CN110520866A - 用于对感兴趣对象的成分进行建模的设备和方法 - Google Patents
用于对感兴趣对象的成分进行建模的设备和方法 Download PDFInfo
- Publication number
- CN110520866A CN110520866A CN201880026087.6A CN201880026087A CN110520866A CN 110520866 A CN110520866 A CN 110520866A CN 201880026087 A CN201880026087 A CN 201880026087A CN 110520866 A CN110520866 A CN 110520866A
- Authority
- CN
- China
- Prior art keywords
- component
- interest
- image data
- density value
- ratio
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000004615 ingredient Substances 0.000 title claims abstract description 27
- 238000002591 computed tomography Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000013075 data extraction Methods 0.000 claims abstract 2
- 206010028980 Neoplasm Diseases 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013170 computed tomography imaging Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 201000011510 cancer Diseases 0.000 claims description 10
- 230000036210 malignancy Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 description 33
- 239000007787 solid Substances 0.000 description 12
- 239000000470 constituent Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000003205 fragrance Substances 0.000 description 7
- 230000002308 calcification Effects 0.000 description 6
- 239000005337 ground glass Substances 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000000505 pernicious effect Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 102000006386 Myelin Proteins Human genes 0.000 description 2
- 108010083674 Myelin Proteins Proteins 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 210000005012 myelin Anatomy 0.000 description 2
- YNPNZTXNASCQKK-UHFFFAOYSA-N phenanthrene Chemical compound C1=CC=C2C3=CC=CC=C3C=CC2=C1 YNPNZTXNASCQKK-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000000259 anti-tumor effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000005338 frosted glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Pulmonology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于对感兴趣对象的成分进行建模的方法(100),所述方法包括以下步骤:a)对由计算机断层摄影图像数据提供的感兴趣对象图像数据进行分割(101),从而得到多个图像段;b)针对每个图像段从所述感兴趣对象图像数据提取(102)所确定的亨斯菲尔德密度值;c)定义(104)用于所述感兴趣对象的至少两个分量类别的分量比率,所述至少两个分量类别具有不同的分量亨斯菲尔德密度值;d)基于对应的所确定的亨斯菲尔德密度值将至少一个分量类别分配(105)给每个图像段,从而得到包括所述分量亨斯菲尔德密度值的模拟图像段,所述模拟图像段定义所述感兴趣对象的模拟图像数据;其中,所分配的分量类别的比率对应于所述分量比率;e)确定(107)所述模拟图像数据与所述感兴趣对象图像数据之间的偏差;以及f)以改变的分量比率来重复(108)步骤c)至e),直到所述偏差对应于预定义的最小偏差,从而得到最终分量比率。
Description
技术领域
本发明涉及用于对感兴趣对象的成分进行建模的设备和系统以及用于对感兴趣对象的成分进行建模的方法。
背景技术
肺癌是具有高死亡率的最危险的癌症类型之一。可以用若干方法检测肺部肿瘤。这些方法之一是患者肺部的计算机断层摄影成像。
利用计算机断层摄影成像进行肺癌筛选被认为降低死亡率。在大多数情况下,大肿瘤清楚地示出在计算机断层摄影图像中,而非常小的肿瘤,所谓的结节,仅在几个像素上进行描绘。
然而,甚至在高风险组中,20个肺结节中仅1个是癌性的。因此,需要评估结节是恶性的还是良性的。评估结节是恶性还是良性的风险的重要描述符是结节的组织类型。结节组织类型描述组织成分,并且通常被归类为四类:钙化的、固体的、混合的和磨砂玻璃的。后两种类型也称为部分固体和亚固体。结节类型也是对于筛选补偿(reimbursement)所需的肺反应性气道功能障碍综合症(RADS)报告方案的描述符号。
四种结节类型中的每一种都是超级类,其包括由钙化的、固体的和亚固体的组织组成的多种不同组织成分。此外,每种类型可以具有许多不同的尺寸和形状。此外,这些组织类型的典型亨斯菲尔德(Hounsfield)密度甚至可能不存在于结节的直方图中,因为高密度的小区域倾于稀释,即由于成像点扩散函数的部分体积效应的模糊。
执行对结节类型的自动分类是已知的。通过在手动分类样本的数据库上训练分类器来执行针对给定的有问题的新结节的结节类型的那些自动分类方法。数据库必须足够大,以覆盖各种不同的成分、形状和尺寸。然而,这种全面和平衡的数据库建立起来非常昂贵且耗时,并且可能偏向于某些结节类型,这取决于训练数据库内类型的平衡。
对于磁共振成像,用于确定组织成分的模拟是已知的。例如,在US2014/0180061A1中,生成脑的髓鞘组织的图。假定髓鞘组织的成分具有至少两种分量。然后将分量的初始比率拟合到测量结果。然而,该方法需要在足够的时间内执行大量的计算机能力。
发明内容
因此,能够需要提供一种执行对肿瘤成分的低成本、快速且无偏差的自动分类的方法和设备。
本发明的目的通过独立权利要求的主题来解决;其他实施例包含在从属权利要求中。应当注意,本发明的以下描述的方面也适用于系统和方法。
根据一个方面,一种用于对感兴趣对象的成分进行建模的设备包括:处理单元;其中,所述处理单元包括:图像数据分割器:提取模块;定义模块;分配模块;以及比较器;其中,图像数据分割器被配置为将由计算机断层摄影图像数据提供的感兴趣对象图像数据分割为图像段;其中,提取模块被配置为从图像段中提取亨斯菲尔德密度值;其中,定义模块被配置为定义用于感兴趣对象的至少两个分量类别的分量比率,至少两个分量类别具有不同的分量亨斯菲尔德密度值;其中,分配模块被配置为基于对应的所确定的亨斯菲尔德密度值将至少一个分量类别分配给每个图像段,从而得到包括分量亨斯菲尔德密度值的模拟图像分割,模拟图像段定义感兴趣对象的模拟图像数据;其中,所分配的分量类别的比率对应于分量比率;其中,比较器被配置为确定模拟图像数据和感兴趣对象图像数据之间的偏差;并且其中,处理单元被配置为改变由定义模块所定义的分量比率,直到偏差对应于预定义的最小偏差,从而得到最终分量比率。
所述设备提供对来自感兴趣对象(例如,其可以是肿瘤)的所确定的计算机断层摄影图像数据的模拟。所提供的图像数据首先被分割成图像段。通过计算机断层摄影确定的亨斯菲尔德密度值是从那些图像段中提取的。由设备提供的模拟通过假设分量类别的成分具有分量亨斯菲尔德密度值来模拟感兴趣对象。那些分量亨斯菲尔德密度值是用于假定的成分的分量类别的假定值。通过使用分量亨斯菲尔德密度值和假定成分,设备确定感兴趣对象的模拟图像。
假定成分包括至少两个假定的不同分量类别,每个具有假定的不同的亨斯菲尔德密度值。假定还涉及至少两个不同分量类别之间的分量比率。
这意味着,假定的感兴趣对象被假定为包括在分量类别中归类的分量和具有在匹配分量类别的分量比率的模拟感兴趣对象中的分布的分量。为了模拟感兴趣对象的分量比率,分量亨斯菲尔德密度值被分配给图像段。基于每个图像段的所确定的亨斯菲尔德密度值来执行分量亨斯菲尔德密度值的分配。例如,具有高的确定的亨斯菲尔德密度值的图像段被分配有高分量亨斯菲尔德密度值,而具有低的确定的亨斯菲尔德密度值的图像段被分配有低分量亨斯菲尔德密度值。具有高分量亨斯菲尔德密度值的图像段与具有低分量亨斯菲尔德密度值的图像段之间的比率与分量比率匹配,即,模拟图像段具有与模拟感兴趣模拟对象中的分量类别相同的比率。
然后,由该分配产生的模拟感兴趣对象包括具有不同分量亨斯菲尔德密度值的图像部分。比较器将模拟感兴趣对象(即,包括分量亨斯菲尔德密度值的模拟图像数据)与所确定的感兴趣对象(即,包括所确定的亨斯菲尔德密度值的感兴趣对象图像数据)进行比较。然后将由该比较得到的偏差与预定义的最小偏差进行比较。
如果从比较器确定的偏差高于预定义的最小偏差,则利用修改的假定分量比率重复上述感兴趣对象的模拟。
如果从比较器确定的偏差等于或低于预定义的最小偏差,则将实际分量比率定义为最终分量比率。
所述设备提供对感兴趣对象的分量的模拟,其是对组织成分的低成本的、快速的且无偏差的自动分类。所述设备能够可以模拟感兴趣对象,而不依赖于具有用于训练的临床样本的综合数据库。
根据一个范例,处理单元还包括排序模块;其中,所述排序模块被配置为基于所确定的亨斯菲尔德密度值对图像段进行排序,从而得到图像段的排序列表;并且其中,分配模块将排序列表分割为多个部分,所述多个部分之间的比率是分量比率,并且其中,根据分量比率将分量类别分配给排序列表的多个部分。
将图像段排序成排序列表简化了基于所确定的亨斯菲尔德密度值将分量亨斯菲尔德密度值分配给图像段。图像段的排序列表被划分成若干列表段,所述若干列表段等于具有在模拟感兴趣对象中的假定非零部分的分量类别的数量。
因此,分量类别之间的比率用于确定列表段之间的比率。为了确定分量类别之间的比率,分量类别基于分量亨斯菲尔德密度值进行排序。这意味着,具有最高亨斯菲尔德密度值的分量类别定义用于具有最高平均确定的亨斯菲尔德密度值的列表分割的比率。相应地,具有最低分量亨斯菲尔德密度值的分量类别定义用于具有最低平均确定的亨斯菲尔德密度值的列表段的比率。这同样适用于分量类别和分量类别之间的列表段,以及相应地具有最高和最低分量亨斯菲尔德密度值和平均的所确定的亨斯菲尔德密度值的列表段。
然后,将定义用于对应的列表段的比率的分量类别的分量亨斯菲尔德密度值分配给该列表段的每个图像段。结果是具有显著低于所确定的亨斯菲尔德密度值的数量的不同的分量亨斯菲尔德密度值的数量的图像段的排序列表。该数量可以对应于分量类别的数量,或者可以低于分量类别的数量。因此,图像段的排序简化了具有最小偏差的结果的发现,因为图像段的所确定的亨斯菲尔德密度值被考虑用于模拟。这意味着,假定的成分比率的最高分量亨斯菲尔德密度值将被分配给具有最高的所确定的亨斯菲尔德密度值的图像段。此外,假定的成分比率的最低分量亨斯菲尔德密度值将被分配给具有最低的所确定的亨斯菲尔德密度值的图像段。因此,在合理的边界条件内执行模拟,这进一步简化了对感兴趣对象的模拟并进一步提高了模拟速度。
在另一范例中,处理单元还包括:折叠模块;其中,折叠模块被配置为利用模糊函数来折叠模拟图像数据;并且其中,处理单元在改变分量比率时改变模糊函数。
利用模糊函数折叠模拟图像数据将提供在模拟图像数据和感兴趣对象的所确定的图像数据之间的较小的偏差。折叠模拟图像采集设备的效果,例如,成像点扩散函数的效果。该效果可以例如由图像采集设备的光学器件或该图像采集设备的检测器的形式产生。如果已知图像采集设备的模糊函数,则该模糊函数用于感兴趣对象图像数据的模拟。
在范例中,设备还包括:显示单元;其中,处理单元还被配置为将最终分量比率与预定义的对象类型列表进行比较,从而得到感兴趣对象的所确定的对象类型;并且其中,显示单元被配置为将所确定的对象类型传送给用户。
在另一范例中,设备还包括:输出单元;其中,感兴趣对象是肿瘤;并且其中,输出单元被配置为将所确定的对象类型发送到肿瘤恶性评估方案中。
在范例中,图像段是体素或像素或多个像素。
根据另一方面,一种用于对感兴趣对象的成分进行建模的系统包括:计算机断层摄影成像设备;以及根据以上描述的设备;其中,设备包括输入单元;其中,输入单元被配置为接收计算机断层摄影图像数据;并且其中,计算机断层摄影成像设备被配置为采集和发送计算机断层摄影图像数据。
根据一个方面,一种用于对感兴趣对象的成分进行建模的方法包括以下步骤:a)对由计算机断层摄影图像数据提供的感兴趣对象图像数据进行分割,从而得到多个图像段;b)针对每个图像段从感兴趣对象图像数据中提取所确定的亨斯菲尔德密度值;c)定义用于感兴趣对象的至少两个分量类别的分量比率,所述至少两个分量类别具有不同的分量亨斯菲尔德密度值;d)基于对应的所确定的亨斯菲尔德密度值向每个图像段分配至少一个分量类别,从而得到包括分量亨斯菲尔德密度值的模拟图像段,所述模拟图像段定义感兴趣对象的模拟图像数据;其中,所分配的分量类别的比率对应于分量比率;e)确定模拟图像数据和感兴趣对象图像数据之间的偏差;f)以改变的分量比率来重复步骤c)至e),直到偏差对应于预定义的最小偏差,从而得到最终分量比率。
方法提供对来自感兴趣对象的所确定的计算机断层摄影图像数据的模拟,所述感兴趣对象例如可以是肿瘤。所提供的图像数据首先被分割成图像段。通过计算机断层摄影确定的亨斯菲尔德密度值是从那些图像段中提取的。由所述方法提供的模拟通过假定具有分量亨斯菲尔德密度值的分量类别的成分来模拟感兴趣对象。那些分量亨斯菲尔德密度值是用于假定成分的分量类别的假定值。通过使用分量亨斯菲尔德密度值和假定成分,所述方法确定感兴趣对象的模拟图像。
假定成分包括至少两个假定的不同分量类别,每个具有假定的不同的亨斯菲尔德密度值。所述假定还涉及至少两个不同分量类别之间的分量比率。
这意味着,模拟感兴趣对象被假定为包括在分量类别中被归类并且具有在匹配分量类别的分量比率的模拟感兴趣对象中的分布的分量。为了模拟感兴趣对象的分量比率,分量亨斯菲尔德密度值被分配给图像段。基于每个图像段的所确定的亨斯菲尔德密度值来执行分量亨斯菲尔德密度值的分配。例如,具有高的所确定的亨斯菲尔德密度值的图像段被分配有高的分量亨斯菲尔德密度值,而具有低的所确定的亨斯菲尔德密度值的图像段被分配有低的分量亨斯菲尔德密度值。具有高的分量亨斯菲尔德密度值的图像段与具有低的分量亨斯菲尔德密度值的图像段之间的比率与分量比率匹配,即,模拟图像段具有与模拟感兴趣对象中的分量类别相同的比率。
然后,由该分配产生模拟感兴趣对象包括具有不同的分量亨斯菲尔德密度值的图像部分。比较步骤将模拟感兴趣对象(即,包括分量亨斯菲尔德密度值的模拟图像数据)与所确定的感兴趣对象(即,包括所确定的亨斯菲尔德密度值的感兴趣对象图像数据)进行比较。然后将从该比较得到的偏差与预定义的最小偏差进行比较。
如果所确定的偏差高于预定义的最小偏差,则利用修改的假定分量比率来重复上述对感兴趣对象的模拟。
如果确定的偏差等于或低于预定义的最小偏差,则将实际分量比率定义为最终分量比率。
所述方法提供对感兴趣对象的分量的模拟,其是对组织成分的低成本的、快速的且无偏差的自动分类。所述方法能够模拟感兴趣对象,而不依赖于具有用于训练的临床样本的综合数据库。
在范例中,在步骤c)之前,方法包括以下步骤:g)基于所确定的亨斯菲尔德密度值对图像段进行分类,从而得到图像段的排序列表;其中,在步骤d)中,将排序列表分割成多个部分,所述多个部分之间的比率对应于分量比率,并且其中,根据分量比率将分量类别分配给排序列表的多个部分。
将图像段排序为排序列表简化了基于所确定的亨斯菲尔德密度值将分量亨斯菲尔德密度值分配给图像段。图像段的排序列表被划分成若干列表段,所述列表段等于具有在模拟感兴趣对象中的假定非零部分的分量类别的数量。
因此,分量类别之间的比率用于确定列表段之间的比率。为了确定分量类别之间的比率,分量类别基于分量亨斯菲尔德密度值来排序。这意味着,具有最高亨斯菲尔德密度值的分量类定义用于具有最高的平均的所确定的亨斯菲尔德密度值的列表段的比率。相应地,具有最低分量亨斯菲尔德密度值的分量类别定义用于具有最低的平均的所确定的亨斯菲尔德密度值的列表段的比率。这同样相应地适用于分量类别和分量类别之间的列表段,以及具有最高和最低分量亨斯菲尔德密度值和平均确定的亨斯菲尔德密度值的列表段。
然后,将定义用于对应的列表段的比率的分量类别的分量亨斯菲尔德密度值分配给该列表段的每个图像段。结果是具有显著低于所确定的亨斯菲尔德密度值的数量的不同的分量亨斯菲尔德密度值的数量的图像段的排序列表。该数量可以对应于分量类别的数量,或者可以低于分量类别的数量。因此,图像段的排序简化了具有最小偏差的结果的发现,因为图像段的所确定的亨斯菲尔德密度值被考虑用于模拟。这意味着,假定成分比率的最高分量亨斯菲尔德密度值将被分配给具有最高的所确定的亨斯菲尔德密度值的图像段。此外,假定成分比率的最低分量亨斯菲尔德密度值将被分配给具有最低的所确定的亨斯菲尔德密度值的图像段。因此,在合理的边界条件内执行模拟,这还简化了感兴趣对象的模拟并还提高了模拟速度。
根据另一范例,步骤d)包括以下子步骤:d1)利用模糊函数折叠模拟图像数据;并且其中,在步骤f)中,当改变分量比率时改变模糊函数。
利用模糊函数折叠模拟图像数据将提供在模拟图像数据和所确定的感兴趣对象的图像数据之间的较小的偏差。折叠模拟图像采集设备的效果,例如,成像点扩散函数的效果。这种效果可以例如由图像采集设备的光学器件或该图像采集设备的检测器的形式产生。如果已知图像采集设备的模糊函数,则该模糊函数用于模拟感兴趣对象图像数据。
在另一范例中,方法还包括步骤:h)将最终分量比率与预定义对象类型列表进行比较,从而得到感兴趣对象的所确定的对象类型;i)将所确定的对象类型传送给用户。
在又一范例中,感兴趣对象是肿瘤;并且其中,方法还包括步骤:j)将所确定的对象类型馈送到肿瘤恶性评估方案中。
根据又一方面,一种用于控制根据上文提及的描述的装置的计算机程序单元,其在由处理单元执行时适于执行根据上文描述的方法的方法步骤。
在又一方面,一种计算机可读介质存储有上述程序单元。
参考下文描述的实施例,本发明的这些和其他方面将变得显而易见并得到阐述。
附图说明
下面将参考以下附图描述本发明的示范性实施例:
图1示出了用于对感兴趣对象的成分进行建模的系统的示意图。
图2示出了用于对感兴趣对象的成分进行建模的设备的示意图。
图3示出了用于对感兴趣对象的成分进行建模的方法的示意性流程图。
图4示出了包括作为感兴趣对象的结节的示意性计算机断层摄影图像数据。
图5示出了示意性模拟图像数据和示意性的所确定的感兴趣对象数据之间的比较。
图6a-d示出了图像段的排序和分量亨斯菲尔德(Hounsfield)密度值的分配的示意图。
图7示出了包括作为感兴趣对象的结节的图4的示范性计算机断层摄影图像数据。
图8示出了在模拟图像数据和图7的所确定的感兴趣对象数据之间的图5的比较。
具体实施方式
在进一步描述用于对感兴趣对象的成分进行建模的成像系统和设备之前,参考图3更详细地描述用于对感兴趣对象的成分进行建模的方法的范例。
图3示出了表示方法100的范例的流程图。
方法100使用包括感兴趣对象图像数据的计算机断层摄影图像数据,其中,感兴趣对象图像数据描绘感兴趣对象7。感兴趣对象7可以是由感兴趣对象图像数据以二维或三维描绘的结节。
方法100可以包括对象识别步骤,其中,在计算机断层摄影图像数据中识别感兴趣对象图像数据。
感兴趣对象图像数据被分割101为多个图像段71-80。图像段71-80可以是描绘感兴趣对象7的多个部分的体素或像素。分割可以由标签体积或表面网格表示。
然后,提取102每个图像段71-80的所确定的亨斯菲尔德密度值。所确定的亨斯菲尔德密度表示通过计算机断层摄影计算确定的感兴趣对象7的吸收。亨斯菲尔德密度值可以由感兴趣对象图像数据的灰度值表示。
图6a示出了图像段71-80的示意图,其中,正方形中的水平线表示所确定的亨斯菲尔德密度值。
在下一步骤中,基于所确定的亨斯菲尔德密度值对图像段71-80进行排序103。这意味着,生成排序列表81,其包括图像段71-80,其中,每个图像段71-80的所确定的亨斯菲尔德密度值确定在排序列表81中的对应图像段71-80的等级。
排序列表81的范例在图6b中示出。如果排序列表81例如是具有两个端部部分的线性列表,则一个端部部分包括具有最高的所确定的亨斯菲尔德密度值的图像段71-80,而另一个端部部分包括具有最低的所确定的亨斯菲尔德密度值的图像段71-80。端部部分定义具有不同的平均的所确定的亨斯菲尔德密度值的列表段。
在对图像段71-80进行排序103之后,为感兴趣对象7定义分量类别91至94的分量比率。例如,假定感兴趣对象7包括四个分量类别91至94。如果感兴趣对象7是结节,则分量类别91可以表示钙化组织,其具有假定的300的钙化的亨斯菲尔德密度值作为分量亨斯菲尔德密度值,分量类别92可以表示固体组织,其具有假定的0的固体亨斯菲尔德密度值作为分量亨斯菲尔德密度值,分量类别93可以表示磨砂玻璃组织,其具有假定的-500的磨砂玻璃亨斯菲尔德密度值作为分量亨斯菲尔德密度值,并且分量类别94可以表示薄壁组织,其具有假定的-750到-950的薄壁组织亨斯菲尔德密度值作为分量亨斯菲尔德密度值。图6c示出了分量类别91至94的示意图,其中,正方形中的点符号化所确定的亨斯菲尔德密度值。
分量类别91至94的分量比率可以假定为40%∶20%∶20%∶20%,作为分量类别91与分量类别92与分量类别93与分量类别94之间的比率。分量类别91到94的部分总计达100%。
在下一步骤中,基于来自该图像段71-80的所确定的亨斯菲尔德密度值,将至少一个分量类别91至94分配105给每个图像段71-80。由于在该范例中,图像段71-80在排序列表81中被排序,因此排序列表81的前40%的图像段71-80被分配分量类别91的分量亨斯菲尔德密度值,即为300的分量亨斯菲尔德密度值。根据图6d,排序列表81的前40%的图像段71-80是分配给分量类别91的图像段78、79、72和76。其余图像段71-80相应地分配,即,排序列表81的接下来的20%是图像段74和80,被分配给分量类别92,排序列表81的下一20%是图像段77和73,被分配给分量类别93,并且排序列表81的最后20%是图像段71和75,被分配给分量类别94。结果是模拟的图像段的列表95。
通过生成与作为感兴趣对象图像数据中的图像段71-80相同的模拟图像数据中的位置处的模拟图像段来创建模拟图像数据。模拟图像段包括根据分配步骤105的相应分量亨斯菲尔德密度值。
接下来,可以通过利用模拟图像数据数学地折叠106模糊函数来模拟模糊。模糊函数可以是具有宽度B的高斯函数。模糊函数可以模拟计算机断层摄影扫描器的点分布函数。
在备选实施例中,可以通过利用模拟图像数据数学地折叠106已知的设备模糊函数来模拟模糊。已知的设备模糊函数精确地模拟用于采集计算机断层摄影数据的具体设备的模糊。
然后,确定107模拟图像数据和感兴趣对象图像数据之间的偏差。距离度量可以用于确定模拟图像数据和感兴趣对象图像数据之间的偏差。距离度量可以例如是平均差或线性相关。
如果偏差高于预定义的最小偏差,则重复108步骤104、105、106和107,其中,修改步骤104中的分量比率。因此,可以以35%∶25%∶20%∶20%的分量比率执行接下来的迭代。
通过仅修改分量比率,与已知的模拟方法相比可以节省大量的计算时间。能够使用标准优化器算法,或者通过穷举并行搜索来执行分量比率的函数和模糊函数的优化,因为每次试验所需的计算成本非常小。在分量比率的修改之后,分量亨斯菲尔德密度值的分配遵循可以在短时间内执行的明确定义的分配方案。上述方法确保在试图找到感兴趣对象的最终成分比率时考虑图像段71-80的所确定的亨斯菲尔德密度值。因此,防止随机执行的试错法。
如果在步骤108中,模拟图像数据和感兴趣对象图像数据之间的偏差对应于预定义的最小偏差,即如果偏差等于预定义的最小偏差或低于预定义的最小偏差,则最后迭代的分量比率被定义为最终分量比率。
在定义104分量比率之前,可以将感兴趣对象7周围区域的亨斯菲尔德密度值确定为在感兴趣对象7周围(例如,约40mm半径)的某个邻域中的所提供的计算机断层摄影图像数据的亨斯菲尔德直方图的峰。
此外,为了提供优化的比较条件,可以将计算机断层摄影图像8数据中的感兴趣对象图像数据之外的所有图像数据9设置为薄壁组织亨斯菲尔德密度值。感兴趣对象图像数据之外的图像数据9然后是均匀的。
此外,模拟图像数据中位于感兴趣对象7之外的模拟组织也可以被设置为薄壁组织亨斯菲尔德密度值,使得所述比较仅发现模拟图像数据和感兴趣对象图像数据之间的偏差。
可以将最终分量比率109与预定义的对象类型列表进行比较。预定义的对象类型列表可以是用于找到感兴趣对象的对象类型的教科书样的规则。用于确定对象类型的规则可以例如是,如果最终分量比率确定针对分量类别91的超过50%则为钙化,如果最终分量比率确定针对分量类别92的超过50%则为固体,如果最终分量比率确定针对分量类别93的超过50%和针对分量类别92的超过5%则为混合,并且否则为磨砂玻璃。在感兴趣对象是结节的情况下,最终分量比率可以确定已经模拟了哪种结节。
可以将所确定的对象类型传送110给用户。然后,用户可以决定如何进一步使用该结果。
此外,可以将所确定的对象类型馈送111到肿瘤恶性评估方案中。该评估方案可以提供可为不同肿瘤类型及其恶性潜在性提供界限的标准。可以向用户提供肿瘤恶性评估方案的结果。
图1示出了用于对感兴趣对象7的成分进行建模的系统1。系统包括计算机断层摄影成像设备2、用于对感兴趣对象7的成分进行建模的设备3、以及肿瘤恶性评估方案模块6。
计算机断层摄影成像设备2提供患者肺部的计算机断层摄影成像数据,其中,患者的肺部可以包括可以是感兴趣对象的结节7。计算机断层摄影成像设备2可以发射患者肺部的计算机断层摄影成像数据。
设备3可以包括输入单元30,其可以接收计算机断层摄影成像数据。例如,输入单元30可以接收由计算机断层摄影成像设备2发射的患者肺部的计算机断层摄影成像数据。
此外,设备3可以包括对象识别模块(未示出),其被配置为识别计算机断层摄影图像数据中的感兴趣对象图像数据。
设备3还可以执行上述方法,以基于针对感兴趣对象7的最终成分比率来确定对象类型。该最终成分比率可以显示在设备3的显示单元40上。此外,设备3可以经由输出单元31提供感兴趣对象7的对象类型。
肿瘤恶性评估方案模块6可以接收对象类型并执行关于感兴趣对象的恶性的评估。
设备3还可以连接到包括计算机程序单元5的计算机可读设备4,计算机程序单元5适于控制设备3,使得设备3执行上述方法。
为了执行上述方法,设备3包括在图2中所示的处理单元32。
处理单元32包括图像数据分割器33、提取模块34、排序模块35、定义模块36、分配模块37、比较器38和折叠模块39。
图像数据分割器33将感兴趣对象图像数据分割成多个图像段71-80。图像段71-80可以是描绘感兴趣对象7的部分的体素或像素。分割可以由标签体积或由表面网格表示。
提取模块34提取每个图像段71-80的所确定的亨斯菲尔德密度值。所确定的亨斯菲尔德密度表示通过计算机断层摄影计算确定的感兴趣对象7的吸收。亨斯菲尔德密度值可以由感兴趣对象图像数据的灰度值表示。
图6a示出了图像段71-80的示意图,其中,正方形中的水平线表示所确定的亨斯菲尔德密度值。
排序模块35基于所确定的亨斯菲尔德密度值对图像段71-80进行排序。这意味着,排序模块35生成包括图像段71-80的排序列表81,其中,每个图像段71-80的所确定的亨斯菲尔德密度值确定排序列表81的等级。
排序列表81的范例在图6b中示出。如果排序列表81是例如具有两个端部部分的线性列表,则一个端部部分包括具有最高的所确定的亨斯菲尔德密度值的图像段71-80,而另一个端部部分包括具有最低的所确定的亨斯菲尔德密度值的图像段71-80。
定义模块36为感兴趣对象7定义分量类别91至94的分量比率。例如,假定感兴趣对象7包括四个分量类别91至94。如果感兴趣对象7是结节,则分量类91可以表示钙化组织,其具有假定的300的钙化亨斯菲尔德密度值作为分量亨斯菲尔德密度值,分量类92可以表示固体组织,其具有假定的0的固体亨斯菲尔德密度值作为分量亨斯菲尔德密度值,分量类别93可以表示磨砂玻璃组织,其具有假定的-500的磨砂玻璃亨斯菲尔德密度值作为分量亨斯菲尔德密度值,分量类别94可以表示薄壁组织,其具有假定的-750至-950的薄壁组织亨斯菲尔德密度值作为分量亨斯菲尔德密度值。图6c示出了分量类别91至94的示意图,其中,正方形中的点表示所确定的亨斯菲尔德密度值。
分量类别91至94的分量比率可以假定为40%∶20%∶20%∶20%,作为分量类别91与分量类别92与分量类别93与分量类别94之间的比率。分量类别91到94的部分可以总计达100%。
分配模块37基于来自该图像段71-80的所确定的亨斯菲尔德密度值,将至少一个分量类别91至94分配给每个图像段71-80。由于在该范例中,图像段71-80在排序列表81中被排序,因此排序列表81的图像段71-80的前40%被分配分量类别91的分量亨斯菲尔德密度值,即为300的分量亨斯菲尔德密度值。根据图6d,排序列表81的前40%是被分配分量类别91的图像段78、79、72和76。其余的图像段71-80相应地被分配,即,排序列表81的接下来的20%(其是图像段74和80)被分配分量类别92,排序列表81的下一20%(其是图像段77和73)被分配分量类别93,并且排序列表81的最后20%(其是图像段71和75)被分配分量类别94。
处理单元通过生成与感兴趣对象图像数据中的图像段71-80相同的模拟图像数据中的位置处的模拟图像段来创建模拟图像数据。模拟图像段包括由分配模块37确定的相应分量亨斯菲尔德密度值。
折叠模块39可以通过利用模拟图像数据数学地折叠106模糊函数来模拟模糊。模糊函数可以是具有宽度B的高斯函数。此外,模糊函数可以模拟计算机断层摄影扫描器的点分布函数。
在备选实施例中,折叠模块39可以通过利用模拟图像数据数学地折叠已知设备模糊函数来模拟模糊。已知设备模糊函数精确地模拟用于采集计算机断层摄影数据的具体设备的模糊。
比较器38确定模拟图像数据和感兴趣对象图像数据之间的偏差。此外,比较器可以使用距离度量来确定模拟图像数据和感兴趣对象图像数据之间的偏差。距离度量可以是例如平均差或线性相关。
如果比较器确定偏差高于预定义的最小偏差,则处理单元32重复运行定义模块36、分配模块37、比较器38和折叠模块39,其中,定义模块36修改每次迭代中的分量比率。因此,可以以35%∶25%∶20%∶20%的分量比率执行另外的迭代。
通过仅修改分量比率,与已知的模拟方法相比可以节省大量的计算时间。能够使用标准优化器算法或通过穷举并行搜索来执行分量比率的函数和模糊函数的优化,因为每次试验所需的计算成本非常小。在分量比率的修改之后,分量亨斯菲尔德密度值的分配遵循可以在短时间内执行的明确定义的分配方案。上述方法确保在试图找到感兴趣对象的最终成分比率时考虑图像段71-80的所确定的亨斯菲尔德密度值。因此,防止了随机执行的试错法。
如果比较器38确定模拟图像数据和感兴趣对象图像数据之间的偏差对应于预定义的最小偏差,即如果偏差等于预定义的最小偏差或低于预定义的最小偏差,则最后迭代的分量比率被定义为最终分量比率。设备3还可以包括存储单元(未示出),其被配置为存储关于预定义的最小偏差的信息。
在定义模块36定义分量比率之前,可以将感兴趣对象7周围的区域的亨斯菲尔德密度值确定为感兴趣对象7周围(例如,约40mm半径)的某个邻域中的亨斯菲尔德直方图的峰。
此外,为了提供优化的比较条件,可以将计算机断层摄影图像8数据中的感兴趣对象图像数据之外的所有图像数据9设置为薄壁组织亨斯菲尔德密度值。则感兴趣对象图像数据之外的图像数据9是均匀的。
此外,模拟图像数据中感兴趣对象7之外的模拟组织也可以设置为薄壁组织亨斯菲尔德密度值,使得比较仅找到模拟图像数据和感兴趣对象图像数据之间的偏差。
在图4中,示出了包括描绘感兴趣对象7的感兴趣对象图像数据的示意性计算机断层摄影图像数据8。此外,缩放示出了感兴趣对象图像数据和围绕感兴趣对象数据的一些组织图像数据9的放大。在缩放图像中,组织图像数据9被设置为均匀的亨斯菲尔德密度值。这提供了针对感兴趣对象图像数据的均匀对比。
感兴趣对象图像数据包括具有高的确定的亨斯菲尔德密度值的亮区60和具有低的确定的亨斯菲尔德密度值的暗区61。亮区60可以具有到暗区61的连续过渡区。然而,在图4中,亮区60的边界被示出为清晰的边界,以清楚地区分亮区60和暗区61。在图7中示出了包括感兴趣对象7的原始计算机断层摄影图像数据8。
图5示出了三个示意性模拟图像数据a)、b)和c)。图5d)示出了从图4中提取的感兴趣对象图像数据。因此,图5a)示出了具有0mm的宽度B的模拟,b)示出了具有0.5mm的宽度B的模拟,c)示出了具有0.7mm的宽度B的模拟。
图5a)和5c)示出了图5d)中的感兴趣对象图像数据之间的显著偏差。在图5a)中,亮区62包括与暗区63的锐利边界,因为具有0mm的宽度B的模糊函数不提供亮区和暗区62、63的显著模糊效果。图5c)示出了亮区66,其仅比暗区67略亮。亮区66和暗区67之间的过渡看起来是平滑的。当与包括感兴趣对象图像数据的图5d)相比时,具有0.7mm的宽度B的模糊函数提供了太多的模糊。亮区64比图5a)的亮区62更模糊,但是比图5c)的亮区66更不模糊。
图5b)示出了在与图5d)中的感兴趣对象图像数据比较时具有非常小的偏差的模拟图像数据。在该范例中,可以选择图5b)的成分比率以及模糊函数的宽度作为最终成分比率。
图8示出了如图5中的示意图所示的原始模拟图像数据。
可以将最终分量比率与预定义的对象类型列表进行比较。预定义的对象类型列表可以是用于找到感兴趣对象的对象类型的教科书样的规则。用于确定对象类型的规则可以是例如,如果最终分量比率确定针对分量类别91的超过50%则为钙化,如果最终分量比率确定针对分量类别92的超过50%则为固体,如果最终分量比率确定针对分量类别93的超过50%和针对分量类别92的超过5%则为混合,否则为磨砂玻璃。在感兴趣对象是结节的情况下,最终成分比率可以确定已经模拟了哪种结节。
所确定的对象类型可以由显示单元40传送给用户。然后,用户能够决定如何进一步使用该结果。
此外,肿瘤恶性评估方案6可以接收所确定的对象类型。该评估方案6可以提供标准,所述标准可以提供用于不同肿瘤类型及其恶性潜在性的边界。可以向用户提供肿瘤恶性评估方案6的结果。
在本发明的另一示范性实施例中,提供了一种计算机程序或一种计算机程序单元,其特征在于适于在适当的系统上执行根据前面的实施例之一所述的方法的方法步骤。
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的实施例的部分。该计算单元可以适于执行以上描述的方法的步骤或诱发以上描述的方法的步骤的执行。此外,其可以适于操作以上描述的装置的部件。所述计算单元能够适于自动地操作和/或执行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。所述数据处理器由此可以被装备为执行本发明的方法。
本发明的该示范性实施例涵盖从一开始就使用本发明的计算机程序和借助于更新将现有程序转变为使用本发明的程序的计算机程序两者。
更进一步地,所述计算机程序单元能够提供实现如以上所描述的方法的示范性实施例的流程的所有必需步骤。
根据本发明的另一示范性实施例,提出了一种计算机可读介质,例如CD-ROM,其中,所述计算机可读介质具有存储在所述计算机可读介质上的计算机程序单元,所述计算机程序单元由前面部分描述。计算机程序可以被存储/分布在合适的介质上,例如与其他硬件一起提供或作为其他硬件的部分提供的光学存储介质或固态介质,但计算机程序可也可以以其他形式来分布,例如经由因特网或者其他有线或无线电信系统分布。
然而,所述计算机程序也可以存在于诸如万维网的网络上并能够从这样的网络中下载到数据处理器的工作存储器中。根据本发明的另一示范性实施例,提供了一种用于使得计算机程序单元可用于下载的介质,其中,所述计算机程序单元被布置为执行根据本发明的之前描述的实施例之一所述的方法。
必须指出,本发明的实施例参考不同主题加以描述。具体而言,一些实施例参考方法类型的权利要求加以描述,而其他实施例参考设备类型的权利要求加以描述。然而,本领域技术人员将从以上和下面的描述中了解到,除非另行指出,除了属于一种类型的主题的特征的任何组合之外,涉及不同主题的特征之间的任何组合也被认为由本申请公开。然而,所有特征能够被组合以提供超过特征的简单加和的协同效应。
尽管已经在附图和前面的描述中详细说明和描述了本发明,但这样的说明和描述被认为是说明性或示范性的而非限制性的。本发明不限于所公开的实施例。通过研究附图、说明书和从属权利要求,本领域的技术人员在实践请求保护的本发明时能够理解和实现所公开的实施例的其他变型。
在权利要求中,词语“包括”不排除其他单元或步骤,并且,词语“一”或“一个”并不排除多个。单个处理器或其他单元可以履行权利要求书中记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定措施,但是这并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应被解释为对范围的限制。
Claims (13)
1.一种用于对感兴趣对象(7)的成分进行建模的设备(3),所述设备包括:
-处理单元(32);
其中,所述处理单元包括:
-图像数据分割器(33):
-提取模块(34);
-定义模块(36);
-分配模块(37);以及
-比较器(38);
其中,所述图像数据分割器(33)被配置为将由计算机断层摄影图像数据提供的感兴趣对象图像数据分割为图像段(71-80);
其中,所述提取模块(34)被配置为从所述图像段(71-80)提取亨斯菲尔德密度值;
其中,所述定义模块(36)被配置为定义用于所述感兴趣对象(7)的至少两个分量类别(91-94)的分量比率,所述至少两个分量类别(91-94)具有不同的分量亨斯菲尔德密度值;
其中,所述分配模块(37)被配置为基于对应的所确定的亨斯菲尔德密度值将至少一个分量类别(91-94)分配给每个图像段(71-80),从而得到包括所述分量亨斯菲尔德密度值的模拟图像段(95),所述模拟图像段(95)定义所述感兴趣对象(7)的模拟图像数据;其中,所分配的分量类别(91-94)的比率对应于所述分量比率;
其中,所述比较器(38)被配置为确定所述模拟图像数据与所述感兴趣对象图像数据之间的偏差;并且
其中,所述处理单元(32)被配置为改变正在由所述定义模块(36)定义的所述分量比率,直到所述偏差对应于预定义的最小偏差,从而得到最终分量比率。
2.根据权利要求1所述的设备,其中,所述处理单元还包括:
-排序模块(35);
其中,所述排序模块(35)被配置为基于所确定的亨斯菲尔德密度值对所述图像段(71-80)进行排序,从而得到图像段的排序列表(81);并且
其中,所述分配模块(37)将所述排序列表(81)分割为多个部分,所述多个部分之间的比率是所述分量比率,并且其中,所述分量类别(91-94)根据所述分量比率被分配给所述排序列表(81)的所述多个部分。
3.根据权利要求1或2所述的设备,其中,所述处理单元(32)还包括:
-折叠模块(39);
其中,所述折叠模块(39)被配置为利用模糊函数来折叠所述模拟图像数据;并且
其中,所述处理单元(32)在改变所述分量比率时改变所述模糊函数。
4.根据权利要求1至3中的一项所述的设备,其中,所述设备还包括:
-显示单元(40);
其中,所述处理单元(32)还被配置为将所述最终分量比率与预定义的对象类型列表进行比较,从而得到所述感兴趣对象(7)的所确定的对象类型;
其中,所述显示单元(40)被配置为将所确定的对象类型传送给用户。
5.根据权利要求4所述的设备,其中,所述设备还包括:
-输出单元(31);
其中,所述感兴趣对象(7)是肿瘤;并且
其中,所述输出单元(31)被配置为将所述确定的对象类型发送到肿瘤恶性评估方案模块(6)中。
6.一种用于对感兴趣对象(7)的成分进行建模的系统(1),包括:
-计算机断层摄影成像设备(2);以及
-根据权利要求1至5中的一项所述的设备(3);
其中,所述设备(3)包括输入单元(30);
其中,所述输入单元(30)被配置为接收计算机断层摄影图像数据;并且
其中,所述计算机断层摄影成像(2)设备被配置为采集和发送计算机断层摄影图像数据。
7.一种用于对感兴趣对象的成分进行建模的方法(100),所述方法包括以下步骤:
a)对由计算机断层摄影图像数据提供的感兴趣对象图像数据进行分割(101),从而得到多个图像段;
b)针对每个图像段从所述感兴趣对象图像数据提取(102)所确定的亨斯菲尔德密度值;
c)定义(104)用于所述感兴趣对象的至少两个分量类别的分量比率,所述至少两个分量类别具有不同的分量亨斯菲尔德密度值;
d)基于对应的所确定的亨斯菲尔德密度值将至少一个分量类别分配(105)给每个图像段,从而得到包括所述分量亨斯菲尔德密度值的模拟图像段,所述模拟图像段定义所述感兴趣对象的模拟图像数据;其中,所分配的分量类别的比率对应于所述分量比率;
e)确定(107)所述模拟图像数据与所述感兴趣对象图像数据之间的偏差;以及
f)以改变的分量比率来重复(108)步骤c)至e),直到所述偏差对应于预定义的最小偏差,从而得到最终分量比率。
8.根据权利要求7所述的方法,其中,在步骤c)之前,所述方法包括以下步骤:
g)基于所确定的亨斯菲尔德密度值对所述图像段进行排序(103),从而得到图像段的排序列表;
其中,在步骤d)中,所述排序列表被分割为多个部分,所述多个部分之间的比率对应于所述分量比率,并且其中,所述分量类别根据所述分量比率被分配给所述排序列表的所述多个部分。
9.根据权利要求7或8所述的方法,其中,步骤d)包括以下子步骤:
d1)利用模糊函数来折叠(106)所述模拟图像数据;并且
其中,在步骤f)中,当改变所述分量比率时改变所述模糊函数。
10.根据权利要求7至9中的一项所述的方法,其中,所述方法还包括以下步骤:
h)将所述最终分量比率与预定义的对象类型列表进行比较(109),从而得到所述感兴趣对象的所确定的对象类型;以及
i)将所述确定的对象类型传送(110)给用户。
11.根据权利要求10所述的方法,其中,所述感兴趣对象是肿瘤;并且
其中,所述方法还包括以下步骤:
j)将所确定的对象类型馈送(111)到肿瘤恶性评估方案中。
12.一种用于控制根据权利要求1至6中的一项所述的装置(3)的计算机程序单元(5),所述计算机程序单元当由处理单元(32)执行时适于执行根据权利要求7至11中的一项所述的方法的步骤。
13.一种存储有根据权利要求12所述的程序单元(5)的计算机可读介质(4)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17166802.3A EP3392804A1 (en) | 2017-04-18 | 2017-04-18 | Device and method for modelling a composition of an object of interest |
EP17166802.3 | 2017-04-18 | ||
PCT/EP2018/059904 WO2018192971A1 (en) | 2017-04-18 | 2018-04-18 | Device and method for modelling a composition of an object of interest |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110520866A true CN110520866A (zh) | 2019-11-29 |
CN110520866B CN110520866B (zh) | 2023-12-26 |
Family
ID=58644826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880026087.6A Active CN110520866B (zh) | 2017-04-18 | 2018-04-18 | 用于对感兴趣对象的成分进行建模的设备和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11042987B2 (zh) |
EP (2) | EP3392804A1 (zh) |
JP (1) | JP6901587B2 (zh) |
CN (1) | CN110520866B (zh) |
WO (1) | WO2018192971A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3392804A1 (en) * | 2017-04-18 | 2018-10-24 | Koninklijke Philips N.V. | Device and method for modelling a composition of an object of interest |
US11507423B2 (en) * | 2020-03-30 | 2022-11-22 | Qualcomm Incorporated | Processing data stream modification to reduce power effects during parallel processing |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2747947A1 (en) * | 2003-10-03 | 2005-04-14 | Bracco Diagnostics Inc. | Contrast media for use in medical and diagnostic procedures and methods of using the same |
US20050207630A1 (en) * | 2002-02-15 | 2005-09-22 | The Regents Of The University Of Michigan Technology Management Office | Lung nodule detection and classification |
CN101292260A (zh) * | 2005-10-21 | 2008-10-22 | 皇家飞利浦电子股份有限公司 | 绘制方法和设备 |
CN101952856A (zh) * | 2008-02-15 | 2011-01-19 | 皇家飞利浦电子股份有限公司 | 用于分割包括子对象的对象的设备 |
CN102016911A (zh) * | 2008-03-03 | 2011-04-13 | 新加坡科技研究局 | 分割ct扫描数据的方法和系统 |
CN102103757A (zh) * | 2010-12-27 | 2011-06-22 | 中国科学院深圳先进技术研究院 | 锥束图像重建方法及装置 |
US20120099775A1 (en) * | 2010-10-21 | 2012-04-26 | General Electric Company | Methods and Apparatus to Analyze Computed Tomography Scan Data |
CN102918563A (zh) * | 2010-06-02 | 2013-02-06 | 皇家飞利浦电子股份有限公司 | 血管内栓塞化成效的自动量化 |
CN102939616A (zh) * | 2010-06-14 | 2013-02-20 | 皇家飞利浦电子股份有限公司 | 组织分类 |
US20150199478A1 (en) * | 2014-01-10 | 2015-07-16 | Heartflow, Inc. | Systems and methods for identifying medical image acquisition parameters |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5023895A (en) * | 1989-03-02 | 1991-06-11 | Innovative Imaging Systems, Inc. | Three dimensional tomographic system |
US6395255B1 (en) * | 1998-06-15 | 2002-05-28 | Thomas Jefferson University | Radiolabeled vasoactive intestinal peptide analogs for imaging and therapy |
KR100283106B1 (ko) * | 1998-10-28 | 2001-03-02 | 정선종 | 전산화 단층촬영에서 가우시안 함수 근사에 의한 체지방 범위설정 방법 |
DE10357206B4 (de) * | 2003-12-08 | 2005-11-03 | Siemens Ag | Verfahren und Bildbearbeitungssystem zur Segmentierung von Schnittbilddaten |
JP2008272014A (ja) * | 2007-04-25 | 2008-11-13 | Hitachi Medical Corp | 定量測定装置、定量評価装置及び画像処理プログラム |
DE102008057083A1 (de) * | 2008-11-13 | 2010-05-27 | Siemens Aktiengesellschaft | Verfahren zum Erfassen und Anzeigen von medizinischen Bilddaten |
AT509040B1 (de) * | 2009-08-11 | 2012-09-15 | Univ Wien Med | Verfahren und vorrichtung zur verarbeitung von 3d-bilddaten eines schädels |
US9119590B2 (en) * | 2010-02-18 | 2015-09-01 | Los Angeles Biomedical Research Institute At Harbor-Ucla Medical Center | Method for thoracic vertebral bone density measurement by thoracic quantitative computed tomography |
EP2627246B1 (en) | 2010-10-14 | 2020-03-04 | Syntheticmr AB | Methods and apparatuses for relating multiple magnetic resonance physical parameters to myelin content in the brain |
WO2012129140A2 (en) * | 2011-03-18 | 2012-09-27 | The Regents Of Th University Of California | Image reconstruction using gradient projection for medical imaging applications |
US8705827B2 (en) * | 2011-04-15 | 2014-04-22 | Georgia Tech Research Corporation | Scatter correction methods |
US9142018B2 (en) * | 2012-01-17 | 2015-09-22 | Sunnybrook Health Sciences Centre | Method for three-dimensional localization of an object from a two-dimensional medical image |
KR20160140189A (ko) * | 2015-05-29 | 2016-12-07 | 삼성전자주식회사 | 단층 촬영 장치 및 그에 따른 단층 촬영 방법 |
JP2017012382A (ja) * | 2015-06-30 | 2017-01-19 | キヤノンマーケティングジャパン株式会社 | 医用画像処理装置、医用画像処理装置に搭載可能なプログラム、及び医用画像処理方法 |
EP3392804A1 (en) * | 2017-04-18 | 2018-10-24 | Koninklijke Philips N.V. | Device and method for modelling a composition of an object of interest |
-
2017
- 2017-04-18 EP EP17166802.3A patent/EP3392804A1/en not_active Withdrawn
-
2018
- 2018-04-18 JP JP2019556630A patent/JP6901587B2/ja active Active
- 2018-04-18 EP EP18721296.4A patent/EP3612982A1/en not_active Withdrawn
- 2018-04-18 US US16/606,249 patent/US11042987B2/en active Active
- 2018-04-18 WO PCT/EP2018/059904 patent/WO2018192971A1/en unknown
- 2018-04-18 CN CN201880026087.6A patent/CN110520866B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050207630A1 (en) * | 2002-02-15 | 2005-09-22 | The Regents Of The University Of Michigan Technology Management Office | Lung nodule detection and classification |
US20090252395A1 (en) * | 2002-02-15 | 2009-10-08 | The Regents Of The University Of Michigan | System and Method of Identifying a Potential Lung Nodule |
CA2747947A1 (en) * | 2003-10-03 | 2005-04-14 | Bracco Diagnostics Inc. | Contrast media for use in medical and diagnostic procedures and methods of using the same |
CN101292260A (zh) * | 2005-10-21 | 2008-10-22 | 皇家飞利浦电子股份有限公司 | 绘制方法和设备 |
CN101952856A (zh) * | 2008-02-15 | 2011-01-19 | 皇家飞利浦电子股份有限公司 | 用于分割包括子对象的对象的设备 |
CN102016911A (zh) * | 2008-03-03 | 2011-04-13 | 新加坡科技研究局 | 分割ct扫描数据的方法和系统 |
CN102918563A (zh) * | 2010-06-02 | 2013-02-06 | 皇家飞利浦电子股份有限公司 | 血管内栓塞化成效的自动量化 |
CN102939616A (zh) * | 2010-06-14 | 2013-02-20 | 皇家飞利浦电子股份有限公司 | 组织分类 |
US20120099775A1 (en) * | 2010-10-21 | 2012-04-26 | General Electric Company | Methods and Apparatus to Analyze Computed Tomography Scan Data |
CN102103757A (zh) * | 2010-12-27 | 2011-06-22 | 中国科学院深圳先进技术研究院 | 锥束图像重建方法及装置 |
US20150199478A1 (en) * | 2014-01-10 | 2015-07-16 | Heartflow, Inc. | Systems and methods for identifying medical image acquisition parameters |
Also Published As
Publication number | Publication date |
---|---|
JP6901587B2 (ja) | 2021-07-14 |
US11042987B2 (en) | 2021-06-22 |
EP3392804A1 (en) | 2018-10-24 |
US20200043173A1 (en) | 2020-02-06 |
CN110520866B (zh) | 2023-12-26 |
WO2018192971A1 (en) | 2018-10-25 |
EP3612982A1 (en) | 2020-02-26 |
JP2020517331A (ja) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sluimer et al. | Automated classification of hyperlucency, fibrosis, ground glass, solid, and focal lesions in high‐resolution CT of the lung | |
CN106339571A (zh) | 用于分类医学图像数据组的人工神经网络 | |
CN108664971A (zh) | 基于2d卷积神经网络的肺结节检测方法 | |
CN104933288A (zh) | 用于对医学图像中的解剖元素进行可视化的设备和方法 | |
Saunders et al. | Simulation of mammographic lesions | |
Maleki et al. | Generalizability of machine learning models: Quantitative evaluation of three methodological pitfalls | |
US7873196B2 (en) | Medical imaging visibility index system and method for cancer lesions | |
Pezeshk et al. | Seamless insertion of pulmonary nodules in chest CT images | |
CN106575435A (zh) | 用于估计复合材料零件的3d图像的质量指标的方法和设备 | |
US20230057933A1 (en) | Storage medium, diagnosis support apparatus and diagnosis support method | |
Schmarje et al. | 2D and 3D segmentation of uncertain local collagen fiber orientations in SHG microscopy | |
CN110520866A (zh) | 用于对感兴趣对象的成分进行建模的设备和方法 | |
Feng et al. | X‐ray scatter correction in breast tomosynthesis with a precomputed scatter map library | |
Lau et al. | Towards visual-search model observers for mass detection in breast tomosynthesis | |
Robins et al. | Techniques for virtual lung nodule insertion: volumetric and morphometric comparison of projection-based and image-based methods for quantitative CT | |
Niazi et al. | Nuclear IHC enumeration: A digital phantom to evaluate the performance of automated algorithms in digital pathology | |
Barufaldi et al. | Computer simulations of case difficulty in digital breast tomosynthesis using virtual clinical trials | |
Norman et al. | Quantitative topographic anatomy of the femoral ACL footprint: a micro-CT analysis | |
Ikejimba et al. | A quantitative metrology for performance characterization of five breast tomosynthesis systems based on an anthropomorphic phantom | |
US11158062B2 (en) | Automated implant movement analysis systems and related methods | |
EP3214562A2 (de) | Bestimmen einer bildserie abhängig von einer signaturmenge | |
Lee et al. | Communities found by users--Not algorithms: Comparing human and algorithmically generated communities | |
Feng et al. | Objective models of compressed breast shapes undergoing mammography | |
Dogukan et al. | Comparison of monitor-image and printout-image methods in Ki-67 scoring of gastroenteropancreatic neuroendocrine tumors | |
CN100543774C (zh) | 用于结肠壁提取的系统和方法 |
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 |