CN111164643A - 用于肿瘤检测的减法算法 - Google Patents

用于肿瘤检测的减法算法 Download PDF

Info

Publication number
CN111164643A
CN111164643A CN201880051919.XA CN201880051919A CN111164643A CN 111164643 A CN111164643 A CN 111164643A CN 201880051919 A CN201880051919 A CN 201880051919A CN 111164643 A CN111164643 A CN 111164643A
Authority
CN
China
Prior art keywords
array
density
arrays
offset
differential
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
Application number
CN201880051919.XA
Other languages
English (en)
Inventor
R·萨曼尼戈
L·G·哈奇尔
T·T·特兰
J·L·托米奇
B·D·安德森
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.)
Raytheon Co
Original Assignee
Raytheon Co
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 Raytheon Co filed Critical Raytheon Co
Publication of CN111164643A publication Critical patent/CN111164643A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • 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
    • 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
    • G06T7/40—Analysis of texture
    • 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
    • A61B6/48—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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • 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
    • G06T2207/10076—4D tomography; Time-sequential 3D tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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

Landscapes

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

Abstract

本发明提供一种用于检测肿瘤的系统和方法。在注射造影剂之前和/或之后，通过穿透性辐射对患者进行三维扫描。原始密度阵列由扫描形成。计算器官内的中值密度，并从原始密度阵列中的每一个中减去中值密度以形成偏移阵列。将偏移阵列成对地减去，然后将差值相加以形成鉴别器阵列。

Description

用于肿瘤检测的减法算法
相关申请的交叉引用
本申请要求于2017年8月14日提交的第62/545,410号名称为“SUBTRACTIONALGORITHM FOR DETECTION OF TUMORS”的美国临时专利申请和于2018年8月13日提交的第16/102,449号名称为“SUBTRACTION ALGORITHM FOR DETECTION OF TUMORS”的美国专利申请的优先权和利益，所述申请的整体内容在此并入本文作为参考。
本申请涉及于2017年4月17日提交的第15/489,652号名称为“SYSTEM AND METHODFOR COMBINING 3D IMAGES IN COLOR”的美国专利申请，其全部内容在此并入本文作为参考。
技术领域
根据本发明的实施例的一个或多个方面涉及用于检测肿瘤的系统和方法，并且更具体地，涉及一种用于以计算机轴向断层扫描数据检测肿瘤的算法。
背景技术
可以使用计算机轴向断层扫描来获取患者内部器官的图像，并且这种图像可以显示患者中诸如肿瘤的异常指示。然而，这些指示可能会有细微差异，从而导致存在诊断异常或者错误地推断出正常器官中存在异常的风险。
因此，需要一种改进的检测肿瘤的系统和方法。
发明内容
本发明实施例的各方面涉及一种用于检测肿瘤的系统和方法。在注射造影剂之前和/或之后通过穿透性辐射对患者进行三维扫描。原始密度阵列由扫描形成。计算器官内的中值密度，并从原始密度阵列中的每一个中减去这些中值密度以形成偏移阵列。将偏移阵列成对地减去，然后将差值相加以形成鉴别器阵列。
根据本发明的实施例，提供了一种用于检测肿瘤的方法，所述方法包括以下步骤：在多个原始密度阵列的每一个中确定各个原始密度阵列的区域内的各个中值，多个原始密度阵列中的每一个都是具有多个阵列元素的三维阵列，原始密度阵列中的每一个与相应的时间点相关联，原始密度阵列中的每一个的每一个元素表示患者在各个时间点的一部分的密度；形成多个偏移密度阵列，每一个偏移密度阵列对应于原始密度阵列中相应的一个，偏移密度阵列的形成包括从原始密度阵列中的每一个中减去各自的中值；形成第一差分阵列，第一差分阵列的形成包括从第一偏移密度阵列中减去第二偏移密度阵列，所述第二偏移密度阵列与比所述第一偏移密度阵列更晚的时间点相关联；形成第二差分阵列，第二差分阵列的形成包括从第三偏移密度阵列中减去第四偏移密度阵列，所述第四偏移密度阵列与比第三偏移密度阵列更晚的时间点相关联；和形成鉴别器阵列，鉴别器阵列的形成包括将第一差分阵列和第二差分阵列相加。
在一个实施例中，所述方法包括：接收多个密度阵列，多个密度阵列中的每一个都是表示患者体内的射线检测密度的密度值的阵列。
在一个实施例中，所述鉴别器阵列的形成步骤还包括在第一差分阵列和第二差分阵列中的每一中用零替换小于零的任何值。
在一个实施例中，第一偏移密度阵列与第三偏移密度阵列相同。
在一个实施例中，所述方法包括：形成多个差分阵列，所述多个差分阵列包括第一差分阵列和第二差分阵列并且包括用于每对偏移密度阵列的差分阵列，差分阵列中的每一个都通过从较早偏移密度阵列中减去较晚偏移密度阵列而形成，较晚偏移密度阵列与比较早偏移密度阵列更晚的时间点相关联。
在一个实施例中，所述方法包括最早原始密度阵列和三个较晚原始密度阵列，所述最早原始密度阵列与最早时间点相关联，所述三个较晚原始密度阵列中的每一个都与比最早时间点更晚的时间点相关联，与三个较晚原始密度阵列相关联的三个相应的时间点相隔大约30秒。
在一个实施例中，所述方法包括：对患者执行第一计算机轴向断层扫描，以获得多个原始密度阵列中的第一原始密度阵列；向患者注射造影剂；和在将造影剂注入患者体内后大约30秒后，对患者执行第二计算机轴向断层扫描，以获得多个原始密度阵列的第二原始密度阵列。
在一个实施例中，对象为患者，并且所述区域对应于患者的器官。
在一个实施例中，所述形成鉴别器阵列的步骤还包括将与不在器官中的体素相对应的每个元素设置为零。
在一个实施例中，所述方法包括：在显示器上显示鉴别器阵列的二维视图。
在一个实施例中，所述形成鉴别器阵列的步骤还包括将鉴别器阵列的每个元素都设置为零，其中：通过从多个偏移密度阵列的最早偏移密度阵列中减去多个偏移密度阵列的第二早偏移密度阵列形成的差分阵列的对应元素小于或等于零；以及第二早偏移密度阵列的对应元素小于0，其中，最早偏移密度阵列由多个原始密度阵列中的与所述时间点中的最早时间点相关联的原始密度阵列形成，第二早偏移密度阵列由多个原始密度阵列中的与所述时间点中的第二早时间点相关联的原始密度阵列形成。
在一个实施例中，所述形成鉴别器阵列的步骤还包括将用于原始密度阵列中的任一个的鉴别器阵列的每个元素都设置为零，对应元素具有大于上限阈值或者小于下限阈值的值。
根据本发明的实施例提供一种用于检测肿瘤的系统，所述系统包括：扫描仪，所述扫描仪用于通过穿透性辐射扫描对象并测量穿透性辐射穿过患者的透射率；处理电路；和显示器，所述处理电路被配置为：在多个原始密度阵列中的每一个中确定各个原始密度阵列的区域内的各个中值，多个原始密度阵列中的每一个都是具有多个阵列元素的三维阵列，密度阵列中的每一个都与一个时间点相关联，原始密度阵列中的每一个的每个元素表示各个时间点上的患者的一部分的密度；形成多个偏移密度阵列，每个偏移密度阵列对应于原始密度阵列中的相应的一个，所述偏移密度阵列的形成包括从原始密度阵列中的每一个中减去各自的中值；形成第一差分阵列，所述第一差分阵列的形成包括从第一偏移密度阵列中减去第二偏移密度阵列，第二偏移密度阵列与比第一偏移密度阵列更晚的时间点相关联；形成第二差分阵列，所述第二差分阵列的形成包括从第三偏移密度阵列中减去第四偏移密度阵列，第四偏移密度阵列与比第三偏移密度阵列更晚的时间点相关联；和形成鉴别器阵列，所述鉴别器阵列的形成包括将第一差分阵列和第二差分阵列相加。
在一个实施例中，所述鉴别器阵列的形成还包括：在第一差分阵列和第二差分阵列中的每一个中用零替换小于零的任何值。
在一个实施例中，第一偏移密度阵列与第三偏移密度阵列相同。
在一个实施例中，所述系统包括第一差分阵列和第二差分阵列，并且包括用于每对偏移密度阵列的差分阵列，差分阵列中的每一个都通过从较早偏移密度阵列中减去较晚偏移密度阵列而形成，较晚偏移密度阵列与比较早偏移密度阵列更晚的时间点相关联。
在一个实施例中，所述系统包括最早原始密度阵列和三个较晚原始密度阵列，所述最早原始密度阵列与最早时间点相关联，三个较晚原始密度阵列与比最早时间点更晚的时间点相关联，与三个较晚原始密度阵列相关联的三个相应的时间点相隔大约30秒。
在一个实施例中，对象为患者，并且所述区域对应于患者的器官。
在一个实施例中，所述鉴别器阵列的形成还包括将与不在器官中的体素相对应的每个元素都设置为零。
在一个实施例中，所述鉴别器阵列的形成还包括将鉴别器阵列的每个元素都设置为零，其中：通过从多个偏移密度阵列的最早偏移密度阵列中减去多个偏移密度阵列的第二早偏移密度阵列形成的差分阵列的对应元素小于或等于零；以及第二早偏移密度阵列的对应元素小于0，其中，最早偏移密度阵列由多个原始密度阵列中的与所述时间点中的最早时间点相关联的原始密度阵列形成，第二早偏移密度阵列由多个原始密度阵列中的与所述时间点中的第二早时间点相关联的原始密度阵列形成。
附图说明
结合附图说明了特征、方面和实施例，在附图中：
图1是根据本发明实施例的用于检测肿瘤的系统；
图2是根据本发明实施例的用于检测肿瘤的方法的流程图；
图3A是示出根据本发明实施例的布置成矩阵的成对差异的等式；
图3B是示出根据本发明实施例的布置成矩阵的成对差异的等式；
图4A是根据本发明实施例的密度与时间的函数图；以及
图4B是根据本发明实施例的密度与时间的函数图。
具体实施方式
下面结合附图阐述的详细说明旨在作为对根据本发明提供的用于检测肿瘤的系统和方法的示例性实施例的说明，而并非旨在呈现本发明可以被构成或被使用的唯一形式。该说明结合所示出的实施例阐述了本发明的特征。然而，应当理解，相同或等同的功能和结构可以通过不同的实施例来实现，这些不同的实施例也意图被包含在本发明的精神和保护范围内。如本文其它地方所说明，相同的附图标记旨在表示相同的元件或特征。
计算机轴向断层扫描(CAT或CT)的程序为利用来自辐射源的穿透性(例如，X射线)辐射从多个方向照射对象(例如，患者)，并且在每种情况下通过检测器形成透过辐射的原始扫描图像，以形成多个原始扫描图像，每个原始扫描图像可以被表示为二维阵列。在不同种类的物质中，辐射可能会以不同的速率衰减，因此，每个图像中的每个点都可以根据辐射从辐射源移动到检测器所沿的路径上的物质成分的衰减速率与透过的辐射强度相对应。可以由原始扫描图像的组合形成对象的“密度”或“射线检测密度”的三维模型，其中本文针对CAT扫描所使用的“密度”是指穿透辐射的局部衰减速率。密度可以例如以霍恩斯菲尔德单位表示。尽管在本发明中在人类患者的CAT扫描的背景下讨论了示例，但是本发明不限于此，并且在一些实施例中，提供三维密度数据的其它种类的扫描，例如磁共振成像扫描、或者正电子发射断层扫描或者人类患者以外的其它对象的扫描，可以以类似的方式处理。在其它实施例中，例如，使用另一种扫描方法，该方法生成在三个维度上被空间记录到子体素水平的扫描。在其它类型的扫描的情况下可以相应地定义密度；在正电子发射断层扫描的情况中，例如，密度可以是因β加发射而衰减的核密度。本文所使用的术语“对象”包括可以被扫描的任何事物，并且包括但不限于人类患者、动物、植物、无生命对象及其组合。
当正在被扫描的对象是人类患者(或其它活体)时，可以使用造影剂(例如，注射到患者体内或由患者摄取)以选择性地改变一些组织的密度。造影剂可以例如包括相对不透明(即，对于穿透辐射相对不透明)的物质。因此，包含造影剂的组织的密度可以增加，并且其可以增加到一定程度，该程度取决于组织中造影剂的浓度。图1示出根据一个实施例的用于执行扫描和处理以及显示结果的系统的框图。所述系统包括扫描仪110、处理电路115(在下面进一步详细说明)、用于以电影形式显示图像或图像序列的显示器120、以及诸如键盘或鼠标的一个或多个输入装置125，操作员(例如，放射科医生)可以使用所述输入装置来操作系统以及设置影响待显示图像的处理的参数。应当注意，处理电路115、显示器120和输入装置125可以是单个系统的一部分或者可以是分布式系统，例如，处理电路115是单独的并且以通信方式连接到显示器120和输入装置125。在一些实施例中，服务器存储图像，并且客户端请求存储的图像，其中在服务器上或在客户端或者两者上执行图像处理。
可以执行多个扫描并一起进行分析。例如，可以在注射造影剂之前执行第一扫描，并且可以在注射造影剂之后的不同时间(例如，以规则的间隔，例如30秒的间隔)随着造影剂浓度的改变进行多次后续扫描。造影剂浓度初始增加时的速率、达到峰值浓度时的速率、以及造影剂浓度随后减少时的速率都取决于组织的类型。
在一些实施例中，可以采用各种方法由CAT扫描数据生成图像，以帮助将CAT扫描用作诊断工具。图2中示出并且将在下面进一步详细讨论的一系列步骤或“动作”例如可以用于增强正常组织和癌组织(即，恶性肿瘤)之间的外观差异。用于患者肝脏的过程在图2中和下面列表1的示例代码中显示。在其它实施例中，可以使用类似的方法来识别其它器官中的癌组织。
列表1显示用于生成鉴别器阵列的MATLABTM代码，所述鉴别器阵列可以用于检测肿瘤，即确定患者是否存在肿瘤。列表1的代码接收变量a1、a2、a3和a4作为输入，每个变量都包含“原始密度阵列”(例如，第一原始密度阵列、第二原始密度阵列、第三原始密度阵列和第四原始密度阵列)。每个原始密度阵列的每个元素代表患者体内与该元素的坐标相对应的物理位置处的小体积或“体素”中的组织密度。
这些(三维)原始密度阵列可以例如使用反卷积方法从(二维)原始扫描图像中生成(然后在动作205(图2)中被接收)，以推断正在被扫描的对象(例如，患者)的三维密度。第一变量a1可以包括来自在将造影剂注射到患者体内之前执行的扫描的数据，并且其余三个文件可以包括来自在将造影剂注射到患者体内之后以间隔(例如，30秒的间隔)执行的扫描的数据。然而，应当理解也可以使用其它时间间隔或者不同数量的图像。
在动作210中计算原始密度阵列中的每一个内与患者肝脏相对应的体素上的中值，并且在动作215中从各自的原始密度阵列中减去中值。例如，可以通过列表1的第3-9行的代码来实现此动作。在列表1中，liver_mask是识别患者肝脏内的体素的掩码。肝脏掩码是原始密度阵列的线性表示中的元素位置的列表。变量a1、a2、a3和a4代表(如上所述)原始密度阵列，而a1m、a2m、a3m和a4m是通过减去各自的中值获得的“偏移密度阵列”，如列表1所示。原始密度阵列中的每一个和偏移密度阵列中的每一个都与一个时间点相关联，在该时间点执行扫描，该扫描产生原始密度阵列或偏移密度阵列。这样，在任何一对原始密度阵列内，由在比可以被称为“较晚”原始密度阵列的其它时间更早的时间执行的扫描产生一个“较早”原始密度阵列。这样，在本文所使用的诸如“最早”、“第二早”、“较早”和“较晚”的形容词用于限定原始密度阵列或偏移密度阵列时，是指执行产生各个阵列的扫描的时间。
在动作220中，(在列表1的第18-25行中被实现)，差分阵列(difference array)通过从彼此成对的阵列中减去偏移密度阵列而形成。形成每个可能的差分阵列，从而对于四个扫描(并且因此对于四个偏移密度阵列)形成六个差分阵列(即，四个选择两个或者4！/(2！2！)差分阵列)。这些差分阵列作为执行列表1的第20-25行的结果被存储在六个变量s12、s13、s14、s23、s24和s34中。每个差分阵列都是从较早偏移密度阵列(即，从较早执行的扫描所得到的偏移密度阵列)减去较晚偏移密度阵列(即，从较晚执行的扫描所得到的偏移密度阵列)的结果。在一些实施例中，使用多于或少于四个的扫描。在这种情况下，可以计算多于或少于六个的差分阵列；如果计算所有可能的成对差分，则如果使用n次扫描，差分阵列的数量可以为n选择2(即，n！/(n！2！))。
从概念上讲，与六个差分阵列中的每一个阵列中的体素相对应的六个元素可以被认为与图3A(对于肿瘤组织)和图3B(对于正常组织)中所示的反对称矩阵(或者“斜对称”矩阵)示例的下三角形部分相对应。在图3A中，每个T(i)是来自如上所述的四个扫描的序列的第i次扫描的偏移密度阵列的一个体素的值，其中所述体素在肿瘤组织内。在图3B中，每个N(i)是来自如上所述的四个扫描的序列的第i次扫描的偏移密度阵列的一个体素的值，其中所述体素在正常组织内。如本文所用，正方形矩阵的“下三角形部分”是指对角线以下的元素。通过从第j次扫描的值中减去第i次扫描的值来计算坐标(i，j)处的每个非对角元素，其中所述值可以是来自偏移密度阵列中与两个扫描相对应的相同位置的两个体素(如图3A和图3B所示)，或者是整个原始密度阵列(如列表1的第20-25行的代码的情况所示)。图3A的矩阵由于舍入误差而在数值上不是精确斜对称的。
图4A和图4B以图形方式示出相似的结果，每个结果都是霍恩斯菲尔德单位的密度作为时间的函数的曲线图。原始扫描数据在图4A中示出，而图4B中示出偏移数据(即，减去肝脏的中值后的密度)。在主要由正常组织组成的肝脏中，中值密度可以与正常组织的密度相对应；因此，减去中值(其结果在图4B中示出)对于正常组织来说偏移数据的变化很小，而对于肿瘤组织来说，偏移数据中的变化与原始数据中的变化相比可能更明显。
然后在动作225中可以将下限(floor)设置为零；在差分阵列中的每一个(每个差分阵列包括与诸如图3A或图3B中的下三角形部分的矩阵的下三角形部分的元素中的一个相对应的元素)，小于零的元素可以被替换为零。在动作230中，差分阵列(在将下限设置为零之后)被求和。在列表1的第34行执行该求和(第34行以“imgData＝”开始，以“...”结束)。所述和可以是肿瘤指标或者鉴别器阵列，即，结果通常对于肿瘤组织内的体素采用相对较高的值，而对于正常组织中的体素采用相对较低的值。
可以采取进一步的步骤来提高鉴别器产生突出显示肿瘤组织的图像的能力，同时减少产生错误警报的可能性，即突出显示正常组织的可能性。例如，如第11-16行和第35行中所示，数据掩码阵列(列表1中的data_mask)可以被形成并乘以鉴别器阵列(例如，列表1中的第35行中)，其中如果原始密度阵列中的任一个的对应元素具有超过上限阈值或者小于下限阈值的值，则每个元素具有(i)为零的值以及(ii)除该值之外的值。可以将上限阈值和下限阈值设置为与感兴趣的器官的预期密度范围相对应，并且此方法可以用于识别不属于感兴趣器官的部分的体素。例如，如果由于肝脏的掩码(列表1中的liver_mask)的定义错误，则在肝脏掩码所定义的区域中存在一些骨骼，并且如果骨骼具有明显高于肝脏组织的密度，则原始密度阵列可以具有超过与包含骨骼的体素相对应的元素中的上限阈值，并且数据掩码阵列的相应元素可以被设置为零，从而导致鉴别器阵列的相应元素被设置为零。
图案掩码(列表1中的pattern_mask)可以进一步用于将具有指示错误警报的可能性的特征的元素设置为零。列表1显示第29行的这种特征的测试。当通过从最早偏移密度阵列中减去第二早偏移密度阵列而形成的差分阵列的对应元素具有小于或等于零的值且第二早偏移密度阵列的相应元素具有小于零的值时，图案掩码的每个元素(i)设置为零，并且(ii)设置为除此之外的一个值。列表1的第35行中使用该图案掩码，以将鉴别器阵列中图案掩码为零的每个元素设置为零。
鉴别器阵列可以被显示给操作员(例如，放射医生)，然后操作员可以确定患者体内是否表现出存在肿瘤。鉴别器阵列可以被显示为移动显示，该移动显示模拟在操作员前方正在旋转的患者，其中患者的图像是部分透明的，并且鉴别器被显示为例如三色(例如，红色、绿色、蓝色)显示中的一种颜色(例如，红色)的强度。列表2的代码(调用列表3中定义的ordfilt3函数)生成这种移动显示的示例。在其它实施例中，鉴别器阵列(三维阵列)可以被显示为二维切片的序列。在示例性实施例中，列表4的代码(也调用列表3中定义的ordfilt3函数)生成这种切片的阵列。
列表1
Figure BDA0002381518690000111
Figure BDA0002381518690000121
列表2
Figure BDA0002381518690000122
Figure BDA0002381518690000131
Figure BDA0002381518690000141
Figure BDA0002381518690000151
Figure BDA0002381518690000161
Figure BDA0002381518690000171
Figure BDA0002381518690000181
列表3
Figure BDA0002381518690000182
列表4
Figure BDA0002381518690000183
Figure BDA0002381518690000191
Figure BDA0002381518690000201
Figure BDA0002381518690000211
本文中使用术语“处理电路”以包括用于处理数据或数字信号的硬件、固件和软件的任何组合。处理电路硬件可以包括例如专用集成电路(ASIC)、通用或专用中央处理单元(CPU)、数字信号处理器(DSP)、图形处理单元(GPU)以及诸如现场可编程门阵列(FPGA)的可编程逻辑装置。在本文所使用的处理电路中，每个功能都通过被配置为执行该功能的硬件(即，硬连线)或者通过被配置为执行存储在永久性存储介质中的指令的更通用的硬件(例如，CPU)来执行。处理电路可以被制造在单个印刷线路板(PWB)上或者分布在多个互连的PWB上。处理电路可以包含其它处理电路；例如，处理电路可以包括在PWB上互连的两个处理电路，FPGA和CPU。处理电路可以包括多个处理单元，所述多个处理单元在地理上分开并且例如通过诸如互联网的网络连接。
尽管本文已经具体描述和说明了用于检测肿瘤的系统和方法的有限实施例，但是多种修改和变化对于本领域技术人员将是显而易见的。因此，应当理解，除了本文具体说明的以外，根据本发明原理采用的用于检测肿瘤的系统和方法也可以被实施。本发明也由以下权利要求及其等效形式限定。

Claims (20)

1.一种用于检测肿瘤的方法，所述方法包括以下步骤：
在多个原始密度阵列中的每一个中确定各个原始密度阵列的邻域内的各个中值，所述多个原始密度阵列中的每一个都是具有多个阵列元素的三维阵列，所述原始密度阵列中的每一个与相应的时间点相关联，所述原始密度阵列中的每一个的每一个元素代表患者在各个时间点的一部分的密度；
形成多个偏移密度阵列，每一个偏移密度阵列对应于所述原始密度阵列中相应的一个，所述偏移密度阵列的形成包括从所述原始密度阵列中的每一个减去各自的中值；
形成第一差分阵列，所述第一差分阵列的形成包括从第一偏移密度阵列中减去第二偏移密度阵列，所述第二偏移密度阵列与比所述第一偏移密度阵列更晚的时间点相关联；
形成第二差分阵列，所述第二差分阵列的形成包括从第三偏移密度阵列中减去第四偏移密度阵列，所述第四偏移密度阵列与比所述第三偏移密度阵列更晚的时间点相关联；和
形成鉴别器阵列，所述鉴别器阵列的形成包括将所述第一差分阵列和所述第二差分阵列相加。
2.根据权利要求1所述的方法，还包括：
接收所述多个密度阵列，所述多个密度阵列中的每一个都是表示患者的射线检测密度的密度值的阵列。
3.根据权利要求1所述的方法，其中，所述鉴别器阵列的形成步骤还包括在所述第一差分阵列和所述第二差分阵列中的每一个中用零替换小于零的任何值。
4.根据权利要求1所述的方法，其中，所述第一偏移密度阵列与所述第三偏移密度阵列相同。
5.根据权利要求1所述的方法，还包括：
形成多个差分阵列，所述多个差分阵列包括所述第一差分阵列和所述第二差分阵列并且包括用于每对偏移密度阵列的差分阵列，所述差分阵列中的每一个都通过从较早偏移密度阵列中减去较晚偏移密度阵列而形成，所述较晚偏移密度阵列与比所述较早偏移密度阵列更晚的时间点相关联。
6.根据权利要求1所述的方法，其中，所述多个原始密度阵列由四个原始密度阵列组成，包括最早原始密度阵列和三个较晚原始密度阵列，所述最早原始密度阵列与最早时间点相关联，所述三个较晚原始密度阵列中的每一个都与比所述最早时间点更晚的时间点相关联，与所述三个较晚原始密度阵列相关联的相应的三个时间点相隔约30秒。
7.根据权利要求1所述的方法，还包括：
对患者执行第一计算机轴向断层扫描，以获得所述多个原始密度阵列中的第一原始密度阵列；
将造影剂注射到患者体内；和
在将所述造影剂注入所述患者体内后大约30秒后，对所述患者执行第二计算机轴向断层扫描，以获得所述多个原始密度阵列中的第二原始密度阵列。
8.根据权利要求1所述的方法，其中，所述对象为患者，并且所述区域对应于所述患者的器官。
9.根据权利要求8所述的方法，其中，所述形成所述鉴别器阵列的步骤还包括将与不在所述器官中的体素相对应的每个元素设置为零。
10.根据权利要求1所述的方法，还包括：
在显示器上显示所述鉴别器阵列的二维视图。
11.根据权利要求1所述的方法，其中，所述形成所述鉴别器阵列的步骤还包括将所述鉴别器阵列的每个元素都设置为零，其中：
通过从所述多个偏移密度阵列的最早偏移密度阵列中减去所述多个偏移密度阵列的第二早偏移密度阵列形成的差分阵列的对应元素小于或等于零；以及
所述第二早偏移密度阵列的对应元素小于0，
其中，所述最早偏移密度阵列由所述多个原始密度阵列中的与所述时间点中的最早一个时间点相关联的原始密度阵列形成，所述第二早偏移密度阵列由所述多个原始密度阵列中的与所述时间点中的第二早时间点相关联的原始密度阵列形成。
12.根据权利要求1所述的方法，其中，所述形成所述鉴别器阵列的步骤还包括：
将用于任何原始密度阵列的鉴别器阵列的每个元素都设置为零，其中对应元素具有大于上限阈值或者小于下限阈值的值。
13.一种用于检测肿瘤的系统，所述系统包括：
扫描仪，所述扫描仪用于通过穿透性辐射扫描对象并测量穿透性辐射穿过患者的透射率；
处理电路；和
显示器，
所述处理电路被配置为：
在多个原始密度阵列的每一个中确定各个原始密度阵列的区域内的各个中值，所述多个原始密度阵列中的每一个为具有多个阵列元素的三维阵列，所述密度阵列中的每一个与一个时间点相关联，所述原始密度阵列中的每一个的每个元素表示各个时间点的患者的一部分的密度；
形成多个偏移密度阵列，每个偏移密度阵列对应于所述原始密度阵列中的相应的一个，所述偏移密度阵列的形成包括从所述原始密度阵列中的每一个中减去各自的中值；
形成第一差分阵列，所述第一差分阵列的形成包括从第一偏移密度阵列中减去第二偏移密度阵列，所述第二偏移密度阵列与比所述第一偏移密度阵列更晚的时间点相关联；
形成第二差分阵列，所述第二差分阵列的形成包括从第三偏移密度阵列中减去第四偏移密度阵列，所述第四偏移密度阵列与比所述第三偏移密度阵列更晚的时间点相关联；以及
形成鉴别器阵列，所述鉴别器阵列的形成包括将所述第一差分阵列和所述第二差分阵列相加。
14.根据权利要求13所述的系统，其中，所述鉴别器阵列的形成还包括在所述第一差分阵列和所述第二差分阵列的每一个中用零替换小于零的任何值。
15.根据权利要求13所述的系统，其中，所述第一偏移密度阵列与所述第三偏移密度阵列相同。
16.根据权利要求13所述的系统，其中，所述处理电路还被配置为形成多个差分阵列，所述多个差分阵列包括所述第一差分阵列和所述第二差分阵列，并且包括用于每对偏移密度阵列的差分阵列，所述差分阵列中的每一个都通过从较早偏移密度阵列中减去较晚偏移密度阵列形成，所述较晚偏移密度阵列与比所述较早偏移密度阵列更晚的时间点相关联。
17.根据权利要求13所述的系统，其中，所述多个原始密度阵列由四个原始密度阵列组成，包括最早原始密度阵列和三个较晚原始密度阵列，所述最早原始密度阵列与最早时间点相关联，所述三个较晚原始密度阵列中的每一个与比所述最早时间点更晚的时间点相关联，与所述三个较晚原始密度阵列相关联的三个相应的时间点相隔大约30秒。
18.根据权利要求13所述的系统，其中，所述对象为患者，并且所述区域对应于所述患者的器官。
19.根据权利要求18所述的系统，其中，所述鉴别器阵列的形成还包括将与不在所述器官中的体素相对应的每个元素都设置为零。
20.根据权利要求13所述的方法，其中，所述鉴别器阵列的形成还包括将所述鉴别器阵列的每个元素都设置为零，其中：
通过从所述多个偏移密度阵列的最早偏移密度阵列中减去所述多个偏移密度阵列的第二早偏移密度阵列形成的差分阵列的对应元素小于或等于零；以及
所述第二早偏移密度阵列的对应元素小于0，
其中，所述最早偏移密度阵列由所述多个原始密度阵列中的与所述时间点中的最早时间点相关联的原始密度阵列形成，所述第二早偏移密度阵列由所述多个原始密度阵列中的与所述时间点中的第二早时间点相关联的原始密度阵列形成。
CN201880051919.XA 2017-08-14 2018-08-13 用于肿瘤检测的减法算法 Pending CN111164643A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762545410P 2017-08-14 2017-08-14
US62/545,410 2017-08-14
PCT/US2018/046564 WO2019036388A1 (en) 2017-08-14 2018-08-13 ALGORITHM OF SUBTRACTION FOR DETECTION OF TUMORS

Publications (1)

Publication Number Publication Date
CN111164643A true CN111164643A (zh) 2020-05-15

Family

ID=65275286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880051919.XA Pending CN111164643A (zh) 2017-08-14 2018-08-13 用于肿瘤检测的减法算法

Country Status (8)

Country Link
US (1) US10706539B2 (zh)
EP (1) EP3669325B1 (zh)
JP (1) JP7019028B2 (zh)
KR (1) KR102356230B1 (zh)
CN (1) CN111164643A (zh)
CA (1) CA3065957A1 (zh)
IL (1) IL272029A (zh)
WO (1) WO2019036388A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11210554B2 (en) 2019-03-21 2021-12-28 Illumina, Inc. Artificial intelligence-based generation of sequencing metadata
US11475558B2 (en) 2019-11-13 2022-10-18 Raytheon Company Organ isolation in scan data
US11282209B2 (en) 2020-01-10 2022-03-22 Raytheon Company System and method for generating contours
US11893745B2 (en) 2020-12-09 2024-02-06 Raytheon Company System and method for generating and displaying contours
US11562512B2 (en) 2020-12-09 2023-01-24 Raytheon Company System and method for generating and displaying contours

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050232474A1 (en) * 2004-04-15 2005-10-20 Guo-Qing Wei Spatial-temporal lesion detection, segmentation, and diagnostic information extraction system and method
JP2007006392A (ja) * 2005-06-27 2007-01-11 Konica Minolta Business Technologies Inc 画像処理装置、画像処理方法および画像処理プログラム
DE102010041619A1 (de) * 2010-09-29 2012-03-29 Friedrich-Alexander-Universität Erlangen-Nürnberg Verfahren und Röntgensystem zur Summation von DSA-Serienbildern
CN102708291A (zh) * 2012-05-11 2012-10-03 伍建林 一种基于肺mri动态增强扫描的定量分析方法
CN102770752A (zh) * 2009-11-25 2012-11-07 登塔尔图像科技公司 用于在ct投影图像序列中跟踪x射线标志的方法
US20150196265A1 (en) * 2014-01-15 2015-07-16 Alara Systems, Inc Converting low-dose to higher dose mammographic images through machine-learning processes
CN105431089A (zh) * 2013-07-17 2016-03-23 肝病定量分析有限责任公司 根据肝脏扫描确定肝功能的系统和方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2060407C (en) * 1991-03-22 1998-10-27 Jack M. Sacks Minimum difference processor
WO2000065995A1 (fr) * 1999-04-30 2000-11-09 Hitachi Medical Corporation Procede d'imagerie par resonance magnetique et dispositif connexe
US20040102905A1 (en) * 2001-03-26 2004-05-27 Epigenomics Ag Method for epigenetic feature selection
JP4404291B2 (ja) * 2003-04-08 2010-01-27 キヤノン株式会社 画像処理装置及び方法及びシステム
GB0412301D0 (en) * 2004-06-02 2004-07-07 Diagenic As Product and method
JP2006031636A (ja) * 2004-07-21 2006-02-02 Sony Corp 両目の検出装置及び方法
ES2549205T3 (es) * 2005-10-14 2015-10-26 Unisense Fertilitech A/S Determinación de un cambio en una población de células
US20090129653A1 (en) * 2007-11-15 2009-05-21 Carestream Health, Inc. Energy balancing for wireless diagnostic imaging system
JP5602014B2 (ja) * 2008-05-22 2014-10-08 株式会社日立メディコ Ｘ線診断装置
JP5010637B2 (ja) * 2009-03-31 2012-08-29 富士フイルム株式会社 画像補正方法および画像補正装置
WO2010137482A1 (ja) * 2009-05-27 2010-12-02 株式会社 日立メディコ 画像処理装置、ｘ線撮影装置及び画像処理方法
WO2011137411A1 (en) * 2010-04-30 2011-11-03 Vucomp, Inc. Probability density function estimator
JP2012005729A (ja) * 2010-06-28 2012-01-12 Konica Minolta Medical & Graphic Inc 胸部診断支援システム及びプログラム
DE102011004120B4 (de) * 2011-02-15 2017-04-06 Siemens Healthcare Gmbh Verfahren, Bilddatensatzbearbeitungseinrichtung, Röntgensystem und Computerprogramm zur Korrektur von Bilddaten eines Untersuchungsobjekts
AU2012219362B2 (en) * 2011-02-17 2016-05-19 Welch Allyn, Inc. Photorefraction ocular screening device and methods
JP2014512515A (ja) * 2011-02-23 2014-05-22 コリーン・ローブ 癌診断および処置
WO2014084381A1 (ja) * 2012-11-30 2014-06-05 株式会社 東芝 画像処理装置及び画像処理方法
US9787815B2 (en) * 2013-01-21 2017-10-10 Cornell University Smartphone-based apparatus and method
US10060937B2 (en) * 2013-06-28 2018-08-28 William Marsh Rice University Integrated instrumentation for the analysis of biofluids at the point-of-care
US9582877B2 (en) * 2013-10-07 2017-02-28 Cellular Research, Inc. Methods and systems for digitally counting features on arrays
US10610182B2 (en) * 2014-01-15 2020-04-07 Alara Systems, Inc Converting low-dose to higher dose 3D tomosynthesis images through machine-learning processes
JP6318739B2 (ja) * 2014-03-17 2018-05-09 コニカミノルタ株式会社 画像処理装置、およびプログラム
US20180278868A1 (en) * 2017-03-21 2018-09-27 The Charles Stark Draper Laboratory, Inc. Neuromorphic Digital Focal Plane Array
US10102682B1 (en) * 2017-04-17 2018-10-16 Raytheon Company System and method for combining 3D images in color

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050232474A1 (en) * 2004-04-15 2005-10-20 Guo-Qing Wei Spatial-temporal lesion detection, segmentation, and diagnostic information extraction system and method
JP2007006392A (ja) * 2005-06-27 2007-01-11 Konica Minolta Business Technologies Inc 画像処理装置、画像処理方法および画像処理プログラム
CN102770752A (zh) * 2009-11-25 2012-11-07 登塔尔图像科技公司 用于在ct投影图像序列中跟踪x射线标志的方法
DE102010041619A1 (de) * 2010-09-29 2012-03-29 Friedrich-Alexander-Universität Erlangen-Nürnberg Verfahren und Röntgensystem zur Summation von DSA-Serienbildern
CN102708291A (zh) * 2012-05-11 2012-10-03 伍建林 一种基于肺mri动态增强扫描的定量分析方法
CN105431089A (zh) * 2013-07-17 2016-03-23 肝病定量分析有限责任公司 根据肝脏扫描确定肝功能的系统和方法
US20150196265A1 (en) * 2014-01-15 2015-07-16 Alara Systems, Inc Converting low-dose to higher dose mammographic images through machine-learning processes

Also Published As

Publication number Publication date
KR20200018805A (ko) 2020-02-20
CA3065957A1 (en) 2019-02-21
US10706539B2 (en) 2020-07-07
JP2020530797A (ja) 2020-10-29
KR102356230B1 (ko) 2022-02-09
JP7019028B2 (ja) 2022-02-14
EP3669325A1 (en) 2020-06-24
WO2019036388A1 (en) 2019-02-21
US20190050986A1 (en) 2019-02-14
EP3669325B1 (en) 2023-09-27
IL272029A (en) 2020-03-31

Similar Documents

Publication Publication Date Title
CN111164643A (zh) 用于肿瘤检测的减法算法
US5602891A (en) Imaging apparatus and method with compensation for object motion
CN110753954B (zh) 用于组合彩色3d图像的系统和方法
CN104783825B (zh) 用于产生血管系统的二维投影图像的方法和装置
CN111080584B (zh) 医学图像的质控方法、计算机设备和可读存储介质
Kline et al. Semiautomated segmentation of polycystic kidneys in T2-weighted MR images
US20220262049A1 (en) Partial Volume Correction in Multi-Modality Emission Tomography
CN111598989B (zh) 一种图像渲染参数设置方法、装置、电子设备及存储介质
Lau et al. Towards visual-search model observers for mass detection in breast tomosynthesis
EP3349655B1 (en) Tomography apparatus and controlling method for the same
CN103720474A (zh) 计算检查参数
US11475558B2 (en) Organ isolation in scan data
US9514548B2 (en) Method and system for presenting and using four dimensional data from a medical imaging system
EP3423968B1 (en) Medical image navigation system
Ting et al. Three-dimensional model reconstruction using surface interpolation with the interfacing of Hermite surface for breast cancer MRI imaging system
EP4260281A1 (en) System and method for generating and displaying contours
JP2004135867A (ja) 異常陰影候補検出方法及び異常陰影候補検出装置
KR20160117743A (ko) 디지털 단층영상합성 시스템에서의 이분검사방법을 이용한 영상재구성 방법
KR101140342B1 (ko) 디지털 단층합성 촬영 장치의 영상 재구성 방법 및 장치
Survarachakan et al. Effects of Enhancement on Deep Learning Based Hepatic Vessel Segmentation. Electronics 2021, 10, 1165
WO2022125335A1 (en) System and method for generating and displaying contours

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240726

AD01 Patent right deemed abandoned