。但是,在步骤616中未发现上述“前侧差量”的值为正的等级值的情况等未能确定脂肪区域峰值的情况下,进入步骤620。
在步骤620中,进行确定脂肪区域峰值的第3试验。在该步骤中,将从步骤604中设定的下限的等级值至步骤612中确定的第2阈值为止的范围中的最大频率值及对应的等级值确定为脂肪区域峰值的频率值及等级值。若进行至该第3试验,则必然能够确定脂肪区域峰值及第2阈值。处理600进入步骤622,结束处理。
接下来返回至图3,继续处理300的说明。在步骤312中,确定软区域峰值。与脂肪区域峰值的检测处理同样,软区域峰值的检测处理也无需跨越等级值的整个范围内进行,若存在软区域峰值,则在根据经验知晓的等级值范围内进行即可。例如,经发明人确认,在将与水对应的像素值校正·标准化为0、并将像素值范围校正·标准化为-1024至+1024而得到的CT图像的情况下,直方图的软区域峰值在几乎所有情况下均分布在从等级值0至+256的范围内。因此,步骤312中的软区域峰值检测处理可以在从等级值0至+256的范围内进行。与脂肪区域不同,软组织被认为在任何人中均以一定以上的频率存在,因此在几乎所有情况下均可通过该检测处理而确定软区域峰值。
在步骤314中,确定表示空气区域与脂肪区域的边界的阈值即第1阈值(图5中描绘的th1)。第1阈值的确定方法可以为各种方法,例如有以下这样的方法。
(314a)作为第1阈值,采用下述等级值,即,在从步骤604中设定的下限的等级值至步骤310中确定的第2阈值为止的范围内、其频率值为脂肪区域峰值的频率值的规定比例以下或低于该规定比例的等级值。作为该规定比例,经发明人确认,例如10%是适当的值之一。但是,也可以为例如5%等其他值。也可以使用多个受试者的数据,针对每个CT装置进行规定。
(314b)取决于实施方式,可以在第1阈值的确定条件中加入下述这样的条件,即,与前一等级值的频率值之差的绝对值为规定值以下。作为该规定值,经发明人确认,例如50是适当的值之一。但是,该值不过是单纯的示例,可根据实施方式而取各种值。
(314c)取决于实施方式,作为第1阈值,可采用下述等级值,即,在从步骤604中设定的下限的等级值至步骤310中确定的第2阈值为止的范围内、与步骤610中计算的参数相同的“变化量”最大的等级值。取决于实施方式,在不存在满足条件314a、314b的等级值的情况下,可以使用条件314c来确定第1阈值。
在步骤316中,确定表示脂肪区域与骨区域的边界的阈值即第3阈值(图5中描绘的th3)。第3阈值的确定方法也可以为各种方法。作为一例,该阈值可被规定为比与软区域峰值对应的等级值大、且其频率值为软区域峰值的频率值的规定比例的等级值。作为该规定比例,经发明人确认,例如5%是适当的值之一。但是,也可以为例如10%等其他值。也可以使用多个受试者的数据,针对每个CT装置进行规定。
将直方图与脂肪区域峰值、软区域峰值、第1~第3阈值的关系示意性地呈现于图7。
在步骤318中,将第1~第3阈值储存于存储装置中。例如,可作为阈值数据140存储于大容量存储装置106中。关于阈值数据140,步骤320表示处理300的结束。
接着,使用图8对步骤214的处理的具体例、即处理800进行详细陈述。处理800可以为通过CPU102执行CT图像分割程序122中包含的程序指令的至少一部分而由系统100执行的处理。
步骤802表示处理的开始。在步骤804中,进行作为利用CT图像分割程序122进行的处理的对象的数据的读入(载入)。此处,与步骤304同样,载入的数据也为CT图像130(的全部或一部分)。除此以外,在步骤804中,也读入步骤212(步骤318)中制作并储存的阈值数据140。取决于实施方式,有时CT图像130及/或阈值数据140已储存于主存储装置102中,因此,不重新载入。在该情况下,无需步骤804的处理。
在步骤806中,针对CT图像的每个体轴截面切片,计算归属于在处理300中进行分类而得到的空气区域、脂肪区域、软组织、骨区域的像素的容积,制作曲线图数据。图9中记载了将制作的曲线图的例子进行显示的示例。曲线图的横轴为CT图像130的体轴截面切片的切片编号,本例中,编号小的切片为头部侧,编号大的切片为下肢侧。曲线图的纵轴为体积(cm3)。纵轴也可单纯地为像素数。图9中标示为空气的曲线图表示归属于空气区域的像素的体积(或像素数)。所谓归属于空气区域的像素,是指其像素值为第1阈值以下或小于第1阈值的像素。关于第1阈值,请参照步骤314的说明。本说明书中,将该曲线图称为空气区域容积曲线图。
图9中标示为脂肪的曲线图表示归属于脂肪区域的像素的体积(或像素数)。所谓归属于脂肪区域的像素,是指其像素值被包含在从第1阈值至第2阈值的范围内的像素。该范围中是否包含边界(即第1阈值、第2阈值)取决于实施例。关于第1阈值、第2阈值,请参照步骤310及314的说明。本说明书中,将该曲线图称为脂肪区域容积曲线图。
图9中标示为软组织的曲线图表示归属于软组织的像素的体积(或像素数)。所谓归属于软组织的像素,是指其像素值被包含在从第2阈值至第3阈值的范围内的像素。该范围中是否包含边界(即第2阈值、第3阈值)取决于实施例。关于第2阈值、第3阈值,请参照步骤314及316的说明。本说明书中,将该曲线图称为软区域容积曲线图。
图9中标示为骨的曲线图表示归属于骨区域的像素的体积(或像素数)。所谓归属于骨区域的像素,是指其像素值为第3阈值以上或大于第3阈值的像素。关于第3阈值,请参照步骤316的说明。本说明书中,将该曲线图称为骨区域容积曲线图。
图9中描绘的4个曲线图中,处理800中使用的仅为空气区域容积曲线图和软区域容积曲线图。因此,根据实施例,在步骤806中,可以仅制作这两个容积曲线图。应当注意的是,在处理800的实施例中,并非必须如图9那样表示曲线图。
取决于实施方式,可以在对图9中描绘的曲线图实施平滑处理后再执行后续步骤。
在步骤808中,确定CT图像130中的位于胸部上端的体轴截面切片即胸部起点切片。在本步骤中,胸部起点切片被确定为比空气区域容积曲线图呈现最大值的体轴截面切片更靠头顶侧、且其容积值为空气区域容积曲线图的最大值的规定比例的体轴截面切片。作为该规定比例,经发明人确认,例如10%是优选的值,但并不限定于该值,可根据实施例进行变更。
根据实施例,作为胸部起点切片的确定条件,可以进一步加入下述这样的条件,即,与相邻切片的频率之差为空气区域容积曲线图的最大值的规定比例。作为该规定比例,经发明人确认,例如1%是优选的值,但并不限定于该值,可根据实施例进行变更。
在步骤810中,确定CT图像130中的位于上腹部上端的上腹部起点切片。在本步骤中,上腹部起点切片被确定为比空气区域容积曲线图呈现最大值的体轴截面切片更靠下肢侧、且软区域容积曲线图的容积值最大的体轴截面切片。
在步骤812中,确定CT图像130中的位于颈部上端的颈部起点切片。在本步骤中,颈部起点切片被确定为比胸部起点切片更靠头顶侧、且空气区域容积曲线图的容积值最大的体轴截面切片。
将步骤808中确定的胸部起点切片、步骤810中确定的上腹部起点切片和步骤812中确定的颈部起始切片的位置示于图9的曲线图上而得到的图记载于图10中。
在步骤814中,确定CT图像130中的位于头部上端的头部起点切片。该确定处理以如下方式进行。
(814a)对于比颈部起点切片更靠头顶侧的体轴截面切片进行3D标记。
(814b)确定在体轴截面切片中位于中央部的标记、即头部标记。
(814c)以从颈部起点切片向头顶侧的方式针对各体轴截面切片计算像素值在第2阈值至第3阈值之间的、与头部标记对应的区域的像素组的容积,将该容积最先成为零的体轴截面切片确定为头部起点切片。
图11中示出了位于某一体轴截面切片中的头部标记的例子。
接下来,在步骤816中,确定CT图像130中的位于下腹部上端的下腹部起点切片。使用图12-14对该确定处理的例子进行说明。
图12的处理1200是图8的步骤816的具体例。处理1200也可以为通过CPU102执行CT图像分割程序122中包含的程序指令的至少一部分而由系统100执行的处理。
步骤1202表示处理的开始。在步骤1204中,对于CT图像130的体轴截面切片中的比步骤810中确定的上腹部起点切片更靠下肢侧的体轴截面切片进行3D标记,确定最大的标记、即躯干标记。以某一体轴截面切片为例,将确定的躯干标记的情形示于图13。
在步骤1206中,针对比上腹部起点切片更靠下肢侧的体轴截面切片,提取像素值为第3阈值以上或大于第3阈值的、与躯干标记对应的区域的像素组。关于第3阈值,请参照步骤316的说明。提取的像素组示出比上腹部起点切片更靠下肢侧区域中的骨区域。接下来,在步骤1208中,对于提取的像素组进行3D标记,确定最大的标记、即脊椎·骨盆·股骨标记。以某一体轴截面切片为例,将确定的脊椎·骨盆·股骨标记的情形示于图14A。
在步骤1210中,针对比上腹部起点切片更靠下肢侧的体轴截面切片中的各切片,制作像素值为第3阈值以上或大于第3阈值的、与脊椎·骨盆·股骨标记对应的像素组的外接矩形。将外接矩形与图14A的脊椎·骨盆·股骨标记叠合地显示的例子记载于图14B。在步骤1212中,对制作的外接矩形的面积的变化量进行调查。然后,在步骤1214中,将变化量最大的体轴截面切片确定为下腹部起点切片。
取决于实施方式,也可以不依据外接矩形而调查骨的变化量,根据其结果确定下腹部起点切片。例如,也可以针对每个切片计算脊椎·骨盆·股骨标记的大小(像素数),并且将与相邻的切片的大小之差最大的切片确定为下腹部起点切片。另外,也可以不依据变化量而依据阈值来确定下腹部起点切片。例如,可以根据上述的面积、标记的大小低于规定的阈值来确定下腹部起点切片。该规定阈值可以由多个受试者的数据(的例如平均值等)确定,也可以基于上述的面积、标记的最大值而进行规定。例如,也可以将上述的面积、标记为该最大值的规定比例的切片确定为下腹部起点切片。
步骤1216表示处理的结束。
返回至图8的说明。在步骤818中,确定CT图像130中的位于下肢上端的下肢起点切片。使用图15、16对该确定处理的例子进行说明。
图15的处理1500为图8的步骤818的具体例。处理1500也可以为通过CPU102执行CT图像分割程序122中包含的程序指令的至少一部分而由系统100执行的处理。
步骤1502表示处理的开始。在符号1504至1514表示的循环(loop)中,针对CT图像130的体轴截面切片中的从步骤816中确定的下腹部起点切片至下肢侧的体轴截面切片中的各切片,进行符号1506至1512表示的处理。
在步骤1506中,针对处于循环中的体轴截面切片,对于像素值为第3阈值以上或大于第3阈值的、与步骤1204中确定的躯干标记对应的区域的像素组进行标记。关于第3阈值,请参照步骤316的说明。然后,提取大小排前两位的两个标记,若这两个标记未重叠,则将这两个标记确定为股骨标记(步骤1508)。以某一体轴截面切片为例,将股骨标记的情形示于图16。
在股骨标记得以确定的情况下,针对该股骨标记中的各标记而提取孔(步骤1510)。然后,在得以提取孔的情况下,针对处于循环中的体轴截面切片,计算像素值为第3阈值以上或大于第3阈值的、与股骨标记对应的区域的像素组的容积(体积或像素数)即股骨容积(步骤1512)。
当退出符号1504至1514表示的循环时,处理1500进入步骤1516。在步骤1516中,确定从下腹部起点切片至下肢侧的体轴截面切片中的骨盆容积的最大值。该确定可通过下述方式进行:针对从下腹部起点切片至下肢侧的体轴截面切片中的各切片,计算像素值为第3阈值以上或大于第3阈值的、与步骤1204中确定的躯干标记对应的区域的像素组的容积(体积或像素数),并鉴定出算得的容积的最大值。
在步骤1518中,进行下肢起点切片的确定。下肢起点切片被确定为从下腹部起点切片至下肢侧的体轴截面切片中的、在已计算出股骨容积的体轴截面切片中该股骨容积的值成为步骤1516中确定的骨盆容积最大值的规定比例的首个切片。作为该规定比例,经发明人确认,例如骨盆容积最大值的一半或低于一半是适当的值之一。但是,也可以根据实施方式而采用其他值。步骤1520表示处理的结束。
返回至图8的说明。在步骤820中,将步骤808~818中确定的胸部起点切片、上腹部起点切片、颈部起点切片、头部起点切片、下腹部起点切片、下肢起点切片的切片位置信息储存于系统100的存储机构中。例如,如图1所描绘的,可以作为切片位置信息142储存于大容量存储装置106中。取决于实施方式,也可以储存于主存储装置104中。所谓切片位置信息,例如可以为CT图像130的体轴截面切片的切片编号。步骤822表示处理800的结束。
接下来,使用图17,对图2的步骤216的处理的具体例进行说明。
图17是用于对图2的步骤216的处理的具体例之一即处理1700进行说明的图。处理1700可以为通过CPU102执行生理性蓄积去除程序124中包含的程序指令的至少一部分而由系统100执行的处理。
步骤1702表示处理的开始。在步骤1704中,进行作为利用生理性蓄积去除程序124进行的处理的对象的数据的读入(载入)。此处,载入的数据为核医学图像(本例中为PET图像)132(的全部或一部分)。除此以外,在步骤1708中,也可读入利用处理800制作并储存的切片位置信息142。取决于实施方式,有时核医学图像132及/或切片位置信息142已储存于主存储装置102中,因此不再重新载入。在该情况下,无需步骤1704的处理。
如上所述,切片位置信息142中包含胸部起点切片、上腹部起点切片、颈部起点切片、头部起点切片、下腹部起点切片、下肢起点切片中的至少任一者的切片位置信息(切片编号)。而且,该切片位置信息基于已与核医学图像132配准的CT图像130而形成。因此,通过利用该切片位置信息,在核医学图像132中也能够鉴定胸部起点切片、上腹部起点切片等。即,例如在核医学图像132中,可认为切片编号与切片位置信息142中包含的胸部起点切片编号相同的体轴截面切片是核医学图像132中位于胸部上端的切片。即,可认为,切片编号与切片位置信息142中包含的胸部起点切片编号相同的体轴截面切片在核医学图像132中也是胸部起点切片。对于上腹部起点切片、颈部起点切片、头部起点切片、下腹部起点切片、下肢起点切片而言,也同样如此。应当理解的是,在以下的处理1700的说明中,胸部起点切片、上腹部起点切片、颈部起点切片、头部起点切片、下腹部起点切片、下肢起点切片这样的用语均表示核医学图像132中的体轴截面切片。
在步骤1706-1710中,进行对已与CT图像130配准的核医学图像132中的头部的高蓄积部分进行确定的处理。在步骤1706中,使用头部起点切片的切片位置和颈部起点切片的切片位置来设定核医学图像132中具有最大像素值的像素的搜索区域。在一例中,可以在核医学图像13中,将从头部起点切片至颈部起点切片之间的全部体轴截面切片中包含的像素作为搜索区域。但是,也可根据实施方式而缩小搜索区域,以便改善处理速度及内存消耗量。发明人已确认,在以下述方式定义的搜索区域中可获得理想的结果。
·体轴(axial)方向是从头部起点切片与颈部起点切片的中间的切片至头部起点切片为止。
·对于矢状(sagittal)方向而言,为整个范围。即矢状截面切片中,从0至矩阵尺寸(matrix size)为止。
·对于冠状(coronal)方向而言,仅左右中心。
此外,可根据实施方式而改变搜索区域的定义。
在步骤1708中,在步骤1706中设定的搜索区域中,确定核医学图像132内的具有最大像素值的像素。
在步骤1710中,从步骤1708中确定的像素值最大的像素进行区域增长。由该区域增长得到的区域被确定为头部的高蓄积部分。
在步骤1712-1716中,进行对已与CT图像130配准的核医学图像132中的膀胱部的高蓄积部分进行确定的处理。在步骤1712中,使用下腹部起点切片的切片位置和下肢起点切片的切片位置,来设定核医学图像132中具有最大像素值的像素的搜索区域。在一例中,可以将核医学图像132中从下腹部起点切片至下肢起点切片之间的全部体轴截面切片中包含的像素作为搜索区域。但是,也可根据实施方式而缩小搜索区域,以便改善处理速度及内存消耗量。发明人已确认,在以下述方式定义的搜索区域中可获得理想的结果。
·体轴(axial)方向是从下腹部起点切片与下肢起点切片的中间的切片至下肢起点切片为止。
·对于矢状(sagittal)方向而言,为整个范围。即矢状截面切片中,从0至矩阵尺寸为止。
·对于冠状(coronal)方向而言,仅左右中心。
此外,可根据实施方式而改变搜索区域的定义。
在步骤1714中,在步骤1712中设定的搜索区域中,确定核医学图像132内的具有最大像素值的像素。
在步骤1716中,从步骤1714中确定的像素值最大的像素进行区域增长。由该区域增长得到的区域被确定为膀胱部的高蓄积部分。
在步骤1718中,将步骤1710、1718中得到的头部高蓄积区域及膀胱部高蓄积区域的数据储存于系统100的存储机构中。例如,可以作为区域数据144储存于大容量存储装置106中。
返回至图2的说明。在步骤220中,基于步骤216的结果,将头部高蓄积区域及膀胱部高蓄积区域掩蔽,显示核医学图像132。显示例示于图18中。
图18记载了系统100的安装例的画面之一。在画面上,存在有CT图像130的某冠状截面的显示1802、和核医学图像132的对应的冠状截面的显示1804。如图所示,图像1802中,基于切片位置信息142而显示出身体区域的边界。操作者用鼠标等操作用户接口的按钮1808时,基于区域数据144,呈现出图像1804中的头部高蓄积区域1810及膀胱部高蓄积区域1812被掩蔽后的图像1806。
由于头部高蓄积区域1810及膀胱部高蓄积区域1812被掩蔽,因此,能够以不被头部、膀胱部的无用信号妨碍的方式进行核医学图像的观察。
以上,使用优选的实施例对本申请发明详细地进行了说明,但上述的说明、附图并不是为了限定本申请发明的范围而提出的,而是为了满足专利法的要求而提出的。本申请发明的实施方式中,除了在此处介绍的内容以外,还存在各种变更。例如,说明书或附图所示的各种数值均为示例,这些数值并不是为了限定发明的范围而提出的。说明书或附图中介绍的各种实施例中包含的各个特征也并非只能与直接记载包含该特征的实施例一同使用,也可以在此处说明的其他实施例、未说明的各种具体实现例中组合而使用。特别是流程图中介绍的处理的顺序并非必须按介绍的顺序执行,可根据实施者的喜好、必要性,更换顺序或并列地同时执行,或者还可以将多个模块一体不可分地安装,或者以作为适当的循环执行的方式安装。这些变更均包含于本申请中公开的发明的范围中,发明的范围不受处理的安装形态限定。权利要求中确定的处理的记载顺序也并非确定了处理的必需的顺序,例如处理的顺序不同的实施方式、包含循环而执行处理那样的实施方式等也包含于权利要求涉及的发明的范围中。
此外,在例如CT图像分割程序122、生理性蓄积去除程序124的实施方式中,可包括单一的程序、或由多个独立的程序构成的程序组。取决于实施方式,这两个程序可作为单一的程序提供。取决于实施方式,可以以还包含配准程序120的形式提供。众所周知,程序的安装形态有各种各样,这些变更均被包含于本申请公开的发明的范围内。事先说明,不论是否在目前的权利要求中要求保护,申请人均对不脱离本申请公开的发明思想的全部形态,主张具有获得专利权的权利。
附图标记说明
100 系统
102 CPU
104 主存储装置
106 大容量存储装置
107 显示器·接口
108 外围设备接口
109 网络·接口
120 配准程序
122 CT图像分割程序
124 生理性蓄积去除程序
130 CT图像数据
132 核医学图像数据
Claims (24)
1.自动地进行CT图像的像素值的分类的方法,所述方法包括下述步骤:
基于所述CT图像,制作像素值的直方图;
确定所述直方图中脂肪区域的峰值、即脂肪区域峰值;
确定所述直方图中软组织区域的峰值、即软区域峰值;
在等级值比所述脂肪区域峰值的等级值小的区域中,基于所述脂肪区域峰值的频率值,来确定表示空气区域的等级值上限的阈值、即第1阈值;
确定表示所述脂肪区域与所述软组织区域的边界的等级值的阈值、即第2阈值;以及
在等级值比与所述软区域峰值对应的等级值大的区域中,基于所述软区域峰值的频率值,来确定表示骨区域的等级值下限的阈值、即第3阈值。
2.如权利要求1所述的方法,其中,制作所述直方图的步骤包括:
制作从所述CT图像去除检查床部分而仅保留人体部分的二值化图像、即参照图像;以及
仅使用所述CT图像的像素中在所述参照图像的对应像素处存在数据的像素来制作所述直方图。
3.如权利要求1或2所述的方法,其中,在确定所述脂肪区域峰值及所述软区域峰值之前,对所述直方图实施平滑处理。
4.如权利要求1至3中任一项所述的方法,其中,
确定所述脂肪区域峰值的步骤包括:在从以可包含所述脂肪区域峰值的方式设定的下限的等级值至与水对应的等级值即基准等级值为止的范围中求出最大频率值,当所述最大频率值不是所述基准等级值的频率值时,将所述最大频率值及对应的等级值确定为所述脂肪区域峰值的频率值及等级值,
所述方法还包括下述步骤:将在从所述脂肪区域峰值的等级值至所述基准等级值为止的范围内频率值最小的等级值确定为所述第2阈值。
5.如权利要求4所述的方法,其中,在从所述下限的等级值至所述基准等级值为止的范围中的最大频率值为所述基准等级值的频率值的情况下,确定所述脂肪区域峰值的步骤包括:
将从所述下限的等级值至所述基准等级值为止的范围中频率值变化量最小的等级值确定为所述第2阈值,其中,所述变化量是如下所定义的值,即,i为整数,
·等级值i的前侧差量=(等级值i-1的频率值)-(等级值i的频率值),
·等级值i的后侧差量=(等级值i1的频率值)-(等级值i+1的频率值),
·等级值i的变化量=(等级值i的前侧差量)2+(等级值i的后侧差量)2;
将调查等级值规定为下述中的任一者,即,
·在从所述下限的等级值至所述第2阈值为止的范围内所述变化量最大的等级值,或
·在从所述第2阈值起、向所述下限的等级值的方向上对频率值变化加以调查时,最先出现的比所述第2阈值处的频率值低的频率值所对应的等级值;以及
将在从所述调查边界值至所述第2阈值为止的范围内、所述前侧差量的值为正且最小的等级值及对应的频率值确定为所述脂肪区域峰值的等级值及频率值。
6.如权利要求5所述的方法,其中,在从所述调查边界值至所述第2阈值为止的范围内未观察到所述前侧差量的值为正的等级值的情况下,确定所述脂肪区域峰值的步骤包括:将从所述下限的等级值至所述第2阈值为止的范围中的最大频率值及对应的等级值确定为所述脂肪区域峰值的频率值及等级值。
7.如权利要求5或6所述的方法,其中,确定所述软区域峰值的步骤包括:在规定的等级值范围内进行峰值检测处理。
8.如权利要求7所述的方法,其中,将下述中的任一者确定为所述第1阈值:
·比所述脂肪区域峰值的等级值小的等级值,并且,所述等级值在从所述下限的等级值至所述第2阈值为止的范围内,其频率值为所述脂肪区域峰值的频率值的规定比例以下或低于所述规定比例;
·在从所述下限的等级值至所述脂肪区域峰值的等级值为止的范围内所述变化量最大的等级值;
将比与所述软区域峰值对应的等级值大、且其频率值为所述软区域峰值的频率值的规定比例的等级值确定为所述第3阈值。
9.用于自动地进行CT图像的区域分割的方法,所述CT图像已通过权利要求1至8中任一项所述的方法被确定了所述第1~第3阈值,所述方法包括下述步骤:
制作空气区域容积曲线图,所述曲线图在一个轴取所述CT图像的体轴截面切片的切片编号,在另一个轴取各切片编号所对应的切片中像素值为所述第1阈值以下或小于所述第1阈值的像素组的至少一部分的容积;以及
将下述体轴截面切片确定为位于胸部上端的胸部起点切片,所述体轴截面切片是比所述空气区域容积曲线图呈现最大值的体轴截面切片更靠头顶侧、且其容积值为所述空气区域容积曲线图的最大值的规定比例的体轴截面切片。
10.如权利要求9所述的方法,所述方法包括下述步骤:在确定所述胸部起点切片之前,对所述空气区域容积曲线图实施平滑处理。
11.如权利要求9或10所述的方法,所述方法还包括下述步骤:
制作软区域容积曲线图,所述曲线图在一个轴取所述CT图像的体轴截面切片的切片编号,在另一个轴取各切片编号所对应的切片中像素值在所述第2阈值至所述第3阈值之间的像素组的容积;以及
将下述体轴截面切片确定为位于上腹部上端的上腹部起点切片,所述体轴截面切片是比所述空气区域容积曲线图呈现最大值的体轴截面切片更靠下肢侧、且所述软区域容积曲线图的容积值最大的体轴截面切片。
12.如权利要求11所述的方法,所述方法包括下述步骤:在确定所述上腹部起点切片之前,对所述软区域容积曲线图实施平滑处理。
13.如权利要求9至13中任一项所述的方法,所述方法还包括下述步骤:将下述体轴截面切片确定为位于颈部上端的颈部起点切片,所述体轴截面切片是比所述胸部起点切片更靠头顶侧、且所述空气区域容积曲线图的容积值最大的体轴截面切片。
14.如权利要求13所述的方法,所述方法还包括下述步骤:
对于比所述颈部起点切片更靠头顶侧的体轴截面切片进行3D标记;
确定在体轴截面切片中位于中央部的标记、即头部标记;以及
以从所述颈部起点切片向头顶侧的方式针对各体轴截面切片计算像素值在所述第2阈值至所述第3阈值之间的、与所述头部标记对应的区域的像素组的容积,将所述容积最先成为零的体轴截面切片确定为位于头部上端的头部起点切片。
15.如权利要求11或12、及从属于权利要求11或12的权利要求13或14中任一项所述的方法,所述方法还包括下述步骤:针对比所述上腹部起点切片更靠下肢侧的体轴截面切片,基于骨量的变化而确定位于下腹部上端的下腹部起点切片。
16.如权利要求15所述的方法,其中,确定所述下腹部起点切片的步骤包括:
对于比所述上腹部起点切片更靠下肢侧的体轴截面切片进行3D标记,确定最大的标记、即躯干标记;
对于比所述上腹部起点切片更靠下肢侧的体轴截面切片,提取像素值为所述第3阈值以上或大于所述第3阈值的、与所述躯干标记对应的区域的像素组,并且对于所述提取的像素组进行3D标记,确定最大的标记、即脊椎·骨盆·股骨标记;
针对比所述上腹部起点切片更靠下肢侧的体轴截面切片中的各切片,制作像素值为所述第3阈值以上或大于所述第3阈值的、与所述脊椎·骨盆·股骨标记对应的像素组的外接矩形;以及
将所述外接矩形的变化量最大的体轴截面切片确定为位于下腹部上端的下腹部起点切片。
17.如权利要求16所述的方法,其中,所述方法还包括下述步骤:
针对从所述下腹部起点切片至下肢侧的体轴截面切片中的各切片进行下述操作:
对于像素值为所述第3阈值以上或大于所述第3阈值的、与所述躯干标记对应的区域的像素组进行标记的操作,
提取大小排前两位的标记,若这两个标记未重叠,则将这两个标记确定为股骨标记的操作,
在所述股骨标记得以确定的情况下,针对所述股骨标记中的各标记而提取孔的操作,以及
在得以提取所述孔的情况下,计算像素值为所述第3阈值以上或大于所述第3阈值的、与所述股骨标记对应的区域的像素组的容积、即股骨容积的操作;
计算从所述下腹部起点切片至下肢侧的体轴截面切片中的下述像素组的容积的最大值,所述像素组是像素值为所述第3阈值以上或大于所述第3阈值的、与所述躯干标记对应的区域的像素组;以及
将下述切片确定为位于下肢上端的下肢起点切片,所述切片是从所述下腹部起点切片至下肢侧的体轴截面切片中的、在已计算出所述股骨容积的体轴截面切片中所述股骨容积的值成为所述最大值的规定比例的首个切片。
18.如权利要求1至17中任一项所述的方法,所述方法针对已实施了与核医学图像的配准的CT图像进行。
19.用于从核医学图像自动地去除生理性蓄积的方法,所述方法包括下述步骤:
读入通过从属于权利要求14的权利要求17所述的方法确定的、头部起点切片的切片位置信息和颈部起点切片的切片位置信息;
在所述核医学图像中,使用所述头部起点切片的切片位置和所述颈部起点切片的切片位置来设定最大像素值搜索区域;
在所述最大像素值搜索区域中,确定具有最大像素值的像素;以及
从所述具有最大像素值的像素,通过区域增长的方法,确定头部的高蓄积区域。
20.如权利要求19所述的方法,所述方法还包括对所述确定的脑区域施以掩蔽而显示所述核医学图像的步骤。
21.用于从核医学图像自动地去除生理性蓄积的方法,所述方法包括下述步骤:
读入通过从属于权利要求16的权利要求17至19中任一项所述的方法确定的、下腹部起点切片的切片位置信息和下肢起点切片的切片位置信息;
在所述核医学图像中,使用所述下腹部起点切片的切片位置和所述下肢起点切片的切片位置,设定最大像素值搜索区域;
在所述最大像素值搜索区域中,确定具有最大像素值的像素;以及
从所述具有最大像素值的像素,通过区域增长的方法,确定膀胱部的高蓄积区域。
22.如权利要求21所述的方法,所述方法包括对所述确定的膀胱区域施以掩蔽而显示所述核医学图像。
23.装置,其具备处理机构和存储机构,所述存储机构具备程序指令,所述程序指令构成为:当其被所述处理机构执行时使所述装置执行权利要求1至22中任一项所述的方法。
24.计算机程序,其具备下述程序指令,所述程序指令构成为:当其被装置的机构执行时使所述装置执行权利要求1至22中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016-080087 | 2016-04-13 | ||
JP2016080087 | 2016-04-13 | ||
PCT/JP2017/001460 WO2017179256A1 (ja) | 2016-04-13 | 2017-01-18 | 核医学画像からの生理的集積の自動除去及びct画像の自動セグメンテーション |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109069094A true CN109069094A (zh) | 2018-12-21 |
Family
ID=60041644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780023599.2A Pending CN109069094A (zh) | 2016-04-13 | 2017-01-18 | 从核医学图像对生理性蓄积的自动去除及ct图像的自动分割 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20190150860A1 (zh) |
EP (1) | EP3443907A4 (zh) |
JP (1) | JP6735340B2 (zh) |
KR (1) | KR20180128001A (zh) |
CN (1) | CN109069094A (zh) |
TW (1) | TW201736865A (zh) |
WO (1) | WO2017179256A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131388A (zh) * | 2022-03-03 | 2022-09-30 | 中国人民解放军总医院第四医学中心 | 骨量定向叠加计算的提取方法、装置及设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931251A (zh) * | 2016-05-12 | 2016-09-07 | 中国科学院深圳先进技术研究院 | 一种ct图像扫描床去除方法及装置 |
TWI697010B (zh) * | 2018-12-28 | 2020-06-21 | 國立成功大學 | 醫療矢面影像的取得方法、神經網路的訓練方法及計算機裝置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5068788A (en) * | 1988-11-29 | 1991-11-26 | Columbia Scientific Inc. | Quantitative computed tomography system |
US6278761B1 (en) * | 1998-10-28 | 2001-08-21 | Electronics And Telecommunications Research Institute | Method of establishing range of somatic fat by Gaussian function approximation in computerized tomography |
US20030223627A1 (en) * | 2001-10-16 | 2003-12-04 | University Of Chicago | Method for computer-aided detection of three-dimensional lesions |
CN103106408A (zh) * | 2013-01-25 | 2013-05-15 | 西安电子科技大学 | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 |
CN103400385A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 稀疏动态集成选择的胃部ct图像疑似淋巴结提取方法 |
US20150055840A1 (en) * | 2013-08-21 | 2015-02-26 | Seiko Epson Corporation | Ultrasound Image Object Boundary Localization by Intensity Histogram Classification Using Relationships Among Boundaries |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2190570B (en) * | 1986-04-14 | 1991-01-23 | Pixar | Method and apparatus for imaging volume data |
JP3453085B2 (ja) * | 1998-07-23 | 2003-10-06 | ジーイー横河メディカルシステム株式会社 | X線ct装置 |
US7177453B2 (en) * | 2002-11-26 | 2007-02-13 | General Electric Company | Method and apparatus for partitioning a volume |
JP4800127B2 (ja) * | 2006-06-29 | 2011-10-26 | 富士フイルム株式会社 | 医用画像分割装置、及び、医用画像分割プログラム |
FR2921177B1 (fr) * | 2007-09-17 | 2010-01-22 | Gen Electric | Procede de traitement d'images anatomiques en volume et systeme d'imagerie mettant en oeuvre ce procede |
JP4437333B2 (ja) * | 2007-09-28 | 2010-03-24 | 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 | 画像処理方法および画像処理装置並びにプログラム |
US8218848B2 (en) * | 2008-07-23 | 2012-07-10 | Siemens Aktiengesellschaft | System and method for the generation of attenuation correction maps from MR images |
JP2011062253A (ja) * | 2009-09-15 | 2011-03-31 | Hamamatsu Photonics Kk | 断層画像処理装置、筋断面積測定システム及び断層画像処理方法 |
WO2012125867A1 (en) * | 2011-03-15 | 2012-09-20 | The Trustees Of Columbia University In The City Of New York | Method and system for quality assurance of cross sectional imaging scans |
JP6073616B2 (ja) * | 2011-09-28 | 2017-02-01 | 東芝メディカルシステムズ株式会社 | X線ct装置、画像処理装置及びプログラム |
US9204817B2 (en) * | 2012-04-19 | 2015-12-08 | General Electric Company | Attenuation correction in positron emission tomography using magnetic resonance imaging |
WO2017106645A1 (en) * | 2015-12-18 | 2017-06-22 | The Regents Of The University Of California | Interpretation and quantification of emergency features on head computed tomography |
-
2017
- 2017-01-17 TW TW106101522A patent/TW201736865A/zh unknown
- 2017-01-18 CN CN201780023599.2A patent/CN109069094A/zh active Pending
- 2017-01-18 EP EP17782075.0A patent/EP3443907A4/en not_active Withdrawn
- 2017-01-18 JP JP2018511886A patent/JP6735340B2/ja active Active
- 2017-01-18 WO PCT/JP2017/001460 patent/WO2017179256A1/ja active Application Filing
- 2017-01-18 US US16/093,423 patent/US20190150860A1/en not_active Abandoned
- 2017-01-18 KR KR1020187028700A patent/KR20180128001A/ko unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5068788A (en) * | 1988-11-29 | 1991-11-26 | Columbia Scientific Inc. | Quantitative computed tomography system |
US6278761B1 (en) * | 1998-10-28 | 2001-08-21 | Electronics And Telecommunications Research Institute | Method of establishing range of somatic fat by Gaussian function approximation in computerized tomography |
US20030223627A1 (en) * | 2001-10-16 | 2003-12-04 | University Of Chicago | Method for computer-aided detection of three-dimensional lesions |
CN103106408A (zh) * | 2013-01-25 | 2013-05-15 | 西安电子科技大学 | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 |
CN103400385A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 稀疏动态集成选择的胃部ct图像疑似淋巴结提取方法 |
US20150055840A1 (en) * | 2013-08-21 | 2015-02-26 | Seiko Epson Corporation | Ultrasound Image Object Boundary Localization by Intensity Histogram Classification Using Relationships Among Boundaries |
Non-Patent Citations (1)
Title |
---|
梅媚,张力新,万柏坤: "基于CT图像的势函数聚类分割人体脂肪检测", 《天津大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131388A (zh) * | 2022-03-03 | 2022-09-30 | 中国人民解放军总医院第四医学中心 | 骨量定向叠加计算的提取方法、装置及设备 |
CN115131388B (zh) * | 2022-03-03 | 2023-09-01 | 中国人民解放军总医院第四医学中心 | 骨量定向叠加计算的提取方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
JP6735340B2 (ja) | 2020-08-05 |
US20190150860A1 (en) | 2019-05-23 |
JPWO2017179256A1 (ja) | 2019-02-21 |
EP3443907A4 (en) | 2019-08-14 |
TW201736865A (zh) | 2017-10-16 |
KR20180128001A (ko) | 2018-11-30 |
WO2017179256A1 (ja) | 2017-10-19 |
EP3443907A1 (en) | 2019-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11538575B2 (en) | Similar case retrieval apparatus, similar case retrieval method, non-transitory computer-readable storage medium, similar case retrieval system, and case database | |
EP3432784B1 (en) | Deep-learning-based cancer classification using a hierarchical classification framework | |
US10083515B2 (en) | Method and system for segmenting medical imaging data according to a skeletal atlas | |
CN106659424B (zh) | 医用图像显示处理方法、医用图像显示处理装置及程序 | |
CN102113016B (zh) | 对数据集进行选择性交互式处理的方法 | |
US20190122363A1 (en) | Tomographic Data Analysis | |
CN107004305A (zh) | 医学图像编辑 | |
US20130120443A1 (en) | Systems and methods for performing image background selection | |
US20100260394A1 (en) | Image analysis of brain image data | |
CN109069094A (zh) | 从核医学图像对生理性蓄积的自动去除及ct图像的自动分割 | |
CN106355586B (zh) | 一种人体胸部器官组织的自动提取方法 | |
US7421100B2 (en) | Method, computer program and system of visualizing image data | |
Gao et al. | CCE-Net: A rib fracture diagnosis network based on contralateral, contextual, and edge enhanced modules | |
US20140228667A1 (en) | Determining lesions in image data of an examination object | |
Le et al. | Automatic segmentation of mandibular ramus and condyles | |
Rastgarpour et al. | The problems, applications and growing interest in automatic segmentation of medical images from the year 2000 till 2011 | |
Büyük et al. | Artificial intelligence and machine learning in orthodontics | |
CN105825508A (zh) | 一种基于脑部医学图像分割的脑积水辅助诊断方法 | |
JP6827786B2 (ja) | 輪郭抽出装置、輪郭抽出方法およびプログラム | |
CN106662657A (zh) | 头部核医学图像的评价方法 | |
WO2017179255A1 (ja) | Ct画像中の骨領域の自動推定方法、装置、およびコンピュータプログラム | |
Kumar et al. | Morphometric analysis of foramen magnum using helical computed tomogrophy for gender determination | |
Bajwa et al. | Computer-aided detection (CADe) system for detection of malignant lung nodules in CT slices-a key for early lung cancer detection | |
Urooj et al. | Computer-Aided System for Pneumothorax Detection through Chest X-ray Images using Convolutional Neural Network | |
CN115760961A (zh) | 血管图像处理方法、装置、服务器及后处理图像生成系统 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1260145 Country of ref document: HK |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181221 |