CN110036408B - 活动性出血和血液外渗的自动ct检测和可视化 - Google Patents

活动性出血和血液外渗的自动ct检测和可视化 Download PDF

Info

Publication number
CN110036408B
CN110036408B CN201780073605.5A CN201780073605A CN110036408B CN 110036408 B CN110036408 B CN 110036408B CN 201780073605 A CN201780073605 A CN 201780073605A CN 110036408 B CN110036408 B CN 110036408B
Authority
CN
China
Prior art keywords
image
images
difference image
processing system
locations
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
CN201780073605.5A
Other languages
English (en)
Other versions
CN110036408A (zh
Inventor
R·卡尔米
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 CN110036408A publication Critical patent/CN110036408A/zh
Application granted granted Critical
Publication of CN110036408B publication Critical patent/CN110036408B/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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02042—Determining blood loss or bleeding, e.g. during a surgical procedure
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/481—Diagnostic techniques involving the use of contrast agent, e.g. microbubbles introduced into the bloodstream
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G06T2207/30196—Human being; Person

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Hematology (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种图像处理系统(IPS)以及相关的方法。所述系统包括输入接口(IN)，所述输入接口用于接收在流体存在于对象(OB)内的同时所采集的所述对象(OB)的早期输入图像(Va)和后期输入图像(Vb)。差分器(Δ)被配置为根据至少两幅输入图像(Va、Vb)形成差异图像(Vd)。图像结构识别器(ID)能操作用于识别所述差异图像中的一个或多个位置。基于描述所述一个或多个位置周围的相应邻域的相应特征描述符。输出接口(OUT)输出包括所述一个或多个位置的特征图(Vm)。

Description

活动性出血和血液外渗的自动ct检测和可视化
技术领域
本发明涉及一种图像处理系统、一种图像处理的方法、一种计算机程序单元以及一种计算机可读介质。
背景技术
如由J D Hamilton等人在RadioGraphics，10月，第28(6)期，第1603-1616页，(2008)上的“Multi-detector CT Evaluation of Active Extravasation in BluntAbdominal and Pelvic Trauma Patients”一文中所报道的：“…计算机断层摄影(CT)技术以及紧急医学服务的改进已经加快了对创伤患者的管理和分类…”。能够快速地定位出血源能够改善患者管理。活动性外渗是针对多发性创伤患者的发病率和死亡率的重要指示器，因为其是针对严重血管或器官损伤的指示器。
J D Hamilton还报告了：“活动性外渗指代已经从受伤的动脉、静脉、肠道或泌尿道中逸出的所施予的造影剂。在部分创伤患者中可见活动性外渗，在这些患者中，CT揭示了在腹部或骨盆中的血肿”。
已经认识到，双阶段CT协议比单阶段CT更适合于检测外渗。外渗发生在这样的图像中呈现自身的方式是“在初始图像上的血肿内的超衰减的射流或焦点区域，其在延迟图像上逐渐成为变大的、增强的血肿”。该发现指示严重出血，并且必须被快速地传达给临床医师，因为可能需要进行挽救生命的手术或血管内修复。简言之，时间是至关重要的。
除了在创伤情况中之外，活动性出血也可能发生在若干种其他急性疾病或状况中，诸如脑血管异常或胃肠道疾病。发现遭受内部出血的潜在器官是脑、脾、腹部区域、肝脏、肾脏、小肠、结肠以及骨折附近的区域。
在这样的情况的临床例程中，用户(医师、临床医师等)通常需要同时查看两幅(或者三幅或更多幅)CT阶段图像，并且然后直观地猜测是否确实存在任何出血或类似的渗漏事件。这常常必须在一定压力的情况下完成。此外，对内部图像(诸如X射线或CT)的正确解读常常是困难的，并且需要大量的在先培训和经验。
由Saba Momeni和Hossein Pourghassem在Biocybernetics and BiomedicalEngineering，第35卷，第4期，第264-275页，2015年的研究文章“An automatic aneurysmextraction algorithm in fused brain digital subtraction angiography images”描述了一种用于使用数字减影血管造影(DSA)图像进行自动动脉瘤提取的算法。该算法首先去除血管结构。然后，能够通过应用圆形霍夫变换和区域生长算法来提取动脉瘤。
US 2011/0081057 A1描述了一种实时定量冠状动脉血管造影(QCA)系统，其用于在DSA图像中的自动狭窄估计。能够基于两步流程来检测狭窄。第一步是在感兴趣区域中分割血管，并且然后应用第二步以通过测量所分割出的血管的宽度变化来估计狭窄。
US 2016/0300359 A1提出了一种用于确定解剖学身体部分内的感兴趣增强结构的数据处理方法。所述感兴趣增强结构可以是肿瘤或转移体，其累积造影剂。基于两次磁共振成像扫描来确定所述感兴趣增强结构，一次扫描不使用造影剂，而另一次扫描使用造影剂。
US 2005/0111718 A1提出了一种用于对对象的时间减影图像执行计算机辅助诊断的方法。所述时间减影图像被解读为识别和指示表示病理变化的区域的位置。然后，将具有病理变化的指示的区域作为计算机辅助检测输出而被叠加到所述时间减影图像上或者被叠加在原始图像上。
发明内容
因此，可能需要一种基于图像的系统和方法来支持用户识别内部渗漏发生。
本发明的目的是通过独立权利要求的主题来解决的，其中，在从属权利要求中包含了另外的实施例。应当注意，本发明的下文所描述的各方面同样适用于图像处理的方法、计算机程序单元以及计算机可读介质。
根据本发明的第一方面，提供了一种图像处理系统，其包括：
输入接口，其用于接收在流体存在于对象内的同时所采集的所述对象的早期输入图像和后期输入图像；
差分器，其被配置为根据至少两幅输入图像形成差异图像；
图像结构识别器，其能操作用于基于描述所述差异图像中的一个或多个位置周围的相应邻域的相应特征描述符来识别所述一个或多个位置；以及
输出接口，其用于输出包括所述一个或多个位置的特征图。
根据一个实施例，通过所述差分器形成所述差异图像的图像值包括：取得差异以获得差异图像值；并且基于一个或多个预设强度阈值来增大或减小所述差异图像值以获得经调节的差异图像值。
根据一个实施例，通过所述识别器来计算所述特征描述符以描述所述邻域中的强度分布。
根据一个实施例，所述强度分布表示分别具有正图像值和负图像值的相邻区域。能够说所述分布具有“标志高原(signature plateau)”。已经发现所述差异图像中的正图像值和负图像值的这种类型的分布指示渗漏事件。
根据一个实施例，所述强度分布指示通过对象内的导管中的渗漏部的流体逸出。
根据一个实施例，所述识别器被配置为基于对所述差异图像的小波分析来计算所述特征描述符。
根据一个实施例，沿着不同空间方向来应用小波分析。在一个实施例中，使用Haar小波，但是在本文中还设想到了其他Daubechies小波或者其他类型的小波。小波的优选尺度和方向例如通过分析所有三幅正交视图在3D中被有效地确定。
根据一个实施例，从由被应用于所述差异图像的特征检测器所计算出的候选位置的集合中，特别是在所述差异图像的尺度空间表示中，识别一个或多个感兴趣位置。
优选地，所述检测器(诸如斑点检测器)以及所述特征描述符被用在“基于特征的感兴趣点检测器和描述符分析”算法(在本文中被称为“DD类型”的图像处理算法)的上下文中，诸如SURF、SWIFT或者其衍生物。
根据一个实施例，所述系统包括可视化器，所述可视化器被配置为在显示单元上绘制与所述输入图像中的至少一幅输入图像或者与所述对象的另一幅图像空间相关联的所述特征图的可视化。
根据一个实施例，所述可视化包括相应邻域的表示，所述表示是基于相应特征描述符的强度或者基于特征检测器的响应的强度而编码的颜色值或灰度值。
根据一个实施例，所述对象是人类或动物解剖结构，并且所述流体是血液，并且所述导管是血管。在其他实施例中，所述流体是从其天然解剖学导管(器官等)逸出的任何其他体液。
根据一个实施例，所述输入图像中的至少一幅输入图像是以下中的任意一种：CT图像、MRI图像、US图像、PET图像或SPECT图像。
所提出的系统提供了一种自动化工具，其操作用于向用户指示对象(如在本文中所使用的“对象”也可以指代人类、动物患者)内可能的渗漏发生的区域，诸如患者的器官中的内部出血。所提出的系统能够帮助显著改善和加快临床工作流程。
简言之，并且根据一个实施例，所提出的系统被配置用于对活动性出血和血液外渗的(优选)自动CT检测和可视化。通过分析双阶段造影增强的CT作为输入数据，DD类型的算法应用基于特征的感兴趣点检测器和描述符分析来量化所述体积中的相关点的显著性特性和位置。
基于这些定位，功能图被用于可视化，以实现经改进的临床诊断工作流程。特别地，所述定位算法被配置为检测在双阶段CT下的活动性外渗的典型模式，例如，先前提到的：在早期图像(在双阶段协议中所采集的)中记录的血肿内的超衰减的射流或焦点区域随后逐渐变成在延迟图像中记录的变大的、增强的血肿。
根据另一方面，提供了一种图像处理的方法，其包括以下步骤：
接收在流体存在于对象内的同时所采集的所述对象的早期输入图像和后期输入图像；
根据至少两幅输入图像形成差异图像；
基于描述所述差异图像中的一个或多个位置周围的相应邻域的相应特征描述符来识别所述一个或多个位置；并且
输出包括所述一个或多个位置的特征图。
根据一个实施例，所述方法包括在显示设备上对所述特征图进行可视化。
根据另一方面，提供了一种计算机程序单元，所述计算机程序单元当由处理单元运行时适于执行所述方法。
根据又一方面，提供了一种计算机可读介质，在所述计算机可读介质上存储有所述程序单元。
尽管所提出的系统和方法的主要应用是在用于处理由医学成像模态提供的图像的医学领域中，但是在本文中并不排除在其他领域中的应用。例如，所提出的系统和方法同样可以很好地用于检查难以接近的管道系统的图像或者洞穴系统或钻井现场(诸如石油、压裂等)的地质检查，其中，相关的流体(水、油)可能从管道或其他设备渗漏到砖石、周围土壤、含水层、地层等。在此，所提出的系统的进一步的目的还可以是能够快速地确定是否存在渗漏情况，以便在必要时采取补救措施。
附图说明
现在将参考以下附图(不一定是按比例的)描述本发明的示例性实施例，在附图中：
图1示出了图像处理系统的框图；
图2A示出了渗漏情况的示意性表示；
图2B和图2C分别示出了两幅双阶段图像Va(左)和Vb(右)的特写；
图3示出了图像处理的方法的流程图；并且
图4示出了能通过图3的方法获得的特征图的可视化。
具体实施方式
参考图1，示出了如在本文中所提出的图像处理系统IPS的示意性框图。
所述系统IPS由一个或多个数据处理设备PU来实施。所述系统被配置为处理对象的数字图像，以使得更容易定位所述对象内部的内部渗漏的一个或多个实例。术语“对象”在本文中以一般性意义使用，以包括无生命对象或有生命对象(诸如人类或动物患者或者其特定解剖结构)。所提出的图像处理系统的主要应用领域是在医学领域中，其中，感兴趣的是快速地定位人类或动物患者体内的内部出血或其他外渗的发生。可靠并且快速地定位这样的内部出血对于例如需要立即采取补救措施的多创伤患者是至关重要的。
所述图像处理系统的操作所基于的图像是由合适的成像装置IA来提供的，所述成像装置IA能操作用于对所述对象OB进行成像。我们在下文中将对象OB称为患者，应当理解，在本文中还设想到了除医学领域之外的应用。
所述成像装置IA被配置为采集所述患者的内部的图像。所采集的图像使得其能够对渗漏中所涉及的感兴趣流体(诸如血液)赋予图像对比度。例如，在内部出血(在本文中其是主要感兴趣的)中，血液通过血管中的渗漏点(由破裂、爆裂等引起)逸出到周围组织中。由所述成像装置IA实施的成像技术要么本来就能够提供这样的流体对比度，要么需要采取额外的措施来确保提供这样的流体对比度。例如，这样的X射线成像通常不能够提供足以在图像中定位血液的对比度。但是，如果在成像之前通过注射到合适的血管中而将造影剂引入到患者中，则仍然能够实现这一点。施予特定量的该造影剂(有时被称为“丸剂”)。然后，所述丸剂与血流一起行进并且穿过血管并且经过感兴趣解剖结构，同时采集图像。本身能够记录流体对比度的成像技术的范例是MRI(磁共振成像)或者基于X射线的相衬成像，其特别也被包括在本文中。该后者的图像技术使用被布置在X射线成像装置的X射线射束中的干涉仪来揭示优异的软组织以及甚至血液对比度。除了X射线成像模态(2D X射线照相或CT(计算机断层摄影))，这是本文中的主要聚焦点，不排除其他成像模态，诸如US(超声)，或者功能成像，诸如SPECT(单光子发射计算机断层摄影))或PET(正电子发射断层摄影)等。
所提出的系统的操作所基于的所述输入图像能够是二维的(2D)或三维的(3D)。所述图像包括数值数据的二维阵列或三维阵列。数值图像数据在本文中被称为图像值。每个图像值能通过其图像坐标(x,y)或(x,y,z)来寻址。每个图像坐标对应于患者中的位置。所述图像值根据所使用的成像模态编码或对应于感兴趣物理量。例如，在X射线成像中，诸如在CT成像中，所述图像值可以以Hounsfield单位来表示，其量化X射线射束在其通过患者组织时所遭受的吸收相对于通过水时所遭受的吸收的量。在X射线成像(不仅在CT中)中，所述图像值通常被称为强度。在其他成像模态中，所述图像值可以表示不同的量。例如，在US中，所述图像值表示超声的重新反弹回波。
构成图像的成像值能够被馈送到图形可视化器部件VIZ中，所述图形可视化器部件然后将所述图像值映射到适合的灰度或颜色板，并且然后由所述系统的图形处理部件用于绘制图像以供在显示单元DU上查看。所述显示单元DU可以是手术室中的安装的监视器。在其他实施例中，所述显示单元处在诸如膝上型电脑、平板电脑或智能电话等的移动设备中。优选地，以双阶段模式来采集所述输入图像。换言之，所述输入图像包括在不同时间点处采集的两幅或更多幅图像，以更好地捕获血流的动态。所述图像特别包括早期(或第一阶段)图像和后期(或第二阶段)图像，以适当选取的时间延迟采集的两幅(或更多幅)图像。
所提出的图像处理系统IPS的操作基于一类图像处理算法，所述图像处理算法有时被称为基于特征的检测器和描述符分析器。我们将在下文中将这种类型的图像处理算法称为“DD(检测器和描述符)算法”或者“DD类型的算法”。DD类型算法的操作能够被宽泛地描述为两步方案：首先是检测步骤，并且第二步是特征描述符提取步骤。在第一步骤中，检测技术(例如，斑点检测器)被用于检测潜在感兴趣位置(在本文中被称为“候选位置”或“候选点”)的集合。然后，在第二(特征提取)步骤中分析图像中这样收集的候选位置的图像邻域(例如，n维矩形或者n维球形，n≥2)。在该分析中，构造特征描述符，所述特征描述符捕获感兴趣图像结构，诸如特定的图像值分布。所述特征描述符优选能以合适的量值(或“强度”)来量化，其优选在旋转和/或缩放下不变。所提出的图像处理系统基于这些特征描述符从候选点的(初始)集合中选择感兴趣位置(LI)的子集。然后，输出这些位置以及其相应邻域的特征描述符作为指示渗漏发生的位置。LI能够以列表形式输出，但是优选以图形方式绘制组合成所述输入图像或者根据所述输入图像导出的图像。能够任选地使用LI的相应邻域的特征描述符来对渗漏的可能性或概率进行视觉标记。
在人类或动物解剖结构内部发生的出血(或者除血液之外的诸如尿液、淋巴液或者其他体液的任何外渗)能够大致被归类为不能够直接视觉检查的导管系统(诸如血管)中的渗漏点。在提供所提出的图像处理系统的操作的更多细节之前，我们参考图2A，在图2A中示出了管道系统中、诸如在人类或动物解剖结构的血管中的渗漏情况的示意性表示。假设在注射适当量的造影剂CA之后已经采集了患者的一对双阶段X射线图像。丸剂BL与血流一起流动通过血管系统VS，直到其经过渗漏部L。然后，渗漏部L能够被认为是血管VS的完整性在渗漏点L处受损(通过破裂、撕裂等)。夹带有CA的一些血液通过渗漏点L逸出到周围组织ST中并且在那里被吸收，而CA的一些其他部分继续在血管VS内行进经过渗漏点L。
更详细地并且现在参考图2B和2C，这些插图示出了在丸剂BL通过渗漏点L的同时以双阶段成像协议所采集的两幅双阶段图像Va(左)和Vb(右)的特写。比在时间tb处已经采集的后期第二阶段图像Vb已经在时间ta处更早地采集了第一阶段图像Va。换言之，我们获得了在渗漏点L处的相同解剖结构的两幅图像：早期图像和后期图像。
假设我们定义了在渗漏点L周围的邻域N，比如圆。让我们在所述邻域N内进一步定义接近于渗漏发生L的内部区域IZ以及更远离渗漏L的围绕内部区域IZ的外部区域AZ。外部区域AZ不一定完全围绕内部IZ，如在图2B和2C中所示的，尽管在本文中还设想到了完全围绕其他区域AZ的情况。现在，考虑到有限量的CA能流经渗漏L并且一些夹带CA的血液通过L逸出，如果延迟(tb-ta)被适当地计时，则我们可以在所述邻域N处并且跨两幅图像Va、Vb观察到以下“形态”或图像模式：在早期阶段Va中在IZ处的局部对比度增强在随后的延迟阶段Vb上减小，并且另外，在相邻的、扩展的外围区域AZ中，相对于IZ中的早期阶段Va对比度增强，在延迟阶段Vb中存在增大的对比度增强。
在这种情况下，如果我们基于两幅图像Va、Vb形成差异图像V△，则我们观察到邻域N的两个区域IZ、AZ的“符号交易(sign trading)”效应，其可以通过以下五个特性来描述：
i)具有负值的区域IZ与具有正值的区域AZ相邻。
ii)具有负值的区域IZ小于具有正值的相邻区域AZ。
iii)具有正值的区域AZ倾向于围绕(不一定完全)具有负值的区域。
iv)所述对应区域的负值具有相对大的绝对值。
v)所述对应区域的正值具有相对大的绝对值。
在以上特性i)-v)中，假设从第二阶段图像Vb中减去第一阶段Va图像。将理解，当从第一阶段图像Va中减去第二阶段图像Vb时，替代地获得等效特性。在后一种情况下，通过在以上i)-v)中交换限定符“负”和“正”来获得等效的五个特性。在特性iv)、v)中，相对于适当选取的值阈值或者具有值限幅的值范围来取得相对幅度。如果图像在尺度空间表示中(在其下方更多)，则在定义所述幅度时也考虑空间尺度范围。
如果我们利用黑和白调色板对两个符号(+，-)进行编码，则具有符号交易特性的邻域N可以被可视化为差异图像中的局部化“甜甜圈”形状图像结构，(取决于编码顺序)小的“黑色”盘被宽的“白色”环包围(不一定完全)。
如果满足了所述特性((例如，i)或ii-v))中的至少一个特性，则我们可以说差异图像中的给定邻域N具有“符号交易特性”。因此，所述符号交易特性能够被用作针对差异图像中的给定邻域中的(差异)图像值的特定符号(+和-)分布的指示器。并非所有特性都必须始终被满足，尽管这是优选的。在本文中针对不同实施例设想到了特性i)-v)中的有限子集选择的所有组合。在特定实施例中，设想到了仅单个特性(例如，仅特性i))被满足或者仅恰好两个特性被满足等。然而，优选地，如前所述，所有特性被满足。
已经发现上文所描述的在双阶段差异图像中的符号交易特性是针对渗漏发生的指示器。如在本文中所提出的图像处理系统包括滤波器部件ID，其被配置为响应于差异图像中具有符号交易特性的邻域的位置IL。更具体地，申请人已经发现，能够调节DD类型算法以特别好地响应在其相应邻域中具有符号交易的位置。如根据上文关于图2A的解释中将意识到的，存在可以展现出类似模式的符号交易的大量成像模态。因此，所提出的基于DD算法的系统IPS避免了基于模型的分割技术，从而在正确地识别由任何合适的成像模态提供的双阶段差异图像中的符号交易位置(以及因此渗漏实例)过程中实现更稳健的性能。
应当理解，所提出的对渗漏点的识别不能免于“假阳性”。在解剖结构中、诸如在肝脏中的特定自然流动事件中，可以检测到相似的强度模式，尽管没有实际的出血事件。肝脏中的血管由动脉造影增强来提供，而周围的肝实质尚未被提供肝门静脉血。然后，在后期门脉阶段中，动脉血管的增强开始冲洗，但是此时，肝实质通过肝门供应来对比度增强。因此，所提出的渗漏识别算法或系统IPS最好与医学知识结合使用，以排除已知“模仿”渗漏的区域，诸如肝脏。尽管已经发现所提出的系统偶尔产生这样的假阳性，但是其仍然能够帮助用户更快地针对出血事件来检查X射线图像。由系统IPS返回的LI可以被理解为针对将“需要仔细检查”的位置的建议，并且在该意义上，所述系统支持在非结构化(医学)输入图像中更快的定向。这特别在用户处于极大精神压力的情况下可能是有帮助的，如在繁忙(特别是城市)临床环境中的急诊室中经常出现的情况。
现在回到图1中的框图，所提出的处理系统IPS的操作大致如下。在输入端口IN处接收对象的至少两幅双阶段图像：Va、Vb。这两幅图像Va、Vb已经由成像装置(例如，CT)在被适当选取的延迟时间(tb-ta)分开的两个不同时间ta、tb处采集。这能够在根据双阶段协议操作X射线成像装置IA(或者任何其他模态)时实现。
基于两幅(或更多幅)输入图像Va、Vb，差分器Δ形成差异图像VΔ。具体地，早期图像Va从后期图像Vb中逐像素/体素地相减，或者后期图像从早期图像中逐像素/体素地相减。优选地，差分器的操作不仅等于取得算术差异以形成差异图像值，而且还包括通过阈值处理和限幅来对所述差值进行非线性处理，如下文将在图3处更详细解释的。针对一组预定阈值的这种限幅或阈值处理是非线性操作，其允许在早期阶段和后期阶段期间强调或减轻造影剂分布的特定影响。
任选地，在取得所述差异图像之前，存在将两幅图像彼此配准的配准单元REG。此外，任选地，组合地或者替代前述内容，两个体积的谱碘密度体积图能够被用于辅助所述差分器。这些图可以根据谱CT数据来获得。
优选地，所述X射线成像装置IA是CT X射线成像器，并且所述输入图像Va、Vb是3D图像体积。通过根据旋转投影图像重建对象的截面图像来获得所述图像体积。合适的重建算法包括滤波反投影等。换言之，每个图像体积Va、Vb(在不同时间处采集的)由沿着扫描轴z的具有坐标x、y和z的截面图像的相应堆叠形成。在下文中，我们将主要涉及利用(x，y，z)坐标的CT图像，尽管所描述的系统和方法也能够被应用于纯2D图像(具有坐标x、y)。
一旦形成了差异图像VΔ，或者仅作为算术差异图像或者作为非线性处理的差异图像(例如，通过限幅或阈值化处理)，则这由图像结构识别器ID来处理。
所述图像识别器ID部件使用DD算法。如上文简要描述的，处理所述差异图像VΔ以通过合适的斑点滤波器FD来检测每个均具有相应邻域的一组候选位置。然后，由特征分析器FA分析这些候选点的邻域，以从候选点中提取感兴趣位置LI的子集，优选利用其邻域的特征描述符。LI的图像坐标能够被格式化为Vm中的特征图，然后能够通过可视化器VIZ的操作任选地在显示单元上以合适的灰度值或颜色编码来显示。图Vm可以单独显示，或者可以与输入图像或其他适当配准的图像中的任意一个组合地显示。
所述识别器ID可以被配置为根据在DD算法的特征描述符步骤中所揭示的相应邻域中的特征而将感兴趣位置LI分类为两个、三个或者更多个类别。所述分类根据描述符中的特征强度和/或根据DD算法的检测器级中的斑点滤波器响应幅度。(量化的)特征强度和/或检测器响应幅度由可视化器VIZ映射到灰色或颜色板上，以实现LI周围的邻域的图形绘制。然而，没有设想在所有实施例中对感兴趣位置与其邻域的图形绘制，并且在一些实施例中，简单的列表视图可能是足够的。在该列表视图中，列出了感兴趣位置LI的坐标，旁边是其特征以及其相关联的量化/强度的数字描述。然而，优选地，例如通过融合技术来生成图形显示，其中，LF的位置优选利用对其相应邻域的颜色编码与特征强度直接变化来指示。例如，表示针对出血的强烈可能性或概率的特征能够以一种颜色(例如，红色)来指示，而其他邻域以橙色或绿色来指示，从而指示这些位置代表表示渗漏情况的可能性比以红色所指示的邻域较小。该颜色组合被理解为纯粹是说明性的，并且在本文中还设想到了其他组合。在一个实施例中，使用颜色来可视化检测器幅度(类别)，同时使用相应的色调来可视地编码在给定类别内的相应特征描述符强度。在本文中还设想到了其他可视化和组合。已经观察到这些可视化在用户交互中是有用的。
所述图像处理系统IPS的部件可以被实施为在单个软件套件中的软件模块或例程，并且在通用计算单元PU上运行，诸如在与成像器IA相关联的工作站或者与一组成像器相关联的服务器计算机上运行。备选地，所述图像处理系统IPS的部件可以被布置在分布式架构中并且在合适的通信网络中相连接。备选地，一些或所有部件可以被布置在硬件中，例如被布置在适当编程的FPGA(现场可编程门阵列)或者一个或多个硬连线的IC芯片中。
现在参考在图3中的流程图，其更详细地解释了图像处理系统IPS的操作。然而，将理解，以下步骤不一定与根据图1的架构相关联。更具体地，还可以在不参考图1的情况下独立理解图像处理的下文所描述的步骤。
在步骤S1处开始，接收(不一定是同时地)以双阶段成像协议所采集的两幅输入图像：早期图像VA和后期图像VB。所述图像优选直接从成像模态来提供(有或没有合适的缓冲)。备选地，可以根据用户的请求或者经由协议自动地从PACS、HIS或者其他存储器/数据库系统的(永久)存储器中取回图像。在本文中设想到了任何合适的成像模态，诸如X射线、CT、MRI、超声等。在下文中，将主要参考双阶段X射线成像，在双阶段X射线成像中，在造影剂CA存在于患者体内希望成像的身体部分(例如，腹部)内的同时采集两幅(或更多幅)图像。因此，两幅图像Va、Vb能够对诸如血流的感兴趣流体的动态进行编码。通过单独的视觉检查仍然难以在这些图像中发现内部出血的实例。为了对此而辅助用户，应用以下步骤。
在步骤S2中，形成差异图像VΔ。所述差异图像由差异图像值组成。可以通过取得两幅输入图像的图像值的逐像素(或逐体素)算术差来获得所述差异图像值。因此，所述差异图像可以包括正差异图像值和负差异图像值的分布。
优选地，在步骤S2中将非线性操作应用于所述差异图像值以获得加权差异图像。更具体地，可以以任何组合或者对其的任何选择来执行以下步骤以使用非线性函数或处理来构造“两阶段”差异图像：首先，从第二阶段图像体积中减去第一阶段图像体积(或者反之)。然后，增大(“增强”)高于预定第一正阈值的差值。这种增大能够通过将这些差值提高到选定的幂(例如，2的幂或者根据任何其他幂律)或者通过添加合适的增强值或通过与合适的增强因子相乘来实施。进行这种增强以便在第二阶段中给予造影材料浓度更多的权重。
除了所述增强操作之外或者替代所述增强操作，对差值的非线性处理包括对那些差异图像值中的绝对值高于所确定的第二正阈值的全部或一些限幅到所述第二阈值。完成该限幅操作以便抑制或调整由于先前的增强而导致的图像对比度的一些过冲。
除了所有以上增强和限幅操作之外，或者替代所有以上增强和限幅操作，所述差异图像中低于所确定的第三负阈值的负值被限幅到所述第三阈值。这是为了抑制可能在第一阶段中给予例如可能存在于正常血管中的非常强烈的造影材料浓度过高的权重。
为了便于参考，下文我们将参考算术差异图像和加权差异图像两者，简称为“差异图像VΔ”，因为以下步骤能适用于任一实施例。在对所述算术差异图像的这种非线性处理中所使用的阈值与上文提到的关于符号交易特性的5个特性i)-v)的阈值有关，已经发现其存在是针对渗漏发生的良好指示器。
在步骤S3处，然后在差异图像VΔ中识别一个或多个感兴趣位置LI。如此识别的位置指示对象中的渗漏发生。
基于特征描述符来识别每个感兴趣位置LI。特征描述符描述相应的邻域(2D中的方形或圆形或者三维中的立方体或球体或者任何其他几何形状的邻域)。
所述特征描述符被配置为特别描述相应邻域中的差异图像值的强度分布。如先前所解释的，观察到的至少部分地表征渗漏情况的符号交易现象将导致包括具有相对大的正值的区域的邻域，其与具有相对大的负值的那些区域直接相邻。
优选地，但是不必在所有实施例中，为了使分析尺度独立，在诸如金字塔(pyramid)等的尺度空间表示中处理所述差异图像。换言之，通过一系列滤波操作来处理所述差异图像以逐渐降低的分辨率来形成(原始)差异图像的下采样副本。然后，能够以层级来布置这些副本，诸如高斯或拉普拉斯金字塔结构，并且其正是本文中处理的副本的该集合。优选使用具有高斯内核的滤波器。这样的滤波器被恰当地称为高斯滤波器。高斯内核具有钟形的高斯函数。高斯内核(函数)以及因此滤波器尤其能够通过其标准偏差σ(或方差σ2)来描述。标准偏差σ是高斯内核围绕平均值的扩展的度量，其继而描述图像被下采样的尺度或量。因此，σ能够被用于对在分辨率金字塔中的差异图像的每个下采样副本进行参数化。
所述金字塔被称为(原始)差异图像的尺度空间表示。所述差异图像的这种多尺度表示能够被理解为N+1维复合图像。所述原始差异图像通常被包含到该复合图像中。前N个维度是相应的下采样差异图像或原始差异图像的空间维度，其中，N＝2或3(取决于成像模态)，而附加维度由针对相应分辨率水平的尺度参数σ来表示。例如，具有空间维度坐标x、y(或者像素位置)的2D差异图像将在具有(x，y，σ)的尺度空间表示中表示，而对于CT图像体积x、y、z(或者体素位置)，所述尺度空间表示是以坐标(x，y，z，σ)。尺度空间表示可以替代地通过方差σ2或者与下采样操作相关的任何其他合适的参数来参数化。
在步骤S2处形成所述差异图像的步骤和/或在步骤S3(要在下文描述的)中基于DD算法的位置识别优选在所述尺度空间中执行。又换言之，尺度空间点的尺度σ坐标将被视为(附加的)“图像”坐标，并且除了沿着空间图像坐标轴X、Y或X、Y、Z的分析之外，跨该附加维度执行操作S2和/或随后的步骤S3。同样地，这样的多尺度处理尽管是优选的，但不是必需的，并且具体设想到了这样的实施例：其中，处理步骤仅部分地或完全地沿着空间维度来执行。还设想到了“混合”实施例：其中，仅在尺度空间中执行方法步骤的子集，而仅沿着空间维度执行其他步骤。更一般地，在一些实施例中，针对给定步骤，仅在尺度空间中执行其子步骤的子集，其中，一些(其他)子步骤仅在空间维度中执行。
已经发现，在一个实施例中特别设想到的一种DD算法对于所提出的渗漏检测方法特别有利。这种DD类型的算法通常被称为“SURF”。由H Bay等人在题为“Speeded-Up RobustFeatures(SURF)”的论文中对其进行了描述，该论文发表于Computer Vision and ImageUnderstanding，Elsevier，第110卷，第3期，2008，第346-359页。然而，如先前所提到的，在本文中同样设想到了其他DD类型算法，并且以下描述与其他DD类型算法具有相同的应用。这样的其他DF类型图像处理算法包括用于检测所确定的形状的广义霍夫变换，“定向梯度直方图”(或“HOG”)特征描述符。SURF是由D G Lowe在Distinctive Image Features fromScale-Invariant Keypoints,International journal of Computer Vision，第60卷，第2期，2004年11月，第91-110页上所描述的“尺度不变特征转换”(或“SIFT”)的变体，同样在一些实施例中设想到了。设想到的其他DD型变体包括“梯度定位和定向直方图”(或GLOH)方案以及Harris-Laplace和Hessian-Laplace特征检测器或者“二元稳健不变可缩放关键点”(BRISK)。
SURF算法是有利的，因为其允许非常快速的返回，以及因此接下来随着图像采集的可视化的实时体验。这可以通过在SURF算法的实施中使用特定数值技术来实现。特别地，使用积分图像近似地计算Hessian斑点检测器。然后，能够使用在仅4个存储器访问操作中能取回的预先计算的积分图像利用仅三种算术运算来有利地计算所述近似。如在本文中所使用的“实时”指代相对于图像采集的用户体验和/或在步骤S1处接收图像以用于处理的时间。然后，能够准即时地产生渗漏的指示，这在诸如现场干预、救护车辆或急救室的前线操作中是特别有利的。为了提高实时质量，可以由专用处理器(诸如GPU(图形处理单元))替代或支持更常规的处理器类型来执行全部或部分方法步骤。然而，这并不是说在本文中排除非实时实施。仍然可以使用所提出的方法的这些较慢的实施，例如当分析从存储系统取回的历史图像数据以用于训练或教学的目的时。
通常，DD类型的图像处理算法被设计为分析2D图像或3D图像体积并且在空间上指示感兴趣点，其中，在这样的点的邻域的图像区域具有期望的形态和图像值分布特征。所述分析定位分析空间(优选为尺度空间)中的相关点并且使用数学描述符来量化期望的特征的强度。
在分析期间，将一组滤波器内核应用于分析空间中的每个像素或体素邻域，并且计算滤波器响应(例如，通过卷积函数)。所述滤波器内核通常基于高斯函数、其导数或者其组合，基于加权区域掩模，或者基于各种小波函数。
优选地，该分析被配置为旋转和/或取向不变和/或尺度不变。这样的不变性的目的是能够独立于区域大小和结构的总体取向来提取图像区域的基本形态特征。
优选地，在所述提取中使用非最大值抑制操作，其允许减少可能的候选点的集合，否则返回非常大的集合。换言之，非最大值抑制导致最重要的感兴趣点的有限集合。具体地，所述非最大值抑制允许从接近的其他可能的候选点中分离具有最强特征集的候选点。可以仅在空间维度上测量邻近度，或者优选地，在尺度空间中测量邻近度。
由于所述分析是跨不同的尺度和形态结构类型而执行的，例如，通过使用不同大小的滤波器内核，并且通过使用不同形状的内核，能够基于预定特性对检测到的感兴趣点进行子分类。例如，可以在对不同滤波器内核形状具有更强响应或者对不同大小的内核具有更强响应等的点之间进行区分。
如在本文中所设想到的DD类型的图像算法中，目的是提取稳健和一般的特征，诸如基于形状的角和边缘的那些特征，以及基于显著区域或斑点之间的差异的那些特征。通常，没有尝试检测太具体的几何形状，因为分析将失去其一般性和实用性。已经发现DD类型方案非常适合于渗漏检测的临床问题，因为所述差异图像中的所提到的感兴趣点能够具有符号交易特性，而没有非常特异性的几何形状或大小。换言之，尽管符号交易特性在差异图像中以不同几何形状或形状分布表现出来，但是仍然能够检测到符号交易特性。
一般而言，识别步骤S3(用于识别感兴趣位置)宽泛地包括以下内容：在第一步骤中，DD算法被应用于差异图像。这产生候选位置以及其相应的描述符。如先前所提到的，DD算法包括检测操作。利用诸如斑点滤波器的检测滤波器来执行检测器操作。所述检测滤波器将在不同图像位置处引起响应。根据响应的强度，能够执行对候选点的分类。这然后允许输出根据检测器响应的强度而分类或排序的感兴趣位置。另外地或备选地，所述特征描述符强度也可以被用于分类。
现在，在步骤S3中更详细地描述DD算法应用，将特别参考SURF算法来解释DD算法，应当理解，这仅仅是所提出的方法的一个实施例，并且能够应用除SURF之外的其他算法来实施识别步骤S3。
SURF算法(以及从SURF导出或者与SURF相关的类似的算法)通常能够在四个子步骤中描述。首先，将兴趣点检测器被应用于所述差异图像。使用基于三个滤波器内核的Hessian矩阵分析来完成对感兴趣点的检测，这三个滤波器内核是在方向(XX，YY，XY)上的二阶导数的近似值。使用不同的内核大小应用滤波器，以分析跨所述差异图像的尺度空间表示的不同尺度。
第二子步骤是关于Hessian矩阵的行列式的最大值通过应用非最大值抑制来定位所述差异图像中的候选感兴趣点。该过程还可以包括在尺度和图像空间中的插值。该子步骤的结果是所述差异图像中的一组候选感兴趣点，每个候选感兴趣点由其空间坐标以及其主要尺度σ来指定。
在第三子步骤中，在候选感兴趣点的相应邻域中在X和Y方向两者上通过应用Haar-小波滤波器分析来找到感兴趣点的主导取向(即，图像空间的空间维度X、Y中的角度)。目的是选择在相关邻域中图像梯度更明显的主导方向。
第四子步骤提供了每个感兴趣点和/或其邻域的特性的更详细和稳健的数学描述符。以大小和形状(例如，方形、圆形等)适当地定义的邻域以候选感兴趣点为中心并且沿着主导方向来定向，其中，邻域大小是候选感兴趣点的主导尺度σ的函数。
所述邻域可以被划分为子区域(例如，4×4方格，但是这是示例性的而非限制性的)。利用X'和Y'Haar-小波滤波器(其中，X'和Y'现在是相对于感兴趣点的主导方向的空间方向)来分析所述子区域中的每个子区域，并且计算有符号响应值并且绝对响应值中的一个或者这两者。那么总体而言，所述候选感兴趣点由包括所有最后计算的响应的相应描述符向量来描述。在上文所提到的针对邻域的4×4细分的范例中，相应的向量具有64个元素，但是同样地，这仅仅是出于说明性目的而非限制。
向量条目是合适的图像特征的量化(数量)，其单独地或者组合地描述在相应邻域中的正差异图像值和负差异图像值的分布的特性。特征量化具有幅度，因此能够说表示在描述向量中所列出的每个特征的“强度”。如在本文中所提出的定位步骤S3在一个实施例中设想使用若干个不同的Hessian响应阈值(例如，两个、三个或者更多个)以用于SURF中的感兴趣点检测器(诸如Hessian矩阵分析)方案。不同的阈值允许在不同的感兴趣点类别之间进行分类。
尽管能够使用3D小波直接在3D中应用所述分析，但是也可以通过跨3D差异图像的2幅或更多幅2D截面切片图像使用2D小波来应用所述分析。这允许将SURF技术或其他DD类型算法从先前的单图像方案扩展到多图像方案，其中，单独地分析该多幅2D截面图像。例如，在一个实施例中可以选取要在步骤S3中分析的图像集，作为沿着所有三个垂直视图的体积的所有切片，诸如横轴、冠状和矢状方向。然后将所述分析应用于这些2D图像中的每幅2D图像。以这种方式，能够以近似各向同性的方式来分析3D体积。优点是分析仍然在3D中进行，但是仅使用2D小波而不是3D小波，后者在计算上更昂贵。
针对类别阈值中的每个类别阈值，如上文所描述的SURF分析被依次应用于每幅所选择的图像。
针对所述差异图像中的每个检测到的候选感兴趣点(或者其中的切片图像)，将提取尺度σ、邻域的极性以及描述符向量的最大值。极性(例如，-1或1)是通过对感兴趣点邻域的拉普拉斯分析发现的。在当前使用中，仅那些候选点将被选择作为其特征极性与渗漏事件相关的感兴趣位置LI。例如，已经发现极性＝1是如此相关的。如在本文中所用的，“极性”指代对局部图像特征的特定分析的方向或数学符号(+或-)的数学描述。在一个实施例中，所述极性分析使用基于二阶导数的拉普拉斯算子。在所述差异图像中，具有符号交易特性的邻域将具有平均为正的二阶导数。因此，将仅考虑具有“正”拉普拉斯算子的邻域的候选位置。在其他方案中，优选为负极性。如果所述差异图像以相反的方式形成，即通过从第一阶段图像中减去第二阶段图像，则尤其如此。
替代地或另外地，来自候选点组的选择可以基于跨一些或所有描述符向量条目的加权平均。所考虑的特征可以限于空间维度，但是可以替代地包括尺度维度σ。
根据一个实施例，如果候选感兴趣点的相应极性处于期望的符号并且尺度在相对于预定的一组尺度阈值而确定的所确定的范围内，则采用所述候选感兴趣点作为感兴趣位置。如果这样采用候选点，则将相应的特征权重或强度作为特征描述符向量的最大值的值，或者如上文所提到的，作为跨所述向量的特征的加权平均值。
如果使用若干个分类阈值，则上文所描述的SURF分析或者其他DD类型算法能够按顺序的方式如下地实施：首先使用最高阈值来执行如上文所描述的分析。分析结果将提供最主要类别的候选感兴趣点的组。接下来，在设置检测器阈值的下一(较低)值的同时重复整个分析。所检测到的感兴趣点将包括第一步中的前几个点加上一些新的点。新的点将分配给第二类别的感兴趣点。再次重复该过程，其中依次取得所有确定的分类阈值。在每次重复之后，新的检测到的点被分组为新的类别。
由于分析是以体积方式应用的，因此对差异体积应用求平均或附加的非最大值抑制，以便减小感兴趣位置的集合，从而避免或减轻感兴趣位置的“聚集”或重叠。例如，在特定的小体积区域中，将选择三幅视图(跨轴、冠状和矢状)之间的最重要点以用于构建针对该区域的可视化。
在所有以上情况中，所使用的各种阈值能够使用由人分析的真实或模拟测试情况凭经验来设置，或者通过应用机器学习技术以使用表示真实或模拟渗漏事件的一组真实图像来找到最佳参数。
所描述的分析将在具有符号交易特性的图像结构处精确地提供“高响应”，因为这种结构将对在X和Y方向上两者的Haar小波的卷积给出高响应。如果所述符号交易结构的形状不是圆对称的，则所述响应将仅针对具有适当尺度(大小)的正确小波和具有正确方向(在3D体积坐标中的角度)被最大化。
总之，所提出的方法将通过恰当地构造所述差异图像并且通过正确地选择用于卷积的适当的小波两者而在期望的符号交易结构中生成高响应。在3D中有效地确定小波的优选尺度和方向(通过分析所有三个正交视图)，由此从单图像处理或多图像处理扩展SURF技术。
在识别步骤S3的结束处，如此识别的感兴趣位置LI以及其特征强度描述符形成特征图，所述特征图然后能够被用于通知用户在所述输入图像VA或VB中的任一幅输入图像中的可能渗漏位置。
在步骤S4处，(一幅或多幅)特征图被输出并且使其可用于存储的进一步处理或者以其他方式来使用。
优选地，但是不必在所有实施例中，在步骤S5中在显示单元DU上可视化所述特征图Vm。
在一个实施例中，绘制相应邻域的图形表示以用于在感兴趣位置处显示。这可以通过根据所述邻域的类别和/或所述邻域的特征描述符向量的强度对所述邻域进行颜色编码来完成。例如，所述类别可以被颜色编码，同时特征强度被编码为针对相应类别颜色的色调的调制。在一个实施例中，使用融合绘制技术来将所述特征图与所述输入图像(即，早期图像Va或后期图像Vb)或者与配准到输入图像的其他图像相融合。
将理解，在执行根据不同检测器响应的分类的实施例中，在步骤S3处获得多幅这样的特征图作为输出，一幅特征图针对一个类别。
具体地，并且根据一个可视化实施例，为每个形态类别分配专用颜色方案。颜色方案水平或色调基于所计算的特征权重。然后，将整个类别体积的颜色值被组合成单个颜色体积。
图4是特征图可视化的示意性表示，其中，邻域NH在第一列中被绘制为圆。上排和下排示出了在通过CT图像体积的不同位置处取得的不同切片图像。在中间列中使用箭头示出了可能的渗漏位置。中间列表示早期阶段图像，而右手侧列表示延迟阶段图像。
任选地，可以通过在较不重要的类别的“顶部”覆盖更高重要性的类别来使用浮动方案。然后可以使用颜色特征重要图与CT图像体积的图像融合(或混合)，如在图4中所示的。
图4中的两个切片位置范例示出了检测到的感兴趣区域的特征-显著性概率分布，其与针对渗漏事件的所描述的典型效果相关联。在图4的示例性实施例中，示出了三种形态类别，具有三种不同的颜色方案。通过将色调添加到基色并且通过对图像融合混合中的特征权重进行颜色编码来对每种颜色方案中的强度(即，概率)进行可视化。
值得注意的是，预期不检测在早期阶段得到很好的增强但是在后期阶段的增强不太明显的许多区域(诸如主动脉和正常脾脏)。
在一个实施例中，可以对所述特征图Vm进行归一化，以便表示针对渗漏概率的图形表示。具体地，在步骤S3处获得(初始)特征显著性图VM之后，能够根据该初始图来构建体积概率分布图，其可能更适合于在临床工作流程中的可视化。为了构造概率图，将体积平滑内核(例如3D高斯内核)应用于初始图或体积，其中，感兴趣点体素被设置为‘1.0’并且所有其他体素被设置为‘0.0’以实现归一化化。这能够被单独地应用于每个形态类别的体积。这些结果的可视化能够在若干种图像融合混合技术中实现，诸如在图4中所示的。
作为另外的可视化选项，用户可以交互地设置和调节特征-显著性图可视化，并且可以示出更少或更多的形态类别，其具有到图示范例的链接。这也能够在对案例的临床回顾期间实时地执行。作为附加选项，谱CT碘图能够被用于经处理的减影图像。
在图4中所使用的图像表示测试案例。没有示出实际出血，但是所提出的方法被应用于模拟出血事件的解剖结构。具体而言，图4中的图像是根据双阶段对比CT绘制的，包括肝脏的动脉阶段和门静脉阶段。如上文所提到的，肝脏包括非常好地模拟活动性出血的区域。总体而言，该演示示出了非常好地识别产生类似图像效果的渗漏事件或过程。当然，如上文所提到的，从临床观点来看，肝脏中的这样的健康区域通过所提出的方法表示假阳性检测。然而，所提出的方法旨在支持更快和更容易地回顾通常不示出这样的行为的其他可疑区域，诸如脾脏或者腹部器官之间的空间。因此，用户应当忽略解剖结构中先验已知展示出仅产生类似于渗漏情况的成像器效应的正常活动的假阳性检测。为了减轻这样的假阳性响应，可以使用器官分割先验知识。
尽管已经主要参考诸如CT图像的3D图像描述了所述方法，但是在本文中还设想到了应用于更常规的2D X射线照片或者其他2D图像，并且通过除了X射线之外的模态(诸如MRI、PET/SPECT、US等)采集的图像也是如此。
在本发明的另一示例性实施例中，提供了一种计算机程序或计算机程序单元，其特征在于适于在适当的系统上执行根据前述实施例之一的方法的方法步骤。
因此，所述计算机程序单元可以被存储在计算机单元上，所述计算机单元也可以是本发明实施例的一部分。该计算单元可以适于执行或诱发执行上文所描述的方法的步骤。此外，其可以适于操作上文所描述的装置的各部件。所述计算单元能够适于自动地操作和/或执行用户的命令。可以将计算机程序加载到数据处理器的工作存储器中。因此，所述数据处理器可以被配备为执行本发明的方法。
本发明的该示例性实施例涵盖了从一开始就使用本发明的计算机程序以及通过更新将现有程序转变为使用本发明的程序的计算机程序。
此外，所述计算机程序单元可能够提供所有必要的步骤以实现如上文所描述的方法的示例性实施例的流程。
根据本发明的另外的示例性实施例，提出了一种计算机可读介质，诸如CD-ROM，其中，所述计算机可读介质具有被存储在其上的由前一部分所描述的计算机程序单元。
计算机程序可以被存储和/或分布在合适的介质上(特别地，但不是必须的，非瞬态介质)，诸如与其他硬件一起提供或者作为其他硬件的部分而提供的光学存储介质或固态介质，但是也可以以其他形式来分布，诸如经由互联网或者其他有线或无线电信系统。
然而，计算机程序也可以通过如万维网的网络来呈现并且能够从这样的网络下载到数据处理器的工作存储器中。根据本发明的另外的示例性实施例，提供了一种用于使计算机程序单元可用于下载的介质，所述计算机程序单元被布置为执行根据本发明的前述实施例之一的方法。
必须注意，参考不同的主题描述了本发明的实施例。特别地，参考方法类型的权利要求描述了一些实施例，而参考设备的类型权利要求描述了其他实施例。然而，本领域技术人员将从以上和以下描述中了解到，除非以其他方式指出，否则除了属于一种类型主题的特征的任何组合之外，还考虑到了与不同主题相关的特征之间的任何组合与本申请一起被披露。然而，所有功能都能够被组合在一起，以提供协同效果而不仅仅是功能的简单加和。
尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述被认为是说明性或示例性的而非限制性的。本发明并不限于所公开的实施例。通过研究附图、公开内容和从属权利要求，本领域技术人员在实践所要求保护的发明时可以理解和实现所公开实施例的其他变型。
在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中所记载的若干项的功能。在相互不同的从属权利要求中记载特定措施的仅有事实并不指示不能够使用这些措施的组合以获益。权利要求中的任何附图标记不应当被解释为限制范围。

Claims (15)

1.一种图像处理系统（IPS），包括：
输入接口（IN），其用于接收在流体存在于对象（OB）内的同时所采集的所述对象（OB）的早期输入图像（Va）和后期输入图像（Vb），其中，所述对象是人类或动物解剖结构，并且所述流体是血液，并且其中，所述早期输入图像和所述后期输入图像已经在注射造影剂之后被采集；
差分器（Δ），其被配置为根据至少两幅输入图像（Va、Vb）形成差异图像（VΔ）；
图像结构识别器（ID），其能操作用于：基于被计算为描述内部出血的一个或多个位置周围的相应邻域的相应特征描述符，如果所述差异图像（VΔ）中的具有负值的区域IZ邻近于具有正值的区域AZ，则在所述差异图像中识别所述一个或多个位置，在所述一个或多个位置处，血液通过血管中的渗漏点逸出；以及
输出接口（OUT），其用于输出包括所述一个或多个位置的特征图（Vm）。
2.根据权利要求1所述的图像处理系统，其中，由所述差分器（Δ）形成所述差异图像（VΔ）的图像值包括：取差值以获得差异图像值，并且基于一个或多个预设强度阈值来增大或减小所述差异图像值以获得经调节的差异图像值。
3.根据权利要求1所述的图像处理系统，其中，所述特征描述符由所述识别器（ID）来计算，以描述所述相应邻域中的强度分布。
4.根据权利要求3所述的图像处理系统，其中，所述强度分布指示血液通过所述人类或动物解剖结构内的所述血管中的所述渗漏点逸出。
5.根据权利要求1的图像处理系统，其中，所述识别器（ID）被配置为基于对所述差异图像的小波分析来计算所述特征描述符。
6.根据权利要求5所述的图像处理系统，其中，所述小波分析是沿着不同空间方向来应用的。
7.根据权利要求1所述的图像处理系统，其中，从由被应用于所述差异图像的特征检测器（FD）计算的候选位置的集合中识别一个或多个感兴趣位置。
8.根据权利要求7所述的图像处理系统，其中，所述一个或多个感兴趣位置是在所述差异图像的尺度空间表示中识别的。
9.根据权利要求1所述的图像处理系统，包括可视化器（VIZ），所述可视化器被配置为在显示单元（DU）上绘制与所述输入图像中的至少一幅输入图像或者与所述人类或动物解剖结构的另一幅图像空间相关联的所述特征图（Vm）的可视化。
10.根据权利要求7所述的图像处理系统，包括可视化器（VIZ），所述可视化器被配置为在显示单元（DU）上绘制与所述输入图像中的至少一幅输入图像或者与所述人类或动物解剖结构的另一幅图像空间相关联的所述特征图（Vm）的可视化。
11.根据权利要求10所述的图像处理系统，其中，所述可视化包括所述相应邻域的表示，所述表示是基于所述相应特征描述符的强度或者基于所述特征检测器（FD）的响应的强度而编码的颜色值或灰度值。
12.根据权利要求1-11中的任一项所述的图像处理系统，其中，所述输入图像中的至少一幅输入图像是以下中的任意一种：CT图像、MRI图像、US图像、PET图像或SPECT图像。
13.一种图像处理的方法，包括以下步骤：
接收（S1）在流体存在于对象（OB）内的同时所采集的所述对象（OB）的早期输入图像（Va）和后期输入图像（Vb），其中，所述对象是人类或动物解剖结构，并且所述流体是血液，并且其中，所述早期输入图像和所述后期输入图像已经在注射造影剂之后被采集；
根据至少两幅输入图像（Va、Vb）形成（S2）差异图像（VΔ）；
基于被计算为描述内部出血的一个或多个位置周围的相应邻域的相应特征描述符，如果所述差异图像（VΔ）中的具有负值的区域IZ邻近于具有正值的区域AZ，则在所述差异图像中识别（S3）所述一个或多个位置，在所述一个或多个位置处，血液通过血管中的渗漏点逸出；并且
输出（S4）包括所述一个或多个位置的特征图（Vm）。
14.一种计算机程序单元，所述计算机程序单元当由处理单元（PU）运行时适于执行根据权利要求13所述的方法。
15.一种在其上存储有根据权利要求14所述的程序单元的计算机可读介质。
CN201780073605.5A 2016-10-28 2017-10-19 活动性出血和血液外渗的自动ct检测和可视化 Active CN110036408B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16196368 2016-10-28
EP16196368.1 2016-10-28
PCT/EP2017/076658 WO2018077707A1 (en) 2016-10-28 2017-10-19 Automatic ct detection and visualization of active bleeding and blood extravasation

Publications (2)

Publication Number Publication Date
CN110036408A CN110036408A (zh) 2019-07-19
CN110036408B true CN110036408B (zh) 2023-08-15

Family

ID=57240875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780073605.5A Active CN110036408B (zh) 2016-10-28 2017-10-19 活动性出血和血液外渗的自动ct检测和可视化

Country Status (4)

Country Link
US (1) US11030748B2 (zh)
EP (1) EP3533027B1 (zh)
CN (1) CN110036408B (zh)
WO (1) WO2018077707A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10908269B2 (en) * 2015-03-05 2021-02-02 Crystalview Medical Imaging Limited Clutter suppression in ultrasonic imaging systems
IL298488B1 (en) * 2016-09-23 2024-04-01 Curemetrix Inc Mapping breast artery calcification and prediction of heart disease
US20190021677A1 (en) * 2017-07-18 2019-01-24 Siemens Healthcare Gmbh Methods and systems for classification and assessment using machine learning
US10839513B2 (en) * 2018-05-11 2020-11-17 Case Western Reserve University Distinguishing hyperprogression from other response patterns to PD1/PD-L1 inhibitors in non-small cell lung cancer with pre-therapy radiomic features
US11694332B2 (en) * 2018-12-21 2023-07-04 The Trustees Of Indiana University Active bleeding measurement
US11699070B2 (en) 2019-03-05 2023-07-11 Samsung Electronics Co., Ltd Method and apparatus for providing rotational invariant neural networks
WO2022215074A1 (en) * 2021-04-06 2022-10-13 Tel Hashomer Medical Research Infrastructure And Services Ltd. Method and system for processing computerized tomography images
CN113100803A (zh) * 2021-04-20 2021-07-13 西门子数字医疗科技(上海)有限公司 用于显示静脉血栓的方法、装置、计算机设备和介质
CN113888798A (zh) * 2021-09-28 2022-01-04 北京每日优鲜电子商务有限公司 无人售货柜的商品变动检测方法、装置、设备和存储介质
CN116993628B (zh) * 2023-09-27 2023-12-08 四川大学华西医院 一种用于肿瘤射频消融引导的ct图像增强系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007016442A2 (en) * 2005-08-02 2007-02-08 Siemens Medical Solutions Usa, Inc. System and method for automatic segmentation of vessels in breast mr sequences
CN102636313A (zh) * 2012-04-11 2012-08-15 浙江工业大学 基于红外热成像图像处理的渗漏源检测装置
CN103648391A (zh) * 2011-07-12 2014-03-19 皇家飞利浦有限公司 成像系统探测器校准
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040215081A1 (en) * 2003-04-23 2004-10-28 Crane Robert L. Method for detection and display of extravasation and infiltration of fluids and substances in subdermal or intradermal tissue
US8265728B2 (en) 2003-11-26 2012-09-11 University Of Chicago Automated method and system for the evaluation of disease and registration accuracy in the subtraction of temporally sequential medical images
US20060173360A1 (en) * 2005-01-07 2006-08-03 Kalafut John F Method for detection and display of extravasation and infiltration of fluids and substances in subdermal or intradermal tissue
DE102006037284B4 (de) 2006-08-09 2015-11-26 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Darstellung von Myokardgeweben unterschiedlicher Schädigungszustände
US8150126B2 (en) * 2007-09-26 2012-04-03 Siemens Aktiengesellschaft Method and system for scale-based vessel enhancement in X-ray angiography
KR101138613B1 (ko) * 2009-04-30 2012-04-26 한림대학교 산학협력단 컬러 도플러 모드 영상을 처리하는 초음파 시스템 및 방법
US20110081057A1 (en) * 2009-10-06 2011-04-07 Eigen, Llc Apparatus for stenosis estimation
JP5357818B2 (ja) 2010-04-05 2013-12-04 株式会社日立製作所 画像処理装置および方法
JP5637834B2 (ja) * 2010-12-15 2014-12-10 富士フイルム株式会社 内視鏡装置
EP2468207A1 (en) * 2010-12-21 2012-06-27 Renishaw (Ireland) Limited Method and apparatus for analysing images
US9486176B2 (en) * 2012-09-05 2016-11-08 Mayank Goyal Systems and methods for diagnosing strokes
US9324143B2 (en) * 2012-09-05 2016-04-26 Mayank Goyal Systems and methods for diagnosing strokes
JP6091870B2 (ja) 2012-12-07 2017-03-08 東芝メディカルシステムズ株式会社 血管解析装置、医用画像診断装置、血管解析方法、及び血管解析プログラム
JP6222807B2 (ja) * 2013-04-01 2017-11-01 東芝メディカルシステムズ株式会社 医用画像処理装置、ｘ線診断装置及び医用画像処理プログラム
WO2015067300A1 (en) 2013-11-05 2015-05-14 Brainlab Ag Determination of enhancing structures in an anatomical body part
WO2016044716A1 (en) * 2014-09-19 2016-03-24 The American University In Cairo Nanoparticle-based combinatorial therapy
WO2016197093A1 (en) * 2015-06-05 2016-12-08 Brown University Heat substrate and/or image enhancement compositions and enhanced tissue ablation methods
US10973433B2 (en) * 2015-08-30 2021-04-13 The Regents Of The University Of California Leakage correction for DSC-perfusion MRI by accounting for bidirectional contrast agent exchange
US10684344B2 (en) * 2016-04-01 2020-06-16 The Board Of Trustees Of The Leland Stanford Junior University Motion correction in two-component magnetic resonance imaging
US10213178B2 (en) * 2016-09-22 2019-02-26 Algotec Systems Ltd. Calculation of perfusion parameters in medical imaging

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007016442A2 (en) * 2005-08-02 2007-02-08 Siemens Medical Solutions Usa, Inc. System and method for automatic segmentation of vessels in breast mr sequences
CN103648391A (zh) * 2011-07-12 2014-03-19 皇家飞利浦有限公司 成像系统探测器校准
CN102636313A (zh) * 2012-04-11 2012-08-15 浙江工业大学 基于红外热成像图像处理的渗漏源检测装置
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
An automatic aneurysm extraction algorithm in fused brain digital subtraction angiography images;Saba Momeni et al;《Biocybernetics and Biomedical Engineering》;20150101;第35卷(第4期);第265页右栏第3段-第269页左栏第3段，图1，10 *

Also Published As

Publication number Publication date
US11030748B2 (en) 2021-06-08
WO2018077707A1 (en) 2018-05-03
US20200051246A1 (en) 2020-02-13
EP3533027B1 (en) 2021-04-14
EP3533027A1 (en) 2019-09-04
CN110036408A (zh) 2019-07-19

Similar Documents

Publication Publication Date Title
CN110036408B (zh) 活动性出血和血液外渗的自动ct检测和可视化
JP6267710B2 (ja) 医用画像中の肺結節を自動検出するためのシステム及び方法
JP4139869B2 (ja) 医用画像処理装置
US9179881B2 (en) Physics based image processing and evaluation process of perfusion images from radiology imaging
US9792703B2 (en) Generating a synthetic two-dimensional mammogram
US7889895B2 (en) Method and apparatus for identifying pathology in brain images
Banerjee et al. Automated 3D segmentation of brain tumor using visual saliency
JP4823204B2 (ja) 医用画像処理装置
Fazlollahi et al. Computer-aided detection of cerebral microbleeds in susceptibility-weighted imaging
US7684602B2 (en) Method and system for local visualization for tubular structures
Sakellarios et al. Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data
Hasan A hybrid approach of using particle swarm optimization and volumetric active contour without edge for segmenting brain tumors in MRI scan
US7961923B2 (en) Method for detection and visional enhancement of blood vessels and pulmonary emboli
Zeng et al. A 2.5 D deep learning-based method for drowning diagnosis using post-mortem computed tomography
Zhang et al. Mesenteric vasculature-guided small bowel segmentation on high-resolution 3D CT angiography scans
CA2617671C (en) System and method for automatic segmentation of vessels in breast mr sequences
US20220335602A1 (en) Method and system for image normalisation
Noorda et al. Segmentation of the Cartilage in the Rib Cage in 3D MRI
Liu et al. Computer-aided abdominal lymph node detection using contrast-enhanced CT images
Yamamura et al. An image registration method for head CTA and MRA images using mutual inforamtion on volumes of interest
Al-Battal et al. Multi-target and multi-stage liver lesion segmentation and detection in multi-phase computed tomography scans
SS et al. Human liver Cancer Segmentation and analysis using Human Machine Interaction Method
Prevost et al. Automatic detection and segmentation of renal lesions in 3D contrast-enhanced ultrasound images
Zhou et al. Detection of pulmonary embolism
Rahimi A method for detecting and locating brain tumors in MRI images

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