CN115516501A - 指示肺功能性程度或水平的至少一个参数的自动确定方法 - Google Patents

指示肺功能性程度或水平的至少一个参数的自动确定方法 Download PDF

Info

Publication number
CN115516501A
CN115516501A CN202180029023.3A CN202180029023A CN115516501A CN 115516501 A CN115516501 A CN 115516501A CN 202180029023 A CN202180029023 A CN 202180029023A CN 115516501 A CN115516501 A CN 115516501A
Authority
CN
China
Prior art keywords
volume
voxels
ratio
lung
spatial density
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
CN202180029023.3A
Other languages
English (en)
Inventor
吕克·索莱尔
埃里克·诺尔
皮埃尔·迪曼施
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.)
Simple Shares Of Patients Can Be Seen
Hopitaux Universitaires de Strasbourg HUS
Original Assignee
Simple Shares Of Patients Can Be Seen
Hopitaux Universitaires de Strasbourg HUS
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 Simple Shares Of Patients Can Be Seen, Hopitaux Universitaires de Strasbourg HUS filed Critical Simple Shares Of Patients Can Be Seen
Publication of CN115516501A publication Critical patent/CN115516501A/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20036—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
    • G06T2207/20084—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种基于由体素云组成的肺的体积数字医学图像、根据肺细胞的通气量，确定指示所述肺的功能性程度或水平的至少一个参数的方法，该方法包括：定量地确定和/或标明云的第一体积A，第一体积A中体素的空间密度在‑950HU与‑450HU之间；定量地确定和/或标明云的第二体积B，第二体积B中体素的空间密度在‑750HU与‑450HU之间；定量地确定和/或标明第三体积C，该第三体积C是体积B的补充或替代，被定义为差体积(体积A‑体积B)；计算比(体积B/体积A)和/或计算比(体积C/体积A)；将比的值和/或体积的值与一个或多个阈值进行比较，并且利用该比较结果作为指示参数。

Description

指示肺功能性程度或水平的至少一个参数的自动确定方法
技术领域
本发明涉及数据处理领域，更具体地，涉及图像的处理和分析，特别是医学图像的处理和分析，以便确定指示肺的与呼吸功能相关的功能性程度或水平的至少一个参数。
更准确地说，本发明涉及肺的功能性程度或水平的至少一个指示参数的自动确定方法。
背景技术
世界正在经历与新型冠状病毒肺炎(Covid-19)疫情相关的空前的公共卫生危机。面对这种危机，有必要提出解决方案和工具来帮助医疗保健团队在日常工作量增加的紧张流动条件下工作。本公开的解决方案旨在解决的问题是：通过简化从简单的肺部医学图像分析和评估患者的肺损伤的严重程度的状态来辅助医疗行业。这个问题存在于Covid-19感染的情况中，且见于其它病理，如季节性流感、肺炎、栓塞等。
在Covid-19的情况下，来自医疗团队的科学文献以及反馈清楚地显示了，对于放射科专家来说，医学图像，特别是CT扫描，用来区分病毒对患者的损害。然而，这种视觉分析不是定量的，它是不精确的且是主观的。此外，它本身也不能单独预测患者健康状态的进展。对于来自CT扫描或MRI的其它病理，注意到有着同样的限制。事实上，现有的解决方案不允许提供患者的肺损伤的定量、自动化、快速和可靠的评分。
为了实现该结果，已经提出了建立一种专门用于重症监护麻醉师的新分析，其目的在于根据CT和MRI医学图像来精确地量化术后肺不张(postoperative atelectasis)(Noll E,Ohana M,Hengen M,Bennett-Guerrero E,Diana M,Giraudeau C,Pottecher J,Meyer N and Diemunsch P,“Validation of MRI for Volumetric Quantification ofAtelectasis in the Perioperative Period:An Experimental Study in Swine”.Front.Physiol.,04June 2019；10(695):1-10)。从Visible Patient公司的最终标记和认证软件，已经可以从医学图像中半自动地提取肺和以下医学科学文件中通过密度定义的四个区域：Malbouisson LM,Muller JC,Constantin JM,Lu Q,Puybasset L,Rouby JJ,“CTScan ARDS Study Group:Computed tomography assessment of positive end-expiratory pressure-induced alveolar recruitment in patients with acuterespiratory distress syndrome”.Am J Respir Crit Care Med 2001；163:1444-1450。四个区域如下：
过度换气：在-1000HU至-900HU之间
正常通气：在-900HU至-500HU之间
通气不良：-500HU至-100HU之间
不通气的：在-100HU至100HU之间。
这种方法的问题是它不是自动的并且不快，分割处理采用90mn来标明这些区域，这些区域可以用于表征呼吸功能的损伤水平，而不用管是什么病理。在以下事实中，这是不可能的：在医学图像中，通气不良区域或不通气区域的密度与邻近组织太接近，甚至完全相同。此外，从业者对这些图像的开发花费时间并且需要经验。
发明内容
为了克服这个问题，本发明基于发明人所做的意外发现提出了确定一个或几个指示肺功能性程度的特别设计的参数，并因此允许推断出任何肺部感染的严重程度，并且还提供这些参数的相关自动计算方法。
因此，根据本发明的第一方面，以计算机实现的发明的形式提供了一种基于由体素云组成的肺的体积数字医学图像(CT扫描)、根据肺细胞的通气量，自动确定指示肺的功能性程度或水平的至少一个参数的方法，所述方法包括：
定量地确定和/或标明所述云的第一体积A，在所述第一体积A中，体素的空间密度在-950HU与-450HU之间(HU＝CT扫描中的亨式单位(Hounsfield Unit))，有利地在-920HU和-480HU之间，优选地大约在-900HU和-500HU之间；
定量地确定和/或标明所述云的第二体积B，在所述第二体积B中，体素的空间密度在-750HU与-450HU之间，有利地在-720HU和-480HU之间，优选地大约在-700HU和-500HU之间；
定量地确定和/或标明第三体积C，该第三体积C是体积B的补充或替代，被定义为差体积(体积A-体积B)并且被称为“受限正常充气体积”；
计算比(体积B/体积A)和/或计算比(体积C/体积A)；
将所述比的值和/或所述体积的值与一个或多个阈值进行比较，并且利用该比较结果作为所述指示参数。
因此，本发明提出了细分表示肺的体素云的体积A，并提供以子体积B或C中的一者与体积A之间的体积比的形式的至少一个参数，该比指示所述肺的功能性程度，如发明人惊讶地注意到的。
有利地，上述体积A对应于在以下公开中称为“正常充气”的体积：MalbouissonLM,Muller JC,Constantin JM,Lu Q,Puybasset L,Rouby JJ,CT Scan ARDS StudyGroup:“Computed tomography assessment of positive end-expiratory pressure-induced alveolar recruitment in patients with acute respiratory distresssyndrome”.Am JRespir Crit Care Med 2001；163:1444-1450。
有利地，上述体积B显著地对应于在以下公开中被称为“磨玻璃(ground glass)”的体积：Hansell DM,Bankier AA,MacMahon H,McLoud TC,Müller NL,Remy J.FleischnerSociety:glossary of terms for thoracic imaging.Radiology.2008Mar；246(3):697-722.doi:10.1148/radiol.2462070712.Epub 2008Jan 14。
在校准和学习阶段期间确定阈值，该阈值用来与上述比或体积值进行比较并使该方法能够提供所述指示参数，在校准和学习阶段期间，处理结果已知的情况。
为了能够向执业医生提供关于所考虑的患者的整体情况的信息，该方法同时或相继地应用于患者的两个肺的体素云，以推断指示患者的整体呼吸情况的参数。
根据本发明的一个可能的实际实施例，该方法包括通过执行软件算子来处理与患者胸部的3D图像相对应的体素云，该软件算子被配置为分割皮肤、气管、体积A和体积B，优选地以此顺序进行分割。
优选地，可以通过将体素云切成可以被独立处理或不独立处理的平行2D图像来处理体素云，在最后阶段通过融合来合并或组合不同2D图像的分割信息，提供用于计算比的期望的体积或3D分割。还可以直接在每个2D图像中计算比，并将这些部分数据相加，以获得体积比。
为了完成这一任务，可以使用如在以下文献中描述的方法：E.Noll,L.Soler,M.Ohana,P.O.Ludes,J.Pottecher,E.Bennett-Guerrero,F.Veillon,F.Schneider,N.Meyer,P.Diemunsch.A novel,automated,quantification of abnormal lungparenchyma in patients with Covid-19infection:initial description offeasibility and association with clinical outcome.Anaesthesia Critical Care&Pain Medicine,Available online13November 2020,100780。也可考虑WO2019/137997和WO2019/138001(使用CNN)公开的方法，以及在以下文献中提及的方法：Soler L,NicolauS,Hostettler A,et al.“Computer assisted digestive surgery.In:Computationalsurgery and dual training”.2010；139–53(using elementary operators)。
有利地，可以设想实施或实现能够并旨在检索体积B的部分体积效应和潜在的隔离的非代表性体素的若干算子之一，通常是数学形态算子，例如6邻域中的一个1体素的侵蚀以及之后的膨胀(被定义为开口)。
例如，可以使用在以下文献中描述的可能的软件算子：E.Noll,L.Soler,M.Ohana,P.O.Ludes,J.Pottecher,E.Bennett-Guerrero,F.Veillon,F.Schneider,N.Meyer,P.Diemunsch.“A novel,automated,quantification of abnormal lung parenchyma inpatients with Covid-19infection:initial description of feasibility andassociation with clinical outcome”.Anaesthesia Critical Care&Pain Medicine,Available online13November 2020,100780。
关于本发明的可能的附加特征，该方法还可以包括：
a)另外或替代地，计算(体积A-体积B)/体积A的比，以及
b)将该比与一个或几个阈值进行比较，并将该比较结果用作指示参数，
如前所述，体积A-体积B＝体积C，体积C因此对应于这样的体积：其中体素的空间密度大约在-950至-900HU和大约-750至-700HU之间，优选地大约在-900HU与-700HU之间。
此外，根据本发明的一个或多个可能的附加特征，该方法还可以包括：
定量确定和/或标明其中体素的空间密度在大约-500HU与大约-100HU之间的另一体积(称为PA：“通气不良”)，和/或
定量确定和/或标明其中体素的空间密度在大约-100HU与大约100HU之间的另一体积(称为NA：“不充气的”)，和/或
定量确定和/或标明其中体素的空间密度在大约-1000HU与大约-900HU之间的另一体积(称为OI：“过度充气”)。
这些附加体积允许具有更多的信息，从业者可以使用或利用这些信息来估计其他种类的病理影响，例如肺气肿。
根据本发明的实际方面，至少对于图像分割操作，通过使用或执行神经网络(特别是卷积神经网络，例如称为U-Net的CNN)来实现该方法。
例如，可能的基于CNN的方法可以是对应于以下文献中描述的方法或从以下文献中描述的方法推导的方法：
Olivier Petit,Nicolas Thome and Luc Soler:“Biasing Deep ConvNets forSemantic Segmentation of Medical Images with a Prior-driven PredictionFunction”,Medical Imaging with Deep Learning,London,8-10July 2019；或
Olivier Petit,Nicolas Thome,Arnaud Charnoz,Alexandre Hostettler andLuc Soler:“Handling Missing Annotations for Semantic Segmentation with DeepConvNets,Deep Learning in Medical Image Analysis and Multimodal Learning forClinical Decision Support”,MICCAI 2018LNCS 10553,Springer professional ed。
也可以应用在WO2019/137997和WO2019/138001中描述的分割方法。
本发明还包括计算机或数据处理系统，其包括用于执行如前所述的方法的步骤的装置并被配置为提供至少一个指示参数，以及本发明还包括具有指令的计算机程序，当该程序由计算机系统执行时，使所述系统执行所述方法的步骤。
附图说明
附图允许通过示例的方式示出和评估由本发明的计算机实现的方法获得的一些结果，本发明的特征和可能的方面已经在此之前描述。
图1A和图1B示出了根据本发明的两个可能实施例的2D胸部CT扫描图像的两种处理。
在图1A中，定义了两个有用区域(对应于与本发明的指示比有关的有用体积)：体积B(橙色)和体积A(粉色)，它们相关联构成了体积A。另外，图1A还示出了与OI体积对应的区域(深色/黑色)，以及气管(中间的红色)和周围皮肤。
在图1B中，示出了两个额外区域，对应于根据本发明的两个其它可能有意义的体积，即浅绿色的体积PA和深绿色的体积NA。
图2示出了指示参数体积B/体积A和总肺体积中病理面积％之间的相关性，证明了所述比的相关性。图2还间接地示出了由于体积B和体积C之间的关系而导致的体积C/体积A的比的相关性。
图3和图4示出了本发明的自动分割相对于在本说明书的背景技术部分中提到的半自动化分割的准确性。
具体实施方式
本发明的特定指示参数的相关性以及计算这些参数的全自动和计算机实现的方法已经被有效地和临床地测试，证明了本发明的准确性和可预测性益处。
更具体地说，在以下文献中描述了实现的实施例和在临床试验的背景下用本发明方法获得的结果：E.Noll,L.Soler,M.Ohana,P.O.Ludes,J.Pottecher,E.Bennett-Guerrero,F.Veillon,F.Schneider,N.Meyer,P.Diemunsch.“A novel,automated,quantification of abnormal lung parenchyma in patients with Covid-19infection:initial description of feasibility and association with clinicaloutcome”.Anaesthesia Critical Care&Pain Medicine,Available online 13November2020,100780，其内容通过引用并入本文。
当然，根据本发明的方法仅向从业者提供与其他参数结合的评估工具和指示器，并且当然，视觉检查允许从业者发布更可靠的诊断。
当然，本发明并不限于所描述的至少一个实施例。在不超出本发明保护范围的情况下，特别是从各种元件的组成的角度或通过技术等同物的替代，仍然可以进行修改。

Claims (14)

1.一种基于由体素云组成的肺的体积数字医学图像、根据肺细胞的通气量，自动确定指示所述肺的功能性程度或水平的至少一个参数的方法，所述方法包括：
定量地确定和/或标明所述云的第一体积A，在所述第一体积A中，体素的空间密度在-950HU与-450HU之间，有利地在-920HU和-480HU之间，优选地大约在-900HU和-500HU之间；
定量地确定和/或标明所述云的第二体积B，在所述第二体积B中，体素的空间密度在-750HU与-450HU之间，有利地在-720HU和-480HU之间，优选地大约在-700HU和-500HU之间；
定量地确定和/或标明第三体积C，所述第三体积C是体积B的补充或替代，被定义为差体积(体积A-体积B)并且被称为“受限正常充气体积”；
计算比(体积B/体积A)和/或计算比(体积C/体积A)；
将所述比的值和/或所述体积的值与一个或多个阈值进行比较，并且利用比较结果作为指示参数。
2.根据权利要求1所述的方法，其特征在于，所述体积A对应于在以下文献中被称为“正常充气”的体积：Malbouisson LM,Muller JC,Constantin JM,Lu Q,Puybasset L,RoubyJJ,CT Scan ARDS Study Group:Computed tomography assessment of positive end-expiratory pressure-induced alveolar recruitment in patients with acuterespiratory distress syndrome.Am J Respir Crit Care Med 2001；163:1444-1450。
3.根据权利要求1或2所述的方法，其特征在于，所述体积B显著地对应于在以下文献中被称为“磨玻璃”的体积：Hansell DM,Bankier AA,MacMahon H,McLoud TC,Müller NL,Remy J.Fleischner Society:glossary of terms for thoracicimaging.Radiology.2008Mar；246(3):697-722.doi:10.1148/radiol.2462070712.Epub2008Jan 14。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法同时或相继地应用于患者的两个肺的体素云，以推断所述患者的呼吸状况的指示参数。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法包括：通过执行软件算子来处理体素云，所述软件算子被配置为分割皮肤、气管、体积A和体积B，优选地以此顺序进行分割。
6.根据权利要求5所述的方法，其特征在于，所述方法包括：实现能够并旨在检索体积B的部分体积效应和潜在的隔离的非代表性体素的若干算子之一，通常是数学形态算子，例如6邻域中的一个1体素的侵蚀以及之后的膨胀(被定义为开口)。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法包括：a)另外或替代地，计算(体积A-体积B)/体积A的比；以及b)将该比与一个或多个阈值进行比较，并将该比较的结果用作指示参数。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：定量确定和/或标明其中体素的空间密度在大约-500HU与大约-100HU之间的另一体积。
9.根据权利要求1至8中任一项所述的方法，其特征在于，所述方法还包括：定量确定和/或标明其中体素的空间密度在大约-100HU与大约100HU之间的另一体积。
10.根据权利要求1至9中任一项所述的方法，其特征在于，所述方法还包括：定量确定和/或标明其中体素的空间密度在大约-1000HU与大约-900HU之间的另一体积。
11.根据权利要求1至10中任一项所述的方法，其特征在于，至少对于图像分割操作，通过执行神经网络(特别是卷积神经网络，例如称为U-Net的CNN)来实现所述方法。
12.根据权利要求1至11中任一项所述的方法，其特征在于，自动地或不自动地使用多个指示参数中的一个，以便将患者分类到病理的严重程度，这将允许医师具有更多信息数据来优化治疗方案，其中，该多个指示参数与描述患者健康或生理的一个或多个其他现有参数或标准相关联或不相关联。
13.一种计算机或数据处理系统，包括用于至少执行权利要求1以及可能执行权利要求2至12中任一项所述的方法的步骤的装置，所述计算机或数据处理系统被配置为提供至少一个指示参数。
14.一种包括指令的计算机程序，当所述程序由计算机系统执行时，所述指令使所述系统至少执行权利要求1以及可能执行权利要求2至12中任一项所述的方法的步骤。
CN202180029023.3A 2020-04-17 2021-04-15 指示肺功能性程度或水平的至少一个参数的自动确定方法 Pending CN115516501A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063011354P 2020-04-17 2020-04-17
US63/011,354 2020-04-17
PCT/EP2021/059764 WO2021209542A1 (en) 2020-04-17 2021-04-15 Automatic determination method of at least one parameter indicative of the degree or level of functionality of a lung

Publications (1)

Publication Number Publication Date
CN115516501A true CN115516501A (zh) 2022-12-23

Family

ID=75562752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180029023.3A Pending CN115516501A (zh) 2020-04-17 2021-04-15 指示肺功能性程度或水平的至少一个参数的自动确定方法

Country Status (7)

Country Link
US (1) US20230298164A1 (zh)
EP (1) EP4136612A1 (zh)
KR (1) KR20230002845A (zh)
CN (1) CN115516501A (zh)
BR (1) BR112022020970A2 (zh)
CA (1) CA3175202A1 (zh)
WO (1) WO2021209542A1 (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010035635A (ja) * 2008-07-31 2010-02-18 Takeshi Joko Ａｒｄｓの重症度のスコアを算出する方法、装置およびプログラム
KR20200118050A (ko) 2018-01-10 2020-10-14 앵스티튜 드 흐쉑쉐 쉬르 레 캉세흐 드 라파헤이 디제스티프 - 이흐카드 3d 의료용 이미지의 해부학적 구조에 따른 구조화된 콘볼루션을 통한, 하나 또는 여러 신경망에 의한 3d 의료용 이미지의 자동 세그멘트화 프로세스
KR20200119250A (ko) 2018-01-10 2020-10-19 앵스티튜 드 흐쉑쉐 쉬르 레 캉세흐 드 라파헤이 디제스티프 - 이흐카드 3d 의료용 이미지의 기하학적 구조에 따른 구조화된 콘볼루션을 통한, 여러 신경망에 의한 3d 의료용 이미지의 자동 세그멘트화 프로세스

Also Published As

Publication number Publication date
WO2021209542A1 (en) 2021-10-21
US20230298164A1 (en) 2023-09-21
EP4136612A1 (en) 2023-02-22
CA3175202A1 (en) 2021-10-21
KR20230002845A (ko) 2023-01-05
BR112022020970A2 (pt) 2022-12-06

Similar Documents

Publication Publication Date Title
Gozes et al. Rapid ai development cycle for the coronavirus (covid-19) pandemic: Initial results for automated detection & patient monitoring using deep learning ct image analysis
US20190099147A1 (en) Systems and methods for determining hepatic function from liver scans
Brown et al. Toward clinically usable CAD for lung cancer screening with computed tomography
CN109035283B (zh) 一种基于随机选取分区的肺气肿精准检测与量化分析方法
JP2007528746A (ja) Ｃａｄ（コンピュータ援用決定）プロセスを日常的なｃａｄシステム利用から得られた知識に適合させるために機械学習を利用する医用画像診断用のｃａｄ支援
JP2007083034A (ja) 評価のための気道視覚化システムおよび方法
EP3971830B1 (en) Pneumonia sign segmentation method and apparatus, medium and electronic device
US20050063579A1 (en) Method of automatically detecting pulmonary nodules from multi-slice computed tomographic images and recording medium in which the method is recorded
Obert et al. Quantitative computed tomography applied to interstitial lung diseases
Dallal et al. Automatic estimation of heart boundaries and cardiothoracic ratio from chest x-ray images
CN112215799A (zh) 一种磨玻璃肺结节自动分类方法及系统
Boehm et al. Automated classification of normal and pathologic pulmonary tissue by topological texture features extracted from multi-detector CT in 3D
Weinheimer et al. Automatic lung segmentation in MDCT images
Saba et al. Computer-aided detection of pulmonary nodules in computed tomography: analysis and review of the literature
Yousef et al. Automated quantification of COVID-19 pneumonia severity in chest CT using histogram-based multi-level thresholding segmentation
Sinsuat et al. Influence of slice thickness on diagnoses of pulmonary nodules using low-dose CT: potential dependence of detection and diagnostic agreement on features and location of nodule
JP7539981B2 (ja) 非侵襲的放射線イメージングからの肝疾患の重症度の自動的分類
US8275186B2 (en) Method and apparatus for setting a detection threshold in processing medical images
US8478007B2 (en) Method for detecting ground glass opacity using chest computed tomography
Schultheis et al. Using deep learning segmentation for endotracheal tube position assessment
CN115516501A (zh) 指示肺功能性程度或水平的至少一个参数的自动确定方法
Lee et al. Automatic left and right lung separation using free-formed surface fitting on volumetric CT
Mahdavi et al. A computer-based analysis for identification and quantification of small airway disease in lung computed tomography images: a comprehensive review for radiologists
Kiraly et al. Computer-aided diagnosis of the airways: beyond nodule detection
Mazumder et al. Using Artificial Intelligence to Predict Cirrhosis From Computed Tomography 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