CN113140013A - 用于电脑断层摄影的后处理的装置和方法 - Google Patents
用于电脑断层摄影的后处理的装置和方法 Download PDFInfo
- Publication number
- CN113140013A CN113140013A CN202010088028.0A CN202010088028A CN113140013A CN 113140013 A CN113140013 A CN 113140013A CN 202010088028 A CN202010088028 A CN 202010088028A CN 113140013 A CN113140013 A CN 113140013A
- Authority
- CN
- China
- Prior art keywords
- fnh
- contour
- candidate
- liver
- updated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000002591 computed tomography Methods 0.000 title claims abstract description 20
- 238000012805 post-processing Methods 0.000 title claims abstract description 18
- 210000004185 liver Anatomy 0.000 claims abstract description 86
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 206010020718 hyperplasia Diseases 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 201000011066 hemangioma Diseases 0.000 description 2
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 2
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
-
- 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
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
- A61B6/5241—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT combining overlapping images of the same imaging modality, e.g. by stitching
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20161—Level set
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
提供一种用于电脑断层摄影的后处理的装置和方法，适用于改善肝脏局部结节性增生FNH的辨识影像。该方法包含：取得包含肝脏轮廓以及非肝脏轮廓的辨识影像及辨识影像的各个像素的HU值，其中肝脏轮廓包含FNH候选轮廓；计算肝脏轮廓的平均HU值；将非肝脏轮廓的HU值调整为肝脏轮廓的平均HU值以产生经处理辨识影像；以及基于经处理辨识影像而根据形态学演算法更新FNH候选轮廓以产生经更新FNH候选轮廓。本发明的用于电脑断层摄影的后处理的装置和方法可显著地提升FNH的辨识的精准度。
Description
技术领域
本发明是有关于一种装置和方法，且特别是有关于一种用于电脑断层摄影(tomography)的后处理的装置和方法。
背景技术
随着深度学习的逐渐普及，有越来越多的医疗机构开始接受且期待通过电脑科学来帮助放射科医师判断病人的电脑断层摄影(computed tomography，CT)影像，也有越来越多的团队投入肝脏肿瘤辨识系统的开发。现行的电脑科学技术大都着重在恶性的肝细胞癌(hepatocellular carcinoma，HCC)的辨识上，而并未对良性肿瘤诸如肝脏血管瘤(hemangioma)或肝脏局部结节性增生(focal nodular hyperplasia，FNH)去进行影像辨识。然而，对于存在数种病症的肝脏来说，只判断恶性肿瘤显然是不够的。因此，如何对肝脏的良性肿瘤进行判断以协助医师确定患者的肝脏状况，是本领域人员致力的目标之一。
发明内容
本发明提供一种用于电脑断层摄影的后处理的装置和方法，可改善FNH的辨识影像以使FNH的辨识结果更贴合FNH的实际边界，并且可减少FNH的辨识结果的伪阳性。
本发明的一种用于电脑断层摄影的后处理的装置，适用于改善肝脏局部结节性增生(FNH)的辨识影像，该装置包括处理器、储存媒体以及收发器。储存媒体储存多个模块。处理器耦接储存媒体和收发器，并且存取和执行多个模块，其中多个模块包括数据收集模块以及运算模块。数据收集模块通过收发器取得包括肝脏轮廓以及非肝脏轮廓的辨识影像及辨识影像的各个像素的HU值，其中肝脏轮廓包括FNH候选轮廓。运算模块将非肝脏轮廓的HU值调整为肝脏轮廓的平均HU值以产生经处理辨识影像，以及基于经处理辨识影像而根据形态学演算法来更新FNH候选轮廓以产生经更新FNH候选轮廓。
在本发明的一实施例中，上述的运算模块响应于经更新FNH候选轮廓与FNH候选轮廓的交集超过阈值而判断经更新FNH候选轮廓代表正确的FNH的辨识结果。
在本发明的一实施例中，上述的运算模块响应于经更新FNH候选轮廓与FNH候选轮廓的交集未超过阈值而判断经更新FNH候选轮廓代表错误的FNH的辨识结果。
在本发明的一实施例中，上述的阈值关联于经更新FNH候选轮廓与FNH候选轮廓的联集。
在本发明的一实施例中，上述的形态学演算法为无边缘主动轮廓法(ACWE)。
本发明的一种用于电脑断层摄影的后处理的方法，适用于改善肝脏局部结节性增生(FNH)的辨识影像，其中方法包括：取得包括肝脏轮廓以及非肝脏轮廓的辨识影像及辨识影像的各个像素的HU值，其中肝脏轮廓包括FNH候选轮廓；将非肝脏轮廓的HU值调整为肝脏轮廓的平均HU值以产生经处理辨识影像；以及基于经处理辨识影像而根据形态学演算法更新FNH候选轮廓以产生经更新FNH候选轮廓。
在本发明的一实施例中，上述的方法更包括：响应于经更新FNH候选轮廓与FNH候选轮廓的交集超过阈值而判断经更新FNH候选轮廓代表FNH的辨识结果。
在本发明的一实施例中，上述的方法更包括：响应于经更新FNH候选轮廓与FNH候选轮廓的交集未超过阈值而判断经更新FNH候选轮廓代表错误的辨识结果。
在本发明的一实施例中，上述的阈值关联于经更新FNH候选轮廓与FNH候选轮廓的联集。
在本发明的一实施例中，上述的形态学演算法为不具边缘的主动轮廓法(ACWE)。
基于上述，本发明的用于电脑断层摄影的后处理的装置和方法可显著地提升FNH的辨识的精准度。医师可通过本发明而更准确地判断FNH的尺寸和位置等信息。
附图说明
图1根据本发明的实施例绘示用于CT的后处理的装置的示意图；
图2A根据本发明的实施例绘示具有FNH的肝脏的辨识影像的示意图；
图2B根据本发明的实施例绘示经处理辨识影像的示意图；
图3根据本发明的实施例绘示经更新FNH候选轮廓的示意图；
图4A根据本发明的实施例绘示包含错误的FNH候选轮廓的经处理辨识影像的示意图；
图4B根据本发明的实施例绘示基于错误的FNH候选轮廓的经更新FNH候选轮廓的示意图；
图4C根据本发明的实施例绘示消除错误的经更新FNH候选轮廓以及FNH候选轮廓的经处理辨识影像的示意图；
图5根据本发明的实施例绘示用于CT的后处理的方法的流程图。
符号说明
10：辨识影像
100：用于CT的后处理的装置
110：处理器
120：储存媒体
121：数据收集模块
122：运算模块
130：收发器
20、30：经处理辨识影像
200：肝脏轮廓
250、260：FNH候选轮廓
251、261：经更新FNH候选轮廓
300：非肝脏轮廓
500：肝脏局部结节性增生(FNH)
S501、S502、S503：步骤
具体实施方式
图1是根据本发明的实施例绘示用于CT的后处理的装置100的示意图。装置100适用于改善肝脏局部结节性增生(FNH)的辨识影像。装置100可包括处理器110、储存媒体120以及收发器130。
处理器110例如是中央处理单元(central processing unit，CPU)，或是其他可编程的一般用途或特殊用途的微控制单元(micro control unit，MCU)、微处理器(microprocessor)、数位信号处理器(digital signal processor，DSP)、可编程控制器、特殊应用集成电路(application specific integrated circuit，ASIC)、图形处理器(graphics processing unit，GPU)、算数逻辑单元(arithmetic logic unit，ALU)、复杂可编程逻辑装置(complex programmable logic device，CPLD)、现场可编程逻辑门阵列(field programmable gate array，FPGA)或其他类似元件或上述元件的组合。处理器110可耦接至储存媒体120以及收发器130，并且存取和执行储存于储存媒体120中的多个模块和各种应用编程。
储存媒体120例如是任何型态的固定式或可移动式的随机存取存储器(randomaccess memory，RAM)、唯读存储器(read-only memory，ROM)、快闪存储器(flash memory)、硬盘(hard disk drive，HDD)、固态硬盘(solid state drive，SSD)或类似元件或上述元件的组合，而用于储存可由处理器110执行的多个模块或各种应用程式。在本实施例中，储存媒体120可储存包括数据收集模块121和运算模块122等多个模块，其功能将于后续说明。
收发器130以无线或有线的方式传送及接收信号。收发器130还可以执行例如低噪声放大、阻抗匹配、混频、向上或向下频率转换、滤波、放大以及类似的操作。
数据收集模块121可通过收发器130取得肝脏的辨识影像。图2A是根据本发明的实施例绘示具有FNH的肝脏的辨识影像10的示意图，其中辨识影像10可包括包围住肝实质(liver parenchyma)的肝脏轮廓200以及包围住非肝实质(non liver parenchyma)的非肝脏轮廓300(即：图2A的黑色部分)。辨识影像10还可包括包围住FNH 500的FNH候选轮廓250。辨识影像10、肝脏轮廓200、非肝脏轮廓300或FNH候选轮廓250例如是基于人工智能(artificial intelligence，AI)、机器学习演算法或深度学习演算法等技术来对原始的肝脏CT影像进行辨识而产生的，本发明不限于此。此外，数据收集模块121还可通过收发器130取得肝脏的辨识影像及辨识影像的各个像素的HU值。
一般来说，FNH候选轮廓250所包围的部分并不会完全与FNH 500相符，两者之间可能存在误差。为了极小化上述的误差，运算模块122可对辨识影像10进行后处理。
首先，运算模块122可计算肝脏轮廓200中肝实质的平均HU值将非肝脏轮廓300中的非肝实质的HU值调整为肝实质的平均HU值，如公式(1)所示，其中P1代表肝实质(即：肝脏轮廓200中的像素的集合)、P2代表非肝实质(即：非肝脏轮廓300中的像素的集合)、x代表辨识影像10中的像素、L0(x)代表x的未经调整的HU值、L1(x)代表x的经调整的HU值、xi代表肝脏轮廓200中的第i像素并且n代表肝脏轮廓200中的像素的总数。
图2B是根据本发明的实施例绘示经处理辨识影像20的示意图。运算模块122可基于公式(1)对辨识影像10中的非肝脏轮廓300中的像素进行更改以使非肝脏轮廓300的HU值近似于肝脏轮廓200的平均HU值。如此，将会降低非肝脏轮廓300中的非肝实质与肝脏轮廓200中的肝实质之间的对比，从而使FNH候选轮廓250中的FNH 500与肝脏轮廓200中的肝实质之间的对比变得更加明显。
接着，运算模块122可基于经处理辨识影像20而根据形态学(morphology)演算法来更新FNH候选轮廓250以产生经更新FNH候选轮廓251，如图3所示。图3是根据本发明的实施例绘示经更新FNH候选轮廓251的示意图。上述的形态学演算法例如是无边缘主动轮廓法(active contours without edges，ACWE)。首先，运算模块122可建立如公式(2)所示的ACWE模型的正则表示式，其中F代表ACWE模型的能量函数、μ或υ代表大于或等于0的参数(在本实施例中，υ＝0)、C代表区域边界的曲线、length(C)为C的长度、inside(C)代表在区域边界的曲线之内的像素、c1代表inside(C)的像素平均值、outside(C)代表在区域边界的曲线之外的像素、c2代表outside(C)的像素平均值、λ1或λ2代表大于0的参数并且I(x)代表像素x的像素值。
F(c1，c2，C)＝μ·length(C)+υ·area(illside(C))+λ1∫inside(C)||I(x)-c1||dx+λ2∫outside(c)||I(x)-c2||dx (2)
而后，运算模块122可通过迭代找出能量函数F的最小值以解出λ1及λ2，从而计算出最贴近FNH 500的边界。运算模块122可使用例如水平集(level set)方法来追踪FNH 500的边界，如公式(3)所示，其中uj(x)为进行完第j个步骤后的像素x的水平集函数、Dd代表扩张、Ed代表侵蚀、
代表梯度并且SId oISd代表侵蚀和扩张的结合(即：先进行ISd(即：先扩张后侵蚀以将内凹钝化)，再进行SId(先侵蚀后扩张以将外凸钝化))、λ1或λ2为大于0的参数、μ为大于或等于0的参数并且I(x)为像素x的像素值。在计算完u2(x)后，运算模块122可根据u2(x)决定出最贴近FNH500的边界(即：经更新FNH候选轮廓251)。
需注意的是，无边缘主动轮廓法的初始点是来自于AI所预测的FNH候选轮廓中选出。若AI将正常的肝实质误判为FNH，则运算模块122可能会根据错误的初始点而将经更新FNH候选轮廓扩张为包括整个肝实质的区域。图4A是根据本发明的实施例绘示包含错误的FNH候选轮廓260的经处理辨识影像30的示意图。图4B是根据本发明的实施例绘示基于错误的FNH候选轮廓260的经更新FNH候选轮廓261的示意图。同时参照图4A和图4B，假设AI将正常的肝实质的区域误判为FNH候选轮廓260，则运算模块122可能根据错误的FNH候选轮廓260而基于无边缘主动轮廓法产生错误的经更新FNH候选轮廓261。在经过多次迭代计算后，经更新FNH候选轮廓261可能被扩张成包括整个正常的肝实质的区域。
为了避免产生错误的经更新FNH候选轮廓，运算模块122可响应于经更新FNH候选轮廓与FNH候选轮廓的交集超过阈值而判断经更新FNH候选轮廓代表正确的FNH的辨识结果，并可响应于经更新FNH候选轮廓与FNH候选轮廓的交集未超过阈值而判断经更新FNH候选轮廓代表错误的FNH的辨识结果，其中所述阈值关联于经更新FNH候选轮廓与FNH候选轮廓的联集，如公式(4)所示，其中YAI代表由AI预测的FNH候选轮廓、YP代表由运算模块122基于无边缘主动轮廓法而计算出的经更新FNH候选轮廓、T代表一常数、R等于1代表FNH的辨识结果为正确的并且R等于0代表FNH的辨识结果为错误的。
举例来说，运算模块122可响应于经更新FNH候选轮廓251与FNH候选轮廓250的交集超过阈值而判断经更新FNH候选轮廓251代表正确的FNH 500的辨识结果，如图3所示。举另一例来说，运算模块122可响应于经更新FNH候选轮廓261与FNH候选轮廓260的交集未超过阈值而判断经更新FNH候选轮廓261代表错误的FNH 500的辨识结果，如图4B。为了减少FNH 500的辨识结果的伪阳性，运算模块122可消除经更新FNH候选轮廓261(及/或FNH候选轮廓260)，如图4C所示。图4C是根据本发明的实施例绘制消除了错误的经更新FNH候选轮廓261以及FNH候选轮廓260的经处理辨识影像30的示意图。
图5根据本发明的实施例绘示用于CT的后处理的方法的流程图，其中该方法可由如图1所示的装置100实施。在步骤S501中，取得包括肝脏轮廓以及非肝脏轮廓的辨识影像及辨识影像的各个像素的HU值，其中肝脏轮廓包括FNH候选轮廓。在步骤S502中，将非肝脏轮廓的HU值调整为肝脏轮廓的平均HU值以产生经处理辨识影像。在步骤S503中，基于经处理辨识影像而根据形态学演算法更新FNH候选轮廓以产生经更新FNH候选轮廓。
综上所述，本发明的用于电脑断层摄影的后处理的装置和方法可显著地提升FNH的辨识的精准度。本发明可对辨识影像中的非肝脏轮廓进行正规化以使非肝脏轮廓的HU值等同于肝脏轮廓的平均HU值。如此，FNH的HU值与肝脏的正常部位的HU值之间的差异将会更加显著，FNH的辨识也会变得更容易。此外，利用形态学演算法更新FNH候选轮廓，以通过扩张或侵蚀等运算来使经更新FNH候选轮廓的边界更加贴近真实的FNH。根据经更新FNH候选轮廓，医师将可更准确地判断FNH的尺寸和位置等信息。另一方面，本发明还可根据经更新FNH候选轮廓与原始的FNH候选轮廓的交集或联集来判断经更新FNH候选轮廓是否对应于正确的判断结果，避免将正常的肝脏部位误判为FNH以减少辨识结果的伪阳性。
Claims (10)
1.一种用于电脑断层摄影的后处理的装置，适用于改善肝脏局部结节性增生FNH的辨识影像，其特征在于，所述装置包括：
收发器；
储存媒体，储存多个模块；以及
处理器，耦接所述储存媒体和所述收发器，并且存取和执行所述多个模块，其中所述多个模块包括：
数据收集模块，通过所述收发器取得包括肝脏轮廓以及非肝脏轮廓的所述辨识影像及所述辨识影像的各个像素的HU值，其中所述肝脏轮廓包括FNH候选轮廓；以及
运算模块，将所述非肝脏轮廓的HU值调整为所述肝脏轮廓的平均HU值以产生经处理辨识影像，以及基于所述经处理辨识影像而根据形态学演算法来更新所述FNH候选轮廓以产生经更新FNH候选轮廓。
2.如权利要求1所述的装置，其特征在于，所述运算模块响应于所述经更新FNH候选轮廓与所述FNH候选轮廓的交集超过阈值而判断所述经更新FNH候选轮廓代表正确的所述FNH的辨识结果。
3.如权利要求1所述的装置，其特征在于，所述运算模块响应于所述经更新FNH候选轮廓与所述FNH候选轮廓的交集未超过阈值而判断所述经更新FNH候选轮廓代表错误的所述FNH的辨识结果。
4.如权利要求2所述的装置，其特征在于，所述阈值关联于所述经更新FNH候选轮廓与所述FNH候选轮廓的联集。
5.如权利要求1所述的装置，其特征在于，所述形态学演算法为无边缘主动轮廓法ACWE。
6.一种用于电脑断层摄影的后处理的方法，适用于改善肝脏局部结节性增生FNH的辨识影像，其特征在于，所述方法包括：
取得包括肝脏轮廓以及非肝脏轮廓的所述辨识影像及所述辨识影像的各个像素的HU值，其中所述肝脏轮廓包括FNH候选轮廓；
将所述非肝脏轮廓的HU值调整为所述肝脏轮廓的平均HU值以产生经处理辨识影像；以及基于所述经处理辨识影像而根据形态学演算法更新所述FNH候选轮廓以产生经更新FNH候选轮廓。
7.如权利要求6所述的方法，其特征在于，更包括：
响应于所述经更新FNH候选轮廓与所述FNH候选轮廓的交集超过阈值而判断所述经更新FNH候选轮廓代表所述FNH的辨识结果。
8.如权利要求6所述的方法，其特征在于，更包括：
响应于所述经更新FNH候选轮廓与所述FNH候选轮廓的交集未超过阈值而判断所述经更新FNH候选轮廓代表错误的辨识结果。
9.如权利要求7所述的方法，其特征在于，所述阈值关联于所述经更新FNH候选轮廓与所述FNH候选轮廓的联集。
10.如权利要求6所述的方法，其特征在于，所述形态学演算法为不具边缘的主动轮廓法ACWE。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109101870 | 2020-01-20 | ||
| TW109101870A TWI714440B (zh) | 2020-01-20 | 2020-01-20 | 用於電腦斷層攝影的後處理的裝置和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113140013A true CN113140013A (zh) | 2021-07-20 |
| CN113140013B CN113140013B (zh) | 2024-05-24 |
Family
ID=74669740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010088028.0A Active CN113140013B (zh) | 2020-01-20 | 2020-02-12 | 用于电脑断层摄影的后处理的装置和方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11406342B2 (zh) |
| CN (1) | CN113140013B (zh) |
| TW (1) | TWI714440B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
| US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
| US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
| US11587236B2 (en) * | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
| US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
| US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101599174A (zh) * | 2009-08-13 | 2009-12-09 | 哈尔滨工业大学 | 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法 |
| TW201419167A (zh) * | 2012-11-14 | 2014-05-16 | Far Eastern Memorial Hospital | 動態心臟影像分析與心功能評估系統 |
| CN107680078A (zh) * | 2017-09-01 | 2018-02-09 | 沈阳东软医疗系统有限公司 | 一种图像处理方法和装置 |
| CN107847209A (zh) * | 2015-07-23 | 2018-03-27 | 皇家飞利浦有限公司 | 计算机断层摄影可视化调整 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6138045A (en) * | 1998-08-07 | 2000-10-24 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
| JP5121204B2 (ja) * | 2006-10-11 | 2013-01-16 | オリンパス株式会社 | 画像処理装置、画像処理方法、および画像処理プログラム |
| US20090226057A1 (en) * | 2008-03-04 | 2009-09-10 | Adi Mashiach | Segmentation device and method |
| EP2120208A1 (en) * | 2008-05-13 | 2009-11-18 | IBBT vzw | Method and system for lesion segmentation |
| WO2012096988A2 (en) * | 2011-01-10 | 2012-07-19 | Rutgers, The State University Of New Jersey | Method and apparatus for shape based deformable segmentation of multiple overlapping objects |
| US8923582B2 (en) * | 2012-05-31 | 2014-12-30 | General Electric Company | Systems and methods for computer aided detection using pixel intensity values |
| JP5993653B2 (ja) * | 2012-08-03 | 2016-09-14 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
| EP3142069B1 (en) * | 2015-09-10 | 2020-05-13 | Agfa HealthCare | Method, apparatus and system for analyzing medical images of blood vessels |
| US10420523B2 (en) * | 2016-03-21 | 2019-09-24 | The Board Of Trustees Of The Leland Stanford Junior University | Adaptive local window-based methods for characterizing features of interest in digital images and systems for practicing same |
| CN106780460B (zh) * | 2016-12-13 | 2019-11-08 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
| CN107481254A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的处理方法、装置、介质和电子设备 |
| CN110599472B (zh) * | 2019-09-03 | 2021-03-02 | 佛山原子医疗设备有限公司 | 计算spect定量断层图像中suv归一化系数的方法及系统 |
-
2020
- 2020-01-20 TW TW109101870A patent/TWI714440B/zh active
- 2020-02-12 CN CN202010088028.0A patent/CN113140013B/zh active Active
- 2020-03-04 US US16/809,505 patent/US11406342B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101599174A (zh) * | 2009-08-13 | 2009-12-09 | 哈尔滨工业大学 | 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法 |
| TW201419167A (zh) * | 2012-11-14 | 2014-05-16 | Far Eastern Memorial Hospital | 動態心臟影像分析與心功能評估系統 |
| CN107847209A (zh) * | 2015-07-23 | 2018-03-27 | 皇家飞利浦有限公司 | 计算机断层摄影可视化调整 |
| CN107680078A (zh) * | 2017-09-01 | 2018-02-09 | 沈阳东软医疗系统有限公司 | 一种图像处理方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 吴珊: "基于活动轮廓模型的肝脏分割算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 5, 15 May 2015 (2015-05-15), pages 138 - 923 * |
| 范华君: "《腹部常见疾病的影像诊断学》", 30 January 2008, 黑龙江人民出版社, pages: 56 - 57 * |
| 黄臣程: "鲁棒的主动轮廓图像分割模型研究及其应用", 《中国博士学位论文全文数据库信息科技辑》, no. 1, pages 138 - 152 * |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI714440B (zh) | 2020-12-21 |
| US20210219936A1 (en) | 2021-07-22 |
| US11406342B2 (en) | 2022-08-09 |
| TW202128084A (zh) | 2021-08-01 |
| CN113140013B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113140013B (zh) | 用于电脑断层摄影的后处理的装置和方法 | |
| US10096108B2 (en) | Medical image segmentation method and apparatus | |
| US8090180B2 (en) | Method for segmenting image data for detecting a liver | |
| Zhou et al. | Automated lung segmentation and smoothing techniques for inclusion of juxtapleural nodules and pulmonary vessels on chest CT images | |
| US8582854B2 (en) | Method and system for automatic coronary artery detection | |
| CN112508965B (zh) | 医学影像中正常器官的轮廓线自动勾画系统 | |
| US20230070200A1 (en) | Gabor wavelet-fused multi-scale local level set ultrasonic image segmentation method | |
| US10319093B2 (en) | Image processing apparatus, image processing method, and program | |
| US20110293157A1 (en) | Medical Image Segmentation | |
| CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
| Furukawa et al. | Automatic liver segmentation method based on maximum a posterior probability estimation and level set method | |
| CN109801276B (zh) | 一种计算心胸比的方法及装置 | |
| CN107451995A (zh) | 在cta图像中提取心血管方法、装置、设备及存储介质 | |
| CN110992370B (zh) | 一种胰腺组织的分割方法、装置及终端设备 | |
| JP2007061607A (ja) | 第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム | |
| US9042619B2 (en) | Method and system for automatic native and bypass coronary ostia detection in cardiac computed tomography volumes | |
| CN111882538A (zh) | 一种区分肺结核与肿瘤信息的处理系统及信息处理方法 | |
| CN114140378A (zh) | 扫描图像处理方法、电子设备和可读介质 | |
| CN111261296A (zh) | 基于条件随机向量场的肿瘤临床靶区自动勾画方法及系统 | |
| CN112308846A (zh) | 血管分割方法、装置及电子设备 | |
| CN110288581B (zh) | 一种基于保持形状凸性水平集模型的分割方法 | |
| CN110610491B (zh) | 一种腹部ct图像的肝脏肿瘤区域分割方法 | |
| JP2007502172A (ja) | 局所的曲率分布パターンの分析方法 | |
| US11935234B2 (en) | Method for detecting abnormality, non-transitory computer-readable recording medium storing program for detecting abnormality, abnormality detection apparatus, server apparatus, and method for processing information | |
| EP3843038B1 (en) | Image processing method and system |
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 |