CN109472835B - 处理医学图像数据的方法和医学图像数据的图像处理系统 - Google Patents

处理医学图像数据的方法和医学图像数据的图像处理系统 Download PDF

Info

Publication number
CN109472835B
CN109472835B CN201811047747.7A CN201811047747A CN109472835B CN 109472835 B CN109472835 B CN 109472835B CN 201811047747 A CN201811047747 A CN 201811047747A CN 109472835 B CN109472835 B CN 109472835B
Authority
CN
China
Prior art keywords
image volume
image
region
volume
sub
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
CN201811047747.7A
Other languages
English (en)
Other versions
CN109472835A (zh
Inventor
A.里特
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.)
Siemens Healthcare GmbH
Original Assignee
Siemens Healthcare GmbH
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 Siemens Healthcare GmbH filed Critical Siemens Healthcare GmbH
Publication of CN109472835A publication Critical patent/CN109472835A/zh
Application granted granted Critical
Publication of CN109472835B publication Critical patent/CN109472835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种方法，并且涉及一种用于处理医学图像数据的图像处理系统(1)，其中提供患者的要被重现的身体区域的测量数据(D)。此外，通过重建算法(R)，从测量数据(D)重建表示身体区域的第一图像体(22)。在第一图像体(22)内识别并限制表示第一图像体(22)的部分体积的子区域，其中将不同于第一图像体(22)的剩余体积的特定组织结构分配给子区域。然后，基于子区域的特定组织结构，确定与第一图像体(22)相比变化的至少一个重建参数。此后，基于各个改变的重建参数，从与子区域有关的测量数据(D)重建第二图像体(42)，并且在至少第二图像体(42)内，轮廓化不同解剖结构之间的结构边界。

Description

处理医学图像数据的方法和医学图像数据的图像处理系统
技术领域
本发明涉及处理医学图像数据的方法。本发明还涉及用于医学图像数据的图像处理系统。
背景技术
医学图像数据一般由产生一堆测量数据的系统获取，这些测量数据必须被处理以表示能够被用户观看的患者身体区域的图像。通常，这些测量数据只显示变化的灰度值，它们类似于例如投射到各个身体区域上的X射线束的衰减。典型地，处理通过重建算法来实现，该重建算法融合来自测量数据的信息，以便生成也称之为各个身体区域的“图像体”(“image volume”)的三维图像。对于各个观看目的，可以将该图像体切成单独的剖视图。
为了规划放射治疗阶段，通常需要分析要被放射的身体区域的地形图，以便了解器官的位置和边界，以及其它例如可以不被放射的身体组织。可以通过如识别地标或轮廓化组织结构的方法，例如通过模式识别算法等从如上所述的图像体导出这样的地形图。尤其在放射治疗中，感兴趣的身体区域比较大。因此，为了节省计算时间，通常使用为图像体提供相对低分辨率值的重建算法。
从例如US 7929742 B2、US 8699823 B2、US 8649633 B2或US 8897530B2中知晓可用于放射治疗的准备的图像处理方法。
发明内容
本发明背后的问题是提供一种改进的医学图像数据的处理。
根据本发明的方法用于处理医学图像数据。根据该方法提供要被重现的患者身体区域的测量数据。通过重建算法，从测量数据重建表示身体区域的第一图像体。优选地，随后利用定位方法或算法(特别是在第一定位步骤中)，在第一图像体内识别并限制表示第一图像体的部分体积的子区域。将不同于第一图像体的剩余体积的组织结构的特定组织结构分配给子区域。基于子区域的特定组织结构，(优选自动地)确定与第一图像体相比变化的至少一个重建参数。之后，基于各个改变的重建参数，从与子区域有关的测量数据中重建第二图像体。之后，在至少第二图像体中，轮廓化不同解剖结构之间的结构边界(如此，特别是在第二定位步骤中)。
优选地，在第一图像体的剩余体积内，不同解剖结构之间的边界结构也被轮廓化。在子区域识别期间或在第二图像体的重建之后执行该轮廓化。在任一种方式中，优选地，由第一图像体表示的身体区域的整个图像(然而，至少在第一图像体的剩余体积的部分上延伸并且在第二图像体上延伸的区域上)被轮廓化。因此，本发明能够基于封闭图像体(即第一图像体)的不同地重建的图像区域，对组织结构(即诸如器官和骨骼的解剖结构)进行轮廓化。由于仅部分地使用了通常并非在第一图像体中包含的所有组织结构都需要的特定重建参数，反而使得图像数据的处理节省了计算时间。由于变化的重建参数是基于在第一图像体的区域内识别的特定组织结构来选择的，因此也可以使图像数据的处理自动化。例如，通过实验和/或通过机器学习过程来确定分配给特定组织结构的特定重建参数，并将其存储在数据库中，在识别各个组织结构时可以从该数据库中取回。
这里和下文中使用的术语“轮廓化”用于定义不同组织结构之间的边界，诸如骨骼与软组织和/或软骨或特定器官与其它软组织之间。此外，分割也可以导致限定的组织结构边界，并且因此在这里和下文中将被看作是由术语“轮廓化”包含的术语。
根据本发明的优选实施例，通过重建算法重建第一图像体，使得其呈现第一低分辨率值。优选地，第一分辨率值对应于在二次(quadratic)图像区域的50cm的边缘长度处的512x512的像素数目。或者，在相同的图像区域中使用256x256的像素数目。优选地选择图像区域，使得大体上充分利用由测量数据提供的整个图像区域。低分辨率通常能够实现比较快速的第一图像体的重建，使得节省计算时间。此外，具有低分辨率值的图像体仅占用相对较小的存储空间。优选地，选择第一分辨率值，以便能够识别和限制感兴趣身体区域的一般解剖结构，其上相对于第一图像体的整体尺寸小的结构(例如，至少比第一图像体的边缘长度小10倍或100倍)在分辨率极限之下。
根据另一优选实施例，通过将至少一个解剖地标分配给第一图像体的区域，来识别用于重建第二图像体的子区域。优选地，不止一个地标被分配给该区域。有利地，通过地标识别算法来分配各个地标。便利地，地标本身(或一组地标)与特定的组织结构相关，例如特定器官或特定骨骼。鉴于此，基于预先指定的、并且优选地作为为特定组织结构的某种估计的体积存储的物理尺寸限制用于重建第二图像体的子区域。这意味着，将被分配给第一体积的各个区域的地标已经方便地(优选地通过各个地标本身的定义)连接到特定的组织结构(例如，股骨的颈或头)，该组织结构转而与至少经验地已知的(并且存储的)尺寸相连接。因此，基于各个地标，优选地基于普遍的、特别是经验的尺寸来限制子区域。基于不止一个地标，可以更精确地限定特定组织结构的范围。如果将至少三个地标分配给了一个特定组织结构，则也可以方便地确定特定组织结构的方向。可选地，这些经验尺寸被不确定因素放大，使得被划分的子区域以高概率包含与各个地标有关的所有特定组织结构。例如，扩大的子区域是立方体或长方体形状。因此，很容易实现该方法的自动化，尤其是因为地标的定位通常也是自动化过程。优选地，只有这些通过经验可知会在第一图像体的局部重建参数(例如，第一低分辨率值)下在组织结构轮廓化时引起问题的地标被用于至少一个重建参数的改变。
根据另一便利的实施例，作为替代或除了上述地标定位之外，通过将第一图像体的区域轮廓化(例如，如上所述的分割)为特定组织结构，来识别用于重建第二图像体的子区域。换言之，可以通过它们的(例如，“光学的”)外观区分的区域彼此被限制。优选地，也基于外观分配各个组织结构的特定种类(器官、骨骼等的种类)。然而，取决于第一图像体的局部(即，目前应用的)重建参数，例如局部的低分辨率值，找到高精度的实际组织边界可能存在问题。因此，尤其对于这种组织结构，将不确定因素考虑在内，以便关于相邻组织结构来限制用于重建第二图像体的子区域。换言之，以与前述的相似的方式，限制该区域的边界或者优选地，包含这种组织结构的各个子区域的体积被这种不确定因素放大了。因此，从该子区域便利地得到的第二图像体高概率地包含所有各个组织结构。之后，优选地，从例如数据库、表格等中取回分配给各个组织结构的至少一个改变的重建参数。
可选地，用于特定组织结构的轮廓化的轮廓化算法规定了不同的重建参数，以便正常工作。这例如关于上述地标识别是有利的。在这种情况下，由于轮廓化算法的要求，各个子区域可以被分配由特定的改变的重建参数，特别是因为在一些实施例中，将特定的轮廓化算法用于轮廓化特定类型的组织。
根据特别优选的实施例，将高于第一分辨率值的第二分辨率值规定为改变的重建参数。在这种情况下，用优选的低的第一分辨率值重建整个第一图像体，同时节省计算时间，并且仅以较高分辨率值通过相同的(第一)重建算法或单独的(第二)重建算法重建第二图像体，。例如，第二图像体包含软骨组织(例如，股骨头的至少一部分)和相对小的关节间隙、或者患者的内耳(具有非常小的结构)，其中每个在第一低分辨率值下轮廓化期间都不能被分辨。优选地，第二分辨率值在更小的图像区域(例如，10x10 cm2、20x20 cm2等)对应相同(例如，512x512)数目的像素、或者比第一分辨率值更多数目的像素(例如，如果第一分辨率值为256x256，则512x512)。因此，能够实现对还包含很小结构的相对大的图像体进行可以显示所有相关结构的、节省时间的图像处理。
根据另一个便利的实施例，将与第一图像体的方向不同的特定组织结构的方向规定为改变的重建参数(除了或替代增加的分辨率值)。这在通常以特定视角观看(例如，出于诊断原因)特定组织结构的情况下是有利的。
根据又一个便利的实施例，将不同的伪影(artifact)校正方法和/或不同的降噪方案规定为改变的重建参数。此外，也可以将改变的噪声分级应用于第二图像体的重建。这尤其在重建期间已经应用这些措施的情况下是有利的。
根据另一个便利的实施例，将分配给第一图像体的子区域的各个地标和/或第一图像体内特定组织结构的轮廓化结果作为在第二图像体内轮廓化(在第二定位步骤中；即，对用于第二图像体的轮廓化算法)的起点(由于可能是新的情况)。为此，各个地标和/或轮廓被传送(即，投影)到第二图像体上。因此，可以节省计算时间。
可选地，上述轮廓化(在第二局部化步骤内)在二者上，即第一和第二图像体上共同地执行。这意味着各个轮廓化算法同时在两个图像体上工作。例如，在股骨的情况下，髋关节内的非常小的关节空间由第二图像体描绘，并且股骨头和颈的其余部分包含在第一图像体内，由此轮廓化算法计算出整个股骨的轮廓(即，包括关节空间)。
此外，可选地，在将轮廓化步骤应用到第二图像体之后，用户还在第一图像体的剩余体积和/或第二图像体上执行附加的手动轮廓化。这可以帮助提高前述轮廓化步骤的精度。
根据优选的实施例，将在第二图像体中轮廓化的结构边界传送给第一图像体用于显示。换言之，特别是以第一低分辨率值只显示第一图像体或从其导出的单个图像。由此，从第二图像体导出的信息(可能以增加的分辨率值)被集成到第一图像体中或从第一图像体导出的各个图像中。由此，有利地将所有信息集成到一个图像体中，该图像体特别地用于显示，并且由于其相对较小的存储空间而易于处理。
可替代地，从第一和第二图像体生成用于显示的合成图像。这意味着，例如在屏幕上显示的图像由从第一图像体以及从第二图像体导出的图像区域构成，因此，类似于两个图像体的叠加图像(其中，第一图像体的各个区域被第二图像体的区域替代、或者后者被交错淡变到第一图像体中)。这能够实现例如“高清晰度”的第二图像体的相应内容的显示，这是第二定位步骤的基础。
此外，可选地，将降噪方案应用于第二图像体，其生成与第一图像体的噪声印象相似的噪声印象。如果生成两个图像体的叠加图像，并且如果将增加的分辨率值用于重建，则这尤其有利。在最后一种情况下，通常图像噪声的增加是由所应用的增加的分辨率值引起的。
根据另一可选的实施例，只有当用户选择的放大率使得能够看到更高分辨率的图像数据时，合成图像才显示给用户。
可选地，生成另一个单独重建的图像体，并且用于显示从第一和第二图像体导出的信息。
根据另一个优选的实施例，测量数据是通过具有安装成可绕患者身体旋转的X射线源和检测器的计算机断层摄影系统获得的。优选地，选择放射参数，使得在重建期间能够实现尽可能高的分辨率值。
根据本发明的图像处理系统被用来处理医学图像数据。该图像处理系统包括至少一个图像处理处理器(或计算机)，其转而被装备并且被指定来执行如上所述的方法。因此，该图像处理系统显示了与上述方法相同的优点。
优选地，图像处理系统由具有至少一台计算机的计算机系统构成，在该至少一台计算机上实现重建和/或定位(例如，用于寻找地标，并且如果适用的话，附加地在第一定位步骤和可选的第二定位步骤期间进行轮廓化)的至少一个实体。可选地，也实现用于轮廓化的第三实体。例如，计算机系统集中在一个工作站计算机上，在其上实现两个(或全部)必备的实体。可替代地，图像处理系统是分散的或基于网络的，并且因此，重建和定位(即第一和第二定位步骤)在由网络连接的不同计算机上实现。然而，在每种情况下，由于可能是与用户交互的情况，根据本发明的方法的功能被实现为程序，使得通过运行该程序来自动地执行该方法。
根据一个便利的实施例，在集中式以及基于网络的图像处理系统中，通过诸如应用程序编程接口(“API”)的编程接口，设计定位和重建实体用于数据传输。另外，或者可替代地，各个实体之间的数据传输(至少在定位和重建实体之间)基于DICOM标准。
可选地，图像处理系统还包括用于生成上述测量数据的测量系统。这种测量系统优选地由X射线计算机断层摄影系统构成。其又包括X射线源和检测器(用于检测输入的X射线，并输出与输入的X射线强度相联系的测量信号)，它们被布置以在操作期间绕患者身体旋转。
这里和下文中特别地使用连词“和/或”，使得由该连词连接的特征或术语可以组合地设计或出现，也可以二者择一地出现。
附图说明
在下文中，通过附图描述了本发明的实施例。其中由以下示出：
图1在示意视图中示出图像处理系统，以及
图2在示意流程图中示出由该图像处理系统执行的方法的进程。
在每个附图中，对相同的特征和尺寸指定了相同的参考标记。
具体实施方式
图1描述了图像处理系统1，特别是X射线计算机断层摄影系统。图像处理系统1包括生成测量数据D的部件，该测量数据D对应于照射到患者身体3上的X射线束2的衰减。这些部件包括在旋转组件6上的X射线源4和位于X射线源4的对面的X射线探测器5。旋转组件6可旋转地安装在机架7上。为了控制和评估，X射线源4和探测器5连接到图像处理处理器，具体是工作站8。在图像处理系统1的测量操作期间，照射到患者身体3上的X射线束2根据身体3内局部不同的组织结构被身体3衰减或阻断，并且从而在探测器5的各个单独的探测单元处引起不同的测量信号。这些测量信号被发送到工作站8，并且类似于测量数据D。测量数据D转而在横跨探测器5的长度上、并且从而沿着探测器5和X射线源4的旋转路径反映空间变化的灰度或强度分布。
测量数据D通常通过(在重建实体ER的框架内在工作台8中实现的)重建算法R来重建，以相似已经用X射线束2照射的身体3的身体区域的三维图像体。为了帮助图像处理系统1的用户、特别是医疗人员来识别不同种类的组织(不同的组织结构)，诸如骨骼、骨骼的颈以及软骨关节头、器官等以及各自的边界，通常将自动定位方案应用到重建的图像体。通常，这些方案还被实现为算法(特别是在图像处理程序的定位实体EL和/或轮廓化实体EC的框架内)。为了在重建期间节省计算时间，通常各个重建算法R生成具有规定的相对低分辨率值的图像体。为了能够实现图像体中相对小的结构的容易的识别，应用了如下所述的发明方法。
根据第一步骤10中的方法，在工作站8中提供上述测量数据D，特别是通过用X射线束2照射身体3并在探测器5处测量强度。在第二步骤20中，重建实体ER以及重建算法R因此被启动，以便从测量数据D中重建表示用X射线束2照射身体3的区域的第一图像体22。从而以第一分辨率值A1重建第一图像体22。
在第三步骤30中，启动运行地标定位算法L的定位实体EL。定位算法L被设计使得它在第一图像体22中搜索已知的组织结构，并且将各个地标分配给这些已知的组织结构。此外，如果在第一图像体22的子区域的分界处已经找到不能以局部第一分辨率值A1精确地轮廓化的规定的特定组织结构(例如，股骨的软骨的头)，则触发定位算法L。该子区域应高概率地包含整个特定组织结构(即，整个股骨的头)。用于分界的定位的各个子区域的尺寸取自一个表，其中经验确定的尺寸被分配给特定的组织结构。在这种情况下，例如，各个地标被分配给特定组织结构的中心点，或者几个地标被分配给由特定组织结构覆盖的区域。定位算法L还分配改变的重建参数，尤其是将增加的分辨率值A2分别分配给地标或子区域。该增加的分辨率值A2也存储在上述的表中。
在第四步骤40中，通过API将定义先前识别的子区域的信息以及改变的第二分辨率值A2发送到重建实体ER。然后，将重建算法R应用于测量数据D内与上述子区域相对应的区域。由此，通过应用第二分辨率值A2重建第二图像体42。
随后，在第五步骤50中，第一图像体22和第二图像体42被发送到工作台8的轮廓化实体EC。在步骤50中，在第二图像体42和第一图像体22的剩余区域上运行轮廓化算法C。轮廓化算法C被用来识别两个图像体22和42内所有不同组织结构的区域和边界。根据该实施例的计算时间节省的版本，从第二图像体42导出的组织区域和边界被投影到第一图像体上用于显示。结果是，可以不需要增强图形支持来显示第一低分辨率的图像体，却包含分别从每个图像体22和42导出的所有相关信息。根据替代的版本，与第二图像体42对应的第一图像体22完全地由第二图像体42以及从其中导出的轮廓化信息替代。
本文没有详细描述其中例如在工作站8的屏幕上显示各个图像体22和/或42的进一步步骤。
根据替代的未详细描绘的实施例，在工作站8中实现重建实体ER。定位和轮廓化实体EL和EC在另一个通过数据网络连接到工作台8的计算机上实现。在这种情况下，通过网络通信协议在单独的实体ER、EL和EC之间传输信息。
可选地且也未示出的，扫描器(即，X射线源4和检测器5)的控制也在连接到工作台8的单独的工作台中实现。
本发明的主题不限于上述实施例。相反地，本领域技术人员可以从前述说明中导出本发明的另外实施例。特别地，通过各个实施例描述的本发明的单独特征以及其变体也可以以其它方式组合。

Claims (11)

1.一种用于处理医学图像数据的方法，其中，
提供患者的要被重现的身体区域的测量数据(D),
通过重建算法(R)，从所述测量数据(D)重建表示所述身体区域的第一图像体(22)，
在所述第一图像体(22)内识别并限制表示所述第一图像体(22)的部分体积的子区域，其中将不同于所述第一图像体(22)的剩余体积的特定组织结构分配给所述子区域，
基于所述子区域的所述特定组织结构，确定与所述第一图像体(22)相比变化的至少一个重建参数，
基于各个改变的重建参数，从与所述子区域有关的所述测量数据(D)重建第二图像体(42)，以及
在至少所述第二图像体(42)内，轮廓化不同解剖结构之间的结构边界。
2.根据权利要求1所述的方法，其中，
通过第一重建算法(R)重建所述第一图像体(22)，使得其呈现第一低分辨率值(A1)。
3.根据权利要求1或2所述的方法，其中，
通过将至少一个解剖地标分配给所述第一图像体(22)的区域，来识别用于重建所述第二图像体(42)的所述子区域，所述至少一个地标与所述特定组织结构相关，并且其中基于为所述特定组织结构预先指定的物理尺寸，限制用于重建所述第二图像体(42)的所述子区域。
4.根据权利要求1或2中一项所述的方法，其中，
通过将所述第一图像体(22)的区域轮廓化为所述特定组织结构，来识别用于重建所述第二图像体(42)的所述子区域，并且其中为了关于相邻组织结构来限制用于重建所述第二图像体(42)的所述子区域，将不确定因素考虑在内。
5.根据权利要求2所述的方法，其中，
将高于所述第一低分辨率值(A1)的第二分辨率值(A2)规定为改变的重建参数。
6.根据权利要求1或2中一项所述的方法，其中，
将与所述第一图像体(22)的方向不同的所述组织结构的方向规定为改变的重建参数。
7.根据权利要求1或2中一项所述的方法，其中，
将不同的伪影校正方法和/或不同的降噪方案规定为改变的重建参数。
8.根据权利要求4所述的方法，其中，
将分配给所述第一图像体(22)的至少一个地标和/或所述第一图像体(22)的与所述特定组织结构相关的轮廓化区域作为在所述第二图像体(42)内用于轮廓化的起点。
9.根据权利要求1或2中一项所述的方法，其中，
将在所述第二图像体(42)中轮廓化的结构边界传送给所述第一图像体(22)用于显示。
10.根据权利要求1或2中一项所述的方法，其中，
通过计算机断层摄影系统获取所述测量数据(D)。
11.一种用于医学图像数据的图像处理系统(1)，包括：
至少一个图像处理处理器(8)，其被装备来执行根据权利要求1至10中一项所述的方法。
CN201811047747.7A 2017-09-07 2018-09-07 处理医学图像数据的方法和医学图像数据的图像处理系统 Active CN109472835B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP17189821.6 2017-09-07
EP17189821.6A EP3301649B1 (en) 2017-09-07 2017-09-07 Method for processing medical image data and image processing system for medical image data

Publications (2)

Publication Number Publication Date
CN109472835A CN109472835A (zh) 2019-03-15
CN109472835B true CN109472835B (zh) 2023-12-01

Family

ID=59829231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811047747.7A Active CN109472835B (zh) 2017-09-07 2018-09-07 处理医学图像数据的方法和医学图像数据的图像处理系统

Country Status (3)

Country Link
US (1) US10930029B2 (zh)
EP (1) EP3301649B1 (zh)
CN (1) CN109472835B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018216370B4 (de) * 2018-09-25 2020-06-18 Siemens Healthcare Gmbh Bereitstellen eines annotierten medizinischen Bilddatensatzes für eine Radiotherapieplanung eines Patienten
US10762626B2 (en) * 2018-10-23 2020-09-01 Siemens Medical Solutions Usa, Inc. Activity image reconstruction using anatomy data
DE102019212103A1 (de) * 2019-08-13 2021-02-18 Siemens Healthcare Gmbh Surrogatmarker basierend auf medizinischen Bilddaten
CN111078738B (zh) * 2019-11-25 2023-08-15 泰康保险集团股份有限公司 数据处理方法、装置、电子设备和存储介质
JP7408361B2 (ja) * 2019-11-29 2024-01-05 富士フイルムヘルスケア株式会社 医用画像診断支援システム及び医用画像処理装置、医用画像処理方法
CN111462139A (zh) * 2020-04-24 2020-07-28 上海联影医疗科技有限公司 医学图像显示方法、装置、计算机设备和可读存储介质
CN111598878B (zh) * 2020-05-18 2023-06-27 中国医学科学院生物医学工程研究所 用于电阻抗成像的图像空间分辨能力的确定方法及装置
CN113689375A (zh) * 2020-05-18 2021-11-23 西门子(深圳)磁共振有限公司 介入治疗中的图像呈现方法、系统、成像系统及存储介质
CN111553979B (zh) * 2020-05-26 2023-12-26 广州雪利昂生物科技有限公司 基于医学影像三维重建的手术辅助系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1604611A (zh) * 2003-10-02 2005-04-06 佳能株式会社 图像读取处理方法、程序以及存储媒体
CN1670769A (zh) * 2003-11-26 2005-09-21 Ge医疗系统环球技术有限公司 计算机辅助定位目标的方法和系统
CN101006928A (zh) * 2006-01-25 2007-08-01 西门子公司 断层造影系统和用于显示断层造影表示的方法
CN101310687A (zh) * 2007-05-22 2008-11-26 西门子公司 数据分析的方法
WO2009004571A1 (en) * 2007-07-05 2009-01-08 Koninklijke Philips Electronics N.V. Method and apparatus for image reconstruction
CN102138806A (zh) * 2010-02-02 2011-08-03 西门子公司 在扩展的测量场中计算机断层造影图像重建
WO2013121379A2 (en) * 2012-02-16 2013-08-22 Koninklijke Philips N.V. Spatially corrected nuclear image reconstruction
CN103390284A (zh) * 2012-05-08 2013-11-13 西门子公司 在扩展的测量场中的ct图像重建

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7596256B1 (en) * 2001-09-14 2009-09-29 The Research Foundation For The State University Of New York Computer assisted detection of lesions in volumetric medical images
US7734119B2 (en) * 2004-09-21 2010-06-08 General Electric Company Method and system for progressive multi-resolution three-dimensional image reconstruction using region of interest information
US7929742B2 (en) 2007-09-28 2011-04-19 Siemens Medical Solutions Usa, Inc. Method and system for computed tomographic imaging
US9111381B2 (en) * 2010-01-27 2015-08-18 Koninklijke Philips N.V. Shift-varying line projection using graphics hardware
DE102010022266A1 (de) 2010-05-31 2011-12-01 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Registrierung von medizinischen Bilddaten
US8649633B2 (en) 2010-12-03 2014-02-11 Siemens Aktiengesellschaft Image registration system with movable region indicating similarity of alignment
DE102011006398A1 (de) 2011-03-30 2012-10-04 Siemens Aktiengesellschaft Verfahren, Bildverarbeitungseinrichtung und Computertomographiesystem zur Ermittlung eines Anteils von nekrotischem Gewebe sowie Computerprogrammprodukt mit Programmcodeabschnitten zur Ermittlung eines Anteils von nekrotischem Gewebe
US9361711B2 (en) * 2013-08-05 2016-06-07 Siemens Aktiengesellschaft Lesion-type specific reconstruction and display of digital breast tomosynthesis volumes
JP6679467B2 (ja) * 2016-11-07 2020-04-15 株式会社日立製作所 磁気共鳴イメージング装置および酸素摂取率算出方法
US10699445B2 (en) * 2017-04-27 2020-06-30 Siemens Medical Solutions Usa, Inc. Partial volume correction in multi-modality emission tomography

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1604611A (zh) * 2003-10-02 2005-04-06 佳能株式会社 图像读取处理方法、程序以及存储媒体
CN1670769A (zh) * 2003-11-26 2005-09-21 Ge医疗系统环球技术有限公司 计算机辅助定位目标的方法和系统
CN101006928A (zh) * 2006-01-25 2007-08-01 西门子公司 断层造影系统和用于显示断层造影表示的方法
CN101310687A (zh) * 2007-05-22 2008-11-26 西门子公司 数据分析的方法
WO2009004571A1 (en) * 2007-07-05 2009-01-08 Koninklijke Philips Electronics N.V. Method and apparatus for image reconstruction
CN102138806A (zh) * 2010-02-02 2011-08-03 西门子公司 在扩展的测量场中计算机断层造影图像重建
WO2013121379A2 (en) * 2012-02-16 2013-08-22 Koninklijke Philips N.V. Spatially corrected nuclear image reconstruction
CN103390284A (zh) * 2012-05-08 2013-11-13 西门子公司 在扩展的测量场中的ct图像重建

Also Published As

Publication number Publication date
EP3301649B1 (en) 2019-10-30
US20190073803A1 (en) 2019-03-07
CN109472835A (zh) 2019-03-15
US10930029B2 (en) 2021-02-23
EP3301649A1 (en) 2018-04-04

Similar Documents

Publication Publication Date Title
CN109472835B (zh) 处理医学图像数据的方法和医学图像数据的图像处理系统
Montúfar et al. Automatic 3-dimensional cephalometric landmarking based on active shape models in related projections
US10650513B2 (en) Method and system for tomosynthesis imaging
US7873403B2 (en) Method and device for determining a three-dimensional form of a body from two-dimensional projection images
EP2252204B1 (en) Ct surrogate by auto-segmentation of magnetic resonance images
JP5295562B2 (ja) フレキシブル３次元回転血管造影−コンピュータ断層撮影融合方法
EP2715663B1 (en) Apparatus for generating assignments between image regions of an image and element classes
Chang et al. 3D segmentation of maxilla in cone-beam computed tomography imaging using base invariant wavelet active shape model on customized two-manifold topology
JP7055872B2 (ja) 二次元／三次元画像コレジストレーションのためにコンピュータによって実現される情報処理方法、プログラム、医用画像分析システム、および、放射線療法治療システム
JP2005535400A (ja) ３次元測定から身体画像を再構成する際に自然組織の改善された画像を生成する方法及び装置
CN112165900A (zh) 图像解析方法、分割方法、骨密度测量方法、学习模型生成方法和图像生成装置
Sadowsky et al. Hybrid cone-beam tomographic reconstruction: Incorporation of prior anatomical models to compensate for missing data
EP3725227B1 (en) Method of calibrating x-ray projection geometry in x-ray cone beam computed tomography
LU101007B1 (en) Artificial-intelligence based reduction support
US11989830B2 (en) Imaging reconstruction system and method
CN109155068B (zh) 组合式x射线/相机介入中的运动补偿
JP7133108B2 (ja) 患者の拡大画像を提供するためのシステムおよび方法
US11452566B2 (en) Pre-operative planning for reorientation surgery: surface-model-free approach using simulated x-rays
CN108135552B (zh) 投影x射线图像的改进的可视化
WO2020109255A1 (en) Artificial-intelligence-assisted surgery
US11430203B2 (en) Computer-implemented method for registering low dimensional images with a high dimensional image, a method for training an aritificial neural network useful in finding landmarks in low dimensional images, a computer program and a system for registering low dimensional images with a high dimensional image
US11776154B2 (en) Method and device for medical imaging for representing a 3D volume containing at least one introduced foreign object
CN110428483B (zh) 一种图像处理方法及计算设备
Wasswa 3D approximation of scapula bone shape from 2D X-ray images using landmark-constrained statistical shape model fitting
Chang Enhanced computerized surgical planning system in craniomaxillofacial surgery

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