CN110678934A - 医学图像中的病变的定量方面 - Google Patents
医学图像中的病变的定量方面 Download PDFInfo
- Publication number
- CN110678934A CN110678934A CN201880035004.XA CN201880035004A CN110678934A CN 110678934 A CN110678934 A CN 110678934A CN 201880035004 A CN201880035004 A CN 201880035004A CN 110678934 A CN110678934 A CN 110678934A
- Authority
- CN
- China
- Prior art keywords
- score
- segmented
- voxels
- lesion
- spicing
- 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.)
- Pending
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 101
- 238000011002 quantification Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 20
- 230000002146 bilateral effect Effects 0.000 claims description 18
- 238000002059 diagnostic imaging Methods 0.000 claims description 10
- 238000002591 computed tomography Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000002604 ultrasonography Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 206010028980 Neoplasm Diseases 0.000 description 11
- 238000009826 distribution Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 239000004576 sand Substances 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Abstract
一种系统(100)包括分割器(130)和定量工具(140)。所述分割器在医学图像(104)中分割病变(102)。所述定量工具(140)根据参数集合来对经分割的病变的方面进行定量，其中，经定量的方面包括毛刺化、异质性、血管化或其组合。
Description
技术领域
下文总体上涉及医学图像中的异常生长或病变的可定量方面(例如，计算机断层摄影(CT)、磁共振(MR)、超声(US)等)，并且更具体地涉及对病变的成像方面(例如，毛刺化、异质性和/或血管化)进行定量。
背景技术
病变(例如，肺结节或肿瘤)是体内的一种物质，其在医学图像中的存在指示疾病(例如，癌症)。常规地，能够定性地描述病变的方面，例如，毛刺化和/或血管化。
病变的定性方面通常用相对程度(例如，高度或较差，非常或很少等)来描述。毛刺化病变是表面有毛刺或点状物的组织，它提示可能有恶性肿瘤但不能诊断为恶性肿瘤。
高血管化病变或低血管化病变是指肿瘤的血液供应程度。血液能够为肿瘤提供营养，这是肿瘤生长和/或运输(例如，转移)的考虑因素。
在许多类型的癌症中都注意到肿瘤组织的(例如密度的)异质性或不均匀性。常规实践是通过计算的熵来测量肿瘤的异质性，熵是组织发病的唯一度量。
发明内容
本文描述的方面解决了上述问题和其他问题。
下面描述了用于对医学图像中存在的病变的方面(例如，毛刺化、血管化、异质性及其组合)进行定量的系统和方法的实施例。经定量的方面使用经分割的病变的计算的测量结果，该测量结果具有能够包括个体评分的结果或者具有更大的粒度、特征向量。所计算的测量结果包括参数，该参数能够被改变以精确识别医学图像中的病变的特征。在一些情况下，参数灵活性和计算高效性提供了使用经定量的方面来确定诊断值或预测值的特征的有效研究工具。
在一个方面中，一种系统包括分割器和定量工具。所述分割器在医学图像中分割病变。所述定量工具根据参数集合来对经分割的病变的方面进行定量，其中，经定量的方面包括毛刺化、异质性、血管化，以及其组合。
在另一方面中，一种方法包括：在医学图像中分割病变；并且根据参数集合来对经分割的病变的方面进行定量，其中，经定量的方面包括毛刺化、异质性、血管化，以及其组合。
在另一方面中，一种承载指令的非瞬态计算机可读存储介质控制一个或多个处理器以执行以下操作：在医学图像中分割病变；并且根据参数集合来对经分割的病变的方面进行定量，其中，经定量的方面包括毛刺化、异质性、血管化，以及其组合。
参考下文描述的(一个或多个)实施例，本发明的这些方面和其他方面将是明显的并且得到阐明。
附图说明
本发明可以采用各种部件和各种部件的布置，以及各个步骤和各个步骤的安排的形式。附图仅出于图示优选实施例的目的，并且不应被解释为对本发明的限制。
图1示意性地图示了用于对医学图像中的病变的方面进行定量的系统的实施例。
图2图示了具有用于对毛刺化进行定量的片块的、显示的分割病变的示例。
图3图示了非毛刺化片块评分和毛刺化片块评分的示例。
图4图示了两个不同的模拟分割病变的双边迭代滤波的曲线图的示例。
图5图示了两个不同的模拟分割病变的双边迭代滤波的曲线图的示例。
图6图示了具有内部尺寸轮廓和外部尺寸轮廓的示例性分割病变轮廓。
图7图示了针对具有三个不同血管化的模拟病变的联合熵的示例性直方图。
图8用流程图图示了用于对医学图像中的病变的方面进行定量的方法的实施例。
图9用流程图图示了用于对医学图像中的病变的毛刺化进行定量的方法的实施例。
图10用流程图图示了用于对医学图像中的病变的异质性进行定量的方法的实施例。
图11用流程图图示了用于对医学图像中的病变的血管化进行定量的方法的实施例。
具体实施方式
参考图1，示意性地图示了用于对医学图像104中的病变102的方面进行定量的系统100的实施例。
医学图像104由医学成像设备106(例如，CT扫描器、MR扫描器、US设备等)生成。医学图像104表示患者(未示出)的解剖结构的部分，包括一个或多个病变102。能够在扫描患者之后直接从医学成像设备106接收所生成的医学图像104，也可以从存储子系统108(例如，图片存档与通信系统(PACS)、放射科信息系统(RIS)、电子病历(EMR)、医院信息系统(HIS)等接收所生成的医学图像104。医学图像104能够是二维(2D)、三维(3D)的图像切片、视频帧、其组合等。
医学图像104由计算设备110(例如，医学成像设备106的控制台、工作站、服务器、膝上型计算机、平板电脑、身体穿戴式计算设备、智能电话、分布式计算设备、其组合等)接收。计算设备110经由网络112被通信地连接到医学成像设备106和/或存储子系统108，网络112能够是公共的或私有的，有线的或无线的，数据的或蜂窝的，其组合等。
分割器130分割医学图像104中的病变102。分割病变能够由2D轮廓线或3D表面(例如，网格)来表示。分割器130使用已知的技术来分割病变102，例如，聚类、边缘检测、区域生长、图形分割、分界线、基于模型等。能够响应于接收到医学图像130而调用分割器130，或者响应于来自输入设备132的输入来手动调用分割器130，该输入识别在显示设备134上的医学图像104的显示中的病变102的至少部分。
定量器工具140对分割病变102的方面进行定量，包括单个评分或值的结果142和/或使用参数集合Pi(其中，i≥2)计算的特征向量集合。结果142能够被显示在显示设备134上并且/或者能够被存储在非瞬态计算机存储器144中。在一些情况下，结果142提供对定性测量和/或单个评分的常规实践的进一步研究。定量器工具140包括毛刺化定量器150、异质性定量器152或血管化定量器154中的至少一个。
定量器工具140能够响应于病变102的分割完成而被调用，或者能够利用来自输入设备132的输入而被手动调用。同样，能够类似地调用毛刺化定量器150、异质性定量器152和/或血管化定量器154。毛刺化定量器150、异质性定量器152和/或血管化定量器154能够被独立调用或以不同的组合进行调用。例如，系统或用户参数能够用于自动调用毛刺化定量器150、异质性定量器152和/或血管化定量器154中的每个。该系统或用户参数能够包括医学图像104的元数据中的基础，例如，DICOM标头中的解剖结构。例如，利用在DICOM标头中包括肺解剖结构的医学图像104，在病变102的分割完成时自动调用毛刺化定量器150和血管化定量器154，而对于大于阈值体积或面积的病变102则手动调用或调用异质性定量器152。
用户接口160配置显示器并接收来自系统的输入设备132的输入或用户参数，定量器150、152、154中每个的参数，医学图像104的显示，(一个或多个)结果142，用于手动分割的输入，用于调用定量器工具或个体定量器的输入等。输入设备132由键盘、鼠标、麦克风等来适当实施。显示设备134由计算机显示器、智能电话显示器、投影仪、身体穿戴式显示器等来适当实施。
能够基于协议、用户偏好、手动选择或其组合来选择调用毛刺化定量器150、异质性定量器152和/或血管化定量器154中的哪个和/或显示(一个或多个)对应的结果142中的哪个。例如，针对为正在接受放射治疗的患者评价对已知肿瘤的处置的成像协议，接收医学图像104。基于针对已知肿瘤的协议来自动调用异质性定量器152和血管化定量器154，以定量医学图像104中的已知肿瘤的异质性和血管化。响应于在医学图像104中观察到毛刺化，手动调用毛刺化工具150。根据协议来显示异质性定量器152和血管化定量器154的结果。根据针对所显示的毛刺化结果设置最小阈值的用户偏好来显示毛刺化工具150的结果。
计算设备110或控制台能够是医学成像扫描器106的部分，与医学成像扫描器106组合或与医学成像扫描器106分离。计算设备110包括一个或多个经配置的处理器162，例如，数字处理器、微处理器、电子处理器、光学处理器、多处理器、包括对等、并行或协同操作处理器的处理器分布、处理器的客户端-服务器布置等。该布置能够包括网络112，网络112能够包括总线结构或其他内部或本地通信结构。
计算设备110包括处理器162和存储器144。存储器144由经配置的电子存储介质(例如，本地磁盘、云存储设备、服务器存储设备、远程存储设备等)来适当实施，经配置的电子存储介质由经配置的处理器162来访问。经配置的电子存储介质能够包括系统文件结构、关系数据库系统结构和/或面向对象的数据库系统结构、数据结构等。
分割器130、定量器工具140、毛刺化定量器150、异质性定量器152、血管化定量器154以及用户接口160由处理器162来适当实施，被配置为接收和分割医学图像104，接收参数输入，对分割病变102的方面进行定量，并且显示和/或存储结果142。
经配置的处理器162运行至少一个被存储在计算机可读存储介质144(例如，光盘、磁盘、具有经配置的处理器的计算设备的半导体存储器，不包括瞬态介质并且包括物理存储器和/或其他非瞬态介质)中的计算机可读指令以执行所公开的技术。经配置的处理器还可以运行由载波、信号或其他瞬态介质承载的一个或多个计算机可读指令。图中表示的部件之间的线表示通信路径。
参考图2，图示了具有用于对毛刺化进行定量的片块210的、显示的分割病变200(例如，肺结节)的示例。轮廓线212图示了分割病变200的2D分割边界。
片块210具有直线形形状并且包括参数化尺寸Px和Py，例如，Px＝3个像素并且Py＝5个像素。片块210沿着轮廓线212或分割边界等距分布，其中，片块210的中心线或平面与轮廓线212相切。对于每个毛刺化测量，片块210的参数化尺寸214是固定的。也就是说，使用例如针对每个片块210相同的一个尺寸集合对病变的毛刺化进行定量。尺寸214能够被表示为像素或体素的数量，或者诸如毫米(mm)之类的距离。
毛刺化评分Sl,m或结果142被计算为针对片块Pm中的平行于切线的每条体素线的、对应体素与拟合线Ll,m之间的差异大于阈值的体素的数量。也就是说，针对每条X线对体素进行采样。将线Ll,m拟合到经采样的体素，并且将根据拟合线的预测值与实际值之间的残差值与阈值进行比较，并且将残差值大于阈值的那些体素进行计数以用于线毛刺化评分Sl,m，其中，l是线，并且m是片块。片块评分Sm被计算为针对该片块的线评分的总和，并且病变毛刺化评分或结果是片块210的毛刺化评分的总和。
因此，毛刺化参数包括片块尺寸和阈值。毛刺化结果能够被表示为单个值或特征向量。例如，二维中的病变A的向量能够用特征向量(A，Px，Py，T，S)来表示，并且/或者每个片块M的水平处的更细的粒度水平能够用向量(A，M，Px，Px，T，S)来表示，或者片块中的每条线L的水平处的更细水平能够用向量(A，M，Px，Py，T，S)来表示。在一些实施例中，拟合线能够包括低阶多项式H，其被包括在向量中。
在一些情况下，向量提供的数据能够比常规的定性指标更为精确灵活地识别出毛刺化病变的特性，从而允许进一步深入研究毛刺化和诊断指示的方面。向量能够被存储在计算机存储器144(例如，数据库)中。向量具有优于常规实践的优点，能够更准确地比较患者群体间的毛刺化。
参考图3，其为针对3个像素×8个像素的片块Pm的非毛刺化片块评分300和毛刺化片块评分310的示例。阴影像素320指示零或空的毛刺化评分，例如小于阈值T，并且非阴影像素或白色像素330指示为1的毛刺化评分。所图示的片块评分300、310针对每个像素集合来识别对应于每条拟合线350而评分的对应的像素340。
如毛刺化片块评分310中所示，尖状物将其呈现为从拟合线的尖锐偏离，其中，尖状物的长度越长(例如与更多条拟合线相交)，体素评分就越高。在一些实施例中，体素值被限制或预先筛选到固定范围，这样就移除了因实质背景、肋骨，钙化等引起的噪声。例如，在肺的CT图像中，将针对片块210的在[-700，0]亨氏单位(HU)之间的范围之外的体素值重置为该范围的对应端点，例如，-700至0。
非毛刺化片块评分300包括所有阴影体素，这是因为没有体素的对应体素与对应拟合线之间的差异超过阈值T，因此评分为零。毛刺化片块评分310包括8个超过阈值T的像素，并且以白色指示8的评分。
参考图4，图示了对两个不同的模拟的经分割的病变402、404进行双边迭代滤波的曲线图400的示例。这两个不同的模拟的经分割的病变402、404均包括具有四个不同灰度值的相同数量的像素。这四个不同灰度值的空间分布是不同的，但是针对两个不同的模拟的经分割的病变402、404中的每个，信息熵近似相同。在第一模拟的经分割的病变402中，四个不同灰度值被分布到形成饼状的切片的四个单独区域中。在第二模拟的经分割的病变404中，四个不同灰度值被均匀分布在模拟的病变上。
异质性定量器152将双边滤波器迭代地应用于两个不同的模拟的经分割的病变402、404，并且在每次迭代412之后都计算经滤波的熵410。也就是说，使用针对经滤波的熵410的对应的模拟的经分割的病变402、404中的经双边滤波的体素来计算信息熵。在本领域中众所周知的双边滤波器包括对坐标差异进行平滑化的空间内核Ks和对强度差异进行平滑化的动态内核或范围内核Kd。
第一曲线420标绘了在使用应用于第一模拟的经分割的病变402的内核Ks、Kd的双边滤波器的每次迭代412之后沿着垂直轴的经滤波的熵410。第二曲线422标绘了在使用应用于第二模拟的经分割的病变404的相同内核Ks、Kd的双边滤波器的每次迭代412之后的经滤波的熵410。
异质性定量器152将针对两个不同的模拟的经分割的病变402、404中的每个的异质性评分或结果142计算为对应曲线420、422下的面积。因此，病变A的异质性评分H能够利用(A，Ks，Kd，H)被表示为特征向量，其中，H是使用内核Ks和Kd而迭代应用的双边平滑曲线下的面积。在一些实施例中，异质性评分H能够在更细的粒度水平下被表示为迭代I处的熵值。例如，曲线420、422均能够用(A，Ks，Kd，Ei，I)的集合来表示，其中，Ei是经双边滤波的体素的第I次迭代的熵值，并且I是经双边滤波的体素的第I次迭代。
如利用第一曲线420和第二曲线422所图示的那样，曲线是不同的，并且在对应曲线下的面积也是不同的。第一曲线420比第二曲线422更缓慢地减小。异质性评分是被表示为曲线下的面积的单个值，或者是由定量说明对应的经分割的病变内灰度体素的空间分布的曲线上的各个点表示的向量集合。
参考图5，图示了对两个不同的模拟的经分割的病变402、404的双边迭代滤波的曲线图的示例，其中，针对这两个不同的模拟的经分割的病变402、404中的每个，具有不同的内核Kx s和Ky d。每幅曲线图都包括经滤波的熵410的垂直轴和迭代次数412的水平轴。第一曲线图500对应于第一经分割的病变402，并且每幅曲线图对应于内核Kx s和Ky d的对(x，y)。针对相同的内核对Kx s和Ky d中的每个，第二曲线图502包括使用应用于第二经分割的病变404的双边滤波器的相同的内核Kx s和Ky d的对(x，y)的曲线。
针对不同的内核，第一曲线图500中的曲线不同，并且针对相同的内核对，第一曲线图500与第二曲线图502之间也不同。每幅曲线图内的曲线以及曲线图之间的曲线的变化说明了异质性评分对在不同粒度水平下应用的经分割的病变的异质性的方面进行定量的灵活性。异质性评分能够用向量(A，Kx s，Ky d，H)来表示，甚至在更细的粒度水平下能够用(A，Kx s，Ky d，Ei，I)来表示。
用于对经分割的病变102的方面进行定量的不同向量相比于根据选定的向量对不同病变的方面进行定量区分的其他方法具有优势。例如，研究能够利用对应于向量(A，Kx s，Ky d，Ei，I)的更好的异质性诊断指标来检查病变，该向量可能与指示其他诊断病变组织密度空间分布较小(例如具有不同的空间和/或密度分布)的不同迭代下的经双边滤波的体素的不同内核或熵的其他向量不同。
在一些实施例中，将双边滤波器扩展到多边滤波器。多边滤波器将n个距离内核Kg(n)添加到双边内核，其中，每个距离内核都会根据来自谱通道(例如来自CT多能量或谱图像值)的体素距离来对体素进行平滑化。示例性向量包括(A，Kx s，Ky d，Kg(1)，…，Kg(n)，H)。
参考图6，图示了具有经分割的轮廓600、内部尺寸轮廓602和外部尺寸轮廓604的示例性病变102。分割器130对2D中的经分割的轮廓600C或3D中的经分割的表面进行分割。内部尺寸轮廓602Ci x是轮廓C内部的轮廓x距离。外部尺寸轮廓604Co y是轮廓C外部的轮廓y距离。在一些实施例中，距离x和y的幅值是相同的。在一些实施例中，这两个幅值是不同的。
血管化定量器154对与经分割的轮廓600正交的线上的体素对xi，yi(i＝1至n)进行采样，并且xi是经分割的轮廓600内部的点x距离，并且yi是经分割的轮廓600外部的点y距离。血管化定量器154计算在不同距离x，y处的采样对的联合熵。
能够根据本领域众所周知的互信息测量来确定联合熵H(X，Y)，例如：
其中，p(x)是X的边缘概率分布，p(y)是Y的边缘概率分布，并且p(x,y)是X和Y的联合概率分布。联合熵根据血管结构而增加，其继续穿过病变102的边缘。也就是说，关于体素X和Y的信息与关于X和Y中的一个的信息的互信息测量降低了关于X和Y中的另一个的不确定性。在一些情况下，联合熵能对与血管大小、病变大小、背景大小和/或对比度外观无关的广泛的病变范围上的信息进行定量。
参考图7，图示了具有三个不同血管化的模拟的经分割的病变的联合熵的示例性直方图。第一图像700图示了模拟的高度血管化的经分割的病变，并且对应于根据到经分割的轮廓706C的距离的联合熵值704的第一直方图702。第二图像710图示了模拟的中度血管化的经分割的病变，并且对应于第二直方图712。第三图像720图示了模拟的血管化不良的经分割的病变，并且对应于第三直方图722。垂直轴是联合熵704，并且水平轴是到C706的距离。
血管化定量器154将针对联合熵的结果154计算为对应曲线702、712、722下的面积M。针对血管化的向量能够被表示为(A，M)、病变A的血管化M的单个值，或在更细粒度下用(A，X，Y，Jx，y)来表示，其包括向量集合，并且J是距离x，y处的联合熵。在一些实施例中，向量集合或联合熵直方图下的面积包括针对x和/或y的最大距离。
在一些情况下，经定量的血管化为研究(例如，放射学)提供了一种研究手段，它很灵活并且能够在病变和不同患者人群之间进行比较。在一些情况下，对计算结果142的计算方面包括出于效率目的的并行性，例如并行计算不同距离处的联合熵。
参考图8，用流程图图示了用于对医学图像104中的病变102的方面进行定量的实施例。在800处，经配置的处理器162接收医学图像104。能够直接从医学成像设备106接收所生成的医学图像104，或者能够从存储子系统108接收由医学成像设备106先前生成的医学图像104。医学图像104能够是2D的或3D的，例如为切片、帧或体积。
在810处，经配置的处理器162分割病变102。经分割的病变包括边界，例如，2D中的轮廓线、3D中的网格等。能够利用本领域中已知的分割算法来执行分割。
在820处，经配置的处理器162能够接收用于对经分割的病变的方面进行定量的参数。该参数能够包括用于对毛刺化进行定量的针对片块210的阈值T和尺寸214。该参数能够包括用于对异质性进行定量的停止参数和内核参数。该参数能够包括用于对血管化进行定量的内部距离602和外部距离604或最大距离和增量距离。这些参数能够包括用于对毛刺化、异质性、血管化及其组合进行定量的粒度水平或向量格式的指标。
在830处，经配置的处理器162使用接收到的参数对经分割的病变的至少一个方面(例如，毛刺化、异质性、血管化及其组合)进行定量。返回结果142，其能够包括单个结果或特征向量集合。在一些实施例中，处理器162的配置包括诸如在经配置的处理器162的指令中包括的参数，并且经配置的处理器162对经分割的病变的至少一个方面进行定量。
在840处，经配置的处理器162显示和/或存储结果142。结果142能够被显示在显示设备134上。结果142能够被存储在计算机存储器144、存储子系统108或其他非瞬态计算机存储器中。
参考图9，用流程图图示了用于对医学图像中的病变的毛刺化进行定量的方法的实施例。在900处，经配置的处理器162根据接收到的片块尺寸214的参数以及每个片块的与经分割的边界212相切的中心线或平面而沿着经分割的边界212等距地生成片块210。片块210之间的距离能够是片块尺寸214的函数，即是y的函数，例如为y/2。片块210能够是2D的或3D的。补块210的形状是直线形的，例如，2D中的矩形，3D中的长方体等。
在910处，经配置的处理器162在平行于经分割的边界212的切线的对应片块中的一条线上对体素值进行采样。也就是说，针对对应片块中的每条线对体素值进行采样，或者在3D中对平面中的体素进行采样。例如，在针对一个片块中的一条线，对CT图像中的灰度或HU值进行采样，并且这条线平行于针对经分割的边界212的切线。
在920处，经配置的处理器162将线350拟合到经采样的体素值340。拟合线350能够包括直线或低阶多项式。例如，通过使用最小二乘回归，经配置的处理器162将直线拟合到沿着该片块的采样线所采样的体素。
在930处，经配置的处理器162计算毛刺化评分的结果142，其针对与拟合线350的差异超过预定阈值T的每个体素值对毛刺化评分加一。也就是说，将来自拟合线的残差值(例如来自最小二乘回归的残差值)与阈值进行比较，并且超过阈值的残差值的数量的计数确定了针对经采样的体素值的线或平面的毛刺化评分。
在940处，经配置的处理器162针对片块210中的每条线或每个平面重复动作910-930。能够针对片块210中的每条线或每个平面并行执行动作910-930。
在950处，经配置的处理器162针对每个片块210重复动作910-940。能够针对每个片块210并行执行动作910-940。
在960处，经配置的处理器162针对片块尺寸214和阈值T累积毛刺化评分。也就是说，毛刺化评分是针对每个片块的每条采样线的毛刺化评分的总和。在一些实施例中，可以将毛刺化评分替代地表示为在采样线的粒度水平或片块水平下的特征向量集合。
在970处，经配置的处理器162针对片块尺寸214和阈值T的每个集合重复动作910-960。能够并行执行用于计算毛刺化评分的动作910-960。
在980处，经配置的处理器162针对片块尺寸214和阈值T的每个集合返回毛刺化评分。能够将毛刺化评分返回为单个值或向量集合。
参考图10，用流程图图示了用于对医学图像中病变的异质性进行定量的方法的实施例。在1000处，经配置的处理器162利用双边滤波器对经分割的病变内的体素进行滤波。在一些实施例中，将双边滤波器扩展到例如具有谱图像的多边滤波器，并且每个额外的内核对应于谱信道，即，不同的能量谱。
在1010处，经配置的处理器162计算针对经滤波的体素的熵。
在1020处，经配置的处理器162根据停止标准来迭代地重复动作1000-1010。停止标准能够包括固定数量的迭代或连续熵值之间的阈值差异，在该阈值差异以下就不迭代地执行动作。能够将迭代次数或阈值作为参数进行接收。
在1030处，经配置的处理器162根据所计算的值来累积异质性评分。异质性评分能够包括单个结果，例如，被拟合到根据迭代所计算的熵评分的曲线下的面积。异质性评分能够包括向量集合，其表示根据迭代的熵评分。
在1040处，经配置的处理器162能够针对不同的内核或停止标准执行动作1000-1030。能够针对每个不同的内核和/或停止标准并行执行动作1000-1030。
在1050处，经配置的处理器162返回异质性评分。异质性评分能够包括单个结果或向量集合。
图11用流程图图示了用于对医学图像中的病变的血管化进行定量的方法的实施例。在1100处，经配置的处理器162对病变102的经分割的轮廓600的内部和外部的体素对(r，s)进行采样。根据距离经分割的轮廓600的内部距离602x和外部距离y604来选择体素对(r，s)。在一些实施例中，x和y是相同的。沿着与经分割的轮廓600正交的线来选择体素对(r，s)。
在1110处，经配置的处理器162针对体素对(r，s)计算联合熵704。
在1120处，经配置的处理器162能够针对不同的距离x，y执行动作1110-1120。能够针对每个不同的距离并行执行动作1000-1030。
在1130处，经配置的处理器162返回血管化评分。血管化评分能够包括单个结果，例如，所计算的联合熵直方图702、712、722的直方图下的面积，或者表示各个联合熵的向量集合。
以上操作可以以计算机可读指令的方式实施，该计算机可读指令被编码或嵌入在计算机可读存储介质上，该计算机可读指令当由(一个或多个)计算机处理器运行时令(一个或多个)处理器执行所描述的动作。额外地或替代地，计算机可读指令中的至少一个由信号、载波或其他瞬态介质来承载。
已经参考优选实施例描述了本发明。他人在阅读和理解前面的具体描述的情况下可以想到修改和替代。本文旨在将本发明解释为包括所有这样的修改和替代，只要它们落入权利要求书及其等价方案的范围内。词语“包括”并不排除其他元件或步骤，并且词语“一”或“一个”并不排除多个。
Claims (22)
1.一种系统(100)，包括：
分割器(130)，其被配置为在医学图像(104)中分割病变(102)；以及
定量工具(140)，其被配置为根据参数集合来对经分割的病变的方面进行定量，其中，经定量的方面包括选自包括以下各项的组中的至少一项：毛刺化、异质性，以及血管化。
2.根据权利要求1所述的系统，其中，所述经定量的方面是基于选自包括以下各项的组中的至少一项来选择的：协议、用户偏好，以及手动选择。
3.根据权利要求1所述的系统，其中，所述定量工具包括毛刺化定量器(150)，所述毛刺化定量器被配置为：
生成直线形片块(210)，所述直线形片块沿着所述经分割的病变的经分割的轮廓(212)等距间隔开且正交于所述经分割的病变的所述经分割的轮廓，其中，所述片块的中心线与所述经分割的轮廓相切；并且
根据沿着每个片块内的平行于所述经分割的轮廓的切线的每条线采样的、与对应的拟合线的差异为预定阈值的多个体素来计算毛刺化评分。
4.根据权利要求3所述的系统，其中，所述毛刺化定量器还被配置为返回结果，所述结果包括选自包括以下各项的组中的至少一项：
包括针对每个片块的每条线的毛刺化评分的总和的毛刺化评分；
包括具有所述片块的尺寸的向量集合的毛刺化评分；
包括具有所述片块的尺寸的向量集合的毛刺化评分和个体片块毛刺化评分；以及
包括具有所述片块的尺寸的向量集合的毛刺化评分和个体片块的个体线毛刺化评分。
5.根据权利要求1所述的系统，其中，所述定量工具包括异质性定量器(152)，所述异质性定量器被配置为：
使用选自双侧滤波器和多侧滤波器的组中的至少一个来对所述经分割的病变内的体素进行迭代的滤波；并且
利用每次迭代来计算针对经滤波的体素的熵。
6.根据权利要求5所述的系统，其中，所述异质性定量器还被配置为返回结果，所述结果包括选自包括以下各项的组中的至少一项：
包括由根据所述迭代计算的所述经滤波的体素的熵的曲线定义的面积的异质性评分；以及
包括具有所计算的所述经滤波的体素和所述迭代的熵的向量集合的异质性评分。
7.根据权利要求1所述的系统，其中，所述定量工具包括血管化定量器(154)，所述血管化定量器被配置为：
对距离经分割的轮廓(600)的内部距离(602)和外部距离(604)处的体素对进行采样，其中，经采样的体素对沿着与所述经分割的轮廓正交的线；并且
根据所述经采样的体素对来计算联合熵(704)。
8.根据权利要求7所述的系统，其中，所述血管化定量器还被配置为返回结果，所述结果包括选自包括以下各项的组中的至少一项：
包括所计算的不同距离处的联合熵的直方图下的面积的血管化评分；以及
包括具有所计算的所述距离的联合熵的向量集合的血管化评分。
9.根据权利要求1所述的系统，其中，所述医学图像是由医学成像设备(106)生成的，所述医学成像设备包括选自包括计算机断层摄影(CT)、磁共振(MR)和超声(US)的组中的至少一种模态。
10.一种方法，包括：
在医学图像(104)中分割(810)病变(102)；并且
根据参数集合来对经分割的病变的方面进行定量(830)，其中，经定量的方面包括选自包括以下各项的组中的至少一项：毛刺化、异质性，以及血管化。
11.根据权利要求10所述的方法，其中，所述经定量的方面是基于选自包括以下各项的组中的至少一项来选择的：协议、用户偏好，以及手动选择。
12.根据权利要求10所述的方法，其中，定量包括：
生成直线形片块(210)，所述直线形片块沿着所述经分割的病变的经分割的轮廓(212)等距间隔开且正交于所述经分割的病变的所述经分割的轮廓，其中，所述片块的中心线与所述经分割的轮廓相切；并且
根据沿着每个片块内的平行于所述经分割的轮廓的切线的每条线采样的、与对应的拟合线的差异为预定阈值的多个体素来计算毛刺化评分。
13.根据权利要求12所述的方法，还包括：
返回(980)结果，所述结果包括选自包括以下各项的组中的至少一项：
包括针对每个片块的每条线的毛刺化评分的总和的毛刺化评分；
包括具有所述片块的尺寸的向量集合的毛刺化评分；
包括具有所述片块的尺寸的向量集合的毛刺化评分和个体片块毛刺化评分；以及
包括具有所述片块的尺寸的向量集合的毛刺化评分和个体片块的个体线毛刺化评分。
14.根据权利要求10所述的方法，其中，定量包括：
使用选自双侧滤波器和多侧滤波器的组中的至少一个来对所述经分割的病变内的体素进行迭代的滤波(1000)；并且
利用每次迭代来计算(1010)针对经滤波的体素的熵。
15.根据权利要求10所述的方法，还包括：
返回(1050)结果，所述结果包括选自包括以下各项的组中的至少一项：
包括由根据所述迭代计算的所述经滤波的体素的熵的线定义的面积的异质性评分；以及
包括具有所计算的所述经滤波的体素和所述迭代的熵的向量集合的异质性评分。
16.根据权利要求10所述的方法，其中，定量包括：
对距离经分割的轮廓(600)的内部距离(602)和外部距离(604)处的体素对进行采样，其中，经采样的体素对沿着与所述经分割的轮廓正交的线；并且
根据所述经采样的体素对来计算联合熵(704)。
17.根据权利要求16所述的方法，还包括：
返回(1130)结果，所述结果包括选自包括以下各项的组中的至少一项：
包括所计算的不同距离处的联合熵的直方图下的面积的血管化评分；以及
包括具有所计算的所述距离的联合熵的向量集合的血管化评分。
18.一种承载指令的非瞬态计算机可读存储介质(144)，所述指令控制一个或多个处理器(162)以执行以下操作：
在医学图像(104)中分割(810)病变(102)；并且
根据参数集合来对经分割的病变的方面进行定量(830)，其中，经定量的方面包括选自包括以下各项的组中的至少一项：毛刺化、异质性，以及血管化。
19.根据权利要求18所述的非瞬态计算机可读存储介质，其中，所述一个或多个处理器还被控制为：
生成直线形片块(210)，所述直线形片块沿着所述经分割的病变的经分割的轮廓(212)等距间隔开且正交于所述经分割的病变的所述经分割的轮廓，其中，所述片块的中心线与所述经分割的轮廓相切；并且
根据沿着每个片块内的平行于所述经分割的轮廓的切线的每条线采样的、与对应的拟合线的差异为预定阈值的多个体素来计算毛刺化评分。
20.根据权利要求18所述的非瞬态计算机可读存储介质，其中，所述一个或多个处理器还被控制为：
使用选自双侧滤波器和多侧滤波器的组中的至少一个来对所述经分割的病变内的体素进行迭代的滤波；并且
利用每次迭代来计算针对经滤波的体素的熵。
21.根据权利要求18所述的非瞬态计算机可读存储介质，其中，一个或多个处理器还被控制为：
对距离经分割的轮廓(600)的内部距离(602)和外部距离(604)处的体素对进行采样，其中，经采样的体素对沿着与所述经分割的轮廓正交的线；并且
根据所述经采样的体素对来计算联合熵(704)。
22.根据权利要求18所述的非瞬态计算机可读存储介质，其中，一个或多个处理器还被控制为：
返回针对所述经定量的方面的结果(142)，所述结果包括向量集合。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762514046P | 2017-06-02 | 2017-06-02 | |
| US62/514,046 | 2017-06-02 | ||
| PCT/EP2018/063806 WO2018219818A1 (en) | 2017-06-02 | 2018-05-25 | Quantified aspects of lesions in medical images |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110678934A true CN110678934A (zh) | 2020-01-10 |
Family
ID=62555037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880035004.XA Pending CN110678934A (zh) | 2017-06-02 | 2018-05-25 | 医学图像中的病变的定量方面 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20200175674A1 (zh) |
| EP (1) | EP3631806A1 (zh) |
| JP (1) | JP7278224B2 (zh) |
| CN (1) | CN110678934A (zh) |
| WO (1) | WO2018219818A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114469342A (zh) * | 2022-01-17 | 2022-05-13 | 四川大学华西医院 | 肿瘤切缘边距场的定义方法、建立系统及应用 |
| CN117036376A (zh) * | 2023-10-10 | 2023-11-10 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
| CN117640932A (zh) * | 2024-01-25 | 2024-03-01 | 陕西通达伟业医疗供应链管理有限公司 | 用于远程医疗的神经内科图像压缩传输方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102526434B1 (ko) * | 2021-07-13 | 2023-04-26 | 경희대학교 산학협력단 | 병변 진단 장치 및 그 방법 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5799100A (en) * | 1996-06-03 | 1998-08-25 | University Of South Florida | Computer-assisted method and apparatus for analysis of x-ray images using wavelet transforms |
| JP2004222864A (ja) * | 2003-01-21 | 2004-08-12 | Mitsubishi Research Institute Inc | 診断支援システム、診断支援方法及び診断支援プログラム |
| US20060177125A1 (en) * | 2005-02-08 | 2006-08-10 | Regents Of The University Of Michigan | Computerized detection of breast cancer on digital tomosynthesis mammograms |
| RU2305494C1 (ru) * | 2006-05-23 | 2007-09-10 | ФГУ "МНИОИ им. П.А. Герцена Росздрава" | Способ ультразвуковой оценки эффективности консервативной противоопухолевой терапии |
| CN101234026A (zh) * | 2008-03-07 | 2008-08-06 | 李立 | 一种乳腺病变定量化影像评价系统及其应用方法 |
| US20120177280A1 (en) * | 2009-07-13 | 2012-07-12 | H. Lee Moffitt Cancer Center & Research Institute, Inc. | Methods and apparatus for diagnosis and/or prognosis of cancer |
| US20150356730A1 (en) * | 2013-01-18 | 2015-12-10 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Quantitative predictors of tumor severity |
| WO2016142492A1 (en) * | 2015-03-10 | 2016-09-15 | Koninklijke Philips N.V. | Retrieval of corresponding structures in pairs of medical images |
| CA3182538A1 (en) * | 2015-06-11 | 2016-12-15 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Systems and methods for finding regions of interest in hematoxylin and eosin (h&e) stained tissue images and quantifying intratumor cellular spatial heterogeneity in multiplexed/hyperplexed fluorescence tissue images |
| US20170046498A1 (en) * | 2010-11-19 | 2017-02-16 | D.R. Systems, Inc. | Annotation and assessment of images |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5003979A (en) * | 1989-02-21 | 1991-04-02 | University Of Virginia | System and method for the noninvasive identification and display of breast lesions and the like |
| US5984870A (en) * | 1997-07-25 | 1999-11-16 | Arch Development Corporation | Method and system for the automated analysis of lesions in ultrasound images |
| JP2005516643A (ja) * | 2001-09-17 | 2005-06-09 | ヴァーチャルスコピックス リミテッド ライアビリティ カンパニー | 癌および癌の時間変化を定量的に評価するためのシステムおよび方法 |
| US20080107321A1 (en) * | 2006-11-02 | 2008-05-08 | Fujifilm Corporation | Spiculation detection method and apparatus for CAD |
| US8150192B2 (en) * | 2006-11-27 | 2012-04-03 | Merge Cad Inc. | System and method for feature score mapping and visualization of medical images |
| EP1947606A1 (en) * | 2007-01-16 | 2008-07-23 | National University Corporation Kobe University | Medical image processing apparatus and medical image processing method |
| US8175351B2 (en) * | 2008-09-16 | 2012-05-08 | Icad, Inc. | Computer-aided detection and classification of suspicious masses in breast imagery |
| EP2831813B1 (en) * | 2012-03-28 | 2019-11-06 | University of Houston System | Methods and software for screening and diagnosing skin lesions and plant diseases |
| ES2639559T3 (es) * | 2012-12-28 | 2017-10-27 | Ventana Medical Systems, Inc. | Análisis de imágenes para el pronóstico de cáncer de mama |
| EP2958494B1 (en) * | 2013-02-21 | 2022-12-21 | Koninklijke Philips N.V. | Structure propagation restoration for spectral ct |
| US10176408B2 (en) * | 2015-08-14 | 2019-01-08 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
-
2018
- 2018-05-25 JP JP2019565012A patent/JP7278224B2/ja active Active
- 2018-05-25 EP EP18729607.4A patent/EP3631806A1/en active Pending
- 2018-05-25 WO PCT/EP2018/063806 patent/WO2018219818A1/en active Application Filing
- 2018-05-25 CN CN201880035004.XA patent/CN110678934A/zh active Pending
- 2018-05-25 US US16/616,125 patent/US20200175674A1/en active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5799100A (en) * | 1996-06-03 | 1998-08-25 | University Of South Florida | Computer-assisted method and apparatus for analysis of x-ray images using wavelet transforms |
| JP2004222864A (ja) * | 2003-01-21 | 2004-08-12 | Mitsubishi Research Institute Inc | 診断支援システム、診断支援方法及び診断支援プログラム |
| US20060177125A1 (en) * | 2005-02-08 | 2006-08-10 | Regents Of The University Of Michigan | Computerized detection of breast cancer on digital tomosynthesis mammograms |
| RU2305494C1 (ru) * | 2006-05-23 | 2007-09-10 | ФГУ "МНИОИ им. П.А. Герцена Росздрава" | Способ ультразвуковой оценки эффективности консервативной противоопухолевой терапии |
| CN101234026A (zh) * | 2008-03-07 | 2008-08-06 | 李立 | 一种乳腺病变定量化影像评价系统及其应用方法 |
| US20120177280A1 (en) * | 2009-07-13 | 2012-07-12 | H. Lee Moffitt Cancer Center & Research Institute, Inc. | Methods and apparatus for diagnosis and/or prognosis of cancer |
| US20170046498A1 (en) * | 2010-11-19 | 2017-02-16 | D.R. Systems, Inc. | Annotation and assessment of images |
| US20150356730A1 (en) * | 2013-01-18 | 2015-12-10 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Quantitative predictors of tumor severity |
| WO2016142492A1 (en) * | 2015-03-10 | 2016-09-15 | Koninklijke Philips N.V. | Retrieval of corresponding structures in pairs of medical images |
| CA3182538A1 (en) * | 2015-06-11 | 2016-12-15 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Systems and methods for finding regions of interest in hematoxylin and eosin (h&e) stained tissue images and quantifying intratumor cellular spatial heterogeneity in multiplexed/hyperplexed fluorescence tissue images |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114469342A (zh) * | 2022-01-17 | 2022-05-13 | 四川大学华西医院 | 肿瘤切缘边距场的定义方法、建立系统及应用 |
| CN117036376A (zh) * | 2023-10-10 | 2023-11-10 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
| CN117036376B (zh) * | 2023-10-10 | 2024-01-30 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
| CN117640932A (zh) * | 2024-01-25 | 2024-03-01 | 陕西通达伟业医疗供应链管理有限公司 | 用于远程医疗的神经内科图像压缩传输方法 |
| CN117640932B (zh) * | 2024-01-25 | 2024-04-26 | 陕西通达伟业医疗供应链管理有限公司 | 用于远程医疗的神经内科图像压缩传输方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200175674A1 (en) | 2020-06-04 |
| JP7278224B2 (ja) | 2023-05-19 |
| EP3631806A1 (en) | 2020-04-08 |
| JP2020521549A (ja) | 2020-07-27 |
| WO2018219818A1 (en) | 2018-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11508059B2 (en) | Methods and systems for detecting a centerline of a vessel | |
| US9092691B1 (en) | System for computing quantitative biomarkers of texture features in tomographic images | |
| Shen et al. | An automated lung segmentation approach using bidirectional chain codes to improve nodule detection accuracy | |
| Punithavathy et al. | Analysis of statistical texture features for automatic lung cancer detection in PET/CT images | |
| EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
| Abdolali et al. | Automatic segmentation of maxillofacial cysts in cone beam CT images | |
| Abd-Elaziz et al. | Liver tumors segmentation from abdominal CT images using region growing and morphological processing | |
| JP7278224B2 (ja) | 医用画像の病変の定量化される態様 | |
| Göçeri | Fully automated liver segmentation using Sobolev gradient‐based level set evolution | |
| Giannini et al. | A fully automatic algorithm for segmentation of the breasts in DCE-MR images | |
| Caballo et al. | An unsupervised automatic segmentation algorithm for breast tissue classification of dedicated breast computed tomography images | |
| US10376230B2 (en) | Obtaining breast density measurements and classifications | |
| Gupta et al. | Automatic segmentation of cerebrospinal fluid, white and gray matter in unenhanced computed tomography images | |
| Shi et al. | Many is better than one: an integration of multiple simple strategies for accurate lung segmentation in CT images | |
| Wei et al. | Automated lung segmentation and image quality assessment for clinical 3-D/4-D-computed tomography | |
| Vivanti et al. | Automatic lung tumor segmentation with leaks removal in follow-up CT studies | |
| Jas et al. | A heuristic approach to automated nipple detection in digital mammograms | |
| Hoogi et al. | A fully-automated pipeline for detection and segmentation of liver lesions and pathological lymph nodes | |
| Iqbal et al. | Potential lung nodules identification for characterization by variable multistep threshold and shape indices from CT images | |
| Wang et al. | Automated lung segmentation in digital chest tomosynthesis | |
| Chen et al. | Snake model-based lymphoma segmentation for sequential CT images | |
| US20080285822A1 (en) | Automated Stool Removal Method For Medical Imaging | |
| Dhalia Sweetlin et al. | Patient-Specific Model Based Segmentation of Lung Computed Tomographic Images. | |
| Myint et al. | Effective kidney segmentation using gradient based approach in abdominal CT images | |
| CN109564685B (zh) | 鲁棒的肺叶分割 |
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 |