CN109637632A - 用于可视化医学图像数据集的方法、系统和计算机介质 - Google Patents
用于可视化医学图像数据集的方法、系统和计算机介质 Download PDFInfo
- Publication number
- CN109637632A CN109637632A CN201811176258.1A CN201811176258A CN109637632A CN 109637632 A CN109637632 A CN 109637632A CN 201811176258 A CN201811176258 A CN 201811176258A CN 109637632 A CN109637632 A CN 109637632A
- Authority
- CN
- China
- Prior art keywords
- color
- subset
- parameter
- data sets
- presented
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/465—Conversion of monochrome to colour
-
- 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
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2012—Colour editing, changing, or manipulating; Use of colour codes
Abstract
本发明提出一种用于可视化医学图像数据集(11),特别是磁共振图像数据集的方法,包括:‑提供(101)医学图像数据集(11),‑提供与第一参数(51)相关的医学图像数据集(11)的第一子集(21)和与第二参数(52)相关的医学图像数据集(11)的第二子集(22),‑将第一颜色分配(103)给第一子集(21),并将第二颜色分配给第二子集(22),‑将第一子集(21)转换(104)成使用第一颜色的第一颜色呈现(31),并且将第二子集(32)转换(104)成使用第二颜色的第二颜色呈现(32),以及‑组合(105),特别是融合第一颜色呈现(31)和第二颜色呈现(32),用于可视化医学图像数据集。
Description
技术领域
本发明描述了用于可视化医学图像数据集的方法、用于可视化医学图像数据集的系统、计算机程序产品和计算机可读介质。
背景技术
可视化医学图像数据集在现有技术中是众所周知的。例如,通过磁共振成像记录医学图像数据集,并且通过重建使记录的医学图像数据集(medical imaging data)可视化。作为这种重建的结果,在显示器或屏幕上呈现灰度成像,其中可能基于分配给可视化的医学图像数据集的每个像素的灰度值来区分组织类型。然而,由于不同组织被映射到相同的灰度值,因此可能妨碍组织的明确识别。为了识别特定组织,已知呈现不同的可视化,诸如与T1-弛豫时间相关的第一可视化和与T2-弛豫时间相关的第二可视化。因此,有利地可以相应地呈现分别在第一可视化和第二可视化中单独编码的信息。然而,通过这样做,包含数据结构的附加信息可能会丢失。此外,用户必须在两个可视化之间切换他的焦点。这对于用户来说非常耗费精力,并且可能导致分析可视化医学图像数据集的错误。
可替代地,可以呈现散点图,其中曲线示出所选区域内的T1-弛豫时间与T2-弛豫时间之间的相关性。然而,这种可视化仅限于两个参数,即T1-弛豫时间和T2-弛豫时间。此外,当区域或兴趣太大时,数据点相对于其在图像内的空间位置的分离在视觉上不清楚。
发明内容
基于该背景,本发明的目的是提供用于可视化医学图像的方法,其中可视化图像数据集容易地支持组织类型的识别。
该目的通过根据权利要求1的用于可视化医学图像的方法、通过根据权利要求13的系统、根据权利要求14的计算机程序产品和通过根据权利要求15的计算机可读计算机介质来实现。
根据本发明的第一方面,提供了一种用于可视化医学图像数据集,特别是磁共振图像数据集的方法,包括:
-提供医学图像数据集,
-提供关于第一参数的医学图像数据集的第一子集和关于第二参数的医学图像数据集的第二子集,
-将第一颜色分配给第一子集,并将第二颜色分配给第二子集,
-将第一子集转换成使用第一颜色的第一颜色呈现,并且将第二子集转换成使用第二颜色的第二颜色呈现,以及
-组合,特别是融合第一颜色呈现和第二颜色呈现,用于可视化医学图像数据集。
与现有技术相反,在第一子集和第二子集中编码的所有信息被预先呈现在医学图像数据集的一个共同可视化中。结果,对于用户不需要在第一可视化和第二可视化之间切换焦点。相反,用户由第一颜色呈现和第二颜色呈现的组合支持,例如用于识别特定类型的组织。另一优点是用于可视化的方法不限于两个参数,即,例如,生成或提供医学图像数据集的至少三个子集,并随后将其转换到相应的颜色呈现。因此,可以将更多信息包括在一个共同可视化中。此外,该方法不限于第一颜色呈现和第二颜色呈现。
术语“组合第一颜色呈现和第二颜色呈现”优选地意味着每像素或每体素地组合或融合第一颜色呈现和第二颜色呈现,即将第一颜色可视化的像素与第二可视化的对应像素组合,或者将第一颜色可视化的体素与第二可视化的对应体素组合。例如,第一和第二颜色呈现的像素以二维阵列排列,并且组合每个阵列中具有相同位置的像素。优选地,通过组合第一颜色呈现和第二颜色呈现,生成并可视化与第一颜色和第二颜色不同的第三颜色。
术语“颜色呈现”优选地意味着特定颜色的强度值被分配给每个像素或体素。结果,高强度被分配给组织类型,并且低强度被分配给另一组织类型。优选地,医学图像数据集由磁共振成像设备记录。通常,第一参数和第二参数表示诸如T1-弛豫时间、T2-弛豫时间和/或质子密度这样的参数。还可以想到的是,第一参数和/或第二参数与通过磁共振(MR)方法测量的其他组织特性相关,诸如例如弥散(diffusion)、灌注(perfusion)和/或类似方法。
特别地,提供了一种控制单元,其中控制单元包括处理器,该处理器被配置用于执行以下步骤中的至少一个:
-提供关于第一参数的医学图像数据集的第一子集和关于第二参数的医学图像数据集的第二子集,
-将第一颜色分配给第一子集,并将第二颜色分配给第二子集,
-将第一子集转换成使用第一颜色的第一颜色呈现,并且将第二子集转换成使用第二颜色的第二颜色呈现,和/或
-组合,特别是融合第一颜色呈现和第二颜色呈现,用于可视化医学图像数据集。控制单元可以融合到工作站或医学成像设备中,或者可以是服务器的一部分、服务器和/或云系统的一部分。工作站可以是(个人)计算机、主机硬件上的虚拟运行机器、微控制器或集成电路。作为替代方案,工作站可以是真实的或虚拟的计算机组。优选地,工作站包括计算单元和存储器单元。计算单元可包括硬件元件和软件元件,例如微处理器或现场可编程门阵列。存储器单元可以体现为非永久主存储器(例如,随机存取存储器)或永久大容量存储器(例如,硬盘、USB棒、SD卡、固态盘)。优选地,工作站可以是医学成像设备的一部分。还可以想到,该方法的至少一个步骤是在服务器上或在云上执行的。
此外,提供了将作为组合第一颜色呈现和第二颜色呈现的结果的共同可视化转换到显示器或屏幕,诸如工作站、平板电脑、智能手机等的显示器,并且在屏幕的显示屏上进行监控。
本发明的特别有利的实施例和特征由从属权利要求给出,如以下描述中所揭示的。可以适当地组合不同权利要求类别的特征以给出本文未描述的进一步的实施例。
根据本发明的优选实施例,提供了第一颜色呈现和第二颜色呈现以层的形式实现,该层被重叠以用于组合。因此,可以以简单的方式逐像素地组合不同的呈现。此外,可以通过移除可视化中的相应层来选择性地移除第一颜色呈现和/或第二颜色呈现。当共同可视化中聚集了太多信息时,操作员可以切换,特别是单独切换的层数减少到包含较少信息的呈现。
在本发明的另一优选实施例中,提供了颜色图用于选择第一颜色和/或第二颜色。特别地,提供的是,彩色图是包括基本颜色红色、绿色和蓝色的RGB图,或者是包括基本颜色青色、品红色、黄色和黑色的CMYK图。特别地,提供的是,混合第一颜色和第二颜色,使得通过混合产生不同的颜色结果。由于RGB是光值的总和,因此由该表示产生的颜色相对较亮并且对比度是清晰的。选择CMYK呈现导致例如,其中灰质显示为绿色,并且肿瘤显示为橙色肿块的呈现。
优选地,为了将第一子集转换成第一颜色呈现,对于第一子集(31)的每个像素,将灰度值转换到第一颜色的色标值和/或其中,为了将第二子集转换成第二颜色呈现,对于第二子集(22)的每个像素,将灰度值转换到第二颜色的色标值。特别地,色标值表示颜色的强度。因此,通过混合第一颜色呈现和第二呈现,分配的强度确定颜色是混合第一颜色呈现和第二颜色呈现的结果。结果,可以通过不同的颜色识别不同的组织,因为每个组织对于第一参数和/或第二参数具有特定的固有值。这允许组织的类型的精确识别。
特别地,提供了第一子集和/或第二子集是与关于第三参数的子集(例如,T1-弛豫时间)和关于第四参数的子集(例如,T2-弛豫时间)相关的结果。这意味着关于第一参数的第一子集和关于第二参数的第二子集优选地不直接从医学图像数据集中提取,而是由可从医学图像数据集中获得的子集之间或可视化之间的数据操纵或相关性的结果。因此,有利地可以定量识别关于第三参数的子集和关于第四参数的子集之间的相关性,以支持组织类型的进一步分类。例如,T1-弛豫时间和T2-弛豫时间的相关性可用于识别组织类型。具体地,从医学图像数据集中提取关于第三参数的子集和关于第四参数的子集,并且每像素地执行相关。还可以想到,第一子集是相关性的结果,并且第二子集与T1-弛豫时间、T2-弛豫时间等直接相关。
为了将强度值分配给第一子集和/或第二子集,优选地提供该方法包括:
-通过在相关级别中使第三参数和第四参数相关来识别聚类;
-确定所识别的聚类的中心;
-确定聚类中每个点与所识别聚类的中心之间的距离;以及
-基于所确定的距离为第一子集和/或第二子集中的像素分配强度。因此,有利地可以将相关性的结果分配给可以用于组合第一颜色呈现和第二颜色呈现的强度值。术语“聚类”优选地描述位于第一子集和/或第二子集的相同区域中的类似相关值的聚集。此外,每个聚类质心/中心表示参考点。根据所选择的聚类模型,可以将聚类质心或中心定义为属于这种聚类的所有数据点的平均值,或者作为分布模型的概率密度函数的中心,例如,用于高斯混合模型的高斯分布。对于每个参考点(由聚类质心定义),然后可以计算参考点与感兴趣区域内的所有数据点之间的距离。随后,将计算出的距离映射回相应像素的位置,从而生成基于距离的图像数据的第一颜色呈现。
优选地,距离由欧几里德距离、马哈拉诺比斯距离、余弦相似度和曼哈顿距离等确定。使用欧几里德距离的优点是在不同质量的数据集和不同的聚类方法上提供稳定的性能,因为欧几里德距离的计算不需要诸如协方差矩阵的任何附加信息。使用马哈拉诺比斯距离的优点是考虑到聚类的形状和大小,并且因此与计算欧几里德距离的结果的可视化相比,可以产生更清晰的图像。优选地,提供考虑协方差矩阵。
在本信息的另一实施例中,提供了使用主成分分析来减少参数的数量。因此,可以将颜色呈现的数量减少到所选颜色图中可用的基本颜色的最大数量(RGB表示中的颜色通道的最大数量:3;CMYK表示中的颜色通道的最大数量:4)。因此,与参数相关的随机数量的子集的每一个可以在一个共同的可视化中组合。
优选地,提供了使用机器学习机制来识别聚类。例如,深度学习机制用于训练能够在第三参数和第四参数之间的相关性内识别聚类的人工网络。有利地,机器学习机制建立第三参数和第四参数之间的相关性,该相关性可用于识别特定类型的组织。特别地,通过分析过去的医学图像数据和/或通过为训练生成的人造医学图像数据集来训练人造网络。
此外,提供了通过使与关于第三参数的第三子集和/或关于第四参数的第四子集来识别器官和/或异常。可以想到,通过将第三子集和第四子集的相关性与先前分析的医学图像数据集,特别是先前的相关性进行比较,自动识别由医学成像设备记录的器官和/或异常。优选地,通过包含关于器官和/或异常的信息的报告数据集来通知用户。
在另一优选实施例中,提供了从医学图像数据集,特别是相同的医学图像数据集中提取第一子集和第二子集。通过从相同的医学图像数据集中提取第一子集和第二子集,可以避免第一和第二子集之间的不期望的移动,并随后避免第一颜色呈现和第二颜色呈现之间的不期望的移位。
根据本发明的另一优选实施例,提供了在单次扫描中记录医学图像数据集。因此,可以有利地避免用于第一子集的医学图像数据集和随后记录的另一医学图像数据集。结果,加速了用于可视化的方法。
根据本发明的另一方面,提供了一种用于可视化医学图像数据集的系统,其中该系统被配置用于:
-提供医学图像数据集,
-提供关于第一参数的医学图像数据集的第一子集和关于第二参数的医学图像数据集的第二子集,
-将第一颜色分配给第一子集,并将第二颜色分配给第二子集,
-将第一子集转换成使用第一颜色的第一颜色呈现,并且将第二子集转换成使用第二颜色的第二颜色呈现,
-组合,特别是融合第一颜色呈现和第二颜色呈现,用于可视化医学图像数据集。特别地,该系统包括控制单元,该控制单元具有配置用于执行上述步骤中的至少一个的处理器。
本发明的另一方面是一种计算机程序产品,用于当计算机程序产品被加载到可编程设备的存储器中时执行根据本发明的方法的步骤。
本发明的另一方面是一种计算机可读介质,其上存储有可由计算机单元读取和执行的程序元件,以便当程序元件由计算机单元执行时,执行根据本发明的方法的步骤。
优选地,计算机单元和/或可编程设备被融合到系统中。
附图说明
图1示意性地示出了根据本发明第一实施例的用于可视化医学图像数据集的系统。
图2示出了说明根据本发明第二实施例的方法的一部分的流程图。
图3示出了根据本发明第三实施例的用于可视化医学图像数据集的系统的一部分。
图4示出了说明根据本发明第四实施例的方法的一部分的流程图。
图5示出了说明根据本发明第五实施例的方法的流程图。
具体实施方式
在图1中,示意性地呈现了用于可视化医学图像数据11集的系统100。通常,医学图像数据集11由医学成像设备10,特别是磁共振成像(MRI)设备提供,特别是记录。根据现有技术,医学图像数据集11通常呈现在灰度图像中,其中不同的灰度级可指示不同的组织类型。然而,在共同的可视化中,灰度级不能明确地分配给一种特定的组织类型。换句话说:在一个可视化中,白色区域可能表示肿瘤或另一个组织。由于这个原因,需要医学图像数据集11的其他可视化来验证肿瘤的存在。例如,对应于第一参数51的医学图像数据集11的第一子集21和对应于第二参数52的医学图像数据集11的第二子集22彼此相邻地可视化以用于比较,例如,在根据现有技术的屏幕60或显示器上。因此,第一子集21优选地表示基于第一参数51的可视化,并且第二子集表示基于第二参数52的可视化。对于磁共振成像,继续进行,第一参数51和/或第二参数52可以是弛豫时间-T1、弛豫时间-T2、质子密度和/或与组织特性相关的其他参数,例如,弥散、灌注、磁转移、BOLD等。
优选地,提供医学图像数据集11以单次扫描记录,并且第一子集21和/或第二子集22从作为单次扫描结果的医学图像数据集11中提取。通过在单次扫描中记录医学图像数据集11并随后提取第一子集21和/或第二子集21,有利地可以以时间有效的方式提供定量测量。可替代地,可以想到第一子集和第二子集由医学成像装置分开记录。
为了支持识别诸如肿瘤的关键异常,提供了图1中呈现的系统100。因此,系统100包括控制单元1,其被配置用于提供医学图像数据集11的第一子集21和医学图像数据集11的第二子集22,特别是通过从在单次扫描中记录的医学图像数据集11中提取第一子集21和第二子集22。进一步,第一颜色被分配给第一子集21,并且第二颜色被分配给第二子集22,其中分配是自动执行的和/或经由输入设备15输入。优选地,第一颜色和第二颜色是颜色模型的基本颜色,诸如RGB图(三种基本颜色)或CMYK图(四种基本颜色)。例如,在使用RGB模型的情况下,第一颜色和/或第二颜色是红色、绿色或蓝色。
此外,提供第一子集21被转换到第一颜色可视化31,并且第二子集22被转换到第二颜色可视化32。因此,为了将第一子集21转换成第一颜色呈现31,对于第一子集21的每个像素,分配给第一子集21的灰度值被转换为第一颜色的色标值,和/或其中为了将第二子集22转换成第二颜色呈现,对于第二子集21的每个像素,分配给第二子集21的灰度值被转换为第二颜色的色标值。例如,对于第一子集21的每个像素,分配0和1之间的值以标记灰度级。该值可以被转换到第一颜色可视化31中的第一颜色的强度值。
随后,组合,特别是融合第一颜色可视化31和第二颜色可视化32。结果,医学图像数据集11被可视化,使得包括在第一子集31和第二子集32中的信息被分别呈现在一个共同的可视化42中。优选地,第一颜色和第二颜色被混合到最终颜色,特别是在每个像素处。此外,提供了第一颜色呈现和第二颜色呈现彼此叠加以用于组合或融合它们。
在图2中,呈现了流程图,其示出了提供第一颜色呈现31、第二颜色呈现32和另一个第二颜色呈现33(对于另一个第二参数53),并且随后组合第一颜色呈现31、第二颜色呈现31和另一个第二颜色呈现32,以用于生成共同可视化42。
在图3中,示出了根据本发明第三实施例的用于可视化医学图像数据集11的系统100的一部分。特别地,根据第三实施例,提供输入设备15,其中输入设备15被配置成使得在屏幕60上,在共同可视化42旁边监视用于每个参数或颜色的滑块18。通过移动相应的滑块18,分别对医学图像数据集11的共同可视化42中的第一颜色呈现31或第二颜色呈现32的影响进行加权。因此,输入设备15被配置用于在医学图像数据集11的可视化中加权第一颜色呈现31或第二颜色呈现32的影响。优选地,这通过添加偏移值,然后将值包裹进入0到1的范围来完成。特别地,输入设备15包括用于调整对于第一颜色呈现31的偏移值的滑块18和用于调整对于第二颜色呈现的偏移值的另一个滑块18。因此,操作员可以根据他的偏好调整可视化,或者用于突出显示特定的和个性化的结果。
在图4中,示出了说明根据本发明第四实施例的方法的一部分的流程图。该方法主要对应于在图1和2的上下文中描述的方法,并且仅在第一参数51和第二参数52的种类方面不同。特别地,图4中的第一参数51由第三参数54(例如T1-弛豫时间)和第四参数55(例如T2-弛豫时间)的相关性表示,并且第二参数52由第三参数54和第四参数55的第二相关性表示。换句话说:代替使用T1相关的第一子集和T2相关的第二子集,T1-弛豫时间和T2-弛豫时间的相关性结果被用作第一子集。因此,例如,相对于T2-弛豫时间绘制T1-弛豫时间,以相关程度识别211第一子集21和第二子集22之间的相关性。结果,可以在相关性步骤中识别聚类230,即具有增加的相关性的区域。还可以想到识别出几个聚类230。例如,这些聚类230可用于识别特定组织类型。为了将在相关性中编码的信息进行融合,提供
-确定212每个聚类的中心220,以及
-对于相关性级别中的聚类230中的每个点,确定213到中心230的距离221,
结果,可以将强度值分配给每个确定的距离221,特别是在医学图像数据集11的第一颜色呈现31和/或第二颜色呈现32中。随后,将源自T1-弛豫时间和T2-弛豫时间的相关性的第一颜色呈现51和第二颜色呈现52组合到医学图像数据集11的共同可视化42。
在图5中,示出了根据本发明的方法的流程图,其中该方法包括:
-提供101医学图像数据集11,
-提供,特别是提取102与第一参数51相关的医学图像数据集11的第一子集21和与第二参数52相关的医学图像数据集11的第二子集22,
-将第一颜色分配103第一子集21,将第二颜色分配给第二子集22,
-将第一子集21转换104成使用第一颜色的第一颜色呈现31,并且将第二子集32转换成使用第二颜色的第二颜色呈现32,和/或
-组合105,特别是融合第一颜色呈现31和第二颜色呈现32,用于可视化医学图像数据集11。
Claims (15)
1.一种用于可视化医学图像数据集(11),特别是磁共振图像数据集的方法,包括:
-提供(101)医学图像数据集(11),
-提供与第一参数(51)相关的医学图像数据集(11)的第一子集(21)和与第二参数(52)相关的医学图像数据集(11)的第二子集(22),
-将第一颜色分配(103)给第一子集(21),并将第二颜色分配给第二子集(22),
-将第一子集(21)转换(104)成使用第一颜色的第一颜色呈现(31),并且将第二子集(32)转换(104)成使用第二颜色的第二颜色呈现(32),以及
-组合(105),特别是融合第一颜色呈现(31)和第二颜色呈现(32),用于可视化医学图像数据集。
2.根据权利要求1所述的方法,其中,所述第一颜色呈现(31)和所述第二颜色呈现(32)以层的形式实现,所述层被重叠以用于组合(105)。
3.根据前述权利要求之一所述的方法,其中颜色图用于选择第一颜色和/或第二颜色。
4.根据前述权利要求之一所述的方法,其中,为了将第一子集(21)转换成第一颜色呈现(31),对于第一子集(31)的每个像素,将灰度值转换到第一颜色的色标值,和/或其中为了将第二子集(22)转换成第二颜色呈现(32),对于第二子集(22)的每个像素,将灰度值转换到第二颜色的色标值。
5.根据前述权利要求之一所述的方法,其中,所述第一子集和/或所述第二子集是使关于第三参数的子集和关于第四参数的子集相关(201)的结果。
6.根据权利要求5所述的方法,其中,为了将强度值分配给第一子集(21)和/或第二子集(22),
-通过在相关级别中使第三参数和第四参数相关(201)来识别(211)聚类,
-确定(212)所识别的聚类(230)的中心(220),
-确定(213)聚类(230)中的每个点与所识别的聚类(230)的中心(220)之间的距离(220),以及
-基于所确定的距离(221)为第一子集和/或第二子集中的像素分配(214)强度。
7.根据权利要求5或6所述的方法,其中使用主成分分析来减少参数的数量。
8.根据前述权利要求之一所述的方法,其中使用机器学习机制来识别(211)聚类(230)。
9.根据前述权利要求之一所述的方法,其中通过使关于第三参数的子集和/或关于第四参数的另一个子集相关来识别器官和/或异常。
10.根据前述权利要求之一所述的方法,其中,从医学图像数据集中提取第一子集和第二子集。
11.根据前述权利要求之一所述的方法,其中,在单次扫描中记录所述医学图像数据集。
12.根据前述权利要求之一所述的方法,其中,所述第一颜色呈现和/或所述第二颜色呈现被加权,特别是经由输入设备(15)。
13.一种用于配置医学器械(10)的系统(100),所述系统包括医学器械(10)和服务器(100),其中,所述系统被配置用于:
-提供(101)医学图像数据集,
-提供与第一参数(51)相关的医学图像数据集(11)的第一子集(21)和与第二参数(52)相关的医学图像数据集(11)的第二子集(22),
-将第一颜色分配(103)给第一子集(21),并将第二颜色分配给第二子集(22),
-将第一子集(21)转换(104)成使用第一颜色的第一颜色呈现(31),并且将第二子集(32)转换(104)成使用第二颜色的第二颜色呈现(32),以及
-组合(105),特别是融合第一颜色呈现(31)和第二颜色呈现(32),用于可视化医学图像数据集(42)。
14.一种计算机程序产品,用于当计算机程序产品被加载到可编程设备的存储器中时执行根据权利要求1至12中任一项所述的方法的步骤。
15.一种计算机可读介质,其上存储有可由计算机单元读取和执行的程序元件,以便当程序元件由计算机单元执行时,执行根据权利要求1至12中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17195490.2A EP3346450A1 (en) | 2017-10-09 | 2017-10-09 | Method for visualising a medical image data set, system for visualising a medical image data set, computer program product and computer-readable medium |
EP17195490.2 | 2017-10-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109637632A true CN109637632A (zh) | 2019-04-16 |
CN109637632B CN109637632B (zh) | 2023-10-13 |
Family
ID=60143507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811176258.1A Active CN109637632B (zh) | 2017-10-09 | 2018-10-09 | 用于可视化医学图像数据集的方法、系统和计算机介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10825171B2 (zh) |
EP (1) | EP3346450A1 (zh) |
CN (1) | CN109637632B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533735A (zh) * | 2019-08-01 | 2019-12-03 | 深圳大学 | 一种基于图像集的可视化配色方法、存储介质及终端设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7084193B2 (ja) * | 2018-04-10 | 2022-06-14 | ザイオソフト株式会社 | 医用画像処理装置、医用画像処理方法、及び医用画像処理プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1993021543A1 (en) * | 1992-04-21 | 1993-10-28 | University Of South Florida | Magnetic resonance imaging color composites |
CN1929781A (zh) * | 2003-08-21 | 2007-03-14 | 依斯克姆公司 | 用于脉管斑块检测和分析的自动化方法和系统 |
CN101253503A (zh) * | 2005-08-31 | 2008-08-27 | 皇家飞利浦电子股份有限公司 | 用于医学图像数据集的方法和设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT1250094B (it) * | 1991-09-12 | 1995-03-30 | Consiglio Nazionale Ricerche | Metodo di visualizzazione a colori composti di immagini quantitative di parametri tissutali, in risonanzna magnetica nucleare. |
US6956373B1 (en) * | 2002-01-02 | 2005-10-18 | Hugh Keith Brown | Opposed orthogonal fusion system and method for generating color segmented MRI voxel matrices |
US8289329B2 (en) * | 2008-04-25 | 2012-10-16 | Marcel Warntjes | Visualization of quantitative MRI data by quantitative tissue plot |
US8472684B1 (en) * | 2010-06-09 | 2013-06-25 | Icad, Inc. | Systems and methods for generating fused medical images from multi-parametric, magnetic resonance image data |
US20130090548A1 (en) * | 2011-10-10 | 2013-04-11 | Wake Forest University Health Sciences | Automated renal evaluation systems and methods using mri image data |
-
2017
- 2017-10-09 EP EP17195490.2A patent/EP3346450A1/en not_active Withdrawn
-
2018
- 2018-10-08 US US16/154,052 patent/US10825171B2/en active Active
- 2018-10-09 CN CN201811176258.1A patent/CN109637632B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1993021543A1 (en) * | 1992-04-21 | 1993-10-28 | University Of South Florida | Magnetic resonance imaging color composites |
CN1929781A (zh) * | 2003-08-21 | 2007-03-14 | 依斯克姆公司 | 用于脉管斑块检测和分析的自动化方法和系统 |
CN101253503A (zh) * | 2005-08-31 | 2008-08-27 | 皇家飞利浦电子股份有限公司 | 用于医学图像数据集的方法和设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533735A (zh) * | 2019-08-01 | 2019-12-03 | 深圳大学 | 一种基于图像集的可视化配色方法、存储介质及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
US10825171B2 (en) | 2020-11-03 |
US20190108633A1 (en) | 2019-04-11 |
CN109637632B (zh) | 2023-10-13 |
EP3346450A1 (en) | 2018-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11610308B2 (en) | Localization and classification of abnormalities in medical images | |
CN113454733B (zh) | 用于预后组织模式识别的多实例学习器 | |
CN100470560C (zh) | 图像像素编码方法和图像处理方法 | |
Larsson et al. | Neuronal correlates of real and illusory contour perception: functional anatomy with PET | |
US10115191B2 (en) | Information processing apparatus, information processing system, information processing method, program, and recording medium | |
CN103403568B (zh) | 对磁共振成像脉冲序列协议分类的确定 | |
Vaziri-Pashkam et al. | An information-driven 2-pathway characterization of occipitotemporal and posterior parietal visual object representations | |
EP3703007A2 (en) | Tumor tissue characterization using multi-parametric magnetic resonance imaging | |
CN102737250A (zh) | 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统 | |
Fantini et al. | Automatic detection of motion artifacts on MRI using Deep CNN | |
Schendan et al. | Where vision meets memory: prefrontal–posterior networks for visual object constancy during categorization and recognition | |
Nagle et al. | Predicting human complexity perception of real-world scenes | |
CN109559295A (zh) | 图像分析系统、方法、计算机可读存储介质、及电子终端 | |
Pennock et al. | Color-biased regions in the ventral visual pathway are food selective | |
CN109637632A (zh) | 用于可视化医学图像数据集的方法、系统和计算机介质 | |
KR20220129405A (ko) | 전역 어텐션 기반 컨볼루션 네트워크를 이용한 이미지 분할 방법 및 장치 | |
Hou et al. | Text-aware single image specular highlight removal | |
JP2019514115A (ja) | Ihc画像解析のための空間インデックス作成 | |
Berry | A practical approach to medical image processing | |
EP3975037A1 (en) | Providing a classification explanation and a generative function | |
Chan et al. | Segmentation of Spinal MRI Images and New Compression Fracture Detection | |
CN109427416A (zh) | 用于比较医学成像过程中的参考值的方法、系统 | |
WO2023007958A1 (ja) | データ作成装置、記憶装置、データ処理システム、データ作成方法、及びプログラム | |
US11615604B2 (en) | Method and apparatus for measuring endolymphatic hydrops ratio of inner ear organ using artificial neural network | |
WO2022176665A1 (ja) | 画像解析方法、画像解析装置、分類装置、分類システム、制御プログラム、記録媒体 |
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 |