CN110023991B - 用于从对象类中识别对象的装置 - Google Patents
用于从对象类中识别对象的装置 Download PDFInfo
- Publication number
- CN110023991B CN110023991B CN201780074502.0A CN201780074502A CN110023991B CN 110023991 B CN110023991 B CN 110023991B CN 201780074502 A CN201780074502 A CN 201780074502A CN 110023991 B CN110023991 B CN 110023991B
- Authority
- CN
- China
- Prior art keywords
- seed
- image data
- seed element
- contour
- score
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20168—Radial search
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于识别图像数据中的候选对象并确定所述候选对象是来自对象类的对象的可能性的装置。所述装置包括:图像数据接收单元,其用于接收属于对象类的对象的图像数据;种子元素选择单元,其用于选择图像元素的一部分作为种子元素;轮廓点识别单元,其用于针对每个种子元素(SE)识别轮廓点,种子元素的所述轮廓点围绕包括所述种子元素的候选对象;以及种子分数确定单元,其用于针对每个种子元素确定指示所述候选对象是来自所述对象类的对象的可能性的种子分数。本发明允许在感兴趣的对象类中的对象与伪影之间进行区分。
Description
技术领域
本发明涉及一种用于识别图像数据中的候选对象并确定候选对象是来自对象类的对象的可能性的装置和方法。本发明还涉及包括该装置的医学成像系统。本发明还涉及一种用于识别图像数据中的候选对象并确定候选对象是来自对象类的对象的可能性的计算机程序。
背景技术
US 9342881B1公开了一种用于识别具有一个或多个息肉的体内图像帧的系统。确定候选成像结构的中心点,其中,每个中心点定义相应的圆。针对每个中心点周围的多个点计算息肉边缘分数,其中,每个息肉边缘分数相应候选成像结构与其相应圆圈的符合性进行量度。对于每个中心点,基于息肉边缘得分检测相应候选成像结构的多个边缘点,并且基于检测到的边缘点来识别候选成像结构。对于每个候选成像结构,识别候选息肉,针对所述候选息肉外推检测到的边缘点形成近似椭圆的形状的边缘。
RA Blechschmidt等人的文章“Automated CT Image Evaluation of the Lung:AMorphology-Based Concept”,IEEE Transactions on Medical Imaging,第20卷,第434至442页(2001年)提出了基于肺气肿的肺形态学的胸部计算机断层摄影(CT)图像评估的算法。该算法能够区分小型、中型和大型肺大疱(连续低衰减区域)。其不是基于纹理的算法。肺大疱按大小分为四个大小类别:类别1为在肺实质的典型范围内;类别2至4表示小型、中等和大型肺大疱。计算不同类别占据所有低衰减像素的多大面积。根据分别由小型、中型和大型肺大疱所覆盖的区域的百分比来导出肺大疱指数。根据属于类别4的肺大疱的面积与属于类别2的肺大疱区域的关系,计算肺气肿类型的量度。其通过肺气肿类型分别将肺分类为肺大疱性肺气肿或小型弥漫性肺气肿。
该算法不能在来自一个对象类的对象(即肺大疱)与来自不同对象类的对象(例如虚假的低衰减区域(伪影))之间进行区分。由于伪影未被排除而是被并入到四个尺寸类别中,因此肺大疱指数的准确性和置信度会被劣化。
发明内容
本发明的一个目的是提供一种用于识别图像数据中的候选对象并确定候选对象是来自对象类的对象的可能性的装置、方法和计算机程序,其允许在属于感兴趣的对象类的对象与伪影之间进行区分。本发明的另一个目的是提供一种包括该装置的医学成像系统。
根据本发明的第一方面,提供了一种用于识别图像数据中的候选对象并确定候选对象是来自对象类的对象的可能性的装置,所述装置包括:
图像数据接收单元,其用于接收属于所述对象类的对象的图像数据,其中,所述图像数据包括表示图像数据的物理属性值的图像元素,
种子元素选择单元,其用于选择图像元素的一部分作为种子元素,
轮廓点识别单元,其用于针对每个种子元素识别轮廓点,种子元素的轮廓点围绕包括所述种子元素的候选对象,以及
种子分数确定单元,其用于针对每个种子元素确定指示所述候选对象是来自所述对象类的对象的可能性的种子分数,所述种子分数确定单元包括:
轮廓点子集生成单元,其用于针对每个种子元素生成所述种子元素的所述轮廓点的多个轮廓点子集,
弧段生成单元,其用于通过将弧段拟合到所述种子元素的所述轮廓点子集中的每个,来针对每个种子元素生成针对所述种子元素的所述轮廓点子集中的每个的拟合弧段,
拟合弧段选择单元,其用于针对每个种子元素选择满足预定选择准则的那些拟合弧段,以及
种子分数分配单元,其用于基于所选择的弧段向每个种子元素分配所述种子分数。
本发明假设来自感兴趣对象类的图像数据中的对象的属性不同于不是来自所述对象类的对象的属性。所述对象类定义感兴趣对象的类型。例如,所述对象类可以指肺实质中的肺大疱(bullae)。在这种情况下,假设来自所述对象类的对象在所述图像数据中由低辐射衰减的区域表示。因此,物理属性可以是肺实质和其中的肺大疱的辐射衰减。此外,假设来自所述对象类的对象的形状与不是来自所述对象类的对象的形状不同。更具体地,假设来自所述对象类的所述对象至少部分地具有相当平滑的轮廓。
本发明首先识别图像数据中的候选对象,其可以来自或可以不来自对象类。为了能够确定所述候选对象是否可能来自所述对象类,通过找到位于所述候选对象的轮廓上(或至少在其附近)的轮廓点来确定所述候选对象的形状。然后,本发明测试所述候选对象的轮廓点是否可以由弧段描述。如果可以通过弧段描述所述候选对象的轮廓点,则所述候选对象很可能来自所述对象类。然而,如果不可能通过弧段描述候选对象的轮廓点,则所述候选对象不大可能来自所述对象类。因此,即使候选对象可以是例如低辐射衰减的区域,其轮廓也缺乏通常针对来自所述对象类的对象观察到的平滑度。在这种情况下,所述候选对象更可能是伪影。所述候选对象来自所述对象类的可能性通过分数来表示。因此,本发明允许在感兴趣的对象类中的对象与伪影之间进行区分。
优选地,所述图像数据源自CT扫描。所述图像数据可以对应于典型的CT体积和其切片。所述图像数据可以源自低剂量CT筛选应用。所述图像数据还可以源自磁共振成像系统,核成像系统(例如单光子发射计算机断层摄影成像系统或正电子发射计算机断层摄影成像系统),或超声成像系统。然而,所述图像数据也可以是另一成像模态的图像数据。优选地,所述图像数据是医学图像数据。特别地,所述图像数据可以示出人或动物的一部分。例如,所述图像数据可以显示人的肺。所述图像数据可以是数字图像数据。所述图像数据的图像元素可以是像素或体素,这取决于所述图像数据是分别是二维还是三维地评估。
所述图像数据接收单元可以是存储图像数据的存储单元,并且可以从该存储单元检索图像数据以便提供所述图像数据。所述图像数据接收单元也可以是生成所述图像数据的成像系统。例如,如上所述,可以通过CT扫描来生成所述图像数据。所述图像数据接收单元也可以是传输单元,其允许直接或经由用于提供图像数据的另一单元将图像数据传送到所述种子元素选择单元。例如,所述图像数据接收单元可以是有线或无线数据传输单元或光学数据传输单元。所述图像接收单元还接收所述候选对象的图像数据。
优选地,所述种子元素选择单元基于图像元素的物理属性值来选择所述种子元素,其中,所述种子元素指示候选对象。
所述候选对象的轮廓点不需要完全环绕所述候选对象,而是也可以仅环绕所述候选对象的一部分。
被拟合到候选对象的轮廓点弧段不是波浪形的而是弧形的。弧段不一定是圆弧段。
优选地,轮廓点子集由彼此连接的轮廓点组成。这意味着当某个轮廓点包含在轮廓点子集中时,与该特定轮廓点直接相邻的两个轮廓点也包含在所述轮廓点子集中,除非该特定轮廓点形成所述轮廓点子集的起点或终点,在这种情况下,该特定轮廓点仅具有一个被包含在轮廓点子集中的直接相邻的轮廓点。
优选地,所述装置还包括限制值设置单元,所述限制值设置单元用于设置至少一个预定物理属性限制值,所述轮廓点识别单元还被配置为通过投射从每个种子元素发出而进入图像数据的预定数量的搜索射线来对所述图像数据进行采样,其中,当通过所述搜索射线采样的图像元素的物理属性值变得大于物理属性限制值时,每个搜索射线终止于终止点,其中,搜索射线的终止点定义了轮廓点。因此,每个候选对象的轮廓点的数量是恒定的。以此方式,与较大候选对象(其包括更多图像元素)相关联的计算成本类似于与较小候选对象(其包括较少图像元素)相关联的计算成本,即使较大候选对象的轮廓或周长大于较小的候选对象的周长。设备处理图像数据越快,用户就可以以更好的交互式方式与所述装置交互。
优选地,种子分数分配单元还被配置为基于通过种子元素发出的搜索射线采样的图像元素的平均物理属性值,对分配给种子元素的每个种子分数进行加权。当图像数据是肺大疱性肺气肿的医学图像数据时,种子分数分配单元可以对与辐射衰减较低的区域相关的候选对象给出比与较高辐射衰减区域相关的候选对象的权重更高的权重。因此,当对象类别是肺实质中的肺大疱时,辐射衰减较低的区域更可能是肺大疱,因此可以给予更多的权重。
优选地,所述弧段生成单元被配置为针对每个种子元素将弧段拟合到从针对所述种子元素生成的轮廓点子集的每个轮廓点到种子元素的距离。从轮廓点到其相应种子元素的距离可以由连接种子元素和轮廓点的搜索射线的长度给出。当从极坐标系中观察候选对象时,其中种子元素位于极坐标系的极点处,则从轮廓点到相关种子元素的距离是轮廓点的半径。可以将轮廓点的极坐标变换为笛卡尔坐标系,并且可以对笛卡尔坐标系中的轮廓点执行线拟合。例如,轮廓点的半径可以取其极角的函数。然后,可以将直线拟合到该函数上。将拟合线变换回极坐标系可以产生弧段。
优选地,预定选择准则定义:所选择的弧段从由所述弧段近似的每个轮廓点偏离小于预定距离。因此,所述预定选择准则定义了轮廓点子集和拟合到其的弧段之间的拟合优度标准。该预定选择准则可以在其计算成本方面以有效的方式实现。
所述预定选择准则还可以定义当由弧段近似的轮廓点的数量被最大化时选所述择弧段。换句话说,当应用该预定选择准则时,所述装置可以通过可能的最大弧段来近似种子元素(和相应候选对象)的轮廓点。优选地,这些最大的弧段不重叠。这意味着由一个最大弧段描述的轮廓点与由另一个最大弧段描述的轮廓点没有共同的轮廓点。
替代地,所述轮廓点子集生成单元被配置为针对每个种子元素生成具有预定数量的轮廓点的轮廓点子集。在这种情况下,就计算成本而言,装置的操作通常比最大化可以由弧段近似的轮廓点的数量更具成本效益。此外,结果可以表现为也是鲁棒和可靠的。
优选地,所述种子分数分配单元被配置为根据通过所选择的弧段近似的与种子元素相关联的轮廓点的数量以及与所述种子元素相关联的轮廓点的总数来确定分配给种子元素的每个种子分数。换句话说,当种子元素具有特定数量的轮廓点时,由轮廓点限定的候选对象来自对象类的可能性越高,可以通过弧段近似的轮廓点越多。这是由于假设候选对象的轮廓越平滑,就可以通过弧段来近似越多的轮廓点。以这种方式,所述装置还可以识别具有未闭合和/或远离球形的轮廓的肺大疱。例如,由于解剖学上的混乱,肺大疱可能被刺穿或中断。
优选地,所述装置还包括对象类分数分配单元,所述对象类分数分配单元用于将对象类分数分配给所述图像数据,其中,对象类分数分配单元被配置为选择如下的种子元素:针对所述种子元素,与由所选择的弧段近似的所述种子元素相关联的轮廓点的数量相对于与所述种子元素相关联的轮廓点的总数量大于预定阈值,并且被配置为将对象类分数分配给所述图像数据,所述对象类分数是以下参数中的至少一个的函数:
分配给所述种子元素的种子分数,
平均对象半径,其是针对每个所选择的种子元素,根据与所述种子元素相关联的由所选择的弧段近似的轮廓点的距离来计算的,以及
每个所选择的种子元素在所述图像数据中的相对位置。
这些参数可以组合成分类器功能。在肺大疱性肺气肿的图像数据的情况下,分类器功能可以给上肺叶中的肺大疱提供更多的权重,因为这种肺大疱在统计学上比下肺叶中的肺大疱更危险。此外,对于较大尺寸的肺大疱可以给予更多的权重,因为对于较大的肺大疱而言,肺大疱性肺气肿的严重程度高于较小的肺大疱。
还优选的是,所述装置还包括输出单元,所述输出单元用于输出分配给图像数据的对象类分数。使用所述对象类分数,所述装置可以被配置为将输出单元上的图像数据的视口设置为呈现最高逐切片对象类分数的图像切片。对象类分数可以是指示肺大疱性肺气肿严重程度的肺气肿分数。
另外,所述装置还可包括弧段突出显示单元,用于在叠加图像中突出显示所选择的弧段并将叠加图像与图像数据组合。然后,用户可以将输出的对象类分数与叠加有图像数据的突出显示的弧段进行比较。然后,用户可以判断该装置是否已经从感兴趣的对象类中识别出所有对象。用户还可以判断该装置是否仅正确地识别了来自感兴趣对象类的对象。这允许用户调整他/她对输出的对象类分数的置信度。
根据本发明的第二方面,提出了一种医学成像系统,包括:
医学图像数据生成单元,其用于生成属于对象类的对象的医学图像数据,以及
以上描述的装置,其用于识别由医学图像数据生成单元生成的医学图像数据中的候选对象并且确定候选对象是来自所述对象类的对象的可能性。
所述医学图像数据生成单元可以是CT扫描仪。替代地,医学图像数据生成单元可以是上述其他成像模态中的一种。
根据本发明的第三方面,提出了一种用于识别图像数据中的候选对象并确定候选对象是来自对象类的对象的可能性的方法,所述方法包括以下步骤:
接收属于对象类的对象的图像数据,其中,所述图像数据包括表示所述图像数据的物理属性值的图像元素,
选择所述图像元素的部分作为种子元素,
针对每个种子元素识别轮廓点,种子元素的所述轮廓点围绕包括所述种子元素的候选对象,以及
通过以下操作来针对每个种子元素确定指示所述候选对象是来自所述对象类的对象的可能性的种子分数:
针对每个种子元素生成所述种子元素的所述轮廓点的多个轮廓点子集,
通过将弧段拟合到所述种子元素的所述轮廓点子集中的每个轮廓点子集,来针对每个种子元素生成针对所述种子元素的所述轮廓点子集中的每个轮廓点子集的拟合弧段,
选择满足预定选择准则的那些拟合弧段,以及
基于所选择的弧段向每个种子元素分配所述种子分数。
根据本发明的第四方面,提供了一种用于识别图像数据中的候选对象并确定候选对象是来自对象类的对象的可能性的计算机程序,所述计算机程序包括程序代码模块,所述程序代码模块用于当所述计算机程序在控制根据权利要求1所述的装置的计算机上运行时使得所述装置执行根据权利要求14所述的方法的步骤。
应当理解,根据权利要求1所述的装置,根据权利要求13所述的成像系统和根据权利要求15的计算机程序具有相似和/或相同的优选实施例,特别是如从属权利要求中所限定的。
应该理解,本发明的优选实施例也可以是从属权利要求或以上实施例与各自的独立权利要求的任何组合。
本发明的这些和其他方面将根据下文描述的实施例变得显而易见,并且将参考下文描述的实施例得到阐述。
附图说明
在以下附图中:
图1示意性和示例性地示出了根据本发明的医学成像系统,
图2示意性和示例性地示出了使用根据本发明的装置识别的候选对象,
图3示意性地和示例性地示出了从种子元素发出并投射到图像数据中的搜索射线,
图4示意性和示例性地示出了根据本发明的装置的第一实施例的种子分数确定单元的操作的流程图,
图5示意性地和示例性地示出了使用根据第一实施例的装置拟合到候选对象的弧段,
图6示意性和示例性地示出了根据本发明的装置的第二实施例的种子分数确定单元的操作的流程图,并且
图7示意性和示例性地示出了根据第一实施例的装置的显示器。
具体实施方式
图1示意性和示例性地示出了医学成像系统1,其包括医学图像数据生成单元2和用于识别图像数据中的候选对象并确定所述候选对象是来自对象类的对象的可能性的装置10。将结合肺实质中肺大疱性肺气肿的检测、定量和可视化来描述本发明。肺大疱性肺气肿的特征是肺泡受损,肺泡扩张形成特别大的空气空间(肺大疱),特别是在肺的最上部。肺气肿是慢性阻塞性肺病(COPD)的一种表现,也是可疑肺癌的最重要的风险指标。
在本实施例中,所述对象类是肺大疱的对象类。当对象是肺实质(肺大疱)中的扩大的空气空间时,对象来自对象类“肺大疱”。应当理解,以下描述也可以应用于从另一个对象类中识别对象。
装置10包括图像数据接收单元12。图像数据接收单元12被配置为接收由医学图像数据生成单元2生成的属于所述对象类的对象的医学图像数据。
所述图像数据包括图像元素,并且每个图像元素表示图像数据的物理属性值。优选地,医学图像数据生成单元2是CT扫描仪,并且图像数据是源自医学图像数据生成单元2的医学CT图像数据。例如,所述图像数据可以是源自CT扫描的重建矩阵,并且所述物理属性是辐射衰减。重建矩阵可包括多个体素。每个体素表示在重建矩阵的每个体素中发生多少X射线辐射衰减。通常,重建矩阵的每个体素的辐射衰减值由以亨氏单位(HU)给出的所谓的CT数来表示。根据定义,蒸馏水(标准压力和温度(SPT))的CT值为0HU,空气(在SPT)的CT值为-1000HU。
所述图像数据也可以是可包括多个像素的图像矩阵。可以从重建矩阵导出图像矩阵。可以使用图像矩阵来在显示设备14上制作图像。通常,体素的CT数与显示图像中的灰度级相关。在传统的计算机监视器上,可以同时显示最多256个灰度级。图像矩阵的像素的大小可以从重建矩阵内插以满足显示设备14的要求或者以图形方式放大(缩放)所显示的图像。
在下文中,假设图像数据表示扫描的CT体积的多个切片,特别是人的肺的医学图像数据,并且图像元素是像素。肺的图像数据可以从医学图像数据中分割出来。此外,主气道的图像数据可以被分割并从肺的图像数据中排除。另外,可以对图像数据应用空间平滑以减少图像噪声。
装置10还包括种子元素选择单元16。种子元素选择单元16被配置为选择图像元素的一部分作为种子元素。装置10可以还包括限制值设置单元20。限制值设置单元20可以被配置为设置第一预定放射线衰减限制值P1。第一预定辐射衰减极限值P1可以接近并略大于空气的辐射衰减值。在一个实施例中,限制值设置单元20可以被配置为基于图像数据的所有图像元素的辐射衰减值来确定全局直方图。全局直方图可以表示图像数据的所有图像元素的辐射衰减值的分布。限制值设置单元20可以被配置为将全局直方图或全局直方图分布的峰值设置为第一预定放射线衰减限制值P1。应当理解,全局直方图可以由图像数据的局部邻域的直方图代替。以这种方式,可以考虑图像元素的辐射衰减值的系统偏移。图像元素的辐射衰减值的系统偏移可以由在例如图像数据的采集期间被引导到例如头尾或腹侧方向的辐射引起。
种子元素选择单元16可以被配置为选择每隔一幅图像元素作为种子元素。然而,应当理解,种子元素选择单元16可以被配置为选择图像数据的三个、四个等图像元素中的每个。额外地或替代地,由种子元素选择单元16选择作为种子元素的图像元素的部分可以是图像数据中具有小于第一预定辐射衰减极限值P1的辐射衰减值的那些图像元素。
装置10还包括轮廓点识别单元18。轮廓点识别单元18被配置为识别每个种子元素SE的轮廓点CP。这在图2中示出。种子元素SE的轮廓点CP围绕候选对象CO。候选对象CO包括种子元素SE。种子元素SE的轮廓点CP形成轮廓点的集合SCP。因此,种子元素选择单元16和轮廓点识别单元18被配置为识别候选对象CO。种子分数确定单元22被配置为确定候选对象CO来自感兴趣对象类的可能性。种子分数确定单元22在下面详细描述。
轮廓点识别单元18可以被配置为通过将从种子元素SE发出的搜索射线SR投射到图像数据中来对图像数据进行采样。这在图3中示出。优选地,搜索射线SR在各个方向上各向同性地投射到图像数据中。换句话说,优选的是,任何两个直接相邻的搜索射线SR在彼此之间限定相同的角度。优选地,从种子元素SE发出的搜索射线的数量在100与200之间。然而,为了降低计算成本,搜索射线的数量可以在30与70之间。使用48条搜索射线已经实现了鲁棒的结果。
当通过搜索射线SR采样的图像元素的辐射衰减值变得大于由限制值设置单元20设置的第二辐射衰减限制值P2时,每个搜索射线SR终止于终止点。每个搜索射线SR的终止点定义轮廓点CP。搜索射线SR可以在或可以不在图像元素处终止。第二辐射衰减极限值P2可以等于第一辐射衰减极限值P1。替代地,第二辐射衰减极限值P2可以不同于第一预定辐射衰减极限值P1。例如,第二辐射衰减极限值P2可以略大于第一预定辐射衰减极限值P1。
装置10还包括种子分数确定单元22,用于针对每个种子元素SE确定表示候选对象是来自对象类的对象的可能性的种子分数S。换句话说,种子分数可以指示候选对象是肺大疱的可能性。
种子分数确定单元22包括轮廓点子集生成单元24、弧段生成单元26、拟合弧段选择单元28和种子分数分配单元30。轮廓点子集生成单元24被配置为针对种子元素SE来生成种子元素SE的轮廓点CP的多个轮廓点子集CPS。弧段生成单元26被配置为针对种子元素生成针对种子元素的每个轮廓点子集的拟合弧段。弧段生成单元26被配置为通过将弧段拟合到种子元素的每个轮廓点子集来生成拟合弧段。拟合弧段选择单元28被配置为针对种子元素选择满足预定选择准则的那些拟合弧段。拟合的弧段选择单元28还可以被配置为存储拟合的弧段。种子分数分配单元30被配置为基于所选择的弧段向种子元素分配种子分数。然而,种子分数确定单元22被配置为不仅针对单个种子元素而且针对每个种子元素确定种子分数。
图4和图5示出了根据装置10的第一实施例的种子分数确定单元22的操作。
图4以步骤100至110图示了根据装置10的第一实施例的种子分数确定单元22的操作的流程图。在步骤100中,种子元素选择单元16选择种子元素SE,并且由轮廓点识别单元18识别种子元素SE的各个轮廓点的集合SCP。对于种子元素SE,选择第一坐标系CS1和第二坐标系CS2。第一坐标系是极坐标系CS1,其中,种子元素SE是极。在种子元素SE的极坐标系CS1中,种子元素SE的轮廓点的集合SCP的轮廓点CP具有半径r(CP)和极角α(CP)。轮廓点CP的半径r(CP)可以由终止于轮廓点CP的搜索射线的长度给出。第二坐标系是笛卡尔坐标系CS2,其中x轴由该轮廓点的集合SCP的轮廓点CP的极角α(CP)给出,并且y轴由轮廓点的集合SCP中的轮廓点CP的半径r(CP)给出。
由于种子分数确定单元22的操作对于所有种子元素(和所有切片)是相同的,因此仅针对一个种子元素SE(和对于一个切片)进行说明。
在步骤101中,轮廓点子集生成单元24选择第一轮廓点CP1作为起点。
在步骤102中,轮廓点子集生成单元24生成第一轮廓点子集CPS1。从起点CP1开始,在预定采样方向R上对轮廓点CP进行采样。预定采样方向R可以是逆时针方向。第一轮廓点子集CPS1可以包括起点CP1和在预定采样方向R上与起点CP1直接相邻的两个轮廓点CP2、CP3。轮廓点CP3形成第一轮廓点子集CPS1的终点。
在步骤103中,弧段生成单元22生成针对第一轮廓点子集CPS1的拟合弧段AS1。为此,弧段生成单元22被配置为形成函数,其中轮廓点子集CPS1中的每个轮廓点CP的半径r(CP)取决于轮廓点子集CPS1中的每个轮廓点CP的极角α(CP)。换句话说,轮廓点CP被从极坐标系CS1变换到笛卡尔坐标系CS2。直线SL1被拟合到笛卡尔坐标系中的第一轮廓点子集CPS1的轮廓点CP。在种子元素SE的极坐标系CS1中,直线SL1形成拟合弧段AS1。换句话说,拟合弧段AS1根据第一轮廓点子集CPS1中的每个轮廓点CP的极角α(CP)来近似半径r(CP)。
在步骤104中,拟合弧段选择单元28被配置为确定第一轮廓点子集CPS1的拟合弧段AS是否满足第一预定选择准则。优选地,第一预定选择准则通常定义轮廓点子集中的每个轮廓点可以从所述轮廓点子集的拟合弧段偏离超过预定距离D。所述预定距离D可以在0.1mm和2.0mm之间的范围内。优选地,预定距离D是1.0mm。所述预定距离D指的是第一或第二坐标系CS1、CS2中的距离。
如果第一轮廓点子集CPS1的拟合弧段AS1满足第一预定选择准则,则在步骤105中,拟合弧段选择单元28可以选择并存储拟合弧段AS1。如果第一轮廓点子集CPS1的拟合弧段AS1不满足第一预定选择准则,则可以丢弃拟合弧段AS1。
然后,对第二轮廓点子集CPS2重复步骤102到104。这在步骤106中指示。在步骤102中,轮廓点子集生成单元24生成第二轮廓点子集CPS2。第二轮廓点CPS2可以包括第一轮廓点子集CPS1和两个轮廓点CP4、CP5,它们在预定采样方向R上与第一轮廓点子集CPS1的端点CP3直接相邻。轮廓点CP5形成第二轮廓点子集CPS2端点。因此,所述第二轮廓点子集CPS2大于所述第一轮廓点子集CPS1。这意味着第二轮廓点子集CPS2包含比第一轮廓点子集CPS1更多的轮廓点。以这种方式,对于作为起点的给定轮廓点,例如轮廓点CP1,随后生成的轮廓点子集逐渐变得大于第一轮廓点子集。将理解,轮廓点子集的选择可以偏离所讨论的示例,所讨论的示例仅示出了种子分数确定单元22的实现的一种可能方式。
针对第二轮廓点子集CPS2的步骤103和104类似于针对第一轮廓点子集CPS1的步骤103到104,因此为了简洁起见,这里省略了详细讨论。
一旦轮廓点CP1的所有轮廓点子集经历了步骤102至106,轮廓点子集生成单元24就进入步骤101。这在步骤107中指示。在步骤101中,轮廓点子集生成单元24选择在预定采样方向R上与前起点CP1直接相邻的轮廓点CP2作为新的起点。针对新的起点CP2重复步骤102至106。针对起点CP2的步骤102到106类似于起点CP1的步骤102到107,因此为了简洁起见,这里省略了详细讨论。
重复步骤101至107,直到所有轮廓点CP都用作起点并且已经获得所有拟合的弧段。
在步骤108中,拟合弧段选择单元28从所有起点的所有拟合弧段中选择拟合弧段中最大的。当搜索射线在所有方向上各向同性地投射到图像数据中时,最大的拟合弧段是被拟合到具有最大轮廓点数量的轮廓点子集的拟合弧段。最大的拟合弧段限定了第一最大拟合弧段LAS1。
一旦确定了第一最大拟合弧段LAS1,就用修改的轮廓点的集合来重复步骤101到108。这在步骤109中指示。更具体地,从轮廓点的集合SCP中删除那些与第一最大拟合弧段LAS1相关联的轮廓点。
当针对轮廓点的经修改的集合重复步骤101至108时,步骤108产生第二大拟合弧段LAS2。第二最大拟合弧段LAS2小于第一最大拟合弧段LAS1。
替代地,对于先前已经经历了步骤101至107的轮廓点子集,可以恢复到在步骤105中它们的各自的拟合弧段(由拟合弧段选择单元28存储)。以这种方式,可以省略步骤101至107中的一些步骤。
因此,拟合弧段选择单元28可以被配置为选择满足第二预定选择准则的那些拟合弧段。所述第二预定选择准则可以定义当由弧段近似的轮廓点的数量被最大化时选所述择弧段。在图5中,描绘了四个最大弧段LAS1、LAS2、LAS3和LAS4。
当已经识别出预定数量的最大弧段时,所述过程可以终止。替代地,当不再能确定满足第一和第二预定选择准则的拟合弧段时,所述过程可以终止。另外,当原始轮廓点的集合CP中的轮廓点的预定部分与最大拟合弧段相关联时,所述过程可以终止。
在步骤110中,种子分数分配单元30基于所选择的弧段将种子分数S分配给种子元素SE。种子分数分配单元30确定将被分配给种子元素SE的种子分数S,其作为与种子元素SE相关联的由所选择的弧段和近似的轮廓点的数量与种子元素SE相关的轮廓点的总数的函数。优选地,当原始轮廓点集CP中的轮廓点的预定部分与首先确定的最大拟合弧段的预定最大数量相关联时,种子元素SE的种子分数S为1。否则,种子元素SE的种子分数S是0。因此,在第一实施例中,任何种子元素SE的种子分数S可以是0或1。
例如,原始轮廓点CP组的轮廓点的预定部分可以在40%与80%之间。预定最大数量的最大拟合弧段可以在3和7之间。换句话说,原始轮廓点集合SCP中的轮廓点CP的40%到80%可以由满足第一和第二预定选择准则的3到5个最大拟合弧段近似。
应当理解,轮廓点子集生成单元24还可以被配置为每隔一个轮廓点或每三个、四个等等的轮廓点中的一个选择为起点。例如,如果选择每隔一个轮廓点作为起点,则CP3而不是CP2将是第二个起点。将进一步理解的是,轮廓点子集可以不同于直接在前的轮廓点子集,有两个直接相邻的轮廓点不同,还可以有三个、四个或更多个轮廓点不同。
图6图示了根据装置10的第二实施例的种子分数确定单元22的操作。仅针对一个种子元素SE(并且仅一个切片)说明了根据第二实施例的种子分数确定单元22的操作。
图6以步骤200至204图示了根据装置10的第二实施例的种子分数确定单元22的操作的流程图。关于步骤200,参考步骤100的描述,其与步骤200相同。
在步骤201中,轮廓点子集生成单元24针对该轮廓点的集合SCP的每个轮廓点CP生成具有预定数量的轮廓点的轮廓点子集CPS。例如,对于该轮廓点的集合SCP中的每个轮廓点CP,相应的轮廓点子集CPS包括在第一采样方向上与轮廓点CP直接相邻的两个轮廓点和在第二采样方向上与轮廓点CP直接相邻的两个轮廓点。第一和第二采样方向彼此相反。例如,第一采样方向可以是逆时针方向,而第二采样方向可以是顺时针方向。应当理解,可以使用三个、四个等直接相邻的轮廓点代替两个直接相邻的轮廓点。此外,在第一采样方向上与轮廓点直接相邻的轮廓点的数量可以与在第二采样方向上与轮廓点直接相邻的轮廓点的数量不同。
在步骤202中,弧段生成单元26通过将弧段拟合到种子元素SE的每个轮廓点子集CPS,来针对种子元素的每个轮廓点子集生成拟合弧段。假设轮廓点CP*被分配轮廓点子集CPS,则这可以如下地完成。弧段生成单元22将直线SL拟合到第二坐标系CS2中的函数,其中,自变量是轮廓点子集CPS中的除了轮廓点CP*之外的每个轮廓点CP的极角α(CP),并且因变量是轮廓点子集CPS中的除了轮廓点CP*之外的每个轮廓点CP的半径r(CP)。换句话说,直线SL在第一和第二采样方向上被拟合到轮廓点CP*的两个直接相邻的轮廓点,略过轮廓点CP*。这与第一实施例形成对比,第一实施例中弧段被拟合到轮廓点子集CPS的所有轮廓点CP。
在步骤203中,拟合弧段选择单元28确定每个轮廓点子集CPS(特别是轮廓点CP*)的拟合弧段是否满足预定选择准则。类似于第一实施例,预定选择准则可以定义轮廓点子集CPS的每个轮廓点CP可以不从轮廓点子集CPS的拟合弧段偏离超过预定距离D。预定距离D可以范围在0.1mm与2.0mm之间。优选地,预定距离D是1.0mm。如果满足选择准则,则第二坐标系CS2中的直线SL在极坐标系CS1中形成拟合弧段AS。此外,拟合弧段AS近似于轮廓点子集CPS的轮廓点CP的半径r(CP),作为轮廓点子集CPS的轮廓点CP的极角α(CP)的函数。
如果轮廓点子集CPS的拟合弧段AS满足预定选择准则,则拟合弧段选择单元28可以选择并存储拟合弧段AS。如果轮廓点子集CPS的拟合弧段AS不满足第一预定选择准则,则可以丢弃拟合弧段AS。
在步骤204中,一旦由拟合弧段选择单元28选择了满足预定选择准则的所有拟合弧段,种子分数分配单元30就基于所选择的弧段将种子分数S分配给种子元素SE。优选地,产生所选择的弧段所存在的轮廓点子集CPS的轮廓点CP的部分被指定为种子元素SE的种子分数S。种子分数S因此可以在0%和100%之间的范围内。然而,应该理解,种子分数S可以以任何其他合适的方式表达。
独立于种子分数确定单元22的操作,优选地,种子分数分配单元30还被配置为基于通过种子元素SE发出的搜索射线采样的图像元素的平均辐射衰减值来对分配给种子元素SE的种子分数S进行加权。根据一个实施例,通过用0和1之间的密度项来对种子分数S进行加权来增强每个种子分数S。密度项可以指示平均辐射衰减值相对于第一预定参考值和第二预定参考值的相对位置。第一预定参考值可以是空气的CT数-1000HU,第二预定参考值可以是第一预定辐射衰减极限值P1。以这种方式,具有较低平均辐射衰减值的候选对象可以被赋予比具有较高平均辐射衰减值的候选对象更多的权重。原因是具有较低平均辐射衰减值的候选对象比具有较高平均辐射衰减值的候选对象更可能表示充满空气的空间,即肺大疱。
装置10还包括弧段突出显示单元32。弧段突出显示单元32被配置为突出显示叠加图像中的所选择的弧段并将叠加图像与图像数据组合。如图1中所示,弧段突出显示单元32可以连接到显示设备14,以便使用颜色显示在叠加图像上在视觉上突出显示的所选择的弧段。突出显示的所选择的弧段的不透明度可以取决于与所突出显示的所选择的弧段相关联的种子元素SE的种子分数S的大小。
图7示出了根据第一实施例的装置的显示设备14的显示示例。在图7中,示出了人的肺L的图像数据。该人的肺L受肺大疱性肺气肿的影响,其中,肺大疱用附图标记B表示。每个肺大疱B的轮廓用弧段AS突出显示。
装置10还可以包括对象类分数分配单元34。对象类别分数分配单元34可以被配置为选择如下的种子元素SE:针对所述种子元素,与所述种子元素SE相关联的由选择的弧段近似的轮廓点CP的数量相对于与种子元素SE相关联的轮廓点的总数大于预定阈值。在装置10的第一实施例中,可以选择那些种子分数S为1的种子元素SE。在装置10的第二实施例中,可以选择那些具有大于预定阈值的种子分数S的种子元素SE。预定阈值可以是50%和70%之间的值。
对象类分数分配单元34还可以被配置为将对象类分数分配给图像数据。对象类分数可以是以下参数中的至少一个的函数:
分配给所述种子元素的种子分数,
平均对象半径,其是针对每个所选择的种子元素,根据与所述种子元素相关联的由所选择的弧段近似的轮廓点的距离来计算的,以及
每个所选择的种子元素在所述图像数据中的相对位置。
优选地,对象类分数由对象类分数分配单元34使用组合上述参数的分类器计算。
另外,装置10可以包括输出单元36,用于输出分配给图像数据的对象类分数。此外,通过在显示设备14上突出显示图像数据上的所选择的弧段,用户可能能够理解分配给图像数据的输出对象类别分数的大小。此外,对于用户来说显而易见的是,分配给图像数据的对象类分数基于例如实际上不仅仅属于来自对象类的对象弧段。也可能的是,并非所有属于对象类的对象都已被设备识别。在这些情况下,用户可以相应地改变他/她对分配给图像数据的对象类分数的置信度。
尽管已经针对像素描述了实施例作为图像元素,但是本领域技术人员将理解,所述流程也适用于体素。因此,本发明还可以应用于三维图像数据,其中识别出球形表面区段而不是弧段。此外,本发明不限于作为图像元素的辐射衰减的图像元素的物理属性。
本领域技术人员通过研究附图、公开内容以及权利要求书,在实践请求保护的本发明时能够理解并且实现对所公开的实施例的其他变型。
在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。
单个单元或装置可以完成权利要求中列举的几项的功能。尽管特定措施是在互不相同的从属权利要求中记载的,但是这并不指示不能有利地使用这些措施的集合。
可以将计算机程序存储或分布在与其它硬件一起提供或者作为其它硬件的一部分提供的诸如光存储介质或者固态介质的合适介质上,但是还可以以诸如经因特网或者其它有线或无线电信系统的其它形式分布。术语“计算机程序”也可以指嵌入式软件。
权利要求书中的任何附图标记不应被解释为对范围的限制。
本发明涉及一种用于识别图像数据中的候选对象并确定候选对象是来自对象类的对象的可能性的装置。所述装置包括:图像数据接收单元,其用于接收对象类中的对象的图像数据;种子元素选择单元,其用于选择图像元素的一部分作为种子元素;轮廓点识别单元,其用于针对每个种子元素识别轮廓点,种子元素的轮廓点围绕包括所述种子元素的候选对象;以及种子分数确定单元,其用于针对每个种子元素确定指示所述候选对象是来自所述对象类的对象的可能性的种子分数。本发明允许在感兴趣的对象类中的对象与伪影之间进行区分。
Claims (15)
1.一种用于识别图像数据中的候选对象并确定所述候选对象是来自对象类的对象的可能性的装置(10),所述装置包括:
图像数据接收单元(12),其用于接收属于所述对象类的对象的图像数据,其中,所述图像数据包括表示所述图像数据的物理属性值的图像元素,
种子元素选择单元(16),其用于选择所述图像元素的部分作为种子元素,以及
轮廓点识别单元(18),其用于针对每个种子元素(SE)识别轮廓点,种子元素的所述轮廓点围绕包括所述种子元素的候选对象,其特征在于,所述装置还包括:
种子分数确定单元(22),其用于针对每个种子元素确定指示所述候选对象是来自所述对象类的对象的可能性的种子分数,所述种子分数确定单元(22)包括:
轮廓点子集生成单元(24),其用于针对每个种子元素生成所述种子元素的所述轮廓点的多个轮廓点子集,
弧段生成单元(26),其用于通过将弧段拟合到所述种子元素的所述轮廓点子集中的每个轮廓点子集,来针对每个种子元素生成针对所述种子元素的所述轮廓点子集中的每个轮廓点子集的拟合弧段,
拟合弧段选择单元(28),其用于针对每个种子元素选择满足预定选择准则的那些拟合弧段,以及
种子分数分配单元(30),其用于基于所选择的弧段向每个种子元素分配所述种子分数。
2.根据权利要求1所述的装置,其中,所述装置(10)还包括限制值设置单元(20),所述限制值设置单元(20)用于设置至少一个预定物理属性限制值(P2),所述轮廓点识别单元(18)还被配置为通过投射从每个种子元素(SE)发出而进入所述图像数据的预定数量的搜索射线(SR)来对所述图像数据进行采样,其中,每条搜索射线(SR)在由所述搜索射线采样的图像元素的物理属性值变得大于所述物理属性限制值时终止于终止点,其中,所述搜索射线的所述终止点定义轮廓点(CP)。
3.根据权利要求2所述的装置,其中,所述种子分数分配单元(30)还被配置为基于通过从种子元素(SE)发出的所述搜索射线(SR)采样的所述图像元素的平均物理属性值来对分配给所述种子元素(SE)的每个种子分数(S)进行加权。
4.根据权利要求1所述的装置,其中,所述弧段生成单元(26)被配置为针对每个种子元素(SE)将所述弧段拟合到从针对所述种子元素生成的轮廓点子集的每个轮廓点到所述种子元素的距离。
5.根据权利要求4所述的装置,其中,所述预定选择准则定义:所选择的弧段从由所述弧段近似的每个轮廓点偏离小于预定距离(D)。
6.根据权利要求5所述的装置,其中,所述预定选择准则还定义:当由所述弧段近似的轮廓点的数量被最大化时选择所述弧段。
7.根据权利要求1所述的装置,其中,所述轮廓点子集生成单元(24)被配置为针对每个种子元素(SE)生成具有预定数量的轮廓点的轮廓点子集。
8.根据权利要求1所述的装置,其中,所述种子分数分配单元(30)被配置为根据与通过所选择的弧段近似的与种子元素(SE)相关联的轮廓点的数量以及与所述种子元素相关联的轮廓点的总数来确定分配给所述种子元素的每个种子分数(S)。
9.根据权利要求3所述的装置,其中,所述装置还包括对象类分数分配单元(34),所述对象类分数分配单元用于将对象类分数分配给所述图像数据,其中,所述对象类分数分配单元(34)被配置为选择如下的种子元素:针对所述种子元素,与由所选择的弧段近似的所述种子元素相关联的轮廓点的数量相对于与所述种子元素相关联的轮廓点的总数量大于预定阈值,并且被配置为将对象类分数分配给所述图像数据,所述对象类分数是以下中的至少一个的函数:
分配给所述种子元素的种子分数,
平均对象半径,其是针对每个所选择的种子元素,根据与所述种子元素相关联的由所选择的弧段近似的轮廓点的距离来计算的,以及
每个所选择的种子元素在所述图像数据中的相对位置。
10.根据权利要求9所述的装置,其中,所述装置(10)还包括输出单元(36),所述输出单元用于输出分配给所述图像数据的所述对象类分数。
11.根据权利要求1所述的装置,其中,所述装置(10)还包括弧段突出显示单元(32),所述弧段突出显示单元用于在叠加图像中突出显示所选择的弧段并将所述叠加图像与所述图像数据组合。
12.根据权利要求1所述的装置,其中,所述图像数据表示患者的肺(L),并且所述对象类是肺(L)中的肺大疱(B)。
13.一种医学成像系统(1),包括:
医学图像数据生成单元(2),其用于生成属于对象类的对象的医学图像数据,以及
根据权利要求1所述的装置(10),其用于识别由所述医学图像数据生成单元(2)生成的所述医学图像数据中的候选对象(CO)并且确定所述候选对象(CO)是来自所述对象类的对象的可能性。
14.一种用于识别图像数据中的候选对象(CO)并确定所述候选对象(CO)是来自对象类的对象的可能性的方法,所述方法包括以下步骤:
接收属于对象类的对象的图像数据,其中,所述图像数据包括表示所述图像数据的物理属性值的图像元素,
选择所述图像元素的部分作为种子元素,以及
针对每个种子元素识别轮廓点,种子元素的所述轮廓点围绕包括所述种子元素的候选对象,其特征在于,
通过以下操作来针对每个种子元素确定指示所述候选对象(CO)是来自所述对象类的对象的可能性的种子分数(S):
针对每个种子元素生成所述种子元素(SE)的所述轮廓点的多个轮廓点子集,
通过将弧段拟合到所述种子元素的所述轮廓点子集中的每个轮廓点子集,来针对每个种子元素生成针对所述种子元素的所述轮廓点子集中的每个轮廓点子集的拟合弧段,
选择满足预定选择准则的那些拟合弧段,以及
基于所选择的弧段向每个种子元素分配所述种子分数(S)。
15.一种存储有计算机程序的计算机可读介质,所述计算机程序用于识别图像数据中的候选对象并确定所述候选对象是来自对象类的对象的可能性,所述计算机程序包括程序代码模块,所述程序代码模块用于当所述计算机程序在控制根据权利要求1所述的装置(10)的计算机上运行时使得所述装置(10)执行根据权利要求14所述的方法的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16201934 | 2016-12-02 | ||
EP16201934.3 | 2016-12-02 | ||
PCT/EP2017/081248 WO2018100188A1 (en) | 2016-12-02 | 2017-12-01 | Apparatus for identifying objects from an object class |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110023991A CN110023991A (zh) | 2019-07-16 |
CN110023991B true CN110023991B (zh) | 2023-04-04 |
Family
ID=57482260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780074502.0A Active CN110023991B (zh) | 2016-12-02 | 2017-12-01 | 用于从对象类中识别对象的装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10984294B2 (zh) |
EP (1) | EP3549098B1 (zh) |
CN (1) | CN110023991B (zh) |
WO (1) | WO2018100188A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112988815B (zh) * | 2021-03-16 | 2023-09-05 | 重庆工商大学 | 一种大规模高维高速流数据在线异常检测的方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1468371A (zh) * | 2000-09-10 | 2004-01-14 | �²�̩������˾ | Pcb检测中错误报警的减少 |
WO2006085250A2 (en) * | 2005-02-11 | 2006-08-17 | Philips Intellectual Property & Standards Gmbh | Identifying abnormal tissue in images of computed tomography |
CN1867928A (zh) * | 2003-10-17 | 2006-11-22 | 皇家飞利浦电子股份有限公司 | 用于分析物体轮廓图像的方法与图像处理装置 ,用于检测物体的方法与图像处理装置 ,工业视觉设备 ,智能相机,图像显示器 ,安全系统 ,以及计算机程序产品 |
WO2008034599A2 (de) * | 2006-09-19 | 2008-03-27 | Baumer Optronic Gmbh | Verfahren und vorrichtung zur bildverarbeitung |
CN103035014A (zh) * | 2011-09-29 | 2013-04-10 | 索尼公司 | 图像处理设备和方法,以及成像设备和方法 |
CN103425988A (zh) * | 2013-07-03 | 2013-12-04 | 江南大学 | 一种具有圆弧几何基元的实时定位与匹配方法 |
CN104205167A (zh) * | 2012-03-23 | 2014-12-10 | 皇家飞利浦有限公司 | 在例如肺部的ct体积图像中提取大泡性肺气肿和弥漫性肺气肿 |
US9342881B1 (en) * | 2013-12-31 | 2016-05-17 | Given Imaging Ltd. | System and method for automatic detection of in vivo polyps in video sequences |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999057683A1 (en) | 1998-05-04 | 1999-11-11 | The Johns Hopkins University | Method and apparatus for segmenting small structures in images |
CN101529466A (zh) | 2006-10-25 | 2009-09-09 | 皇家飞利浦电子股份有限公司 | 改进的分割 |
WO2013155358A1 (en) | 2012-04-11 | 2013-10-17 | The Trustees Of Columbia University In The City Of New York | Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects |
US10002457B2 (en) | 2014-07-01 | 2018-06-19 | Toshiba Medical Systems Corporation | Image rendering apparatus and method |
-
2017
- 2017-12-01 US US16/463,390 patent/US10984294B2/en active Active
- 2017-12-01 CN CN201780074502.0A patent/CN110023991B/zh active Active
- 2017-12-01 WO PCT/EP2017/081248 patent/WO2018100188A1/en unknown
- 2017-12-01 EP EP17809265.6A patent/EP3549098B1/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1468371A (zh) * | 2000-09-10 | 2004-01-14 | �²�̩������˾ | Pcb检测中错误报警的减少 |
CN1867928A (zh) * | 2003-10-17 | 2006-11-22 | 皇家飞利浦电子股份有限公司 | 用于分析物体轮廓图像的方法与图像处理装置 ,用于检测物体的方法与图像处理装置 ,工业视觉设备 ,智能相机,图像显示器 ,安全系统 ,以及计算机程序产品 |
WO2006085250A2 (en) * | 2005-02-11 | 2006-08-17 | Philips Intellectual Property & Standards Gmbh | Identifying abnormal tissue in images of computed tomography |
WO2008034599A2 (de) * | 2006-09-19 | 2008-03-27 | Baumer Optronic Gmbh | Verfahren und vorrichtung zur bildverarbeitung |
CN103035014A (zh) * | 2011-09-29 | 2013-04-10 | 索尼公司 | 图像处理设备和方法,以及成像设备和方法 |
CN104205167A (zh) * | 2012-03-23 | 2014-12-10 | 皇家飞利浦有限公司 | 在例如肺部的ct体积图像中提取大泡性肺气肿和弥漫性肺气肿 |
CN103425988A (zh) * | 2013-07-03 | 2013-12-04 | 江南大学 | 一种具有圆弧几何基元的实时定位与匹配方法 |
US9342881B1 (en) * | 2013-12-31 | 2016-05-17 | Given Imaging Ltd. | System and method for automatic detection of in vivo polyps in video sequences |
Non-Patent Citations (2)
Title |
---|
"A validated active contour method driven by parabolic arc model for detection and segmentation of mitochondria";Serdar F. Tasel等;《Journal of Structural Biology》;20160305;第194卷(第3期);第253-271页 * |
应用规则的肺结节识别系统;张婧等;《计算机工程与应用》;20110611(第17期);第200-202页 * |
Also Published As
Publication number | Publication date |
---|---|
US20190354816A1 (en) | 2019-11-21 |
US10984294B2 (en) | 2021-04-20 |
CN110023991A (zh) | 2019-07-16 |
WO2018100188A1 (en) | 2018-06-07 |
EP3549098A1 (en) | 2019-10-09 |
EP3549098B1 (en) | 2021-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3035287B1 (en) | Image processing apparatus, and image processing method | |
US7388973B2 (en) | Systems and methods for segmenting an organ in a plurality of images | |
JP5643304B2 (ja) | 胸部トモシンセシスイメージングにおけるコンピュータ支援肺結節検出システムおよび方法並びに肺画像セグメント化システムおよび方法 | |
US9336613B2 (en) | Apparatus for generating assignments between image regions of an image and element classes | |
US8165376B2 (en) | System and method for automatic detection of rib metastasis in computed tomography volume | |
US9129391B2 (en) | Semi-automated preoperative resection planning | |
JP2011526508A (ja) | 医療用画像の領域分割 | |
JP2004520923A (ja) | デジタル画像をセグメント化する方法 | |
US20100150418A1 (en) | Image processing method, image processing apparatus, and image processing program | |
EP3729368B1 (en) | System and method for assessing a pulmonary image | |
JP2002109510A (ja) | 異常陰影候補検出処理システム | |
CN105701438B (zh) | 医学图像处理装置和方法以及医学成像设备 | |
JP7257388B2 (ja) | 肺の画像内の高密度肺組織の領域の決定 | |
JP5955723B2 (ja) | 画像処理装置および画像処理方法、並びに、画像処理プログラム | |
CN110023991B (zh) | 用于从对象类中识别对象的装置 | |
EP3977400A1 (en) | A computer based method for classifying a mass of an organ as a cyst | |
KR101494975B1 (ko) | 3차원 자동 유방 초음파 영상의 유두 자동 검출 시스템 및 그 검출 방법 | |
US8090208B2 (en) | Robust segmentation of a mass candidate in digital mammography images | |
JP3881265B2 (ja) | 異常陰影の検出領域設定装置 | |
JP2002133397A (ja) | 異常陰影候補検出装置 | |
JP2002109512A (ja) | 異常陰影候補検出装置および記録媒体 | |
US20230342994A1 (en) | Storage medium, image identification method, image identification device | |
JP2002330950A (ja) | 異常陰影候補検出装置 | |
JP3596792B2 (ja) | 異常陰影候補領域を含む局所領域の抽出方法および装置 | |
JP2002074326A (ja) | 異常陰影候補検出処理システム |
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 |