CN109416835B - 医学图像中的变化检测 - Google Patents

医学图像中的变化检测 Download PDF

Info

Publication number
CN109416835B
CN109416835B CN201780040075.4A CN201780040075A CN109416835B CN 109416835 B CN109416835 B CN 109416835B CN 201780040075 A CN201780040075 A CN 201780040075A CN 109416835 B CN109416835 B CN 109416835B
Authority
CN
China
Prior art keywords
image
intensity
medical image
difference
distribution
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
CN201780040075.4A
Other languages
English (en)
Other versions
CN109416835A (zh
Inventor
T·D·席尔曼
S·T·耶海兹克利
Y·卡姆
G·沙基林
F·O·蒂勒
R·卡茨
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 CN109416835A publication Critical patent/CN109416835A/zh
Application granted granted Critical
Publication of CN109416835B publication Critical patent/CN109416835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

Abstract

提供了用于医学图像中的变化检测的系统和方法。生成表示第一医学图像与第二医学图像之间的强度差值的差值图像。将混合模型拟合到所述差值图像的强度分布以识别共同地建模所述强度分布的多个概率分布。多个强度范围是根据所述多个概率分布来确定的。通过确定标记的图像数据落入所述多个强度范围中的哪个强度范围内来标记所述差值图像的图像数据。因此，获得比已知的系统和方法更准确的变化检测。

Description

医学图像中的变化检测
技术领域
本发明涉及用于医学图像中的变化检测的系统和方法。本发明还涉及包括所述系统的服务器、成像装置和工作站。本发明还涉及包括用于使处理器系统执行所述方法的指令的计算机可读介质。
背景技术
医学图像可以示出患者的解剖结构和/或下层组织的功能属性。可能希望检测患者的解剖结构(的部分)或下层组织的功能属性的变化。这些变化可以表示疾病状态的变化或其他类型的解剖学变化。例如，变化可以是由于肿瘤的生长、多发性硬化症(MS)的进展等或与之相关联。通过检测变化以及变化的类型，可能能够例如通过调整处置策略来更好地处置疾病。为了检测这些变化，可以对示出不同时刻的解剖结构的医学图像进行比较。备选地或额外地，医学图像可以在例如与健康和患病的患者相关的其他方面不同。用于检测医学图像中的变化的常见方法是例如由放射科医生进行的人工视觉检查。然而，这样的人工视觉检查往往是耗时的，并且例如肿瘤生长、水肿等的精细变化的检测可能是困难的且不准确的。
I.Kakadiaris等人的文章“Signal-Processing Approaches to RiskAssessment in Coronary Artery Disease”(IEEE Signal Processing Magazine，第23卷，第59至62页，(2006年))公开了一种用于血管滋养管微血管的血管内超声成像的方法。V.Bevilacqua等人的文章“Retina images processing using genetic algorithm andmaximum likelihood method”(Proceedings advances in computer science andtechnology，第277至280页，(2004年))公开了一种用于使用遗传算法和最大似然方法的视网膜图像处理的系统。J.Suarez de Lezo等人的文章“Intracoronary UltrasoundAssessment of Directional Coronary Atherectomy:Immediate and Follow-UpFindings”(Journal of the American College of Cardiology，第21卷，第298至307页，(1993年))公开了一种包括调整超声增益和灰度设置以优化期望结构的可视化的方法。L.Bruzzone等人的文章“Automatic Analysis of the Difference Image forUnsupervised Change Detection”(IEEE Transactions on Geoscience and RemoteSensing，第38卷，第1171至1182页，(2000年))公开了用于确定变化是否已经在图像的像素位置处发生的技术，其中，这些技术是基于贝叶斯理论的。
此外，US2004/0092809A1公开了一种用于诊断对象的状况的计算机辅助方法，其中，所述状况与可以由例如脑部的离散定位区域定义的一个或多个感兴趣区域中的激活相关联，其中，所述离散定位区域可以通过找到三维医学图像中的由与背景状况相比的刺激或行为调制的体素而在生理学上进行定义。
用于自动检测医学图像中的变化的许多方法在本领域中是已知的。例如，Patriarche和Erickson在“A review of the Automated Detection of Change inSerial Imaging Studies”(Journal of Digital Imaging，第17卷，第3期，2004年(9月)，第158-174页)中评述了许多已知的方法。
由Patriarche和Erickson引用的方法中的一种是Hsu等人的方法(“Newlikelihood test methods for change detection in image sequences”(ComputerVision,Graphics,and Image Processing，第26卷，1984年，第73-106页)。提出的方法使用似然比来测试一组体素是否正在变化，只要其幅度足够高，其允许更小的集群被检测为变化，以及在更小的变化要求的情况下更大的集群被检测为变化。据称基于集群大小的阈值不仅能够将大幅度的变化与噪声分开，而且将由经历相同类型的变化的空间邻近组体素组成的小得多的幅度的变化分开。
Patriarche和Erickson在“Automated Change Detection andCharacterization in Serial MR Studies of Brain-Tumor Patients”(Journal ofDigital Imaging，2007年，20(3)，第203-222页)中进一步描述了比较脑部肿瘤患者的序列MRI脑部检查并且将它们判断为稳定的或进展的算法。据说该算法比较脑部肿瘤患者的序列成像研究，产生变化图：针对每个脑部体素的变化的性质(如果有的话)和变化的幅度两者。作为输出，获得被叠加在解剖图像上的颜色编码的变化图。
发明内容
不利地，自动变化检测的已知方法是不够准确的。具有提供医学图像中的更准确的变化检测的系统和方法将是有利的。
本发明的第一方面提供了一种用于医学图像中的变化检测的系统，包括：
-图像数据接口，其被配置为访问第一医学图像和第二医学图像；
-处理器，其被配置为：
-生成表示所述第一医学图像与所述第二医学图像之间的强度差值的差值图像；
-确定所述差值图像的强度分布；
-将混合模型拟合到所述强度分布以识别共同地建模所述强度分布的多个概率分布，其中，所述多个概率分布中的每个概率分布表示不同类型的变化；
-确定所述强度分布中的多个强度范围，其中，所述多个强度范围中的每个强度范围是根据所述多个概率分布中的相应概率分布来确定的并且表示所述不同类型的变化；并且
-通过确定标记的图像数据落入所述多个强度范围中的哪个强度范围内来标记所述差值图像的图像数据。
本发明的又一方面提供了一种包括所述系统的服务器、工作站或成像装置。
本发明的又一方面提供了一种医学图像中的变化检测的方法，包括：
-访问第一医学图像和第二医学图像；
-生成表示所述第一医学图像与所述第二医学图像之间的强度差值的差值图像；
-确定所述差值图像的强度分布；
-将混合模型拟合到所述强度分布以识别共同地建模所述强度分布的多个概率分布，其中，所述多个概率分布中的每个概率分布表示不同类型的变化；
-确定所述强度分布中的多个强度范围，其中，所述多个强度范围中的每个强度范围是根据所述多个概率分布中的相应概率分布来确定的并且表示所述不同类型的变化；并且
-通过确定标记的图像数据落入所述多个强度范围中的哪个强度范围内来标记所述差值图像的图像数据。
本发明的又一方面提供了一种计算机可读介质，包括表示用于使处理器系统执行所述方法的指令的瞬态或非瞬态数据。
以上措施提供了被配置为访问第一医学图像和第二医学图像的图像数据接口。医学图像可以通过各种成像模态来进行采集。这样的成像模态可以包括CT和MRI、正电子发射断层摄影、SPECT扫描、超声波扫描等。
以上措施提供了被配置为生成表示第一医学图像与第二医学图像的图像强度之间的差值的差值图像的处理器。差值图像可以通过例如第一医学图像与第二医学图像的相减或第二医学图像与第一医学图像的相减来获得。用于差值图像的另一术语可以是相减图像或变化图像、或在医学图像和差值图像是图像体积、相减体积或变化体积的情况下。差值图像也可以被称为‘图’，例如，相减图或变化图。
所述处理器还被配置为确定差值图像的强度分布。确定图像的强度分布在本领域中本身是已知的。例如，图像的强度值的直方图可以被计算。
所述处理器还被配置为将混合模型拟合到强度分布。混合模型(诸如高斯混合模型、多变量高斯混合模型、分类混合模型等)在本领域中本身是已知的。混合模型可以被定义为用于表示存在于总群内的亚群的概率模型。通过将混合模型拟合到强度分布，可以识别共同地建模强度分布的多个概率分布。应注意混合模型可以表示一组参数，而混合模型的所述拟合可以通过可由处理器执行的估计所述参数的值的一组指令来提供。指令可以表示如在本领域中本身已知的用于估计混合模型的算法，例如，通过期望最大化(EM)的高斯混合模型的最大似然估计，例如，作为标准教科书知识的一部分并且在例如RameshSridharan于2016年6月28日在https://people.csail.mit.edu/rameshvs/content/gmm-em.pdf处访问的介绍注释“Gaussian mixture models and the EM algorithm”中描述的，关于高斯混合模型的估计的其内容以引用方式被并入本文。
所述处理器还被配置为根据识别的概率分布来导出强度分布中的多个强度范围。例如，每个强度范围可以被定义为表示特定概率区间。非限制性范例可以是，如果每个概率分布是正态分布，则强度范围可以被定义为正态分布的平均值附近的偏差。一般地，强度范围可以被确定为表示这样的强度范围，其中，强度值属于由该强度范围从其导出的相应概率分布建模的亚群是可能的或最可能的。
所述处理器还被配置为使用所确定的图像区间来标记差值图像的图像数据，即通过确定标记的图像数据落入多个强度范围中的哪个强度范围内。有效地，像素或体素可以被标记以识别该特定像素或体素被估计为属于哪个亚群。
以上措施是基于不同类型的变化可能在差值图像中具有不同的强度分布并且这些不同类型的变化的强度分布可以通过不同的概率分布来建模的认识。因此，以上措施涉及从差值图像估计不同的概率分布。具体地，通过将混合模型拟合到例如整个差值图像或被包含在其中的一个或多个感兴趣区域的观察到的差值图像的强度分布，可以识别一起建模观察到的强度分布的多个概率分布。混合模型和用于拟合混合模型的算法在统计学领域中本身是已知的。此外，词语‘共同地’可以指的是针对给定强度值的到归一化值1的概率分布求和，但是这不是限制。
多个概率分布中的每个概率分布表示不同类型的变化。非限制性范例可以是从观察到的强度分布估计的可以表示肿瘤生长的第一概率分布，第二概率分布可以表示过渡区域，并且第三概率分布可以表示水肿。在已经估计了这些不同的概率分布的情况下，各自表示不同类型的变化的强度区间可以被确定。例如，每个强度区间可以被选择为是其中相应概率分布大于其他概率分布的区间，表示落入该强度范围内的强度最可能与由该特定概率分布表示的变化的类型相关联。在已经确定了多个强度区间的情况下，差值图像中的图像数据可以被相应地标记，因为合适的元数据可以被创建。应注意标记可以不必表示生物学解读，例如，不论它是肿瘤生长、过渡区域还是水肿，而是仅仅表示不同的标记，例如，类型A、类型B和类型C，这允许这样的生物学解读随后被例如放射科医生或自动分类算法分配。因此，如果变化已经发生，即变化能够被表征，则能够在不同类型的变化之间进行区分。变化的这种表征能够被认为是“变化的”种类内的不同种类的变化的建模。
有利地，以上方法可以允许比是基于单独分析第一医学图像和第二医学图像的强度并且随后基于这样的图像分析的结果来检测变化以及变化的类型的变化检测更准确地检测精细变化。
任选地，所述混合模型是高斯混合模型，并且其中，所述概率分布是高斯分布。高斯混合模型(此后也被简称为GMM)处于用于建模概率分布的大多数统计学成熟方法之中。高斯混合模型可以被定义为假设所有数据点都从具有已知参数的有限数量的高斯分布的混合中生成的概率模型。
任选地，所述处理器被配置为确定所述多个概率分布之间的交叉点，并且所述多个强度范围是基于所述交叉点来定义的。多个概率分布之间的交叉点表示其中一个概率函数的概率匹配并且然后可以超过另一概率函数的概率的点。有效地，交叉点可以用来定义其中变量(例如，像素或体素的强度值)属于特定亚群是最可能的范围。使用这些交叉点因此可以有利地帮助定义强度范围。
任选地，所述处理器被配置为在生成所述差值图像之前执行以下项中的至少一项：所述第一医学图像与所述第二医学图像之间的图像配准，以及强度归一化。有利地，当第一医学图像与第二医学图像之间的图像配准和/或强度归一化被预先执行时，差值图像可以被更准确地生成。差值图像的更准确的生成可以有利地导致医学图像中的更准确的变化检测。
任选地，所述处理器被配置为在生成所述差值图像之后选择所述差值图像中的至少一个感兴趣区域，并且确定所述强度分布以选择性地表示所述至少一个感兴趣区域的所述强度分布。因此，强度分布的确定和随后的步骤仅针对差值图像的(一个或多个)部分来执行。通过仅针对图像的(一个或多个)部分执行所述步骤，变化检测的计算复杂性可以被降低。
任选地，所述处理器被配置为基于表示非零差值的所述感兴趣区域的所述图像数据来选择所述差值图像中的所述至少一个感兴趣区域。变化检测因此可以集中于可以实际表示变化的差值图像的区域。应注意(一个或多个)感兴趣区域的选择可以包括使用阈值化或类似的技术来识别表示被认为显著的变化的(一个或多个)感兴趣区域。
任选地，所述系统还包括用于使得用户能够指示所述差值图像中的所述至少一个感兴趣区域的用户输入接口。用户输入接口可以从可由用户操作的用户输入设备接收用户输入命令。具体地，用户可以使用用户输入设备(例如，计算机鼠标、键盘或触摸屏)来指示差值图像中的感兴趣区域。非限制性范例是用户可以移动屏幕上的指针，并且通过在差值图像中的感兴趣区域上进行点击来指示感兴趣区域。因此，使得用户能够识别差值图像中的他/她希望将变化检测应用于的(一个或多个)感兴趣区域。
任选地，所述第一医学图像和所述第二医学图像是体积图像。任选地，所述第一医学图像和所述第二医学图像表示纵向成像数据。纵向成像数据指的是例如在随后的检查期间从同一患者重复获得的成像数据。因此，医学图像表示例如由于疾病或恢复而在特定患者中发生的变化。这构成了变化检测的特别相关的应用。
任选地，所述处理器被配置为生成包括对所述图像数据的所述标记的可视化的输出图像。在输出图像中对标记的可视化可以便于差值图像中的检测到的变化的审查和评估。输出图像可以被输出给内部或外部显示器以用于可视化。备选地，标记可以用于不同的非视觉目的，例如，作为到临床决策支持系统的输入、作为到自动分类算法的输入等。
任选地，所述处理器被配置为将所述可视化生成为在以下项中的至少一项上的叠加：所述差值图像、所述第一医学图像和所述第二医学图像。这样的叠加可以有利地便于差值图像、第一医学图像和/或第二医学图像中的检测到的变化的可视化和评估。这因此可以帮助用户更好地解读变化。
本领域技术人员将会意识到上面提到的本发明的实施例、实施方式和/或任选方面中的两个或更多个可以以被认为有用的任何方式进行组合。
对应于所描述的系统的修改和变化的服务器、工作站、成像装置、方法和/或计算机程序产品的修改和变化能够由本领域技术人员在本描述的基础上执行。
本领域技术人员将会意识到所述系统和方法可以被应用于通过各种采集模态(诸如但不限于标准X射线成像、计算机断层摄影(CT)、磁共振成像(MRI)、超声(US)、正电子发射断层摄影(PET)、单光子发射计算机断层摄影(SPECT)和核医学(NM))采集的多维图像数据，(例如二维(2D)、三维(3D)或四维(4D)图像)。
附图说明
参考以下描述中以范例的方式描述的实施例并且参考附图，本发明的这些和其他方面将会是显而易见的并且得到进一步阐明，在附图中：
图1示出了用于医学图像中的变化检测的系统；
图2A示出了第一医学图像；
图2B示出了第二医学图像；
图2C示出了表示第一医学图像与第二医学图像之间的强度差值的差值图像；
图3示出了图2C的差值图像的强度分布以及被拟合到强度分布的高斯分布的混合分量；
图4示出了图2B的第二医学图像，其中，由系统对图像数据的标记以叠加的形式示出；
图5示出了用于医学图像中的变化检测的方法；并且
图6示出了包括用于使处理器系统执行所述方法的指令的计算机可读介质。
应当注意，附图纯粹是图解性的并且未按比例绘制。在附图中，对应于已经描述的元件的元件可以具有相同的附图标记。
附图标记列表
提供了附图标记的以下列表以便于附图的解读，并且不应当被理解为对权利要求进行限制。
020 图像储存库
022 第一医学图像
024 第二医学图像
040 用户输入设备
042 用户输入命令
062 显示数据
080 显示器
100 用于医学图像中的变化检测的系统
120 图像数据接口
140 用户输入接口
142 数据通信
160 处理器
200 第一医学图像
210 第二医学图像
220 差值图像
300 差值图像的强度分布
315 拟合的混合模型的第一分量
320 拟合的混合模型的第二分量
325 第一分量与第二分量的交叉点
410 标记的医学图像
415 图像数据的标记
500 用于医学图像中的变化检测的方法
510 访问医学图像
520 生成差值图像
530 确定强度分布
540 拟合混合模型
550 确定强度范围
560 标记图像数据
670 计算机可读介质
680 被存储为非瞬态数据的指令
具体实施方式
图1示出了被配置用于医学图像中的变化检测的系统100。系统100包括被配置为访问第一医学图像和第二医学图像的图像数据接口120。在图1的范例中，图像数据接口120被示为被连接到外部图像储存库020，所述外部图像储存库包括第一医学图像022和第二医学图像024的图像数据。例如，图像储存库020可以由医院信息系统(HIS)的影像归档和通信系统(PACS)构成或是其一部分，系统100可以被连接到医院信息系统(HIS)或被包括其中。因此，系统100可以经由HIS获得对第一医学图像022和第二医学图像024的图像数据的访问。备选地，第一医学图像和第二医学图像的图像数据可以从系统100的内部数据存储设备进行访问。一般地，图像数据接口120可以采取各种形式，诸如到局域网或广域网(例如，互联网)的网络接口、到内部或外部数据存储设备的存储设备接口等。
系统100还包括处理器160。处理器160被配置为在系统100的操作期间从图像数据接口120接收图像数据022，生成表示第一医学图像与第二医学图像之间的强度差值的差值图像，并且确定差值图像的强度分布。处理器160还被配置为将混合模型拟合到强度分布，以识别共同地建模强度分布的多个概率分布，并且确定强度分布中的多个强度范围，其中，多个强度范围中的每个强度范围是根据多个概率分布中的相应概率分布来确定的。处理器160还被配置为通过确定标记的图像数据落入多个强度范围中的哪个强度范围内来标记差值图像的图像数据。
系统100的操作的这些和其他方面将会参考图2-图4进一步阐明。
图1还示出了系统100的任选方面，因为处理器160可以被配置为生成包括对图像数据的所述标记的可视化的输出图像。输出图像可以以显示数据062的形式被输出给外部显示器080。备选地，显示器可以是系统100的一部分。备选地，显示数据062可以由单独的显示处理器(未示出)生成，其中，处理器160为显示处理器提供输出图像。
图1还示出了系统100可以任选地包括用户输入接口140，所述用户输入接口被配置为从用户输入设备040接收用户输入命令042以使得用户能够通过操作用户输入设备040来指示差值图像中的感兴趣区域。该功能将会参考图2A-图2C进一步解释。用户输入设备040可以采取各种形式，包括但不限于计算机鼠标、触摸屏、键盘等。图1示出了为计算机鼠标040的用户输入设备。一般地，用户输入接口140可以是对应于用户输入设备040的类型的类型，即，它可以是对应其的用户设备接口。
系统100可以被体现为或在单个设备或装置中，诸如移动设备(便携式电脑、平板电脑、智能手机等)、服务器、工作站或成像装置。所述设备或装置可以包括执行适当软件的一个或多个微处理器。软件可以已经被下载和/或被存储在对应的存储器中，例如，易失性存储器(诸如RAM)或非易失性存储器(诸如闪存)。处理器可以是计算机处理器、微处理器等。备选地，系统的功能单元(例如，图像数据接口、用户输入接口和处理器)可以在可编程逻辑形式(例如为现场可编程门阵列(FPGA)的设备或装置中被实施。一般地，系统的每个功能单元可以以电路的形式来实施。应注意系统100也可以以分布的方式来实施，例如，涉及不同的设备或装置。例如，分布可以是根据客户端-服务器模型，例如，使用服务器和瘦客户端PACS工作站。
图2A-图2C和图3图示了图1的系统100的处理器160的操作的各种中间结果。即，图2A示出了第一医学图像200，并且图2B示出了第二医学图像210。两个医学图像200、210可以表示例如在不同时刻采集的患者的图像数据。图2C示出了表示第一医学图像与第二医学图像之间的强度差值的差值图像220。差值图像220可以通过例如第一医学图像与第二医学图像的相减或第二医学图像与第一医学图像的相减来获得。图3示出了图2C的差值图像220的强度分布300以及被处理器估计以近似强度分布300的混合模型315、320的分量。应注意在图3中，水平轴表示强度差值，而垂直轴表示概率值。
一旦强度分布300已经被处理器确定，联合地建模强度分布300的多个概率分布就可以被识别，即通过将混合模型拟合到强度分布300。混合模型可以是多个分量的混合，其中，每个分量属于分布的同一参数族。在图3的范例中，拟合的混合模型被示为包括联合地建模强度分布300的第一分量315和第二分量320。应注意混合模型和用于将混合模型拟合到数据分布的算法在统计学领域中本身是已知的。在图3的范例中，高斯混合模型可以被拟合到强度分布300。然而，这不是限制，因为其他已知类型的混合模型也可以被使用。具体地，混合模型的类型的选择可以取决于差值图像的(预期的)强度分布，并且可以针对具体临床应用被手动地选择，例如，被预先确定。
一旦拟合的混合模型的分量被确定，多个强度范围就可以根据识别的概率分布来定义。例如，每个强度范围可以被定义为表示特定概率区间。一般地，强度范围可以被确定为表示这样的强度范围，其中，强度值属于由该强度范围从其导出的相应概率分布建模的亚群是可能的或最可能的。在非限制性范例中，强度范围可以基于拟合的混合模型的分量之间的交叉点来定义。在图3的范例中，第一分量和第二分量的交叉点325可以被确定，并且随后强度范围可以基于交叉点325来定义。在该特定范例中，交叉点可以对应于‘50’的强度差值。相应地，第一强度范围可以被确定为使‘50’作为上限，并且第二强度范围可以被确定为使‘50’作为下限。
图4示出了标记的医学图像410，其中，由图1的系统100对图像数据的标记415以叠加的形式示出。标记的差值图像410可以被图1的系统100生成为输出图像，例如，以用于显示给临床医生。标记可以通过确定差值图像的图像数据落入多个强度范围中的哪个强度范围内来执行。有效地，像素或体素可以被标记以识别该特定像素或体素被估计为属于哪个亚群。这样的标记的范例简单地为类型A、类型B、类型C等、或类似的中性标记。因此，标签可以不直接表示生物学解读。然而，这样的生物学解读可以例如被放射科医生或自动分类算法明确地或隐含地分配给标签。
应注意虽然标记可以基于差值图像的强度分布来确定，但是可视化可以与第一医学图像或第二医学图像而非差值图像叠加或否则组合。图4是其范例，示出了与图2B的第二医学图像叠加的可视化。
应注意第一医学图像与第二医学图像之间的图像配准和/或强度归一化可以在生成差值图像之前被执行，但是例如当两个医学图像已经被配准或以不需要配准的方式被采集时，这可以不是必要的。此外，在图2-4的范例中，第一医学图像和第二医学图像被示为是2D图像。在其他范例中，图像可以是体积图像。第一医学图像和第二医学图像还可以表示例如同一患者的纵向成像数据。然而，来自不同患者的图像也可以被使用。
还应注意差值图像可以基于整个差值图像或具体地差值图像的一个或多个感兴趣区域来生成。感兴趣区域可以是可以包括感兴趣点和周围的图像数据的子面积或子体积。差值图像中的感兴趣区域可以基于表示差值图像中的非零差值的感兴趣区域的图像数据来选择。额外地或备选地，感兴趣区域可以由用户使用图1的系统100的用户输入接口来选择。在一范例中，用户可以使用计算机鼠标来指示差值图像中的感兴趣区域。非限制性范例是用户可以移动屏幕上的指针，并且通过在差值图像中的感兴趣区域上进行点击来指示感兴趣区域。
图5示出了用于医学图像中的变化检测的方法500。应注意方法500可以但不一定对应于如参考图1描述的系统100的操作。方法500包括，在标题为“访问医学图像”的操作中，访问510第一医学图像和第二医学图像。方法500还包括，在标题为“生成差值图像”的操作中，生成520表示第一医学图像与第二医学图像之间的强度差值的差值图像。方法500还包括，在标题为“确定强度分布”的操作中，确定530差值图像的强度分布。方法500还包括，在标题为“拟合混合模型”的操作中，将混合模型拟合540到强度分布以识别共同地建模强度分布的多个概率分布。方法500还包括，在标题为“确定强度范围”的操作中，确定550强度分布中的多个强度范围，其中，多个强度范围中的每个强度范围是根据多个概率分布中的相应概率分布来确定的。方法500还包括，在标题为“标记图像数据”的操作中，通过确定标记的图像数据落入多个强度范围中的哪个强度范围内来标记560差值图像的图像数据。
将认识到，以上操作可以以任何合适的顺序(例如，连续地、同时地、或其组合)被执行，在适当的情况下经受例如由输入/输出关系所必需的特定顺序。
方法500可以作为计算机实施的方法、作为专用硬件、或作为两者的组合被实施在计算机上。如同样在图6中图示的，用于计算机的指令(例如，可执行代码)可以例如以一系列680机器可读物理标记的形式和/或作为具有不同的电气性质(例如，磁性或光学性质或值)的一系列元件被存储在计算机可读介质670上。可执行代码可以以瞬态或非瞬态的方式被存储。计算机可读介质的范例包括存储器设备、光学存储设备、集成电路、服务器、在线软件等。图6示出了光盘670。
不论是被指示为非限制性还是限制性的范例、实施例或任选特征都不应被理解为限制如所要求保护的本发明。
将认识到，本发明也应用于计算机程序，特别是在载体上或在载体中的计算机程序，所述计算机程序适于将本发明付诸实践。程序可以是以源代码、目标代码、代码中间源和诸如以部分编译形式的目标代码的形式，或者以适合用于实施根据本发明的方法的任何其他形式。还应认识到，这样的程序可以具有许多不同的架构设计。例如，实施根据本发明的方法或系统的功能的程序代码可以被细分为一个或多个子例程。在这些子例程之间分布功能的许多不同方式对本领域技术人员来说将是显而易见的。子例程可以被共同存储在一个可执行文件中，以形成自包含程序。这样的可执行文件可以包括计算机可执行指令，例如，处理器指令和/或解读器指令(例如，Java解读器指令)。备选地，一个或多个或所有子例程可以被存储在至少一个外部库文件中，并且静态地或动态地(例如在运行时)与主程序链接。主程序包含对至少一个子例程的至少一个调用。子例程还可以包括对彼此的函数调用。涉及计算机程序产品的实施例包括计算机可执行指令，其对应于本文中提出的至少一个方法的每个处理阶段。这些指令可以被细分为子例程和/或存储在可以被静态地或动态地链接的一个或多个文件中。涉及计算机程序产品的另一实施例包括计算机可执行指令，其对应于本文中提出的系统和/或产品中的至少一个的每个单元。这些指令可以被细分为子例程和/或存储在可以被静态地或动态地链接的一个或多个文件中。
计算机程序的载体可以是能够承载程序的任何实体或设备。例如，载体可以包括存储介质，诸如ROM(例如，CDROM或半导体ROM)，或者磁记录介质(例如，硬盘)。此外，载体可以是诸如电学或光学信号的可传送载体，其可以经由电缆或光缆或通过无线电或其他工具来传达。当程序体现在这种信号中时，载体可以由这种线缆或其他设备或单元构成。备选地，载体可以是程序被体现在其中的集成电路，集成电路适于执行相关方法，或者用于相关方法的执行。
应当注意，上述实施例图示而非限制本发明，并且本领域技术人员能够在不脱离所附权利要求的范围的情况下设计许多备选实施例。在权利要求中，置于括号中的任何附图标记不应被解释为限制权利要求。动词“包括”及其词性变化的使用不排除存在不同于权利要求中所述的其他元件或步骤。在元件之前的词语“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括若干个不同元件的硬件来实施，并且可以借助于适当编程的计算机来实施。在列举了若干器件的设备权利要求中，这些器件中的若干可以由同一项硬件实现。尽管在相互不同的从属权利要求中记载了特定措施，但是这并不表示不能有利地使用这些措施的组合。

Claims (15)

1.一种用于医学图像中的变化检测的系统(100)，包括：
-图像数据接口(120)，其被配置为访问第一医学图像(022、200)和第二医学图像(024、210)；
-处理器(160)，其被配置为：
-生成表示所述第一医学图像(022、200)与所述第二医学图像(024、210)之间的强度差值的差值图像(220)；
-确定所述差值图像(220)的强度分布(300)；
-将混合模型拟合到所述强度分布以识别共同地建模所述强度分布(300)的多个概率分布(315、320)，其中，所述多个概率分布中的每个概率分布表示所述第一医学图像(022、200)与所述第二医学图像(024、210)之间的不同类型的解剖变化；
-确定所述强度分布(300)中的多个强度范围，其中，所述多个强度范围中的每个强度范围是根据所述多个概率分布(315、320)中的相应概率分布来确定的并且表示所述不同类型的解剖变化；并且
-使用所述强度分布中的所确定的强度范围来标记所述差值图像(220)的图像数据。
2.根据权利要求1所述的系统(100)，其中，所述混合模型是高斯混合模型，并且其中，所述概率分布(315、320)是高斯分布。
3.根据权利要求1所述的系统(100)，其中，所述处理器(160)被配置为确定所述多个概率分布(315、320)之间的交叉点(325)，并且其中，所述多个强度范围是基于所述交叉点(325)来定义的。
4.根据权利要求1所述的系统(100)，其中，所述处理器(160)被配置为在生成所述差值图像(220)之前执行以下项中的至少一项：
所述第一医学图像与所述第二医学图像之间的-图像配准，以及
-强度归一化。
5.根据权利要求1-4中的任一项所述的系统(100)，其中，所述处理器(160)被配置为在生成所述差值图像(220)之后：
-选择所述差值图像中的至少一个感兴趣区域；并且
-确定所述强度分布以选择性地表示所述至少一个感兴趣区域的所述强度分布。
6.根据权利要求5所述的系统(100)，其中，所述处理器(160)被配置为基于表示非零差值的所述感兴趣区域的所述图像数据来选择所述差值图像(220)中的所述至少一个感兴趣区域。
7.根据权利要求5所述的系统(100)，还包括用于使得用户能够指示所述差值图像(220)中的所述至少一个感兴趣区域的用户输入接口(140)。
8.根据权利要求1-4中的任一项所述的系统(100)，其中，所述第一医学图像(022、200)和所述第二医学图像(024、210)是体积图像。
9.根据权利要求1-4中的任一项所述的系统(100)，其中，所述第一医学图像(022、200)和所述第二医学图像(024、210)表示纵向成像数据。
10.根据权利要求1-4中的任一项所述的系统(100)，其中，所述处理器(160)被配置为生成包括对所述图像数据的所述标记的可视化(415)的输出图像(410)。
11.根据权利要求10所述的系统(100)，其中，所述处理器(160)被配置为将所述可视化(415)生成为在以下项中的至少一项上的叠加：所述差值图像、所述第一医学图像和所述第二医学图像。
12.一种服务器、工作站或成像装置，包括根据权利要求1至11中的任一项所述的系统(100)。
13.一种医学图像中的变化检测的方法(500)，包括：
-访问(510)第一医学图像和第二医学图像；
-生成(520)表示所述第一医学图像与所述第二医学图像之间的强度差值的差值图像；
-确定(530)所述差值图像的强度分布；
-将混合模型拟合(540)到所述强度分布以识别共同地建模所述强度分布的多个概率分布，其中，所述多个概率分布中的每个概率分布表示所述第一医学图像(022、200)与所述第二医学图像(024、210)之间的不同类型的解剖变化；
-确定(550)所述强度分布中的多个强度范围，其中，所述多个强度范围中的每个强度范围是根据所述多个概率分布中的相应概率分布来确定的并且表示所述不同类型的解剖变化；并且
-使用所述强度分布中的所确定的强度范围来标记(560)所述差值图像的图像数据。
14.一种计算机可读介质(670)，包括表示用于使处理器系统执行根据权利要求13所述的方法的指令的瞬态或非瞬态数据(680)。
15.一种计算机可读介质(670)，包括表示由通过根据权利要求1至11中的任一项所述的系统或根据权利要求13所述的方法生成的标记的图像数据的瞬态或非瞬态数据(680)。
CN201780040075.4A 2016-06-29 2017-06-29 医学图像中的变化检测 Active CN109416835B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16176819 2016-06-29
EP16176819.7 2016-06-29
PCT/EP2017/066130 WO2018002221A1 (en) 2016-06-29 2017-06-29 Change detection in medical images

Publications (2)

Publication Number Publication Date
CN109416835A CN109416835A (zh) 2019-03-01
CN109416835B true CN109416835B (zh) 2023-06-27

Family

ID=56296582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780040075.4A Active CN109416835B (zh) 2016-06-29 2017-06-29 医学图像中的变化检测

Country Status (7)

Country Link
US (1) US11182901B2 (zh)
EP (1) EP3479349B1 (zh)
JP (1) JP6595729B2 (zh)
CN (1) CN109416835B (zh)
CA (1) CA3029143A1 (zh)
RU (1) RU2752690C2 (zh)
WO (1) WO2018002221A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3938885A4 (en) * 2019-04-11 2022-10-19 Hewlett-Packard Development Company, L.P. IDENTIFICATION OF DIFFERENCES BETWEEN PHYSIOLOGICALLY IDENTIFIED AND MACHINE IDENTIFIED SIGNIFICANT PARTS
CN111445507B (zh) * 2020-04-16 2023-07-18 北京深测科技有限公司 一种非视域成像的数据处理方法
CN112288639A (zh) * 2020-07-20 2021-01-29 深圳市智影医疗科技有限公司 影像对比减影方法、装置、终端设备及存储介质
EP4083914A1 (en) * 2021-04-29 2022-11-02 Koninklijke Philips N.V. Image processing device and method
WO2023205509A1 (en) * 2022-04-22 2023-10-26 Veytel, Llc Method for registering two or more patient images for change assessment over time

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4912770A (en) * 1986-11-07 1990-03-27 Hitachi, Ltd. Method of detecting change using image
US5273040A (en) * 1991-11-14 1993-12-28 Picker International, Inc. Measurement of vetricle volumes with cardiac MRI
WO2009003198A1 (en) * 2007-06-28 2008-12-31 Mayo Foundation For Medical Education And Research System and method for automatically detecting change in a series of medical images of a subject over time
CN102013095A (zh) * 2010-12-09 2011-04-13 哈尔滨工业大学 基于分布变换的多传感器图像融合方法
CN102014240A (zh) * 2010-12-01 2011-04-13 深圳市蓝韵实业有限公司 一种实时医学视频图像去噪方法
GB201216282D0 (en) * 2011-10-14 2012-10-24 Siemens Medical Solutions Method and apparatus for identifying regions of interest in medical imaging data
CN103824290A (zh) * 2008-12-22 2014-05-28 赛利恩影像股份有限公司 自动检测医学图像中的病变的方法和系统
CN105393252A (zh) * 2013-04-18 2016-03-09 数字标记公司 生理数据采集和分析

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030058237A1 (en) * 2001-09-27 2003-03-27 Koninklijke Philips Electronics N.V. Multi-layered background models for improved background-foreground segmentation
FR2830962B1 (fr) * 2001-10-12 2004-01-30 Inst Nat Rech Inf Automat Dispositif et methode de traitement d'image pour detection de lesions evolutives
US20030156759A1 (en) * 2002-02-19 2003-08-21 Koninklijke Philips Electronics N.V. Background-foreground segmentation using probability models that can provide pixel dependency and incremental training
US7190809B2 (en) * 2002-06-28 2007-03-13 Koninklijke Philips Electronics N.V. Enhanced background model employing object classification for improved background-foreground segmentation
US20040092809A1 (en) * 2002-07-26 2004-05-13 Neurion Inc. Methods for measurement and analysis of brain activity
US20040092829A1 (en) 2002-11-07 2004-05-13 Simon Furnish Spectroscope with modified field-of-view
US20040241670A1 (en) * 2003-06-02 2004-12-02 Srinka Ghosh Method and system for partitioning pixels in a scanned image of a microarray into a set of feature pixels and a set of background pixels
GB0326381D0 (en) * 2003-11-12 2003-12-17 Inst Of Cancer Res The A method and means for image processing
US20050197981A1 (en) * 2004-01-20 2005-09-08 Bingham Clifton W. Method for identifying unanticipated changes in multi-dimensional data sets
US8160296B2 (en) * 2005-04-15 2012-04-17 Mississippi State University Research And Technology Corporation Change analyst
US7653263B2 (en) * 2005-06-30 2010-01-26 General Electric Company Method and system for volumetric comparative image analysis and diagnosis
US8731334B2 (en) * 2008-08-04 2014-05-20 Siemens Aktiengesellschaft Multilevel thresholding for mutual information based registration and image registration using a GPU
US8731255B2 (en) * 2008-11-05 2014-05-20 University Of Louisville Research Foundation, Inc. Computer aided diagnostic system incorporating lung segmentation and registration
US8265390B2 (en) * 2008-11-11 2012-09-11 Siemens Medical Solutions Usa, Inc. Probabilistic segmentation in computer-aided detection
FR2946171B1 (fr) * 2009-05-29 2011-07-15 Groupe Des Ecoles De Telecommunications Get Ecole Nationale Superieure Des Telecommunications Enst Procede de quantification de l'evolution de pathologies impliquant des changements de volumes de corps, notamment de tumeurs
GB2478329B (en) 2010-03-03 2015-03-04 Samsung Electronics Co Ltd Medical image processing
WO2012056362A1 (en) * 2010-10-25 2012-05-03 Koninklijke Philips Electronics N.V. System for the segmentation of a medical image
CN102005049B (zh) 2010-11-16 2012-05-09 西安电子科技大学 基于单边广义高斯模型的sar图像变化检测阈值方法
CN102005050B (zh) 2010-11-16 2013-04-17 西安电子科技大学 用于变化检测的高斯对数模型单边曲率拟合阈值方法
US9710730B2 (en) * 2011-02-11 2017-07-18 Microsoft Technology Licensing, Llc Image registration
WO2012123861A1 (en) * 2011-03-15 2012-09-20 Koninklijke Philips Electronics N.V. Correlated image mapping pointer
US9186086B2 (en) * 2011-11-30 2015-11-17 Siemens Aktiengesellschaft Small tissue property change detection in magnetic resonance guided intervention
US9370304B2 (en) * 2012-06-06 2016-06-21 The Regents Of The University Of Michigan Subvolume identification for prediction of treatment outcome
US9311570B2 (en) * 2013-12-06 2016-04-12 Kabushiki Kaisha Toshiba Method of, and apparatus for, segmentation of structures in medical images
US9697603B2 (en) * 2014-12-19 2017-07-04 Toshiba Medical Systems Corporation Medical image data processing system and method for vessel segmentation using pre- and post-contrast data
US10255526B2 (en) * 2017-06-09 2019-04-09 Uptake Technologies, Inc. Computer system and method for classifying temporal patterns of change in images of an area
US10699410B2 (en) * 2017-08-17 2020-06-30 Siemes Healthcare GmbH Automatic change detection in medical images

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4912770A (en) * 1986-11-07 1990-03-27 Hitachi, Ltd. Method of detecting change using image
US5273040A (en) * 1991-11-14 1993-12-28 Picker International, Inc. Measurement of vetricle volumes with cardiac MRI
WO2009003198A1 (en) * 2007-06-28 2008-12-31 Mayo Foundation For Medical Education And Research System and method for automatically detecting change in a series of medical images of a subject over time
CN103824290A (zh) * 2008-12-22 2014-05-28 赛利恩影像股份有限公司 自动检测医学图像中的病变的方法和系统
CN102014240A (zh) * 2010-12-01 2011-04-13 深圳市蓝韵实业有限公司 一种实时医学视频图像去噪方法
CN102013095A (zh) * 2010-12-09 2011-04-13 哈尔滨工业大学 基于分布变换的多传感器图像融合方法
GB201216282D0 (en) * 2011-10-14 2012-10-24 Siemens Medical Solutions Method and apparatus for identifying regions of interest in medical imaging data
CN105393252A (zh) * 2013-04-18 2016-03-09 数字标记公司 生理数据采集和分析

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automatic analysis of the difference image for unsupervised change detection;Bruzzone, L等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20000531;第38卷(第3期);第1171-1182页 *
Detection and characterization of the tumor change between two FDG PET scans using parametric imaging;Necib, H等;《2008 IEEE INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING: FROM NANO TO MACRO, VOLS 1-4》;20080514;第21-24页 *
INTRACORONARY ULTRASOUND ASSESSMENT OF DIRECTIONAL CORONARY ATHERECTOMY - IMMEDIATE AND FOLLOW-UP FINDINGS;DELEZO,JS等;《JOURNAL OF THE AMERICAN COLLEGE OF CARDIOLOGY》;19930201;第21卷(第2期);第298-307页 *

Also Published As

Publication number Publication date
RU2752690C2 (ru) 2021-07-29
WO2018002221A1 (en) 2018-01-04
CA3029143A1 (en) 2018-01-04
US20190188853A1 (en) 2019-06-20
CN109416835A (zh) 2019-03-01
JP2019518288A (ja) 2019-06-27
RU2019102481A (ru) 2020-07-29
RU2019102481A3 (zh) 2020-10-20
EP3479349A1 (en) 2019-05-08
JP6595729B2 (ja) 2019-10-23
US11182901B2 (en) 2021-11-23
EP3479349B1 (en) 2020-01-22

Similar Documents

Publication Publication Date Title
CN109416835B (zh) 医学图像中的变化检测
CN110050281B (zh) 学习图像中的对象的注释
Zhou et al. Automated coronary artery tree extraction in coronary CT angiography using a multiscale enhancement and dynamic balloon tracking (MSCAR-DBT) method
Köse et al. Automatic segmentation of age-related macular degeneration in retinal fundus images
EP3533027B1 (en) Automatic ct detection and visualization of active bleeding and blood extravasation
JP6214563B2 (ja) 定量的ｔ１マッピングを用いた、リスクに晒されたエリアの自動化された検出
EP2936430B1 (en) Quantitative imaging
Bardera et al. Semi-automated method for brain hematoma and edema quantification using computed tomography
EP2401719B1 (fr) Méthodes de segmentation d'images et de détection de structures particulières
WO2010115885A1 (en) Predictive classifier score for cancer patient outcome
US10275946B2 (en) Visualization of imaging uncertainty
CN107567638B (zh) 对解剖结构的基于模型的分割
Taghanaki et al. Segmentation-free direct tumor volume and metabolic activity estimation from PET scans
US20110194741A1 (en) Brain ventricle analysis
CN112750519A (zh) 医学图像数据的匿名化
CN111971751A (zh) 用于评估动态数据的系统和方法
Kockelkorn et al. Interactive lung segmentation in abnormal human and animal chest CT scans
Goyal et al. Development of a stand-alone independent graphical user Interface for neurological disease prediction with automated extraction and segmentation of gray and white matter in brain MRI images
Mehmood et al. Automatic segmentation of region of interests in MR images using saliency information and active contours
Castellani et al. Visual MRI: Merging information visualization and non-parametric clustering techniques for MRI dataset analysis
Zhou et al. Coronary artery analysis: Computer‐assisted selection of best‐quality segments in multiple‐phase coronary CT angiography
Kubicek et al. Autonomous segmentation and modeling of brain pathological findings based on iterative segmentation from MR images
Rebelo et al. Multiscale representation for automatic identification of structures in medical images
Moussa et al. Tumor volume fuzzification for intelligent cancer staging
Beichel et al. Segmentation of Diseased Livers: A 3D Refinement Approach

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