CN111768343B - 用于促进检查肝脏肿瘤病例的系统和方法 - Google Patents
用于促进检查肝脏肿瘤病例的系统和方法 Download PDFInfo
- Publication number
- CN111768343B CN111768343B CN202010142278.8A CN202010142278A CN111768343B CN 111768343 B CN111768343 B CN 111768343B CN 202010142278 A CN202010142278 A CN 202010142278A CN 111768343 B CN111768343 B CN 111768343B
- Authority
- CN
- China
- Prior art keywords
- image
- interest
- region
- values
- organ
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 206010019695 Hepatic neoplasm Diseases 0.000 title claims abstract description 10
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 10
- 210000000056 organ Anatomy 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 46
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 238000003860 storage Methods 0.000 claims description 25
- 210000004185 liver Anatomy 0.000 claims description 12
- 210000004872 soft tissue Anatomy 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000005530 etching Methods 0.000 claims 3
- 238000002591 computed tomography Methods 0.000 description 27
- 206010028980 Neoplasm Diseases 0.000 description 15
- 210000003484 anatomy Anatomy 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 230000003902 lesion Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000004614 tumor growth Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 206010003694 Atrophy Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- 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
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- 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
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明题为“用于促进检查肝脏肿瘤病例的系统和方法”。本发明公开了用于经由用户界面来处理解剖结构图像中内部感兴趣区域的装置(100、500)、系统和方法(300)。(310)示例装置用于至少:处理图像以减少该图像中的噪声;(320)识别该图像中感兴趣器官或感兴趣区域中的至少一个;(330)分析该感兴趣器官或该感兴趣区域中的至少一个中的值;(340、350)基于所分析的值来处理该感兴趣器官或该感兴趣区域中的该至少一个以在该感兴趣器官或该感兴趣区域中的该至少一个中提供处理对象;(360)以及显示该处理对象以用于经由界面交互,该显示包括曝光该感兴趣器官或该感兴趣区域中的至少一个。
Description
技术领域
本公开整体涉及经改善的医疗系统,并且更具体地讲,涉及用于医疗成像处理的经改善的学习系统和方法。
背景技术
多种经济、操作、技术和管理障碍对向患者提供优质护理的医疗保健机构(诸如医院、诊所、医生办公室、成像中心、遥控放射科等)提出了挑战。医疗保健企业的经济动因、员工技能欠缺、员工较少、设备复杂以及最近兴起对控制和标准化辐射暴露剂量用法的认证给患者检查、诊断和治疗的成像和信息系统的有效管理和使用带来了困难。
在医学领域中存在许多不同类型的医学扫描,包括X射线、磁共振成像(MRI)、超声、计算机断层扫描(CT)、正电子发射断层扫描(PET)等。在医院扫描患者之后,所得图像可以各种方式显示。例如,X射线可被印出在胶片上并且显示给放射科医生以诊断损伤,或者胶片可显示给患者,从而允许患者护理的透明性。物理印刷的胶片将观察者限制在扫描的二维(2D)视图。可替代地,许多检查可显示在包括电视、计算机监视器、平板电脑等的监视器上。对于允许图像之间快速导航的某些检查,监视器可提供优于印刷胶片的若干优势。在监视器上显示的数字图像可根据检查类型提供放大到检查的某些区域的能力以及针对不同视角旋转图像的能力。尽管在数字监视器上显示的图像可提供动态观察点,但是这一观察方法仍可改进。
发明内容
某些示例提供了用于经由用户界面来处理解剖结构图像中的内部感兴趣区域的装置、系统和方法。
某些示例提供了一种装置,该装置包括:至少一个处理器;以及包括指令的至少一种计算机可读存储介质。指令在被执行时致使至少一个处理器至少:处理图像以减少图像中的噪声;识别图像中感兴趣器官或感兴趣区域中的至少一个;分析感兴趣器官或感兴趣区域中的至少一个中的值;基于所分析的值来处理感兴趣器官或感兴趣区域中的至少一个以在感兴趣器官或感兴趣区域中的至少一个中提供处理对象;以及经由界面显示处理对象以用于交互,显示包括曝光感兴趣器官或感兴趣区域中的至少一个。
某些示例提供了包括指令的至少一种计算机可读存储介质,该指令在被执行时致使至少一个处理器至少:处理图像以减少图像中的噪声;识别图像中感兴趣器官或感兴趣区域中的至少一个;分析感兴趣器官或感兴趣区域中的至少一个中的值;基于所分析的值来处理感兴趣器官或感兴趣区域中的至少一个以在感兴趣器官或感兴趣区域中的至少一个中提供处理对象;以及经由界面显示处理对象以用于交互,显示包括曝光感兴趣器官或感兴趣区域中的至少一个。
某些示例提供了一种计算机实现的方法,该方法包括通过使用至少一个处理器执行指令来处理图像以减少图像中的噪声。示例方法包括通过使用至少一个处理器执行指令来识别图像中感兴趣器官或感兴趣区域中的至少一个。示例方法包括通过使用至少一个处理器执行指令来分析感兴趣器官或感兴趣区域中的至少一个中的值。示例方法包括通过使用至少一个处理器执行指令,基于所分析的值来处理感兴趣器官或感兴趣区域中的至少一个以在感兴趣器官或感兴趣区域中的至少一个中提供处理对象。示例方法包括通过使用至少一个处理器执行指令来显示处理对象以用于经由界面交互,显示包括曝光感兴趣器官或感兴趣区域中的至少一个。
附图说明
图1示出了示例图像处理装置。
图2示出了包括使用图1的示例装置来处理和显示的图像和感兴趣对象的示例界面。
图3至图4示出了使用图1至图2的装置的图像处理和显示的示例方法的流程图。
图5是被构造成执行示例机器可读指令以实施本文所公开和所述的部件的处理器平台的框图。
当结合附图阅读时,将更好地理解前述发明内容以及以下对本发明的某些实施方案的详细描述。出于说明本发明的目的,在附图中示出了某些实施方案。然而,应当理解,本发明不限于附图中所示的布置和工具。附图未按比例绘制。在所有的附图以及附带的书面描述中,只要有可能,都会使用相同的附图标记来指代相同或类似的部件。
具体实施方式
在以下详细描述中,参考形成其一部分的附图,并且其中通过图示的方式示出了可实践的具体示例。足够详细地描述了这些示例以使得本领域技术人员能够实践本主题,并且应当理解,可以利用其他示例,并且可以在不脱离本公开主题的范围的情况下进行逻辑、机械、电气和其他改变。因此提供以下详细描述的目的是为了描述示例性实施方式,而非被看作对本公开所述的主题的范围进行限制。来自以下描述的不同方面的某些特征可组合形成下文所讨论的主题的新方面。
当介绍本公开的各种实施方案的元件时,词语“一个”、“一种”、“该”和“所述”旨在意指存在这些元件中的一个或多个元件。术语“包含”、“包括”和“具有”旨在是包含性的,并且意指除了列出的元件之外还可存在附加元件。
虽然下文在医学或医疗保健系统的背景下描述了某些示例,但可在医疗环境之外实现其他示例。
大多数临床决策源于对来自一些数据源中感兴趣的重要数据集的分析。在放射学领域中,这通常涉及从医学图像数据分析感兴趣区域。在咨询医生为了诸如解剖异常(例如,病变、动脉瘤、萎缩等)的检测、评测、进展等具体目的的要求下执行医学图像分析。为了分析和/或以其他方式处理图像数据,从待显示、处理、存储等的图像数据重建图像。
图像重建是指从由成像设备在医学扫描中获得的成像数据(例如,光强度值等)生成2D图像和/或3D图像。例如,可从由CT成像设备获得的多个图像重建3D CT图像体积。通过重建使图像相关以形成图像体积。
图像重建可包括在单个重建步骤中直接计算图像的滤波反投影重建,或迭代重建,该迭代重建以图像的假设开始,计算来自图像的投影,并且基于计算投影与由图像设备采集的原始投影数据之间的比较来迭代以更新图像。然而,此类假设和迭代可将噪声引入到重建图像中。
示例图像重建技术包括自适应统计迭代重建(ASiR)。使用ASiR,可减少像素噪声标准偏差,以及减少用于获得图像数据的患者剂量。ASiR使用光子统计和对象建模来处理原始图像数据并且提取噪声。通过迭代,ASiR通过针对每个患者和应用类型对噪声的根本原因建模来提取噪声。
图像重建技术,诸如ASiR,可用在图像检查,诸如肿瘤检查(例如,肝脏肿瘤等)。例如,肿瘤(例如,肝脏肿瘤等)检查过程可包括处理图像数据以生成一个或多个图像,显示一个或多个图像,以及基于肿瘤类型生成对肿瘤类型(例如,肝脏和相关联的肝脏肿瘤等)定制的查找表以应用于增强一个或多个图像中的结构。
例如,处理可包括用从(多个)图像移除噪声和无关图案信息的技术来预处理和/或重建一个或多个图像。此类技术的示例是针对CT图像的ASiR重建。其他相关技术包括扩散滤波器、导向滤波器等。在某些示例中,通过基于学习的/观察的历史数据识别模式以开发用于从图像数据重建图像、分析图像以识别(多个)感兴趣特征等的模型,机器学习(例如,深度学习、其他基于模型的方法等)和/或其他人工智能可用于图像重建和分析。例如,可以在大量图像上训练人工智能(AI)模型及其相关联的算法,以重建具有更好噪声特性(例如,降噪等)的CT图像。
所得(多个)图像可与增强感兴趣解剖结构(诸如肝实质等)内部的结构的显示查找表一起显示。例如,可基于将肝脏内部的Hounsfield值平均上的线性斜坡居中并且基于CT图像的标准偏差或固定值调节其斜率来生成查找表。其他示例技术涉及使用非线性查找表以增强薄壁组织和/或其他感兴趣区域内部的结构的显著性。虽然本文相对于CT图像描述了示例,但是技术也适用于调节源自包括MR等的其他成像形态的体素/像素值。
可针对感兴趣(例如,聚焦在肝脏上以识别肝脏肿瘤等)的器官或其他解剖结构生成增强的或“最佳的”查找表。例如,可基于用户设置的历史来学习查找表参数。查找表参数可用于将某些设置或函数应用于图像数据。因此,查找表可用于增强图像的某些部分和/或以其他方式自动处理所获得的图像数据。
例如,查找表可用于自动将窗/位控件应用于图像。在医学成像中,亮度/对比度控件被称为“窗/位”控件。窗口化,也称为灰级映射、对比度拉伸、直方图修改和/或对比度增强,是在其中操纵CT图像的灰度分量以改变图像的外观以突出显示(多个)特定结构的过程。可使用查找表中的值来促进此窗口化调节。例如,经由窗位调节图像的亮度,并且经由窗宽调节图像的对比度。窗宽指定包括在图像中的CT强度值的范围。较宽窗宽(例如,2000Hounsfeld单位等)在图像中显示了比较窄窗宽(例如,1000Hounsfeld单位等)在图像中所显示的更宽范围的CT值。因此,例如,将图像的窗宽设置为2000Hounsfeld单位在比1000Hounsfeld单位的较窄窗宽更大的过渡区域上调节了图像内从暗结构到亮结构的过渡。例如,随着窗宽变得更宽,软组织中不同衰减之间的过渡变得模糊。因此,例如,当观看衰减差异很大的区域时(例如,在具有空气和组织的肺部图像中等)可限定宽窗,而当检查具有衰减相似的软组织的区域时可限定窄窗。
窗位,也称为窗中心,限定了针对图像显示的CT强度值的范围中的中点。因此,例如,当窗位增加时,CT图像更暗,而当窗位降低时,CT图像更亮。
使用窗宽(WW)和窗位(WL),可计算(多个)阈值或(多个)过渡以管控CT像素强度值。例如,高于阈值上限的CT值可显示为白色,而低于阈值下限的CT值可显示为黑色。例如,第一阈值和第二阈值之间的CT值可以灰度显示。例如,查找表可指定从CT值到显示的强度灰度值/颜色值的转换。因此,例如,查找表可被构建为将原始图像数据值映射至显示像素值。例如,使用查找表中的值,可降低图像中某些区域或对象的强度或聚焦(例如,变白、无色、变黑等)并且/或者可强调(例如,通过更亮的颜色、更鲜明的对比度等)其他区域/对象以将注意力和评估集中在感兴趣区域/对象上。在某些示例中,特征曲线和/或其他函数可应用于由查找表中限定的CT值和像素显示值之间的相关性限定的图像数据。例如,通过使用处理器将查找表应用于所采集的图像数据,可快速和有效地完成处理以处理图像(例如,图像对比度增强、亮度调节、灰值度调节、灰度曲线设置等)。
在示例中,第一动作涉及处理(诸如使用基于图像的滤波或自适应迭代重建等)以减少感兴趣器官内部的噪声。然后,自动提取感兴趣器官内部的区域。就肝脏而言,处理包括移除软组织范围之外的体素并且应用数学形态学闭合滤波器以填充由血管结构造成的小孔。选择最大连接部件,并且在连接部件内部选择具有最大像素数量的切片。还选择这一最大切片周围的给定厚度内的切片。然后,腐蚀成像对象以选择内部体素。在这一区域内,将计算平均值和标准偏差值。可通过将CT强度和像素强度之间的相关性或过渡值确定为线性斜坡来生成显示查找表,诸如:
DisplayedValue=K(HUValue-mean+O)/(K.STD) (公式1),
其中O和K是从先前显示会话学习的(例如,平均得出的等)值,并且HUValue是Hounsfield单位值。在某些示例中,例如,可基于一个或多个环境的和/或光照的条件,诸如图像是否在暗室中获得等,来调节所学习的K值和O值。因此,像素显示值(DisplayedValue)与由历史观察值、相关联的平均值(例如,先观察到的K值和O值的平均值)和先验K值中的标准偏差(STD)修改的CT强度值(HUValue)相关。可替代地或附加地,例如,可识别(例如,对于低于直方图1%的值为黑色,对于直方图中99%以上的值为白色,等)直方图的下限百分比和上限百分比以调节像素显示值。
Hounsfield单位是物质的辐射密度的量度。Hounsfield单位(HU)是用在CT扫描以标准化和方便的形式表达CT数量的无量纲单位。Hounsfield单位是从测量的衰减系数的线性转换获得的。例如,这一转换基于任意分配的空气和水的密度。
在某些示例中,可应用一种或多种算法以确定最佳的或以其它方式改进的窗位设置。公式1提供了一个示例,但是可应用涉及直方图均衡化的其他处理和/或涉及将来自所选择的区域的直方图分成多个类并且使用类编号(从最低HU到最高HU)以形成显示值的其他方法等。因此,某些示例可针对图像中感兴趣区域自动设置窗位和/或其他显示值以形成增强的和/或处理的图像。在某些示例中,可使用计算机辅助的检测(诸如使用深度学习等)来诊断增强的/处理的(多个)图像,以从处理的图像数据识别肿瘤、测量肿瘤生长/收缩等。
因此,虽然识别图像中的对象(诸如肝脏肿瘤等)是耗时的、繁琐的并且容易遗漏(例如,对于不太明显的肿瘤的低灵敏度等),但是某些示例提供了改进的图像显示和分析,以使得能够自动识别和/或以其他方式增强识别图像中的对象。此外,虽然高采集噪声降低图像质量并且使肿瘤在图像数据中不太可见,但是某些示例减少此类噪声并且提高低剂量检查的读取置信度。因此,图像读取和分析可更灵敏和更快,从而导致更高的灵敏度和诊断置信度,即使在对患者的曝光剂量较低时也是如此。
图1示出了示例图像处理装置100,其包括图像采集设备110、图像重建引擎120、查找表生成器130、图像处理器140和存储器150。示例图像采集设备110采集来自/代表患者的图像数据。例如,图像采集设备110获得患者的图像(例如,CT图像、MR图像、x射线图像、超声图像等)。可替代地或附加地,图像采集设备110接收并且存储由另一个设备获得的患者的图像。图像数据可存储在存储器150(例如,硬盘驱动器、闪存存储器、随机存取存储器、其他磁盘存储装置、其他固态存储装置、固件等)中。
图像重建引擎120使用基于图像的滤波、自适应迭代重建、AI模型等来处理图像数据,以减少图像数据中发现的感兴趣的器官/解剖结构和/或其他区域内部的噪声。可在初级检查记录、检查注释的原因、DICOM图像文件标头、图像和/或检查背景等中指定感兴趣器官/解剖结构。在某些示例中,可提示系统、设备、应用、用户等以指定和/或确认感兴趣器官/解剖结构。一旦识别了和/或以其他方式指定了感兴趣器官/解剖结构,则可通过包括(多个)AI模型、基于图像的滤波、自适应迭代重建等的一种或多种技术来减少噪声。图像重建引擎120可执行二维(2D)图像重建和降噪、三维(3D)图像重建和降噪等。(多个)重建图像以及相关联的数据可存储在存储器150中。
查找表生成器130生成查找表以应用于构建的和/或以其他方式处理的图像数据以调节图像像素值以强调或突出显示图像的某些区域(例如,肿瘤、病变、骨折等)。在图像重建期间产生的像素值的范围大于可由监视器或其他显示器显示的值的范围。因此,查找表可用于选择待可视化的值的子集或范围。待可视化的值的范围对应于感兴趣组织/区域。查找表和/或其他函数(例如,传递函数、不同图像值之间的斜坡或范围等)可用于在图像像素之间提供对比度/差异,该对比度/差异平移为显示器(例如,在放射学图像阅读器/查看器和/或其他显示器等中)上图像的区域之间的视觉区别(例如,比均匀平移更清晰的视觉区别等)。例如,查找表可存储在存储器150中以由一个或多个进程/处理器来应用。
例如,查找表生成器130执行公式1以用将CT值平移或转换为图像像素/体素值的值、将第一图像像素值转换为第二图像像素值(例如,强调或不强调某些图像区域、某些对象、某些类型的组织等)的值填充查找表。所生成的查找表可存储在存储器150中,应用(例如,由图像重建引擎、图像处理器140等)于图像数据,基于用户输入、先验的/历史的观察/反馈/结果、AI模型输出等被修改。
例如,可生成查找表以提供“默认”的窗位和窗宽(窗宽:440,窗位:40)给图像中的腹部。示例查找表然后指定40-220HU以下的值为黑色,而40+220以上的值为白色,其中值介于分配的灰度值之间。例如,这些值可基于注射的选择而变化,以有助于确保不因为对比度不够鲜明或者图像饱和而遗漏病变。
因此,例如,查找表生成器130可生成查找表和/或其他处理数据结构以增强感兴趣解剖结构(例如,肝实质内部等)中的特定结构。例如,所生成的查找表可将感兴趣器官/解剖结构(例如,肝脏、肺、心脏、大脑等)内部的Hounsfield值平均上的线性斜坡居中并且基于标准偏差和/或固定值来调节斜坡的斜率。另一个示例使用非线性查找表来达到增强器官(例如,肝实质等)内部的结构的显著性的相同效果。
图像处理器140处理(多个)图像(例如,(多个)重建图像等)以检测感兴趣解剖结构或区域并且聚焦在这一感兴趣解剖结构/区域。例如,图像处理器140可处理重建的3D图像体积以移除、腐蚀或“剥离”图像体积的外部体素以揭开或曝光感兴趣区域。在某些示例中,感兴趣区域可在所识别的器官内部。可隔离器官,并且然后可移除器官的外部体素以曝光器官内部的感兴趣区域。因此,例如,可在图像中隔离肝脏,然后可腐蚀(例如,使用查找表来取消体素值,使用滤波器来移除像素/体素,经由图像分割等)肝脏的外部体素以曝光感兴趣器官内部的感兴趣区域。
例如,可通过移除器官(例如,肝脏等)的软组织范围之外的体素来由图像处理器140自动提取感兴趣器官内部的区域。可由处理器140应用数学形态学闭合滤波器以填充由器官中的血管结构造成的小孔。图像处理器140可选择器官/解剖结构中的最大连接部件,并且在连接部件内部选择具有最大像素数量的所获得的图像切片。一旦图像处理器140具有所选择的切片,则还由处理器140选择这一最大切片周围的给定厚度或范围内的附加切片。然后腐蚀器官/解剖结构以移除切片之外的外部体素并且选择内部体素以用于进一步处理。在这一区域内,图像处理器140计算图像体素数据的平均值和标准偏差值。例如,显示器查找表(LUT)由生成器130生成为线性斜坡,诸如根据公式1。例如,将LUT应用于曝光区域图像值可用于识别肝脏肿瘤、病变等。可替代地或附加地,可采用其他深度学习、机器学习和/或基于模型的方法来识别和提取感兴趣区域。
虽然若干算法可应用于确定针对查找表的最佳窗位设置,但是公式1提供了有效对比。在某些示例中,直方图均衡和/或涉及将直方图从所选择的区域分成多个类并且使用类编号(例如,从最低HU到最高HU)的其他方法可用作对于“正常”组织内部的像素/体素值分布的参考,以使得“异常”组织突出在显示器中。例如,在降噪之后,所获得的体素值范围可以是窄的并且可包括单个类的体素。
因此,例如,图像处理器140可基于由查找表和/或相关联的斜坡等应用的算法来驱动图像数据的修改显示以突出显示2D图像和/或3D图像的一个或多个区域。视觉区别应用于图像数据以改变图像的显示并且强调诸如病变、肿瘤、骨折和/或其他(多个)异常的元件。在某些示例中,用户可经由图形用户界面与(多个)感兴趣对象和/或屏幕上图像显示的其他方面交互。
图2示出了用于显示由系统100处理以识别示例图像210中的肿瘤220的示例脑CT图像210的示例用户界面200。如图2的示例所示,图像处理器140可在图像210中突出显示(例如,通过环绕、放置在框中、阴影化等)所识别的对象(例如,肿瘤、病变等)220。
虽然结合图1至图2示出了示例实施方式,但是结合图1至图2而示出的元件、方法和/或设备可以任何其他方式组合、划分、重新布置、省略、消除和/或实现。此外,本文所公开和描述的部件可由硬件、机器可读指令、软件、固件、以及/或者硬件、机器可读指令、软件和/或固件的任何组合来实现。因此,例如,本文所公开和描述的部件可由一个或多个模拟和/或数字电路、一个或多个逻辑电路、一个或多个可编程处理器、一个或多个专用集成电路(ASIC)、一个或多个可编程逻辑设备(PLD)和/或一个或多个现场可编程逻辑设备(FPLD)来实现。当读到本专利中的任一项覆盖纯粹的软件和/或固件实现的装置或系统权利要求时,这些部件中的至少一者在此明确地被定义为包括存储软件和/或固件的有形计算机可读存储设备或存储盘,诸如存储器、数字通用盘(DVD)、压缩盘(CD)、蓝光盘等。
结合至少图3至图4示出了表示用于实现本文所公开和所述的部件的示例机器可读指令的流程图。在示例中,机器可读指令包括供处理器(诸如下文结合图5讨论的示例处理器平台500中所示的处理器512)执行的程序。程序可体现在有形计算机可读存储介质(诸如CD-ROM、软盘、硬盘驱动器、数字多用盘(DVD)、蓝光盘或与处理器512相关联的存储器)上存储的机器可读指令中,但是整个程序和/或其部分可替代地由除了处理器512之外的设备执行以及/或者体现在固件或专用硬件中。此外,尽管参考结合至少图3至图4示出的流程图描述了示例程序,但是可替代地使用实现本文所公开和所述的部件的许多其他方法。例如,可改变框的执行顺序,并且/或者可改变、消除或组合所述的一些框。尽管至少图3至图4的流程图以示出的顺序描绘了示例操作,但是这些操作不是穷举性的,并且不限于所示出的顺序。另外,本领域技术人员可在本公开的实质和范围内作出各种变化和修改。例如,流程图中示出的框可按另选顺序执行或者可并行执行。
如上所述,至少图3至图4的(多个)示例方法可使用存储在有形计算机可读存储介质上的编码指令(例如,计算机和/或机器可读指令)来实现,该有形计算机可读存储介质诸如硬盘驱动器、闪存存储器、只读存储器(ROM)、光盘(CD)、数字多用盘(DVD)、高速缓存、随机存取存储器(RAM)和/或信息在其中存储任何持续时间(例如,延长的时间段、永久、短暂实例、临时缓冲和/或高速缓存信息)的任何其他存储设备或存储盘。如本文所用,术语有形计算机可读存储介质明确地被定义为包括任何类型的计算机可读存储设备和/或存储盘,并且排除传播信号且排除传输介质。如本文所用,“有形计算机可读存储介质”和“有形机器可读存储介质”可互换使用。附加地或可替代地,至少图3至图4的(多个)示例方法可使用存储在非暂态计算机和/或机器可读介质上的编码指令(例如,计算机和/或机器可读指令)来实现,该非暂态计算机和/或机器可读介质诸如硬盘驱动器、闪存存储器、只读存储器、光盘、数字多用盘、高速缓存、随机存取存储器和/或信息在其中存储任何持续时间(例如,延长的时间段、永久、短暂实例、临时缓冲和/或高速缓存信息)的任何其他存储设备或存储盘。如本文所用,术语非暂态计算机可读介质明确地被定义为包括任何类型的计算机可读存储设备和/或存储盘,并且排除传播信号并且排除传输介质。如本文所用,当短语“至少”用作权利要求前序中的过渡性术语时,与术语“包含”是开放式的一样,其也是开放式的。另外,与术语“包含”是开放式的一样,术语“包括”也是开放式的。
如图3中描绘的示例方法300中所示,处理图像数据以识别和突出显示/强调图像中感兴趣区域中的一个或多个对象。在框310处,处理(例如,“清理”等)图像以减少图像中的噪声。例如,重建(例如,ASIR重建等)、滤波(例如,扩散滤波、导向滤波等)等可应用于图像数据以从图像(例如,一个或多个2D图像和/或3D图像)中移除噪声和(多个)无关图案。
在框320处,在清理图像中识别和/或以其他方式确定感兴趣器官。例如,检查的原因、标头信息、成像设备配置信息、计算机辅助的检测(例如,经由机器学习、深度学习、其他AI等)等可识别图像中的感兴趣器官(例如,大脑、心脏、肺、肾脏等)。
在框330处,在感兴趣器官内部提取感兴趣区域。例如,可从器官之外移除像素和/或体素以曝光形成感兴趣区域的内部像素/体素。可平滑/填充缺陷以隔离区域以用于进一步处理。
在框340处,在所提取的感兴趣区域中识别对象。例如,查找表、斜坡和/或其他转换函数可应用于感兴趣区域中的像素/体素数据以分析所曝光的感兴趣区域中的对象(例如,组织、骨、肿瘤、病变、骨折等)。例如,将查找表值应用于感兴趣区域中的不同CT强度致使对象(例如,肿瘤等)从剩余的区域图像数据突出(例如,因为其显示为更亮、更暗和/或以其他方式不同于周围组织)。
在框350处,处理对象。例如,可使用计算机添加的诊断(CAD)、放射学读取等来处理所识别的对象以识别对象的特征,诸如对象的类型(例如肿瘤、病变、骨折等)、对象的形状、对象的尺寸、对象中的变化(例如,如果比较图像以查看肿瘤生长等)等。因此,在框340至框350处,分析值(例如,图像数据值、像素/体素显示值等)以识别对象并且处理对象以用于显示和交互。
在方框360处,显示修改图像。例如,修改图像可显示在平板计算机上(诸如图2的示例中所示)、在笔记本计算机上、在计算机监视器上、在智能手机显示器上等。如图2的示例中所示,图像210可经由界面200显示,其中对象220在图像210中突出显示等。
在框370处,触发下一动作。例如,可生成包括和/或基于图像、与对象相关联的发现/注释等的报告。图像和/或相关联的报告可存储在电子医疗记录(EMR)系统等中。例如,识别图像中的对象可触发检查安排、处方和/或其他后续动作。例如,用户经由界面200相对于图像210和/或对象220的动作可触发下一动作。
图4示出了提取器官内部感兴趣区域的示例实施方式(图3的示例的框330)。本示例仅出于说明的目的而提供,并且可采用包括深度学习、机器学习、其他基于模型的分析等的其他方法以提取感兴趣区域。在图4的示例中,在框410处,将来自图像的体素移除到软组织范围之外。例如,软组织范围被限定在感兴趣器官周围,并且从处理的图像体积的副本中移除、擦除、和/或以其他方式删除软组织范围之外的图像体积中的体素。
在框420处,滤波器应用于平滑所得的子图像。例如,数学形态学闭合滤波器应用于子图像以填充在器官内部由血管结构(例如,血管)造成的小孔。
在框430处,选择子图像中的最大连接部件。例如,由图像处理器140分析子图像中元素之间的连接,以识别子图像中的最大连接部件。在一些示例中,用户可选择最大连接部件。
在框440处,选择最大连接部件内的切片。例如,所选择的切片在部件中具有最大像素数量。例如,图像处理器140可处理部件以从具有最多像素的部件体积中识别2D切片。在框450处,选择这一最大切片周围的一定厚度内的切片。例如,也可选择在所选择的切片一英寸内的切片、在所选择的切片一厘米内的切片、在所选择的切片一毫米内的切片等。例如,一组所选择的切片形成体积,诸如感兴趣器官。
在框460处,进一步处理所选择的切片以腐蚀该组所选择的切片以曝光体积中的内部体素。例如,可擦除、删除和/或以其他方式移除形成由该组所选择的切片限定的体积的外部分的体素层以曝光在下面的下一体素层。因此,曝光感兴趣器官的内部感兴趣区域。
在框470处,针对感兴趣区域计算偏差。例如,计算感兴趣区域内的CT强度值的平均值、标准偏差等。在框480处,确定显示查找表和/或其他转换以修改感兴趣区域内显示的像素/体素值。例如,诸如由公式1的斜坡函数指定的LUT应用于修改感兴趣区域中体素的显示值,以突出/强调区域的一部分(诸如肿瘤、病变等)以用于显示。例如,LUT的值可受先验显示值(例如,自动处理的值、来自手动用户调节的反馈等)的影响。因此,例如,可使用从先前显示会话学习的、从先验配置平均得出等的AI来设置改进的窗位设置,以显示具有被突出显示/强调/识别以用于进一步处理和检查的感兴趣对象的图像。
图5是被构造为执行至少图3至图4的指令以实现本文所公开和所述的示例部件的示例处理器平台500的框图。处理器平台500可以是例如服务器、个人计算机、移动设备(例如,手机、智能电话、诸如iPadTM的平板电脑)、个人数字助理(PDA)、互联网应用或任何其他类型的计算设备。
所示示例的处理器平台500包括处理器512。所示示例的处理器512是硬件。例如,处理器512可由来自任何所需产品系列或制造商的集成电路、逻辑电路、微处理器或控制器来实现。
所示示例的处理器512包括本地存储器513(例如,实现示例存储器150和/或其他存储器的高速缓存和/或存储器)。图5的示例处理器512执行至少图3至图4的指令以实现图1至图4的系统、基础设施、显示器和相关联的方法,诸如示例图像采集设备110、示例图像重建引擎120、示例查找表生成器130、示例图像处理器140等。所示示例的处理器512经由总线518与包括易失性存储器514和非易失性存储器516的主存储器(例如,实现存储器150等)通信。易失性存储器514可由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)和/或任何其他类型的随机存取存储器设备来实现。非易失性存储器516可由闪存存储器和/或任何其他所需类型的存储器设备来实现。由时钟控制器控制对主存储器514、516的访问。
所示示例的处理器平台500还包括接口电路520。接口电路520可由任何类型的接口标准(诸如以太网接口、通用串行总线(USB)和/或PCI express接口)来实现。
在所示示例中,一个或多个输入设备522连接到接口电路520。(多个)输入设备522允许用户将数据和命令输入到处理器512中。输入设备可由例如传感器、麦克风、相机(静物相机或摄像机、RGB或深度等)、键盘、按钮、鼠标、触摸屏、触控板、轨迹球、isopoint和/或语音识别系统来实现。
一个或多个输出设备524还连接到所示示例的接口电路520。输出设备524可例如由显示设备(例如,发光二极管(LED)、有机发光二极管(OLED)、液晶显示器、阴极射线管显示器(CRT)、触摸屏、触觉输出设备和/或扬声器)来实现。因此,所示示例的接口电路520通常包括图形驱动器卡、图形驱动器芯片或图形驱动器处理器。
所示示例的接口电路520还包括通信设备,诸如发射器、接收器、收发器、调制解调器和/或网络接口卡,以促进经由网络526(例如,以太网连接、数字订户线(DSL)、电话线、同轴电缆、蜂窝电话系统等)与外部机器(例如,任何种类的计算设备)交换数据。
所示示例的处理器平台500还包括用于存储软件和/或数据的一个或多个大容量存储设备528。此类大容量存储设备528的示例包括软盘驱动器、硬盘驱动器、光盘驱动器、蓝光盘驱动器、RAID系统以及数字多用盘(DVD)驱动器。
图5的编码指令532可存储在大容量存储设备528中、在易失性存储器514中、在非易失性存储器516中以及/或至在可移动的有形计算机可读存储介质(诸如CD或DVD)上。
从前述应当理解,已公开了上述所公开的方法、装置和制品,以通过自动评估图像以确定感兴趣器官和器官内感兴趣区域来改进图像处理。某些示例通过自动腐蚀器官的图像的外部以曝光感兴趣区域来进一步改进图像处理。某些示例通过修改所曝光的感兴趣区域的显示值以突出显示和/或以其他方式识别所曝光的感兴趣区域中的一个或多个对象来更进一步改进图像处理。
某些示例通过提供新的并且不同的用于渲染、显示图像数据和与图像数据交互的方法来改进放射学检查界面技术和能力。某些示例改善了图像处理器在图像处理和用户界面生成、操纵和跟踪中的适应性和准确性。某些示例驱动其他技术领域的改善,诸如计算机辅助检测和/或图像数据的诊断、深度学习网络模型生成等。
虽然本文已描述了某些示例性方法、装置和制品,但本专利的覆盖范围不限于此。相反,本专利覆盖合理落入本专利的权利要求书的范围内的所有方法、装置和制品。
Claims (12)
1.一种图像处理装置(100、500),所述装置包括:
至少一个处理器(512);和
至少一种包括指令的计算机可读存储介质(513、514、516、528),所述指令在被执行时致使所述至少一个处理器(512)至少:
(310)处理图像以减少所述图像中的噪声;
(320)识别所述图像中感兴趣器官或感兴趣区域中的至少一个;
(330、340)分析所述感兴趣器官或所述感兴趣区域中的至少一个中的值;
(350)基于所分析的值来处理所述感兴趣器官或所述感兴趣区域中的所述至少一个以在所述感兴趣器官或所述感兴趣区域中的所述至少一个中提供处理对象;以及
(360)显示所述处理对象以用于经由界面交互,所述显示包括曝光所述感兴趣器官或所述感兴趣区域中的至少一个;
其中所述至少一个处理器通过至少以下方式来曝光所述感兴趣区域:
(410)从软组织范围之外的所述图像中移除体素以产生修改图像;
(420)将形态学闭合滤波器应用于所述修改图像;
(430)在所述修改图像中选择最大连接部件;
(440)在所述最大连接部件中选择具有所述最大连接部件中最大像素数量的第一切片;
(450)在所述第一切片的厚度内选择多个第二切片以形成对象;
(460)腐蚀所述对象以选择所述对象内部的内部体素以曝光所述感兴趣区域;
(470)计算所述感兴趣区域中的偏差;以及
(480)应用查找表以显示所述感兴趣区域的值。
2.根据权利要求1所述的图像处理装置,其中将使用与图像数据值相关联的显示值的查找表来处理所曝光的感兴趣区域中的所述对象。
3.根据权利要求2所述的图像处理装置,其中将使用显示值=K(HUValue-mean+O)/(K.STD)来确定所述显示值,其中K和O是来自先前显示会话的先验值,HUValue是Hounsfield单位值,平均值是先验值K和先验值O的平均值,而K.STD是先验K值的标准偏差。
4.根据权利要求1所述的图像处理装置,其中将使用将图像数据值转换为显示值的线性斜坡函数来处理所曝光的感兴趣区域中的所述对象。
5.根据权利要求1所述的图像处理装置,其中将使用自适应统计迭代重建来处理所述图像以减少所述图像中的噪声。
6.根据权利要求1所述的装置,其中所述器官是肝脏,并且其中所述对象是肝脏肿瘤。
7.一种计算机实现的方法(300),所述方法包括:
(310)通过使用至少一个处理器执行指令来处理图像以减少所述图像中的噪声;
(320)通过使用所述至少一个处理器执行指令来识别所述图像中感兴趣器官或感兴趣区域中的至少一个;
(330、340)通过使用所述至少一个处理器执行指令来分析所述感兴趣器官或所述感兴趣区域中的至少一个中的值;
(350)通过使用所述至少一个处理器执行指令,基于所述分析的值来处理所述感兴趣器官或所述感兴趣区域中的所述至少一个,以在所述感兴趣器官或所述感兴趣区域中的所述至少一个中提供处理对象;以及
(360)通过使用所述至少一个处理器执行指令来显示所述处理对象以用于经由界面交互,所述显示包括曝光所述感兴趣器官或所述感兴趣区域中的至少一个;
其中所述至少一个处理器通过至少以下方式来曝光所述感兴趣区域:
(410)从软组织范围之外的所述图像中移除体素以产生修改图像;
(420)将形态学闭合滤波器应用于所述修改图像;
(430)在所述修改图像中选择最大连接部件;
(440)在所述最大连接部件中选择具有所述最大连接部件中最大像素数量的第一切片;
(450)在所述第一切片的厚度内选择多个第二切片以形成对象;
(460)腐蚀所述对象以选择所述对象内部的内部体素以曝光所述感兴趣区域;
(470)计算所述感兴趣区域中的偏差;以及
(480)应用查找表以显示所述感兴趣区域的值。
8.根据权利要求7所述的方法,其中将使用与图像数据值相关联的显示值的查找表来处理所述曝光的感兴趣区域中的所述对象。
9.根据权利要求8所述的方法,其中将使用显示值=K(HUValue-mean+O)/(K.STD)来确定所述显示值,其中K和O是来自先前显示会话的先验值,HUValue是Hounsfield单位值,平均值是先验值K和先验值O的平均值,而K.STD是先验K值的标准偏差。
10.根据权利要求7所述的方法,其中将使用将图像数据值转换为显示值的线性斜坡函数来处理所曝光的感兴趣区域中的所述对象。
11.根据权利要求7所述的方法,其中将使用自适应统计迭代重建来处理所述图像以减少所述图像中的噪声。
12.一种包括指令的计算机可读存储介质,所述指令在被执行时致使至少一个处理器至少:
(310)处理图像以减少所述图像中的噪声;
(320)识别所述图像中感兴趣器官或感兴趣区域中的至少一个;
(330、340)分析所述感兴趣器官或所述感兴趣区域中的至少一个中的值;
(350)基于所分析的值来处理所述感兴趣器官或所述感兴趣区域中的所述至少一个以在所述感兴趣器官或所述感兴趣区域中的所述至少一个中提供处理对象;以及
(360)显示所述处理对象以用于经由界面交互,所述显示包括曝光所述感兴趣器官或所述感兴趣区域中的至少一个;
其中所述指令在被执行时致使所述至少一个处理器通过至少以下方式来曝光所述感兴趣区域:
(410)从软组织范围之外的所述图像中移除体素以产生修改图像;
(420)将形态学闭合滤波器应用于所述修改图像;
(430)在所述修改图像中选择最大连接部件;
(440)在所述最大连接部件中选择具有所述最大连接部件中最大像素数量的第一切片;
(450)在所述第一切片的厚度内选择多个第二切片以形成对象;
(460)腐蚀所述对象以选择所述对象内部的内部体素以曝光所述感兴趣区域;
(470)计算所述感兴趣区域中的偏差;以及
(480)应用查找表以显示所述感兴趣区域的值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/369,326 | 2019-03-29 | ||
US16/369,326 US11030742B2 (en) | 2019-03-29 | 2019-03-29 | Systems and methods to facilitate review of liver tumor cases |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768343A CN111768343A (zh) | 2020-10-13 |
CN111768343B true CN111768343B (zh) | 2024-04-16 |
Family
ID=69960305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010142278.8A Active CN111768343B (zh) | 2019-03-29 | 2020-03-04 | 用于促进检查肝脏肿瘤病例的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11030742B2 (zh) |
EP (1) | EP3716202A1 (zh) |
JP (1) | JP7194143B2 (zh) |
CN (1) | CN111768343B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2536650A (en) | 2015-03-24 | 2016-09-28 | Augmedics Ltd | Method and system for combining video-based and optic-based augmented reality in a near eye display |
US11980507B2 (en) | 2018-05-02 | 2024-05-14 | Augmedics Ltd. | Registration of a fiducial marker for an augmented reality system |
US11766296B2 (en) | 2018-11-26 | 2023-09-26 | Augmedics Ltd. | Tracking system for image-guided surgery |
US11030742B2 (en) | 2019-03-29 | 2021-06-08 | GE Precision Healthcare LLC | Systems and methods to facilitate review of liver tumor cases |
US11980506B2 (en) | 2019-07-29 | 2024-05-14 | Augmedics Ltd. | Fiducial marker |
EP3779887B1 (en) * | 2019-08-12 | 2022-10-19 | Siemens Healthcare GmbH | Computer-implemented method of deriving 3d image data of a reconstruction volume and computer readable medium |
US11382712B2 (en) | 2019-12-22 | 2022-07-12 | Augmedics Ltd. | Mirroring in image guided surgery |
US11657501B2 (en) * | 2020-09-24 | 2023-05-23 | GE Precision Healthcare LLC | Generating enhanced x-ray images using constituent image |
US11881301B2 (en) * | 2021-02-26 | 2024-01-23 | GE Precision Healthcare LLC | Methods and systems for utilizing histogram views for improved visualization of three-dimensional (3D) medical images |
US11896445B2 (en) | 2021-07-07 | 2024-02-13 | Augmedics Ltd. | Iliac pin and adapter |
CN114391792B (zh) * | 2021-09-13 | 2023-02-24 | 南京诺源医疗器械有限公司 | 基于窄带成像的肿瘤预测方法、装置及成像内镜 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104644196A (zh) * | 2013-11-19 | 2015-05-27 | 三星电子株式会社 | X射线成像设备及控制该设备的方法 |
CN105323425A (zh) * | 2014-05-30 | 2016-02-10 | 苹果公司 | 融合图像系统中的场景运动校正 |
CN105981042A (zh) * | 2014-01-17 | 2016-09-28 | Kpit技术有限责任公司 | 车辆探测系统及方法 |
CN107004268A (zh) * | 2014-10-13 | 2017-08-01 | 新加坡科技研究局 | 结直肠肿瘤的动态对比增强图像的自动感兴趣区域分割及配准 |
CN107563378A (zh) * | 2017-07-31 | 2018-01-09 | 上海联影医疗科技有限公司 | 体数据中提取感兴趣区域的方法及其系统 |
CN108888284A (zh) * | 2018-05-18 | 2018-11-27 | 沈阳东软医疗系统有限公司 | 图像调整方法、装置及设备、存储介质 |
Family Cites Families (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6067366A (en) * | 1998-02-11 | 2000-05-23 | Analogic Corporation | Apparatus and method for detecting objects in computed tomography data using erosion and dilation of objects |
US6584216B1 (en) | 1999-11-23 | 2003-06-24 | The Trustees Of The University Of Pennsylvania | Method for standardizing the MR image intensity scale |
US7085406B2 (en) * | 2001-07-27 | 2006-08-01 | General Electric Company | Method and system for unsupervised transfer function generation for images of rendered volumes |
US6888916B2 (en) * | 2003-08-18 | 2005-05-03 | Ge Medical Systems Global Technology Company, Llc | Preprocessing methods for robust tracking of coronary arteries in cardiac computed tomography images and systems therefor |
EP1692657A1 (en) * | 2003-12-10 | 2006-08-23 | Agency for Science, Technology and Research | Methods and apparatus for binarising images |
FR2869438B1 (fr) * | 2004-04-21 | 2006-10-13 | Ge Med Sys Global Tech Co Llc | Procede de segmentation automatique des cavites cardiaques |
JP2006061601A (ja) * | 2004-08-30 | 2006-03-09 | Konica Minolta Medical & Graphic Inc | 医用画像表示装置、医用画像表示システム及び医用画像表示プログラム |
US7532748B2 (en) * | 2004-11-24 | 2009-05-12 | General Electric Company | Methods and apparatus for selecting and/or labeling vessel branches |
US7787673B2 (en) * | 2004-12-21 | 2010-08-31 | Siemens Medical Solutions Usa, Inc. | Method and apparatus for airway detection and segmentation using 3D morphological operators |
US8229200B2 (en) * | 2005-03-14 | 2012-07-24 | General Electric Company | Methods and systems for monitoring tumor burden |
US7702153B2 (en) * | 2005-10-07 | 2010-04-20 | Siemens Medical Solutions Usa, Inc. | Systems and methods for segmenting object of interest from medical image |
US7532702B2 (en) * | 2005-11-23 | 2009-05-12 | General Electric Company | Method and system for performing CT image reconstruction with motion artifact correction |
WO2009029671A1 (en) * | 2007-08-27 | 2009-03-05 | University Of Chicago | Systems and methods for image colorization |
CN105182263A (zh) * | 2008-04-28 | 2015-12-23 | 康奈尔大学 | 分子mri中的磁敏度精确量化 |
US8594400B2 (en) * | 2010-02-26 | 2013-11-26 | General Electric Company | System and method for MR image scan and analysis |
US20130116554A1 (en) * | 2010-07-12 | 2013-05-09 | Ge Healthcare As | X-ray imaging at low contrast agent concentrations and/or low dose radiation |
US8761479B2 (en) * | 2010-11-08 | 2014-06-24 | General Electric Company | System and method for analyzing and visualizing spectral CT data |
WO2012080905A1 (en) * | 2010-12-14 | 2012-06-21 | Koninklijke Philips Electronics N.V. | Ultrasound imaging system and method with peak intensity detection |
US8644575B2 (en) * | 2011-02-28 | 2014-02-04 | Kabushiki Kaisha Toshiba | Processing of abdominal images |
US8855394B2 (en) * | 2011-07-01 | 2014-10-07 | Carestream Health, Inc. | Methods and apparatus for texture based filter fusion for CBCT system and cone-beam image reconstruction |
EP2802357A1 (en) * | 2012-01-11 | 2014-11-19 | Ge Healthcare As | X-ray imaging contrast media with low iodine concentration and x-ray imaging process |
US8751961B2 (en) | 2012-01-30 | 2014-06-10 | Kabushiki Kaisha Toshiba | Selection of presets for the visualization of image data sets |
WO2013155358A1 (en) * | 2012-04-11 | 2013-10-17 | The Trustees Of Columbia University In The City Of New York | Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects |
US20150206300A1 (en) * | 2014-01-21 | 2015-07-23 | Agency For Science, Technology And Research | Method and apparatus for extraction and quantification of hematoma from a brain scan such as computed tomography data |
JP6215449B2 (ja) * | 2014-03-14 | 2017-10-18 | 株式会社日立製作所 | X線ct装置、及び処理装置 |
US9629587B2 (en) * | 2014-07-10 | 2017-04-25 | General Electric Company | Systems and methods for coronary imaging |
US9697603B2 (en) * | 2014-12-19 | 2017-07-04 | Toshiba Medical Systems Corporation | Medical image data processing system and method for vessel segmentation using pre- and post-contrast data |
US20160292874A1 (en) * | 2015-03-30 | 2016-10-06 | General Electric Company | Methods and systems for automatic segmentation |
WO2017013514A1 (en) | 2015-07-23 | 2017-01-26 | Koninklijke Philips N.V. | Computed tomography visualization adjustment |
US9737278B2 (en) * | 2015-09-30 | 2017-08-22 | General Electric Company | Methods and systems for multi-window imaging |
US10242444B1 (en) * | 2015-12-29 | 2019-03-26 | Kentucky Imaging Technologies, LLC | Segmentation of the colon for accurate virtual navigation |
US11010630B2 (en) * | 2017-04-27 | 2021-05-18 | Washington University | Systems and methods for detecting landmark pairs in images |
EP3503038A1 (en) * | 2017-12-22 | 2019-06-26 | Promaton Holding B.V. | Automated 3d root shape prediction using deep learning methods |
US10607114B2 (en) * | 2018-01-16 | 2020-03-31 | Siemens Healthcare Gmbh | Trained generative network for lung segmentation in medical imaging |
US11449993B2 (en) * | 2018-03-12 | 2022-09-20 | Persimio Ltd. | Automated bone segmentation in images |
US10796481B2 (en) * | 2018-04-20 | 2020-10-06 | Siemens Healthcare Gmbh | Visualization of lung fissures in medical imaging |
US20200126236A1 (en) * | 2018-10-22 | 2020-04-23 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Image Segmentation using IOU Loss Functions |
US10811135B2 (en) * | 2018-12-27 | 2020-10-20 | General Electric Company | Systems and methods to determine disease progression from artificial intelligence detection output |
US11030742B2 (en) | 2019-03-29 | 2021-06-08 | GE Precision Healthcare LLC | Systems and methods to facilitate review of liver tumor cases |
-
2019
- 2019-03-29 US US16/369,326 patent/US11030742B2/en active Active
-
2020
- 2020-03-04 CN CN202010142278.8A patent/CN111768343B/zh active Active
- 2020-03-23 EP EP20165054.6A patent/EP3716202A1/en active Pending
- 2020-03-25 JP JP2020054167A patent/JP7194143B2/ja active Active
-
2021
- 2021-06-07 US US17/340,943 patent/US11669964B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104644196A (zh) * | 2013-11-19 | 2015-05-27 | 三星电子株式会社 | X射线成像设备及控制该设备的方法 |
CN105981042A (zh) * | 2014-01-17 | 2016-09-28 | Kpit技术有限责任公司 | 车辆探测系统及方法 |
CN105323425A (zh) * | 2014-05-30 | 2016-02-10 | 苹果公司 | 融合图像系统中的场景运动校正 |
CN107004268A (zh) * | 2014-10-13 | 2017-08-01 | 新加坡科技研究局 | 结直肠肿瘤的动态对比增强图像的自动感兴趣区域分割及配准 |
CN107563378A (zh) * | 2017-07-31 | 2018-01-09 | 上海联影医疗科技有限公司 | 体数据中提取感兴趣区域的方法及其系统 |
CN108888284A (zh) * | 2018-05-18 | 2018-11-27 | 沈阳东软医疗系统有限公司 | 图像调整方法、装置及设备、存储介质 |
Non-Patent Citations (2)
Title |
---|
A Technique to Improve the Image Quality in Computer Tomography;Filippo Attivissimo等;《IEEE Transactions on Instrumentation and Measurement》;第1251-1257页 * |
数字乳腺层析成像系统影像链的设计与优化;李明强等;《南方医科大学学报》;第192-200页 * |
Also Published As
Publication number | Publication date |
---|---|
US11030742B2 (en) | 2021-06-08 |
US11669964B2 (en) | 2023-06-06 |
US20210295512A1 (en) | 2021-09-23 |
JP2020179159A (ja) | 2020-11-05 |
US20200311912A1 (en) | 2020-10-01 |
EP3716202A1 (en) | 2020-09-30 |
JP7194143B2 (ja) | 2022-12-21 |
CN111768343A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768343B (zh) | 用于促进检查肝脏肿瘤病例的系统和方法 | |
US11227683B2 (en) | Methods and systems for characterizing anatomical features in medical images | |
JP7053541B2 (ja) | 患者固有の深層学習画像ノイズ除去方法およびシステム | |
US10339648B2 (en) | Quantitative predictors of tumor severity | |
US11494957B2 (en) | Automated correction of metal affected voxel representations of x-ray data using deep learning techniques | |
CN109801254B (zh) | 医学成像中的传递函数确定 | |
US11935215B2 (en) | System and method for the visualization and characterization of objects in images | |
CN110832540B (zh) | 图像处理系统和方法 | |
US10867375B2 (en) | Forecasting images for image processing | |
MX2014007380A (es) | Procesamiento y representacion de una imagen de mama. | |
CN111166362B (zh) | 医学图像的显示方法及装置、存储介质及电子设备 | |
EP3131062A2 (en) | Method, apparatus, and computer readable medium for removing unwanted objects from a tomogram | |
US10062167B2 (en) | Estimated local rigid regions from dense deformation in subtraction | |
EP3989172A1 (en) | Method for use in generating a computer-based visualization of 3d medical image data | |
JP6878679B2 (ja) | デジタルx線画像における低情報コンテンツを有する領域の検出 | |
JP2006340835A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
WO2010020921A2 (en) | Blanking of image regions | |
CN116416329A (zh) | 一种乳腺断层图像重建方法和系统 | |
EP4336452A1 (en) | Computer-implemented method for processing spectral computed tomography (spectral ct) data, computer program and spectral ct system | |
Chan et al. | Mip-guided vascular image visualization with multi-dimensional transfer function | |
JP2023154407A (ja) | 医用画像処理装置、医用画像処理方法、及びx線診断装置 | |
JP2023551421A (ja) | 医用画像内の標識要素の抑制 | |
JP2023080703A (ja) | 医用画像処理装置、方法及びプログラム | |
Dreyer et al. | Digital imaging fundamentals | |
Fluture | Model for quantification and analysis of pulmonary emphysema from low-dose radiation CT scans |
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 |