CN113490964A - 用于运动校正和峰值增强的图像识别和选择 - Google Patents

用于运动校正和峰值增强的图像识别和选择 Download PDF

Info

Publication number
CN113490964A
CN113490964A CN202080014249.1A CN202080014249A CN113490964A CN 113490964 A CN113490964 A CN 113490964A CN 202080014249 A CN202080014249 A CN 202080014249A CN 113490964 A CN113490964 A CN 113490964A
Authority
CN
China
Prior art keywords
imaging data
location
difference
roi
region
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
CN202080014249.1A
Other languages
English (en)
Inventor
N·戈卡纳特斯奥斯
J·梁
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.)
Holojet
Hologic Inc
Original Assignee
Holojet
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 Holojet filed Critical Holojet
Publication of CN113490964A publication Critical patent/CN113490964A/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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56509—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to motion, displacement or flow, e.g. gradient moment nulling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • 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
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

用于对成像数据执行运动校正的方法和系统。该方法包括访问一组成像数据。该组成像数据包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据。在不同的成像数据中识别感兴趣的区域(ROI)的位置。确定并合计跨成像数据的ROI的位置之间的差异，以生成针对一组成像数据合中的相应成像数据的合计运动分数。然后基于合计运动分数选择成像数据中的一个作为用于运动校正的参考成像数据。基于所选择的参考成像数据执行该组成像数据的运动校正。可以对图像执行类似的比较，以用于MRI成像数据的峰值增强。

Description

用于运动校正和峰值增强的图像识别和选择
本申请在2020年3月13日提交，作为PCT国际专利申请，并要求在2019年3月14日申请的美国专利申请序列No.62/818,449的权益，其公开内容通过引用整体结合到本文中。
背景技术
医学成像已经成为用于识别和诊断人体内的异常，例如癌症或其它状况的广泛使用的工具。例如，磁共振成像(MRI)是一种可用于医疗应用的成像模态。在MRI中，为了诊断目的而采集患者身体区域的三维(即，体积)成像信息。诸如计算机断层摄影(CT)、正电子发射断层摄影(PET)、乳房X线照相术和断层合成的其他成像模态也可用于医学成像过程。在一些成像模态中，可以在多个时间点采集图像，通常称为动态成像。例如，可以在多个时间点采集MRI信息，以便研究动态过程的时间进展，例如血液的运动。断层合成涉及在不同时间点以多个角度获取患者的一部分(例如患者的乳房)的图像。在一些情况下，对比度增强或双能量乳房造影术也可以涉及在多个不同的时间点采集图像。在这种随着时间获取图像的动态成像过程中，患者可能在完成成像过程所需的时间期间移动。如果患者在成像过程期间移动，则可能需要校正所采集的成像数据以考虑患者的这种移动。
关于这些和其它一般考虑，作出了本文所公开的方面。此外，尽管可能讨论了相对具体的问题，但是应当理解，示例不应当限于解决在背景技术或本公开中的其他地方中标识的具体问题。
发明内容
本公开的示例描述了用于改进成像程序和从这样的成像程序得到的图像质量的系统和方法。在一方面，本技术涉及一种方法，包括访问一组成像数据，该组成像数据包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据。方法还包括识别感兴趣的区域(ROI)在第一成像数据中的第一位置；识别ROI在第二成像数据中的第二位置；以及识别ROI在第三成像数据中的第三位置。该方法还包括确定所识别的位置之间的多个差异，其中该多个差异包括以下各项之间的差异：第一位置和第二位置；第一位置和第三位置；以及第二位置和第三位置。方法还包括，基于所确定的多个差异，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据，并且利用所选择的参考图像对一组成像数据执行运动校正。
在一个示例中，该组成像数据是磁共振成像(MRI)数据。在另一示例中，一组成像数据包括二维医学图像，并且ROI的位置包括对应于第一维的第一坐标和对应于第二维的第二坐标。在又一示例中，确定第一位置和第二位置之间的差异包括：确定第一位置的第一坐标与第二位置的第一坐标之间的差异；以及确定第一位置的第二坐标和第二位置的第二坐标之间的差异。在又一示例中，该组成像数据包括三维医学图像，并且ROI的位置包括对应于第一维的第一坐标、对应于第二维的第二坐标和对应于第三维的第二坐标。在又一示例中，确定第一位置和第二位置之间的差异包括：确定第一位置的第一坐标与第二位置的第一坐标之间的差异；确定第一位置的第二坐标与第二位置的第二坐标之间的差异；以及确定第一位置的第三坐标和第二位置的第三坐标之间的差异。在另一示例中，确定第一位置和第二位置之间的差异包括确定第一位置和第二位置之间的距离。
在另一方面，本技术涉及一种系统，包括：显示器；至少一个处理器；以及存储指令的存储器，指令在由至少一个处理器执行时使系统执行一组操作。该组操作包括访问一组成像数据，该组成像数据包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据；识别感兴趣的区域(ROI)在第一成像数据中的第一位置；识别ROI在第二成像数据中的第二位置；以及识别ROI在第三成像数据中的第三位置。该组操作还包括确定所识别的位置之间的多个差异，其中该多个差异包括以下各项之间的差异：第一位置和第二位置；第一位置和第三位置；以及第二位置和第三位置。该组操作还包括基于所确定的多个差异，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据；利用所选择的参考成像数据对一组成像数据执行运动校正；以及在显示器上显示运动校正的成像数据组的至少一部分。
在示例中，系统还包括医学成像装置，并且一组操作还包括从医学成像装置采集一组成像数据。在另一示例中，医学成像装置是磁共振成像(MRI)机，并且成像数据包括MRI体积。在又一示例中，该组成像数据包括二维医学图像，并且ROI的位置包括对应于第一维的第一坐标和对应于第二维的第二坐标，并且确定第一位置和第二位置之间的差异包括：确定第一位置的第一坐标与第二位置的第一坐标之间的差异；以及确定第一位置的第二坐标和第二位置的第二坐标之间的差异。在又一示例中，医学图像是三维医学图像，ROI的位置包括对应于第一维的第一坐标、对应于第二维的第二坐标和对应于第三维的第二坐标，确定第一位置和第二位置之间的差异包括：确定第一位置的第一坐标与第二位置的第一坐标之间的差异；确定第一位置的第二坐标与第二位置的第二坐标之间的差异；以及确定第一位置的第三坐标和第二位置的第三坐标之间的差异。在又一示例中，确定第一位置与第二位置之间的差异包括确定第一位置与第二位置之间的距离。
在另一方面，本技术涉及一种方法，其包括访问在多个时间点采集的一组医学图像。该方法还包括识别该组医学图像中至少一半医学图像中的感兴趣的区域(ROI)；识别ROI在该组医学图像中至少一半的医学图像中的位置；比较ROI在该组医学图像中的至少一对医学图像中的所识别的位置；基于所识别的位置的比较，选择该组医学图像中的医学图像之一作为用于运动校正的参考图像；以及利用所选择的参考图像对该组医学图像执行运动校正。
在示例中，比较操作包括比较ROI在该组医学图像中的多对医学图像中的所识别的位置。在另一示例中，多对医学图像包括该组医学图像中的所有可能的医学图像对。在又一示例中，医学图像是二维医学图像，ROI的位置包括对应于第一维的第一坐标和对应于第二维的第二坐标。在又一示例中，医学图像是三维医学图像，ROI的位置包括对应于第一维的第一坐标、对应于第二维的第二坐标和对应于第三维的第二坐标。
在另一方面，本技术涉及访问一组成像数据，该组成像数据包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据。该方法还包括识别第一成像数据中的感兴趣的区域(ROI)的第一位置；识别ROI在第二成像数据中的第二位置；以及识别ROI在第三成像数据中的第三位置。该方法还包括确定第一位置和第二位置之间的第一差异；确定第一位置与第三位置之间的第二差异；以及确定第二位置和第三位置之间的第三差异。该方法还包括合计第一差异和第二差异以生成第一成像数据的第一合计运动分数；合计第一差异和第三差异以生成第二成像数据的第二合计运动分数；以及合计第二差异和第三差异以生成第三成像数据的第三合计运动分数。方法另外包括，基于第一合计运动分数、第二合计运动分数和第三合计运动分数，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据；以及基于所选择的参考成像数据执行该组成像数据的运动校正。
在示例中，第一差异是第一位置和第二位置之间的距离；第二差异是第一位置与第三位置之间的距离；并且第三差异是第二位置和第三位置之间的距离。在另一示例中，第一差异是第一位置和第二位置之间的区域；第二差异是第一位置与第三位置之间的区域；并且第三差异是第二位置和第三位置之间的区域。
在另一方面，本技术涉及一种方法，其包括访问包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据的一组成像数据；识别第一成像数据中的感兴趣的区域(ROI)的轮廓；识别第二成像数据中的ROI的轮廓；识别第三成像数据中的ROI的轮廓；确定第一轮廓和第二轮廓之间的第一区域；确定第一轮廓和第三轮廓之间的第二区域；确定第二轮廓和第三轮廓之间的第三区域；合计第一区域和第二区域以生成第一成像数据的第一合计运动分数；合计第一区域和第三区域以生成第二成像数据的第二合计运动分数；合计第二区域和第三区域以生成第三成像数据的第三合计运动分数；基于第一合计运动分数、第二合计运动分数和第三合计运动分数，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据；基于所选择的参考成像数据执行该组成像数据的运动校正；以及显示运动校正的成像数据组的至少一部分。
在示例中，第一区域是第一轮廓和第二轮廓之间的非重叠区域；第二区域为第一轮廓与第三轮廓之间的非重叠区域；第三区域是第二轮廓和第三轮廓之间的非重叠区域。在另一示例中，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据包括选择具有最低合计运动分数的成像数据。在又一示例中，第一区域是第一轮廓和第二轮廓之间的重叠区域；第二区域为第一轮廓与第三轮廓之间的重叠区域；第三区域为第二轮廓与第三轮廓之间的重叠区域。在又一示例中，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据包括选择具有最高合计运动分数的成像数据。在又一示例中，ROI是乳房的皮肤线。
在另一示例中，本技术涉及一种方法，包括访问一组MRI成像数据，该组MRI成像数据至少包括在第一时间采集的第一体积和在第二时间采集的第二体积；识别第一体积中的至少一个局部对比度增强区域；识别第二体积中的至少一个局部对比度增强区域；评估第一体积中的局部对比度增强区域的对比度动态；评估第二体积中的局部对比度增强区域的对比度动态；基于第一体积和第二体积中的局部对比度增强区域的评估的对比度动态，选择第一体积或第二体积作为峰值增强体积；以及基于峰值增强体积对该组MRI成像数据执行彩色化。
提供该发明内容以便以简化的形式介绍将在以下详细描述中进一步描述的一些概念。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。实例的额外方面、特征和/或优点将部分地在以下描述中陈述，且部分地将从描述中清晰，或可通过实践本公开而了解。
附图说明
参考以下附图描述非限制性和非穷举性示例。
图1描绘了在动态成像过程期间采集的一组示例图像。
图2A描绘了在动态成像过程期间采集的另一组示例图像。
图2B描绘了两个图像中感兴趣的区域(ROI)的差异。
图2C描绘了乳房的皮肤线的两个轮廓之间的非重叠区域的示例。
图3描绘了用于执行医学图像的运动校正的示例方法。
图4描绘了用于执行医学图像的运动校正的示例方法。
图5A和5B描绘了用于执行医学图像的运动校正的示例方法。
图6描绘了用于执行MRI图像的彩色化的示例方法。
图7描绘了用于本文讨论的医学成像技术的系统的示例。
具体实施方式
动态成像是在多个时间点采集医学图像的有用工具。这些医学图像可以在患者的单次扫描或成像过程期间采集。例如，可以连续地获取MRI图像以研究动态过程的时间进展，诸如血液的运动。动态对比增强(DCE)MRI是动态MRI成像的一个这样的示例。在DCE MRI中，在静脉内注射造影剂之后获得多个MRI体积。每个采集的体积示出了在采集该体积的相应时间点造影剂如何在患者体内行进。断层合成涉及在不同时间点以多个角度获取患者的一部分(例如患者的乳房)的图像。在这种动态成像过程中，患者可能在完成成像过程所需的时间期间移动。在扫描持续时间较长的情况下，患者移动也更可能，并且较长的扫描也可以比较短的扫描采集更多的图像。每个个体患者在他或她的个体扫描期间也可以以不同的方式移动。然而，在任何动态成像过程期间的患者移动常常降低从成像过程产生的图像的最终图像质量。例如，在DCE MRI中，由于患者的移动而使多个图像未对准，因此更难以查看旨在被看到的动态过程。
因此，希望有允许针对运动校正在动态成像过程期间采集的图像的过程。在一些运动校正算法中，通过移位后续图像以匹配第一图像来校正运动。例如，在示例MRI过程中，可以在不同的时间点采集四幅图像。为了校正过程期间的运动，可以将最后三个图像移位以与第一图像对准。然而，这种默认过程可能导致对患者运动的广泛校正，并且可能无法考虑患者的不同类型的运动。对任何图像的大量运动校正可能降低所得图像质量，并影响从图像可获得的潜在临床准确性，特别是在诊断小病变时。
本技术通过考虑已经成像的患者的特定运动并减少需要对一组医学图像执行的运动校正的总量来改进这样的运动校正过程。例如，本技术分析在动态成像过程期间采集的每个图像中识别的标记或感兴趣的区域(ROI)的位置。作为示例，可以将第一图像中ROI的位置与其他采集图像中的每个采集图像中ROI的位置进行比较。类似地，可以将第二图像中ROI的位置与每个其他采集的图像中ROI的位置进行比较。ROI位置的比较可以包括确定每个相应图像中的相对ROI位置之间的距离。基于ROI位置的比较，然后选择图像之一作为参考或基本图像以执行运动校正。例如，可以选择将减少整个图像组的图像校正总量的图像作为用于运动校正的参考图像。然后，使用所选择的图像作为参考图像来执行运动校正过程，这导致动态成像过程所需的整体图像校正较少。
本技术还能够分析多个图像或MRI体积以识别最适合用作用于对患者的被成像部分(例如乳房)进行彩色化的峰值增强体积的体积。通常，乳房MRI病变的彩色化是基于在造影剂的峰值浓度之前和达到造影剂的峰值浓度确定成像的乳房组织内的造影剂动态。在许多当前MRI彩色化系统中，使用固定超时周期，例如120秒，来选择MRI体积。因此，相同的体积总是用作峰值增强体积。例如，最接近固定超时周期采集的体积被默认选择为峰值增强体积，而不对体积本身进行任何分析。然而，超时周期在不同类型的MRI成像装置之间不同，并且不同类型的MRI成像装置需要针对超时周期的不同设置。成像装置之间的这种可变性也提高了将体积误标记为峰值增强体积的可能性，尤其是在考虑组织动态的可变性时。
本技术通过实际分析在DCE MRI过程期间采集的多个MRI体积来改进峰值体积选择过程。例如，本技术可以评估每个采集的体积的对比动态，以更准确地选择示出峰值增强特性的体积。这样，该组MRI体积的彩色化和浓度曲线可以基于峰值增强体积的更准确选择而不是默认时间点。
图1描绘了在动态成像过程期间采集的一组示例图像100。该组图像100包括在第一时间点采集的第一图像102、在第二时间点采集的第二图像104、在第三时间点采集的第三图像106和在第四时间点采集的第四图像108。该组中的每个图像包括乳房110的描绘。还在每个图像中识别了感兴趣的区域(ROI)112。在所描绘的示例中，ROI是乳房110的质心。然而，ROI在其他示例中可以不同，并且可以是患者的乳房或被成像的部分的任何可识别的特征。在对乳房进行成像的示例中，ROI可以是皮肤线、乳头、胸壁或其他基准标记。从该组图像100可以看出，乳房110和感兴趣的区域在每个图像中都已经移动。因此，患者在采集第一图像102的时间和采集第四图像108的时间之间已经移动，并且期望某种形式的运动校正。
本技术识别该组图像100中要用作运动校正处理的参考图像的最适当的图像。例如，参考图像是剩余参考被改变以匹配或至少被改变以移动得更靠近参考图像中乳房110的位置的图像。为了选择参考图像，执行跨图像的对ROI 112的位置的分析。
在所描述的例子中，第一图像中的ROI 112位于x坐标0和y坐标0处。这里可以使用典型的坐标符号(x，y)。这样，ROI 112在第一图像102中的位置可以被称为(x1，y1)并且具有值(0，0)。ROI 112在第二图像104中的位置被表示为(x2，y2)并且具有值(3，0)。ROI 112在第三图像106中的位置被表示为(x3，y3)并且具有值(2，0)，并且ROI 112在第四图像108中的位置是(x4，y4)并且具有值(4，0)。因此，在所描绘的示例中，乳房112仅在x方向上偏移。
为了确定该组图像100中的哪个图像最适合于被选择为参考图像，将每个图像中ROI 112的位置与剩余图像中ROI 112的位置进行比较。比较可以被使用或被合计以确定每个图像的合计运动分数。可以选择图像组100中具有最低合计运动分数的图像作为参考图像。
为了确定第一图像102的合计运动分数，确定ROI 112在第一图像102中的位置和ROI 112在其余图像中的位置之间的差异。例如，第一图像102的差异和合计运动分数如下：
Figure BDA0003209803920000091
表1：第一图像分析
如从上表可以看出的，第一图像的合计运动分数是第一图像102和剩余图像之间的ROI 112的位置差异的总和或合计。值得注意的是，在所描绘的示例中，因为乳房110在Y方向上没有移动，所以省略了关于Y坐标的计算，因为每个差异都将是零。此外，在本示例中的差异通常被认为是差异的绝对值，使得可以避免负值。
第二图像104的差异和合计运动分数如下：
Figure BDA0003209803920000092
表2：第二图像分析第三图像106的差异和合计运动分数如下：
Figure BDA0003209803920000101
表3：第三图像分析
第四图像108的差异和合计运动分数如下：
Figure BDA0003209803920000102
表4：第四图像分析
下表提供了每个合计运动分数的概要：
图像编号 合计运动分数
第一图像 9
第二图像 5
第三图像 5
第四图像 7
表5：表1-4的合计运动分数汇总
因此，第二图像104和第三图像106具有最低的合计运动分数(5)，随后是合计运动分数为7的第四图像108，以及合计运动分数为9的第一图像102，因此，在该示例中，选择第二图像104或第三图像108中的一个作为运动校正的代表图像。在一些示例中，诸如本示例，对于最低的合计运动分数，在两个图像之间存在平局。为了打破这种平局，可以利用任何对之间的最大差异。例如，在本示例中，第二图像104的计算的差异是3、1和1，第三图像106的计算的差异是2、1和2，因此，第二图像的最大差异是3，第三图像的最大差异是2。选择具有最低最大差异的图像作为用于运动校正的参考图像。因此，在本示例中，选择第三图像106作为基准。值得注意的是，基于合计运动分数，第一图像102将是用作参考图像的最差异选择，因为使用第一图像将需要跨图像组100的最多的运动校正量。这样，对图像组100内的多对图像的分析允许识别比选择任意参考图像需要更少的运动校正的参考图像，这导致改善了运动校正之后的图像组100的图像质量。分析或更多对图像还可以导致在选择最适合用作参考图像的图像时的改进的准确度。
图2描述了另一描述在动态成像过程期间采集的一组示例图像200。该组图像200包括在第一时间点获取的第一图像202、在第二时间点获取的第二图像204、在第三时间点获取的第三图像206和在第四时间点获取的第四图像208。该组中的每个图像包括乳房210的描绘。在每个图像中还识别出ROI 212。在所描绘的示例中，ROI是乳房210的质心。从该组图像200中可以看出，乳房210和感兴趣的区域在每个图像中都已经移动。图2中描绘的示例与图2中描绘的示例的不同之处在于，图2中的乳房210移动是二维的。
在图2中描绘的示例中，第一图像中的ROI 212位于(0，0)。ROI212在第二图像204中的位置是(3，1)，ROI 212在第三图像206中的位置是(2，-2)，并且ROI 212在第四图像208中的位置是(-2，1)。确定图像组200中的每对图像之间的差异可以通过计算每个图像中与ROI 212位置的距离来执行。用于计算两个ROI 212位置之间的距离的一个示例等式如下：
Figure BDA0003209803920000111
在上述等式中，D是距离，x1是第一ROI 212位置的x坐标，y1是第一ROI 212位置的y坐标，x2是第二ROI 212位置的x坐标，并且y2是第二ROI 212位置的y坐标。值得注意的是，上述距离方程可用于计算图1中的示例中的距离，并且将获得相同的结果。
因此，第一图像202的差异和合计运动分数如下：
Figure BDA0003209803920000121
表6：第一图像分析
第二图像204的差异和合计运动分数如下：
Figure BDA0003209803920000122
表7：第二图像分析
第三图像206的差异和合计运动分数如下：
Figure BDA0003209803920000123
表8：第三图像分析
第四图像208的差异和合计运动分数如下：
Figure BDA0003209803920000131
表9：第四图像分析
下表提供了每个合计运动分数的概要：
图像编号 合计运动分数
第一图像 8.22
第二图像 11.32
第三图像 10.98
第四图像 10.23
表10：表6-9的合计运动分数汇总
从上表可以看出，第一图像102具有最低的合计运动分数。因此，选择第一图像102作为用于运动校正的参考图像。
图2B描绘了两个图像中ROI的差异。特别地，来自图像202的乳房210的皮肤线216A的轮廓被示出为覆盖在来自图2A中描绘的图像204的乳房210的皮肤线216B的轮廓的顶部。在一些示例中，本技术可以使用ROI的轮廓，诸如乳房的皮肤线、胸壁或具有轮廓的其他可识别标记，来确定ROI在每个图像中的位置之间的差异。确定两个轮廓之间的差异可以包括确定两个轮廓不共有的区域。图2C描绘了乳房的皮肤线的两个轮廓之间的区域的示例。不是公共的或重叠的区域由虚线表示。可以为一组图像中的每对图像确定该非重叠区域。可以通过重叠两个轮廓并且计算不重叠轮廓中的区域来确定非重叠区域。这种确定可以通过图像分析过程来进行。区域也可以通过将每个轮廓表示为曲线或函数，然后取两个曲线或函数的差异之间的积分来确定。例如，对于图2B-2C中表示的一对轮廓216A、216B，第一轮廓216A可表示为第一函数f(x)，第二轮廓216B可表示为第二函数g(x)。两个函数之间的区域可通过取两个函数的差异的积分来确定，例如∫(f(x)-g(x))dx。根据实施方式，可能需要计算两个函数的每个交点之间的积分以确定总区域。
对于每个图像，还可以计算基于每对图像的区域差异的合计来计算合计运动分数。这种确定类似于上面讨论的与确定两点之间的距离有关的合计运动分数。在使用ROI的轮廓的示例中，合计运动分数可以基于两个轮廓之间的区域。然后，选择具有最低合计运动分数的图像作为用于执行运动校正的参考图像。
应当理解，虽然上述示例图像组仅包括四个图像，但是用于选择运动校正的最适当的参考图像的处理可以应用于具有更多或更少数量的参考的图像组。作为示例，对于一组图像中的每个图像(无论图像的数量如何)，可以确定该组中的每个可能的图像对的ROI的位置之间的差异。然后，可以对这些差异进行合计，以确定该组图像中每个图像的合计运动分数。然后，选择具有最低合计运动分数的图像作为用于运动校正的参考图像。
此外，在图1和图2A-C中的上述示例中，该组图像是二维图像。例如，图像可以表示来自MRI体积的切片。第一图像可以是在第一时间点拍摄的来自第一MRI体积的切片，第二图像可以是在第二时间点拍摄的来自第二MRI体积的切片，第三图像可以是在第三时间点拍摄的来自第三MRI体积的切片，第四图像可以是在第四时间点拍摄的来自第四MRI体积的切片。当特定图像被选择为参考图像时，整个相应体积可以被选择为用于执行运动校正的参考体积。例如，如果选择第三图像作为参考图像，则可以选择在第三时间点采集的MRI体积作为用于执行运动校正的参考体积。
在其他示例中，可以跨三维图像或图像数据进行ROI位置的分析和比较。例如，可以在第一体积中识别ROI的三维位置，并且可以在其他体积中识别ROI的位置。ROI的位置可以用三维笛卡尔坐标(x，y，z)表示。然后ROI在第一体积中的位置可以表示为(x1，y1，z1)，ROI在第二体积中的位置可以表示为(x2，y2，z2)。ROI的两个位置之间的距离可以用下面的等式来确定：
Figure BDA0003209803920000151
如在以上示例中，可以针对体积组中的所有可能的体积对确定ROI的位置之间的差异。可以对每个体积的差异进行合计以确定每个体积的合计运动分数，并且将具有最低合计运动分数的体积选择为用于运动校正的参考体积。
此外，虽然在以上示例中仅识别了单个ROI，但是在其他示例中，可以识别每个图像中的多个ROI。例如，可以在每个图像中识别第一ROI并且可以识别第二ROI。用于确定第一ROI的位置之间的差异和位置差异的计算的过程可以如上的确定。然后可以针对第二ROI执行相同的过程。然后，每个图像的合计运动分数可以是所确定的第一ROI和第二ROI的差异的组合。
图3描绘了用于执行医学图像的运动校正的示例方法300。在操作302，访问一组成像数据。访问该组成像数据可以包括从医学成像装置获取图像和/或从另一存储源接收医学图像。该组成像数据可以包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据。附加的成像日期也可以包括在该组成像数据中。该组成像数据可以包括例如MRI成像数据，例如MRI体积和/或MRI体积切片。在操作304，识别ROI在第一成像数据中的第一位置。对成像数据中的ROI的识别可以经由计算机辅助检测来执行，计算机辅助检测分析成像数据以识别成像数据中的特定ROI并确定其位置和坐标。在操作306，识别ROI在第二成像数据中的第二位置，并且在操作308，识别ROI在第三成像数据中的第三位置。ROI的第二位置是ROI在第二成像数据中的位置。类似地，ROI的第三位置是ROI在第三成像数据中的位置。在一些示例中，该组成像数据包括二维医学图像，并且ROI的位置包括对应于第一维(例如，x维)的第一坐标和对应于第二维(例如，y维)的第二坐标。例如，ROI的位置可以表示为坐标，例如(x，y)。在其他示例中，该组成像数据可以包括三维医学图像，并且ROI的位置包括对应于第一维(例如，x维)的第一坐标、对应于第二维(例如，y维)的第二坐标和对应于第三维(例如，z维)的第二坐标。例如，ROI的位置可以表示为坐标，例如(x，y，z)。所确定的差异可以是从一个位置到另一个位置的距离，并且可以使用上述距离方程来计算或确定这样的距离。
在操作310，确定ROI的识别的位置之间的多个差异。例如，都可以确定(1)第一位置和第二位置、(2)第一位置和第三位置、以及(3)第二位置和第三位置之间的差异。作为示例，在该组成像数据包括二维图像的情况下，确定第一位置和第二位置之间的差异可以包括确定第一位置的第一坐标和第二位置的第一坐标之间的差异，以及确定第一位置的第二坐标和第二位置的第二坐标之间的差异。在该组成像数据包括三维图像的示例中，确定第一位置和第二位置之间的差异可以包括确定第一位置的第一坐标和第二位置的第一坐标之间的差异，确定第一位置的第二坐标和第二位置的第二坐标之间的差异，以及确定第一位置的第三坐标和第二位置的第三坐标之间的差异。
基于在操作310中确定的多个差异，在操作312选择参考成像数据。例如，选择第一成像数据、第二成像数据或第三成像数据作为用于运动校正的参考成像数据。确定可以基于成像数据中的每个的合计运动分数，并且合计运动分数是基于所确定的多个差异的。在操作314，基于在操作312中选为参考成像数据的成像数据执行运动校正。例如，可以改变除了所选择的成像数据之外的成像数据，以更接近地匹配所选择的成像数据。执行运动校正可以产生经运动校正的一组成像数据。在操作316，可以显示经运动校正的一组成像数据的至少一部分。运动校正的成像数据组也可以本地或远程存储。运动校正的一组成像数据还可以用于完成或执行临床任务或检查，其中针对临床任务或检查执行了成像流程。运动校正的一组成像数据还可以用于计算或生成最终图像，例如在MRI或断层造影过程中。例如，可以从运动校正的一组成像数据生成断层合成体的重建和/或可以从运动校正的一组成像数据生成断层合成切片。
图4描绘了用于执行运动校正的另一方法400。在操作402，访问一组医学图像。该组医学图像包括在多个不同时间点采集的医学图像。在操作404，在该组医学图像中的每个医学图像中识别ROI。在一些示例中，可以在该组医学图像中的医学图像的至少大部分或大约一半中识别ROI。在操作406，识别ROI在每个医学图像中的位置。在一些示例中，针对在操作404中识别ROI的每个图像识别ROI的位置。ROI的识别和ROI位置的识别可以使用计算机辅助检测来执行。
在操作408，比较在操作406识别的ROI的位置。作为示例，比较ROI在至少一对医学图像中的位置。在其他示例中，可以针对该组医学图像中的多对医学图像比较ROI的位置。例如，多个对可以包括该组医学图像中的所有可能的医学图像对。在操作410，基于操作408中ROI的位置的比较来选择用于运动校正的参考图像。在操作412，基于该组医学图像对该组医学图像执行运动校正。执行运动校正可以产生一组运动校正的医学图像。在操作414，可以显示经运动校正的医学图像组的至少一部分。还可以本地或远程存储经运动校正的医学图像组。运动校正的一组成像数据还可以用于完成或执行临床任务或检查，其中针对临床任务或检查执行了成像流程。运动校正的一组成像数据还可以用于计算或生成最终图像，例如在MRI或断层造影过程中。例如，可以从运动校正的一组成像数据生成断层合成体积的重建和/或可以从运动校正的一组成像数据生成断层合成切片。
图5A描绘了用于执行运动校正的另一方法500。在操作502，访问一组成像数据。成像数据至少包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据。在操作504，在第一成像数据中识别ROI的第一位置。在操作506，在第二成像数据中识别ROI的第二位置。在操作508，在第三成像数据中识别ROI的第三位置。
在操作510，确定第一位置和第二位置之间的第一差异。在操作512，确定第一位置和第三位置之间的第二差异。在操作514，确定第二位置和第三位置之间的第三差异。在操作516，第一差异和第二差异被合计以生成第一成像数据的第一合计运动分数。在操作518，第一差异和第三差异被合计以生成第二成像数据的第二合计运动分数。在操作520，第二差异和第三差异被合计以生成第三成像数据的第三合计运动分数。
在操作522，基于第一合成运动分数、第二合成运动分数和第三合成运动分数选择参考成像数据。例如，可以选择具有最低合计运动分数的成像数据作为用于运动校正的参考成像数据。因此，在操作522，第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据。在操作524，基于所选择的参考成像数据对该组成像数据执行运动校正。然后，还可以显示经运动校正的成像数据。
图5B描绘了用于执行运动校正的另一方法550。在操作552，访问一组成像数据。成像数据至少包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据。在操作554，在第一成像数据中识别ROI的第一轮廓。在操作556，在第二成像数据中识别ROI的第二轮廓。在操作558，在第三成像数据中识别ROI的第三轮廓。
在操作560，确定第一轮廓和第二轮廓之间的第一区域。当第一成像数据和第二成像数据重叠时，所确定的区域可以是第一轮廓和第二轮廓之间的非重叠区域。在其他示例中，当第一成像数据和第二成像数据重叠时，所确定的区域可以是第一轮廓和第二轮廓之间的重叠区域。在操作562，确定第一轮廓和第三轮廓之间的第二区域。在操作564，确定第二轮廓和第三轮廓之间的第三区域。在操作566，第一区域和第二区域被合计以生成第一成像数据的第一合计运动分数。在操作568，合计第一区域和第三区域以生成第二成像数据的第二合计运动分数。在操作570，第二区域和第三区域被合计以生成第三成像数据的第三合计运动分数。
在操作572，基于第一合成运动分数、第二合成运动分数和第三合成运动分数选择参考成像数据。例如，在操作560至564中确定的区域是相应轮廓的非重叠区域的示例中，可以选择具有最低合计运动分数的成像数据作为用于运动校正的参考成像数据。在操作560至564中确定的区域是相应轮廓的重叠区域的示例中，可以选择具有最高合计运动分数的成像数据作为用于运动校正的参考成像数据。因此，在操作572中，第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据。在操作574，基于选择的参考成像数据对该组成像数据执行运动校正。然后，还可以显示经运动校正的成像数据。运动校正的一组成像数据还可以用于完成或执行临床任务或检查，其中针对临床任务或检查执行了成像流程。运动校正的一组成像数据还可以用于计算或生成最终图像，例如在MRI或断层造影过程中。例如，可以从运动校正的一组成像数据生成断层合成体积的重建和/或可以从运动校正的一组成像数据生成断层合成切片。
图6描绘了用于执行MRI图像的彩色化的示例方法。在操作602，访问一组MRI成像数据。该组MRI成像数据可以至少包括在第一时间采集的第一体积和在第二时间采集的第二体积。附加体积也可以包括在MRI一组成像数据中。在操作604，在MRI一组成像数据中的至少两个MRI图像中识别至少一个局部对比度增强区域。例如，可以在第一体积和第二体积中识别局部对比度增强区域。在操作606，对于局部对比度增强区域被识别的MRI体积，评估识别的局部对比度增强区域的对比度动态。评估每个MRI体积的所识别的局部对比度增强区域可包括通过将每个MRI体积当作其是峰值增强体积来执行每个MRI体积的着色。例如，可以执行第一MRI体积的着色，将第一MRI体积作为峰值增强体积，并且可以评估所识别的局部对比度增强区域的对比度动态。对于第二MRI体积可以进行同样的操作。
在操作608，基于局部对比度增强区域的评估的对比度动态来选择峰值增强体积。例如，选择峰值增强体积可以包括比较MRI一组成像数据中的每个MRI体积的局部对比度增强区域的评估的对比度动态。在操作610，基于在操作608中选择的峰值增强体积，执行MRI一组成像数据的彩色化。然后，彩色化的MRI成像数据组可以被本地或远程地显示和/或存储。
图7示出了具有医学成像装置701和合适的操作环境703的系统700的一个示例，其中可以实现医学成像的一个或多个本示例。医学成像装置701可以是能够动态成像的任何医学成像装置，例如MRI装置。医学成像装置701可与操作环境703通信，并且被配置为将医学图像传送到操作环境703。医学成像装置701还可与远程存储装置705通信，并且被配置为将医学图像传送到远程存储装置705。远程存储705还可以与操作环境703通信，并且被配置为将所存储的医学图像发送到环境703。
操作环境703可以直接并入医学成像装置701，或者可以并入与本文的成像系统分离但用于控制本文的成像系统的计算机系统。这仅是合适的操作环境的一个示例，而非旨在对使用范围或功能提出任何限制。可以适合使用的其他计算系统、环境和/或配置包括但不限于，成像系统、个人计算机、服务器计算机、手持式或膝上型设备、多处理器系统、基于微处理器的系统、诸如智能电话、网络PC、小型计算机、大型计算机、平板计算机之类的可编程消费电子产品、包括任何上述系统或设备的分布式计算环境等。
在其最基本的配置中，操作环境703通常包括至少一个处理器702和存储器704。取决于计算设备的确切配置和类型，存储器704(存储执行本文所公开的图像获取和处理方法的指令等)可以是易失性的(诸如RAM)、非易失性的(诸如ROM、闪存等)、或两者的某种组合。这个最基本的配置在图7中由虚线706示出。此外，环境703还可以包括存储设备(可移除708和/或不可移除710)，包括但不限于磁盘或光盘、固态设备或磁带。类似地，环境703也可以具有诸如触摸屏、键盘、鼠标、笔、语音输入等一个或多个输入设备714和/或诸如显示器、扬声器、打印机等一个或多个输出设备716。该环境中也可以包括一个或多个通信连接712，诸如LAN、WAN、点对点、蓝牙、RF等。
操作环境703通常包括至少某种形式的计算机可读介质。计算机可读介质可以是可由处理单元702或包括操作环境的其它设备访问的任何可用介质。作为示例，操作环境可以包括至少一个处理器702和可操作地连接到该至少一个处理器702的存储器704。存储器存储指令，当由至少一个处理器执行时，指令使系统执行一组操作，诸如本文描述的操作，包括上文讨论的方法操作。
作为示例而非限制，计算机可读介质可包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光存储、磁带盒、磁带、磁盘存储或其它磁存储设备、固态存储、或可以用于存储所需信息的任何其它有形介质。通信介质以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并包括任一信息传送介质。术语“已调制数据信号”指以在信号中编码信息的方式设置或改变其一个或多个特征的信号。作为示例而非限制，通信介质包括诸如有线网络或直接线连接等有线介质，以及诸如声学、RF、红外和其它无线介质等无线介质。上述任何的组合也应包括在计算机可读介质的范围内。计算机可读设备是结合了计算机存储介质的硬件设备。
操作环境703可以是使用到一个或多个远程计算机的逻辑连接在网络化环境中操作的单个计算机。远程计算机可以是个人计算机、服务器、路由器、网络PC、对等设备或其它常见的网络节点，并且通常包括许多或所有上述元件以及未如此提及的其它元件。逻辑连接可包括由可用通信介质支持的任何方法。这样的网络环境可用在办公室、企业范围计算机网络、内联网和因特网中。
在一些实施例中，本文描述的组件包括可由计算机系统703执行的此类模块或指令，其可存储在计算机存储介质和其他有形介质上并在通信介质中传输。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。上述任何的组合也应当包括在可读介质的范围内。在一些实施例中，计算机系统703是将数据存储在远程存储介质中以供计算机系统703使用的网络的一部分。
可以使用软件、硬件或软件和硬件的组合来采用本文描述的实施例，以实现和执行本文公开的系统和方法。尽管在整个公开中已经将特定设备叙述为执行特定功能，但是本领域技术人员将理解，这些设备是出于说明性目的而提供的，并且可以采用其他设备来执行本文公开的功能，而不脱离本公开的范围。另外，上文参照根据本公开的方面的系统和方法的框图和/或操作图示描述了本公开的一些方面。框中所标注的功能、操作和/或动作可以不按照任何相应流程图中所示的顺序发生。例如，取决于所涉及的功能和实现，连续示出的两个框实际上可以是基本上同时或以相反的顺序执行或进行。
本公开参考附图描述了本技术的一些实施例，其中仅示出了可能的实施例中的一些。然而，其它方面可以以许多不同的形式来体现，并且不应被解释为限于本文所阐述的实施例。相反，提供这些实施例是为了使本公开彻底和完整，并且将可能实施例的范围完全传达给本领域技术人员。此外，如本文和权利要求中所用，短语“要素A、要素B或要素C中的至少一个”旨在表达以下中的任一个：要素A、要素B、要素C、要素A和要素B、要素A和要素C、要素B和要素C、要素A、B、C。此外，本领域技术人员将理解术语例如“约”或“基本上”根据本文所用的测量技术传达的程度。在本领域技术人员可能没有清楚地定义或理解这样的术语的程度上，术语“约”应指正或负百分之十。
尽管本文描述了具体实施例，但是本技术的范围不限于那些具体实施例。此外，虽然可以单独地描述不同的示例和实施例，但是在实现本文描述的技术时，这样的实施例和示例可以彼此组合。本领域技术人员将认识到在本技术的范围和精神内的其它实施例或改进。因此，特定结构、动作或介质仅作为说明性实施例来公开。本技术的范围由所附权利要求书及其任何等效物界定。

Claims (28)

1.一种方法，包括：
访问一组成像数据，一组成像数据包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据；
识别感兴趣的区域(ROI)在第一成像数据中的第一位置；
识别ROI在第二成像数据中的第二位置；
识别ROI在第三成像数据中的第三位置；
确定所识别的位置之间的多个差异，其中所述多个差异包括以下各项之间的差异：
第一位置和第二位置；
第一位置和第三位置；以及
第二位置和第三位置；
基于所确定的多个差异，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据；以及
利用所选择的参考图像对所述一组成像数据执行运动校正。
2.根据权利要求1所述的方法，其中所述一组成像数据是磁共振成像(MRI)数据。
3.根据权利要求1-2中的任一项所述的方法，其中所述一组成像数据包括二维医学图像，并且ROI的位置包括与第一维度对应的第一坐标和与第二维度对应的第二坐标。
4.根据权利要求3所述的方法，其中确定第一位置与第二位置之间的差异包括：
确定第一位置的第一坐标与第二位置的第一坐标之间的差异；以及
确定第一位置的第二坐标与第二位置的第二坐标之间的差异。
5.根据权利要求1-4中的任一项所述的方法，其中所述一组成像数据包括三维医学图像，并且ROI的位置包括与第一维度对应的第一坐标、与第二维度对应的第二坐标以及与第三维度对应的第二坐标。
6.根据权利要求5所述的方法，其中确定第一位置与第二位置之间的差异包括：
确定第一位置的第一坐标与第二位置的第一坐标之间的差异；
确定第一位置的第二坐标与第二位置的第二坐标之间的差异；以及
确定第一位置的第三坐标与第二位置的第三坐标之间的差异。
7.根据权利要求1-6中任一项所述的方法，其中确定第一位置和第二位置之间的差异包括确定第一位置和第二位置之间的距离。
8.一种系统，包括：
显示器；
至少一个处理器；以及
存储器，其存储指令，指令在由至少一个处理器执行时使系统执行一组操作，所述一组操作包括：
访问一组成像数据，所述一组成像数据包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据；
识别感兴趣的区域(ROI)在第一成像数据中的第一位置；
识别ROI在第二成像数据中的第二位置；
识别ROI在第三成像数据中的第三位置；
确定所识别的位置之间的多个差异，
其中所述多个差异包括以下各项之间的差异：
第一位置和第二位置；
第一位置和第三位置；以及
第二位置和第三位置；
基于所确定的多个差异，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据；
利用所选择的参考成像数据对所述一组成像数据执行运动校正；以及
在显示器上显示基于经运动校正的一组成像数据的图像。
9.根据权利要求8所述的系统，还包括医学成像装置，并且所述一组操作还包括从医学成像装置采集所述一组成像数据。
10.根据权利要求9所述的系统，其中，医学成像装置是磁共振成像(MRI)机，并且成像数据包括MRI体积。
11.根据权利要求8-10中的任一项所述的系统，其中，所述一组成像数据包括二维医学图像，并且ROI的位置包括与第一维度对应的第一坐标和与第二维度对应的第二坐标，并且其中确定第一位置与第二位置之间的差异包括：
确定第一位置的第一坐标与第二位置的第一坐标之间的差异；以及
确定第一位置的第二坐标与第二位置的第二坐标之间的差异。
12.根据权利要求8-11中的任一项所述的系统，其中，医学图像是三维医学图像，并且ROI的位置包括与第一维度对应的第一坐标、与第二维度对应的第二坐标和与第三维度对应的第二坐标，并且确定第一位置和第二位置之间的差异包括：
确定第一位置的第一坐标与第二位置的第一坐标之间的差异；
确定第一位置的第二坐标与第二位置的第二坐标之间的差异；以及
确定第一位置的第三坐标与第二位置的第三坐标之间的差异。
13.根据权利要求8-12中任一项所述的系统，还包括其中确定第一位置和第二位置之间的差异包括确定第一位置和第二位置之间的距离。
14.一种方法，包括：
访问在多个时间点采集的一组医学图像；
识别所述一组医学图像中的至少一半医学图像中的感兴趣的区域(ROI)；
识别ROI在所述一组医学图像中的至少一半医学图像中的位置；
比较ROI在所述一组医学图像中的至少一对医学图像中的所识别的位置；
基于所识别的位置的比较，选择所述一组医学图像中的医学图像之一作为用于运动校正的参考图像；以及
利用所选择的参考图像对所述一组医学图像执行运动校正。
15.根据权利要求14所述的方法，其中比较操作包括比较ROI在所述一组医学图像中的多对医学图像中的所识别的位置。
16.根据权利要求15所述的方法，其中，所述多对医学图像包括所述一组医学图像中的所有可能的医学图像对。
17.根据权利要求14所述的方法，其中，医学图像是二维医学图像，并且ROI的位置包括与第一维度对应的第一坐标和与第二维度对应的第二坐标。
18.根据权利要求14所述的方法，其中，医学图像是三维医学图像，并且ROI的位置包括与第一维度对应的第一坐标、与第二维度对应的第二坐标以及与第三维度对应的第二坐标。
19.一种方法，包括：
访问一组成像数据，所述一组成像数据包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据；
识别感兴趣的区域(ROI)在第一成像数据中的第一位置；
识别ROI在第二成像数据中的第二位置；
识别ROI在第三成像数据中的第三位置；
确定第一位置与第二位置之间的第一差异；
确定第一位置与第三位置之间的第二差异；
确定第二位置与第三位置之间的第三差异；
合计第一差异和第二差异以生成第一成像数据的第一合计运动分数；
合计第一差异和第三差异以生成第二成像数据的第二合计运动分数；
合计第二差异和第三差异以生成第三成像数据的第三合计运动分数；
基于第一合计运动分数、第二合计运动分数和第三合计运动分数，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据；以及
基于所选择的参考成像数据执行所述一组成像数据的运动校正。
20.根据权利要求19所述的方法，其中：
第一差异是第一位置与第二位置之间的距离；
第二差异是第一位置与第三位置之间的距离；以及
第三差异是第二位置和第三位置之间的距离。
21.根据权利要求19-20中任一项所述的方法，其中：
第一差异是第一位置与第二位置之间的区域；
第二差异是第一位置与第三位置之间的区域；以及
第三差异是第二位置和第三位置之间的区域。
22.一种方法，包括：
访问一组成像数据，所述一组成像数据包括第一时间点的第一成像数据、第二时间点的第二成像数据和第三时间点的第三成像数据；
识别感兴趣的区域(ROI)在第一成像数据中的轮廓；
识别ROI在第二成像数据中的轮廓；
识别ROI在第三成像数据中的轮廓；
确定第一轮廓和第二轮廓之间的第一区域；
确定第一轮廓和第三轮廓之间的第二区域；
确定第二轮廓和第三轮廓之间的第三区域；
合计第一区域和第二区域以生成第一成像数据的第一合计运动分数；
合计第一区域和第三区域以生成第二成像数据的第二合计运动分数；
合计第二区域和第三区域以生成第三成像数据的第三合计运动分数；
基于第一合计运动分数、第二合计运动分数和第三合计运动分数，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据；
基于所选择的参考成像数据执行所述一组成像数据的运动校正；以及
显示运动校正的所述一组成像数据的至少一部分。
23.如权利要求22所述的方法，其中：
第一区域是第一轮廓和第二轮廓之间的非重叠区域；
第二区域为第一轮廓与第三轮廓之间的非重叠区域；以及
第三区域是第二轮廓和第三轮廓之间的非重叠区域。
24.根据权利要求23所述的方法，其中，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据包括选择具有最低合计运动分数的成像数据。
25.根据权利要求22所述的方法，其中：
第一区域为第一轮廓与第二轮廓之间的重叠区域；
第二区域为第一轮廓与第三轮廓之间的重叠区域；以及
第三区域是第二轮廓和第三轮廓之间的重叠区域。
26.根据权利要求25所述的方法，其中，选择第一成像数据、第二成像数据或第三成像数据中的一个作为用于运动校正的参考成像数据包括选择具有最高合计运动分数的成像数据。
27.根据权利要求22-26中的任一项所述的方法，其中，ROI是乳房的皮肤线。
28.一种方法，包括：
访问一组MRI成像数据，所述一组MRI成像数据至少包括在第一时间采集的第一体积和在第二时间采集的第二体积；
识别第一体积中的至少一个局部对比度增强区域；
识别第二体积中的所述至少一个局部对比度增强区域；
评估第一体积中的局部对比度增强区域的对比度动态；
评估第二体积中的局部对比度增强区域的对比度动态；
基于第一体积和第二体积中的局部对比度增强区域的评估的对比度动态，选择第一体积或第二体积作为峰值增强体积；以及
基于峰值增强体积对所述一组MRI成像数据执行彩色化。
CN202080014249.1A 2019-03-14 2020-03-13 用于运动校正和峰值增强的图像识别和选择 Pending CN113490964A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962818449P 2019-03-14 2019-03-14
US62/818,449 2019-03-14
PCT/US2020/022663 WO2020186175A1 (en) 2019-03-14 2020-03-13 Image identification and selection for motion correction and peak enhancement

Publications (1)

Publication Number Publication Date
CN113490964A true CN113490964A (zh) 2021-10-08

Family

ID=70190221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080014249.1A Pending CN113490964A (zh) 2019-03-14 2020-03-13 用于运动校正和峰值增强的图像识别和选择

Country Status (7)

Country Link
US (1) US20220171009A1 (zh)
EP (1) EP3939000A1 (zh)
JP (1) JP2022524990A (zh)
KR (1) KR20210141939A (zh)
CN (1) CN113490964A (zh)
AU (1) AU2020234709A1 (zh)
WO (1) WO2020186175A1 (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8649585B2 (en) * 2010-11-15 2014-02-11 Siemens Aktiengesellschaft Method and system for retrospective image combination under minimal total deformation constrain for free-breathing cardiac magnetic resonance imaging with motion correction
US9684979B2 (en) * 2013-09-30 2017-06-20 Siemens Healthcare Gmbh MRI 3D cine imaging based on intersecting source and anchor slice data

Also Published As

Publication number Publication date
JP2022524990A (ja) 2022-05-11
WO2020186175A1 (en) 2020-09-17
KR20210141939A (ko) 2021-11-23
EP3939000A1 (en) 2022-01-19
AU2020234709A1 (en) 2021-08-05
US20220171009A1 (en) 2022-06-02

Similar Documents

Publication Publication Date Title
CN111401398B (zh) 用于根据人工智能检测输出确定疾病进展的系统和方法
JP6598452B2 (ja) 医用画像処理装置及び医用画像処理方法
US10952694B2 (en) Method and apparatus for correcting computed tomography image
EP2365471B1 (en) Diagnosis assisting apparatus, coronary artery analyzing method and recording medium having a coronary artery analzying program stored therein
JP2019033966A (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
CN112885453A (zh) 用于标识后续医学图像中的病理变化的方法和系统
US20150371420A1 (en) Systems and methods for extending a field of view of medical images
CN110246580B (zh) 基于神经网络和随机森林的颅侧面影像分析方法和系统
US10032295B2 (en) Tomography apparatus and method of processing tomography image
EP3722996A2 (en) Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof
JP2014171867A (ja) 医用画像処理装置、医用画像整合性判定方法、および医用画像整合性判定プログラム
CN111340825A (zh) 一种纵膈淋巴结分割模型的生成方法及系统
JP2009090094A (ja) 画像整合のための方法および装置
JP2016189946A (ja) 医用画像位置合わせ装置および方法並びにプログラム
US20220138936A1 (en) Systems and methods for calcium-free computed tomography angiography
CN110533120B (zh) 器官结节的图像分类方法、装置、终端及存储介质
KR102194797B1 (ko) 폐 운동의 히스토그램 분석을 위한 폐 영상 정합 방법, 그 장치, 그 프로그램 및 정합된 폐 영상의 분석 방법 및 그 프로그램
US20180268547A1 (en) Image processing apparatus, control method of image processing apparatus, and storage medium
US8009886B2 (en) System and method for image registration
CN113490964A (zh) 用于运动校正和峰值增强的图像识别和选择
US10600182B2 (en) Image processing apparatus and image processing method, that determine a conformable image
CN110738664B (zh) 图像定位方法、装置、计算机设备和存储介质
CN114820483A (zh) 图像检测方法、装置及计算机设备
Komatsu et al. Quantitative analysis of coronary vessels with optimized intracoronary CT number
Huynh et al. Deep learning radiographic assessment of pulmonary edema: Training With Serum Biomarkers

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