CN116348911A - 图像分割方法和系统 - Google Patents
图像分割方法和系统 Download PDFInfo
- Publication number
- CN116348911A CN116348911A CN202180070460.XA CN202180070460A CN116348911A CN 116348911 A CN116348911 A CN 116348911A CN 202180070460 A CN202180070460 A CN 202180070460A CN 116348911 A CN116348911 A CN 116348911A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- map
- images
- image
- segmentation map
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 146
- 238000003709 image segmentation Methods 0.000 title claims description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 255
- 238000003384 imaging method Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims description 15
- 206010061216 Infarction Diseases 0.000 claims description 13
- 230000007574 infarction Effects 0.000 claims description 13
- 230000003902 lesion Effects 0.000 claims description 12
- 230000010412 perfusion Effects 0.000 claims description 10
- 238000009792 diffusion process Methods 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 description 50
- 230000006870 function Effects 0.000 description 19
- 238000012549 training Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000002597 diffusion-weighted imaging Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012307 MRI technique Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 230000000004 hemodynamic effect Effects 0.000 description 4
- 210000005013 brain tissue Anatomy 0.000 description 3
- 238000012905 input function Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 208000032382 Ischaemic stroke Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012879 PET imaging Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000010410 reperfusion Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
- G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
-
- 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
- G06T2207/20156—Automatic seed setting
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Image Analysis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
根据一个方面,提供了计算机实现的分割方法(100;210),方法包括:对对象区域的一个或多个第一图像执行第一自动分割操作(400),以自动确定对象区域的第一分割映射,其中一个或多个第一图像使用第一技术生成;至少部分地基于第一分割映射,对对象区域的一个或多个第二图像执行第二自动分割操作(600),以自动确定对象区域的第二分割映射,其中对象区域的一个或多个第二图像使用不同于第一技术的第二技术生成,第一和第二成像技术用于捕获对象区域的不同性质;自动确定第一和第二分割映射的分割部分之间的不匹配。
Description
技术领域
本公开涉及图像分割方法和系统,并且特别地但是不是排他地涉及用于分割弥散加权图像内的梗塞区域的图像分割方法及系统。
背景技术
例如,使用磁共振成像(MRI)、计算机断层扫描(CT)和/或正电子发射断层扫描(PET)技术捕获的医学图像可以提供有用的信息,以供医生使用来帮助确定向患者提供的适当治疗。
特别地,在可以使用例如灌注加权成像(PWI)MRI技术捕获的图像内观察到的异常与根据使用例如弥散加权成像(DWI)MRI技术捕获的图像确定的梗塞区域之间的不匹配,可以被用作患有缺血性中风的患者的病变内的半影区域的大小的指示。半影区域可以指示处于危险中的组织区域,处于危险中的组织区域可以受益于再灌注治疗。
因此,从PWI和DWI图像中准确确定病变和梗塞的不匹配是用于通知患者的未来评估的重要过程。期望提供用于高准确度地自动确定可以从医学图像分割的部分之间的不匹配的系统。
发明内容
根据第一具体方面,提供了计算机实现的分割方法,方法包括:
例如使用诸如卷积神经网络(例如U-Net)的第一人工神经网络,对对象区域的一个或多个第一图像执行第一自动分割操作,以自动确定对象区域的第一分割映射,其中一个或多个第一图像使用第一技术来生成;
例如使用第二人工神经网络,至少部分地基于第一分割映射,对对象区域的一个或多个第二图像执行第二自动分割操作,以自动确定对象区域的第二分割映射,其中对象区域的一个或多个第二图像使用不同于第一技术的第二技术来生成,第一和第二成像技术用于捕获对象区域的不同性质;
例如通过从第二分割映射或其部分中减去第一分割映射或其部分,或者反之亦然,自动确定第一和第二分割映射的分割部分之间的不匹配。
在本说明书中使用的术语图像可以指代元素矩阵,例如像素或体素,包括可以使用成像技术(诸如弥散或灌注加权成像技术)生成的值。附加地或备选地,术语图像可以指代包括例如通过处理使用成像技术捕获的图像而确定的值的元素的映射(例如,矩阵)。例如,图像可以是从弥散加权图像导出的表观弥散系数值的映射;或者从使用灌注加权成像技术捕获的图像导出的Tmax(达到最大值的时间)参数的映射。
对象区域可以是一定体积的组织(例如,脑组织)。第一图像分割操作可以是二进制分割操作。第二图像分割操作可以是二进制分割操作。第二分割操作可以是分割第二图像中与来自第一分割的对象区域的不同部分相对应的部分。不匹配可以被确定,以便例如通过从病变中减去梗塞来标识病变的半影。
通过至少部分地基于第一分割映射来执行第二分割操作,第二分割操作的准确度可以被改进。这进而可以导致对不匹配的更准确的确定。例如,使用第一分割映射确定的感兴趣区域可以被提供为第二人工神经网络的注意力函数的输入,以便在执行第二分割操作时,将第二人工神经元网络的注意力集中在感兴趣区域上。
执行第一分割操作可以包括:将一个或多个阈值自动应用于一个或多个第一图像内的像素值或者一个或多个映射内基于一个或多个第一图像确定的元素值,以确定一个或多个第一图像或映射内的多个区;以及提供一个或多个第一图像或映射的区作为用于确定第一分割映射的程序(例如,算法)的单独输入。
阈值可以是领域特定阈值,例如基于领域知识指定的阈值,或者可以由执行第一分割操作的程序来确定。以此方式,第一分割操作可以是阈值不可知的,并且可以自动进行,例如无需用户手动选择阈值。通过提供一个或多个第一图像或映射的区作为程序的输入,一个或多个搜索空间可以被创建并搜索有助于第一分割和/或第二分割的有用中间映射,以找到单个或多个分割区域。
至少部分地基于第一分割映射来执行第二分割操作可以包括至少部分地基于第一分割映射来标识一个或多个第二图像内的一个或多个感兴趣区域。至少部分地基于第一分割映射来执行第二分割操作还可以包括选择性地利用指定第二分割操作中的一个或多个感兴趣区域的信息,例如作为第二人工神经网络的注意力函数的输入。以此方式,来自第一图像的信息可以通知第二分割操作,并且第二分割操作的准确度可以由此被改进。
方法可以包括基于一个或多个预定的区域生长标准,使用区域生长过程(例如,算法)生成所估计的第二分割映射,以在一个或多个感兴趣区域内的种子位置周围生长区域。种子位置可以至少部分地基于种子位置处的第一和/或第二图像内的信息和/或从种子位置处的第一和/或第二图像导出的信息(诸如图像元素的值)来选择。例如,种子位置可以通过将第一图像和/或第二图像内的信息和/或从第一图像和第二图像导出的信息与一个或多个预定阈值进行比较来选择。种子位置可以被确定为在第一分割映射的分割部分内。种子位置可以从一个或多个预期的种子位置中选择,例如,随机地选择。生成所估计的第二分割映射可以包括:选择多个种子位置;以及使用强化学习模型来扩展种子位置周围的区域以标识区域。以此方式,所估计的第二分割映射可以被生成,使得所估计的第二分割映射包括一个或多个连接的区域。
第一图像可以是灌注加权图像,例如使用灌注加权磁共振成像技术捕获的灌注加权图像。第一分割操作可以是分割在灌注加权图像内捕获的、包括病变(例如包括梗塞和半影区域)的对象区域的一部分。
第二图像可以是例如使用弥散加权磁共振成像技术捕获的弥散加权图像。第二分割操作可以是分割在弥散加权图像内捕获的包括梗塞的对象区域的一部分。
方法可以包括基于第一图像、第二图像、第一分割映射和第二分割映射中的一者或多者来预测第一和/或第二分割映射内的分割区域随时间的变化率。例如,第一和/或第二分割映射可以被提供作为人工神经网络的输入,诸如的被训练来预测已经基于第一和第二图像(例如,基于已经使用第一和第二成像技术捕获的图像)而确定的分割映射的变化的生成对抗网络。
方法还可以包括生成分割区域的预测变化的时间线。方法可以包括预测不匹配的变化(例如,不匹配的幅度)。不匹配的变化可以基于第一图像、第二图像、第一分割映射和第二分割映射中的一者或多者来确定。方法可以包括生成不匹配的预测变化的时间线(例如,不匹配的幅度)。方法可以包括预测不匹配的变化率。方法可以进一步包括生成不匹配的预测变化率的时间线。
方法可以包括基于一个或多个第一图像来确定对象区域内的第一性质的第一映射,诸如血液动力学性质,例如Tmax。第一分割操作可以基于第一映射,例如通过分割第一映射的一个或多个部分来执行。
根据第二具体方面,提供了存储指令的机器可读介质,指令在由处理器执行时,使得处理器执行根据前述权利要求中任一项所述的方法。
根据第三具体方面,提供了图像分割系统,系统包括处理器和存储计算机可读指令的存储器,指令在由处理器执行时,使得处理器:
基于对象区域的一个或多个第一图像,执行第一自动分割操作,以自动确定对象区域的第一分割映射,其中一个或多个第一图像使用第一技术来生成;
至少部分地基于第一分割映射,基于对象区域的一个或多个第二图像来执行第二自动分割操作,以自动确定对象区域的第二分割映射,其中对象区域的一个或多个第二图像使用不同于第一技术的第二技术来生成,第一和第二成像技术用于捕获对象区域的不同性质;
基于第一分割映射和第二分割映射,自动确定第一图像的分割部分与第二图像的分割部分之间的不匹配;以及
将所确定的不匹配输出给设备的用户。
存储器可以存储指令,指令在由处理器执行时使得处理器基于第一图像、第二图像、第一分割映射和第二分割映射中的一者或多者来预测第一和/或第二分割映射内的分割区域随时间的变化率。存储器可以存储指令,指令在由处理器执行时使得处理器生成分割区域的预测变化的时间线。
存储器可以存储指令,指令在由处理器执行时使得处理器基于第一图像、第二图像、第一分割映射和第二分割映射中的一者或多者,预测在捕获第一图像和/或第二图像的时间之后的预定时间处的不匹配。存储器可以存储指令,指令在由处理器执行时使得处理器向系统的用户输出所预测的不匹配或不匹配的变化率。指令可以使得处理器生成警报,以通知系统的用户不匹配或不匹配的变化率是否小于预定阈值或大于预定阈值。
这些和其他方面将从下文所述的(多个)实施例中显而易见并参考下文所述的(多个)实施例进行阐述。
附图说明
现在将参考以下附图,仅通过示例的方式来描述示例性实施例,其中:
图1是描绘根据本公开的布置的分割方法的流程图;
图2是根据本公开的布置的系统的示意性功能框图;
图3是描绘根据本公开的布置的第一分割方法的流程图;
图4是示出了图3所示的第一分割方法的步骤的细节的流程图;
图5是描绘根据本公开的布置的第二分割方法的流程图;
图6是描绘第二分割操作的流程图,第二分割操作可以作为图5所示的第二分割方法的一部分来执行;
图7a是示出图6所示方法的一个框的细节的流程图;
图7b是示出图6所示方法的另一框的细节的流程图;
图7c是示出用于执行图6所示的另一框的一个选项的细节的流程图;
图7d是示出用于执行图6所示的另一框的另一选项的细节的流程图;
图8a是图示了用于执行图6所示方法的一部分的机器学习模型的示意图;
图8b是图示了用于执行图6所示方法的一部分的另一机器学习模型的示意图;
图8c是图示了用于执行图6所示方法的一部分的另一机器学习模型的示意图;
图9是根据本公开的布置的系统的示意图;以及
图10是根据本公开的布置的另一系统的示意图。
具体实施方式
参考图1,根据本公开的布置的分割方法100包括第一框102,在第一框102处执行第一分割操作。对对象区域的一个或多个第一图像执行第一分割操作以提供对象区域的第一分割映射,一个或多个第一图像例如使用第一成像技术被捕获或生成。第一分割操作的输出可以是与第一图像相对应的一个或多个映射,其中映射的每个元素,例如像素或体素,包括指示分割映射中包括元素的区域的值。在其他布置中,分割映射可以包括用于指示分割一个或多个第一图像的结果的任何其他数据结构。第一分割操作可以是二进制分割操作,其可以将对象区域分割成两个分割部分。
第一分割操作可以是对一个或多个第一图像执行的自动分割操作。换言之,为了使得第一分割操作提供第一分割映射,可以不向执行第一分割操作的程序提供用户输入(除了提供一个或多个第一图像之外)。
第一分割操作可以至少部分地使用第一人工神经网络(ANN)来执行,诸如卷积神经网络(CNN)或基于区域的CNN(R-CNN)。第一ANN可以是本领域已知的标准架构。备选地,第一ANN可以是标准架构的变型。第一ANN可以通过使用预先训练的ANN来实现。例如,第一个分割操作可以使用标准架构的预先训练的U-Net网络来执行。备选地,第一ANN可以包括任何期望的ANN,其可以使用目标输入域内的图像序列以及包括先前已经针对训练序列内的图像确定的分割映射的标签来训练。ANN可以基于损失函数(例如,骰子系数损失函数),使用反向传播来训练。备选地,ANN可以使用任何其他合适的方法来训练。
当对多于一个的第一图像执行第一分割操作时,第一图像可以作为单独的输入通道提供给ANN。第一图像中的每一个第一图像可以被预处理,例如被单独地预处理。例如,第一图像中的每一个第一图像可以如参考以下描述的系统200所描述的被单独地预处理。在一些布置中,对象区域可以是3D区域,即,体积,并且多于一个的第一图像可以包括在不同的相应深度处穿过对象区域的截面。在这样的布置中,第一ANN可以被配置为基于第一图像生成对象区域的3D分割映射,例如,在第一图像中分割映射的元素包括体素,体素包括指示分割映射中包括元素的区域的值。
方法100包括第二框104,在第二框处,对对象区域的一个或多个第二图像执行第二分割操作。第二图像可以通过使用第二成像技术来捕获或生成。第二成像技术可以不同于第一成像技术。具体地,与由第一成像技术捕获的一个或多个性质相比,第二成像技术可以捕获对象区域的一个或多个不同性质。例如,当第一成像技术是PWI并且第二成像技术是DWI时,第一图像可以捕获对象区域内分子弥散速率,并且第二图像可以捕获例如通过对象区域的流体(例如,血液)的流速。
第二分割操作可以是对一个或多个第二图像执行的自动分割操作。换言之,除了提供一个或多个第二图像和第一分割映射之外,没有用户输入可以被提供给执行第二分割操作的程序,以使得该程序提供第二分割映射。
第二分割操作至少部分地基于第一分割映射来执行。例如,第一分割映射和/或从第一分割映射导出的信息可以被提供作为执行第二分割操作的程序的输入。具体地,一个或多个第二图像内的感兴趣区域可以至少部分地基于第一分割映射来确定。指定一个或多个感兴趣区域的信息可以在第二分割操作中使用,例如,以将注意力集中在执行第二分割操作的程序上。第一分割映射可以至少部分地定义在第二分割操作中使用的注意力映射。例如,第一分割映射或从第一分割映射中提取的感兴趣区域可以用作注意力映射。备选地,注意力映射可以至少部分地基于第一分割映射来确定。
在一个或多个布置中,例如,如下所述,所估计的第二分割映射可以使用区域生长过程来生成,以在一个或多个第二图像内的一个或者多个感兴趣区域内的种子位置周围生长区域。第二分割操作可以至少部分地基于所估计的第二分割映射来执行。例如,一个或多个第二图像(或从第二图像导出的映射)和所估计的第二分割映射可以被提供作为用于执行第二分割操作的程序的单独输入。
第二分割操作可以至少部分地使用诸如CNN的第二ANN来执行。ANN可以被构造为接收一个或多个第二图像、从第二图像导出的一个或多个映射和/或从第一分割映射导出的信息,例如,所估计的第二分割映射,并且输出第二分割映射。以下参考图8a、图8b和图8c描述第二人工神经网络的合适网络架构的示例。
第二ANN可以使用训练序列来训练,训练序列包括目标输入域内的图像、表示可以从对应的第一分割映射导出的信息的信息、以及包括已经针对训练序列内的图像而确定的分割映射的标签。网络可以使用基于诸如骰子系数损失函数之类的损失函数的反向传播程序来训练。备选地,网络可以使用任何其他合适的训练程序来训练。
方法100包括第三框106,在第三框处,第一和第二分割映射的分割部分之间的不匹配被确定,例如被自动确定(无需来自用户的进一步输入)。例如,不匹配可以通过从第一分割映射(或其一部分)的分割部分中减去第二分割映射(或其一部分)的分割部分来确定,反之亦然。在一些布置中,方法可以包括向用户输出不匹配,例如,不匹配的面积或体积的幅度。
图2是图示了系统200的功能框图,系统200用于提醒用户缺血性中风引起的病变的半影的变化或变化率,例如半影的大小。系统200包括以上参考图1描述的分割方法100的布置。根据以下提供的系统200的描述,系统200与方法100的步骤相对应的功能将变得显而易见。此外,将理解,以下关于系统200描述的特征通常可以应用于方法100的对应步骤。尽管系统200被配置为使用医学成像技术对医学图像捕获进行操作,但是在其他布置中,例如当系统用于非医学领域时,包括方法100的系统可以被配置为对使用任何其他成像技术(包括非医学成像技术)捕获的图像进行操作。
如图所示,系统200被配置为接收对象区域的第一和第二医学图像I1、I2,例如脑组织体积,作为系统的输入。如上文参考图1所述,第一和第二图像可以使用不同的成像技术来捕获,例如用于捕获对象区域的不同性质。在本文所描述的布置中,第一医学图像I1包括使用灌注加权成像(PWI)技术(诸如灌注加权磁共振成像(MRI)技术)捕获的图像,并且第二医学图像I2包括使用弥散加权成像(DWI)(诸如弥散加权MRI技术)捕获的图像。然而,在其他布置中,第一和第二医学图像可以使用任何其他成像技术,诸如CT和/或PET成像技术来捕获。
系统200包括不匹配估计框210,在不匹配估计框210处,在第一和第二医学图像I1、I2内可检测到的异常之间的不匹配被确定,例如被自动确定。在不匹配估计框210处执行的功能可以使用上述分割方法100来执行。不匹配估计框210可以包括第一分割框212,在第一分割框212处,从第一医学图像I1可检测的异常被分割。从PWI图像中可检测的异常可以对应于对象区域内的病变,例如,病变的梗塞区域和半影区域的组合。第一分割框212可以包括方法100的第一框102,并且关于第一框102描述的特征可以等同地应用于第一分割框,反之亦然。
参考图3,现在将描述可以在第一分割框212处执行的第一分割方法300。第一分割方法300可以包括从第一医学图像I1导出对象区域内的一个或多个性质(例如,血流动力学性质)的一个或多个第一映射M1。在所示的布置中,在方法300的第一框302处,动脉输入函数从PWI图像导出,动脉输入函数被用于在第二框304处生成一个或多个第一性质映射M1。一个或多个第一性质映射可以包括PWI图像的达到最大值的时间(Tmax)性质的映射。
对象区域的第一性质映射M1可以通过使用诸如CNN的ANN处理一个或多个第一医学图像I1来导出。例如,PWI图像可以被输入到CNN,CNN被训练来处理PWI图像,以导出动脉输入函数,基于动脉输入函数可以确定血液动力学参数以填充第一性质映射M1。
第一分割方法300还可以包括第三框306,在第三框处,对象区域内的血液动力学参数的一个或多个第一医学图像I1和/或一个或多个第一性质映射M1被处理以便产生第一分割映射。
图4是图示了第一分割操作400的布置的流程图,第一分割操作可以在第三框306处执行以便生成第一分割映射。如图所示,第一分割操作400可以包括第一框402,在第一框402处,多个阈值被应用于一个或多个第一性质映射M1内的值,以便提取第一性质映射和/或第一医学图像I1的多个区Z1、Z2、Z3…Zn。例如,在第一框402处,与大于8秒、在6和8秒之间、在4和6秒之间以及在2和4秒之间的Tmax值相对应的第一医学图像I1的区可以从第一医学图像中提取。在一些布置中,阈值可以基于域知识来选择。换言之,阈值可以对应于已知与由专门从事这种解释的从业者对与第一医学图像I1和/或第一性质映射M1相同类型的图像的解释相关的阈值。在图4中,与四个区Z1、Z2、Z3、Zn有关的信息被描述为正在被提取。然而,在其他布置中,可以提取任意数目的区,诸如两个、三个或多于四个区。
在第一分割操作400的第二框404处,第一性质映射M1和/或第一医学图像I1的多个区例如在单独的相应输入通道处作为输入提供给用于生成第一分割映射的程序。程序可以包括通过ANN传播输入,诸如已被训练来分割第一医学图像I1(例如,PWI图像)的U-Net网络。将多个区作为单独的输入通道提供给人工神经网络可以通过更好地使得网络能够对每个区给予不同级别的关注,并且通过使得不同的权重能够给予对从每个区提取的特征进行操作的节点,帮助网络准确地分割第一医学图像I1。此外,通过将多个区作为单独的输入通道提供给ANN,ANN可以以不可知阈值的方式自动生成第一分割映射,该阈值可以已经由从业者手动解释第一医学图像I1而被选择。此外,这可以使得在不需要由用户选择阈值(例如手动选择阈值)的情况下,ANN能够准确地生成第一分割映射。
第一分割操作400可以包括第三框406,在第三框处,对由第二框404处的程序生成的第一分割映射执行一个或多个后处理操作。如上所述,在一些布置中,程序可以被配置为基于第一图像,生成3D分割映射,并且在第三框406处,3D分割映射可以例如使用一个或多个形态学操作来处理,以便例如从第一分割映射中去除孔洞或其他伪影。如图4所示,第一分割映射S1可以从第三框406输出。
返回图2,不匹配估计框210还可以包括第二分割框214。在第二分割框214处,从第二医学图像I2可检测的异常从图像中分割。从DWI图像中可检测的异常可能对应于对象区域内的梗塞。第二分割框214可以包括方法100的第二框104,并且关于第二框104描述的特征可以等同地应用于第二分割框214,反之亦然。
参考图5,现在将描述可以在第二分割框214处执行的第二分割方法500的布置。第二分割方法500可以包括第一框502,在第一框502处,对象区域内的从第二医学图像I2可导出的性质的一个或多个第二映射M2可以被确定。例如,在第一框502处,对象区域内的表观弥散系数(ADC)的一个或多个第二性质映射M2可以从DWI图像导出。
第二分割方法500还包括第二框504,在第二框处,第二医学图像可以被分割,以便生成第二分割映射S2。如图5所示,第一分割映射S1被提供作为第二分割操作的输入,例如,以提供给第二框504。
图6是图示了第二分割操作600的布置的流程图,第二分割操作600可以在第二分割方法500的第二框504处执行。如图所示,第二分割操作600可以包括第一部分610和第二部分620,在第一部分610处,所估计的或潜在的第二分割映射S2E例如至少部分地基于第一分割映射S1被生成,在第二部分620处,(最终的)第二分割映射S2被生成。第二分割映射可以在第二部分620处至少部分地基于所估计的第二分割映射S2E而被生成。
如图6所示,第一部分610可以包括第一框612,在第一框612处,第二医学图像I2内的一个或多个感兴趣区域(ROI)被标识;第二框614,在第二框614处,一个或多个ROI被细化;以及第三框616,在第三框616处,所估计的或潜在的分割映射S2E被生成。
参考图7a,现在将描述可以在第一框612处执行的示例ROI标识方法710。ROI标识方法710可以包括第一框712,在第一框712处,一个或多个区域基于第二医学图像I2内的元素(例如,像素)的值(例如,亮度水平)从第二医学图像I2提取。例如,第二医学图像I2内的像素的亮度水平与阈值亮度水平进行比较,并且可以从第二医学图像中提取区域,在该第二医学图像中像素具有比阈值亮度水平大的亮度水平。
ROI标识方法710还可以包括第二框714,在第二框714处,例如应用于第二医学图像的掩模基于从第二医学图像导出的第二参数映射M2(例如,ADC的映射)来确定。例如,掩模可以通过标识第二参数映射的区域来确定,其中参数的值小于阈值、大于阈值和/或等于阈值,和/或在一个或多个阈值范围之内或之外。在一个布置中,掩模可以通过标识第二参数映射M2中ADC小于600x10-6mm2的区域来确定。
ROI标识方法710还可以包括第三框716,在第三框716处,在第一框712处提取的区域以及由在第二框714处确定的掩模所限定的第二医学图像的区域可以被合并,以便标识(多个)ROI。例如,区域可以通过添加区域、通过交叉区域或通过任何其他期望的方法来合并。在第三框716处标识的(多个)ROI可以从ROI标识方法710输出。
现在参考图7b,现在将描述ROI细化方法720的一个示例,ROI细化方法可以在第二分割操作600的第一部分610的第二框614处执行。在第一框612处例如通过ROI标识方法710标识的一个或多个ROI可以被提供作为ROI细化方法720的输入。附加地,在第一分割方法300中确定的第一分割映射S1可以被提供作为ROI细化方法720的输入。
ROI细化方法720可以包括第一框722,在第一框722处,一个或多个ROI例如通过对由ROI标识方法710标识的一个或多个ROI执行一个或多个形貌操作而被处理,例如,可以对ROI执行膨胀操作和/或侵蚀操作,例如,以便从ROI中去除孔洞或其他伪影。
ROI细化方法720可以包括第二框724,在第二框724处,(多个)ROI与第一分割映射S1的分割部分相交,例如,以便确保(多个)ROI仅包含在第一分割映射的分割部分内的区域。以此方式,来自第一医学图像的信息可以被合并以改进对第二分割映射S2的估计。在执行第二分割操作以便从DWI图像内的脑组织的对象区域分割梗塞的布置中,将ROI与第一分割映射的分割区域相交,可以确保ROI在(例如,完全在)通过分割对象区域的PWI图像而确定的病变内。由ROI细化方法720生成的细化ROI可以从第二框724输出。
参考图7c,现在将描述示例第一分割估计方法730。第一分割估计方法730可以在第二分割操作600的第三框616处被执行。在第二分割操作600的第二框614处生成的细化ROI可以被提供作为第一分割估计方法730的输入。在一些布置中,例如在如上所述的第一分割方法300期间生成的第一参数映射M1也可以被提供作为第一分割估计方法730的输入。在一些布置中,第一分割估计方法730可以接收限定多个区域的输入,由第一分割估计方法730生成的估计分割映射S2E的分割部分可以包括这些区域。
第一分割估计方法730可以包括第一框732,在第一框732处,例如应用于一个或多个细化ROI的掩模基于第一参数映射M1来确定。例如,掩模可以通过标识第一参数映射中参数值小于阈值、大于阈值和/或等于阈值、和/或在一个或多个阈值范围之内或之外的区域来确定。在一个布置中,掩模可以通过标识第一参数映射M1中Tmax大于8秒的区域来确定。
在第一分割估计方法730的第二框734处,在第一框732处确定的掩模可以被应用于例如与细化的一个或多个ROI相交,例如以便标识ROI中Tmax大于8秒的部分。
第一分割估计方法730可以包括第三框736,在第三框处,种子位置在第二框734处标识的细化ROI的交点内选择。在一些布置中,种子可以使用随机过程来选择。在第四框738中,区域可以基于第二医学图像I2的元素(例如,像素)的值在所选择的种子位置周围生长。例如,与种子位置相邻的第二医学图像I2的元素的值(或者已添加到正在生长的区域的元素)可以基于一个或多个区域生长标准而与种子位置处的值(或已添加到正生长的区域的元素)相比较,并且如果一个或多个区域生长标准被满足,则元素可以被添加到正在生长的区域。
第一分割估计方法730的第三和第四框736、738可以例如基于输入n被重复多次,以便在细化的ROI内生长期望数目的区域。
在第三和第四框736、738的每次重复期间生长的区域的组合可以从第一分割估计方法730(以及第二分割操作600的第一部分610的第三框616)输出,作为所估计的第二分割映射S2E。
参考图7d,现在将描述示例第二分割估计方法740。第二分割估计方法740可以在第二分割操作600的第三框616处被执行,例如作为第一分割估计方法730的备选。如图7d所示,在第二分割操作600的第二框614处生成的细化的ROI可以被提供作为第二分割估计方法740的输入。在一些布置中,例如在第二分割方法500的第一框502处确定的第二参数映射M2也可以被提供作为分割估计方法740的输入。在一些布置中,第二分割估计方法740可以接收限定多个区域的输入,由第二分割估计方法740生成的估计分割映射的分割部分可以包括这些区域。
第二分割估计方法740可以包括第一框742,在第一框742处,一个或多个种子位置在一个或多个细化的ROI内被标识。来自种子位置的所确定的(例如,最佳确定的)ROI被生成,以确定潜在的梗塞。种子位置可以使用强化学习程序来确定,强化学习程序可以被配置为基于为了限制与真实数据相比的距离指标而选择的任何期望的优化标准来选择种子位置,以便优化所生长的区域。种子位置可以由强化学习模型至少部分地基于第二参数映射M2来选择。奖励函数可以被公式化以选择种子(例如,最优种子),使得多个种子被导航到具有任何期望的基于距离的优化函数的最优感兴趣区域,其中当种子位置被最优选择时,误差被最小化。在一个或多个布置中,种子位置可以使用标准架构的深度Q学习网络来被标识或选择。
第二分割估计方法740还可以包括第二框744,在第二框744处,区域基于第二医学图像I2的元素(例如,像素)的值,在所选择的种子位置周围生长。所选择的种子位置周围的区域可以使用在第一分割估计方法730的第四框738处使用的区域生长过程来生长。备选地,所选择的种子位置周围的区域可以使用备选区域生长过程(例如,应用不同的区域生长标准)来生长。
第二分割估计方法740的第一框742和第二框744可以例如基于输入n,被重复多次,以便在一个或多个细化的(多个)ROI内生长期望数目的区域。
在第一框742和第二框744的每次重复期间生长的区域的组合可以从第二分割估计方法740(以及第二分割操作600的第三框616)输出,作为所估计的第二分割映射S2E。
返回图6,第二分割操作600的第二部分620包括第二分割框622,在第二分割框622处,第二分割映射M2基于第二医学图像I2而被生成,例如,以便标识与梗塞相对应的对象区域的分割部分。第二分割映射可以在第二分割框622处通过将第二医学图像I2、第二参数映射M2和所估计的第二分割映射S2E中的一者或多者作为输入(例如,单独的输入)提供给诸如CNN的ANN而被生成。例如,第二医学图像I2、第二参数映射M2和所估计的第二分割映射S2E可以作为单独的输入通道提供给ANN。
参考图8a,用于在第二分割框622处执行第二分割操作的示例第一ANN 810可以包括第一部分812,第一部分812包括一个或多个层,被配置为接收第二参数映射M2和所估计的第二分割映射S2E作为输入,并对所接收的输入进行操作以产生中间分割映射。
第一ANN 810可以包括第二部分814,第二部分814被配置为接收中间分割映射和第二医学图像I2,并对输入执行一个或多个形貌操作(诸如膨胀操作),例如以产生输入的膨胀掩模。
第一ANN 810还可以包括第三部分816,第三部分816包括一个或多个层,例如,特征提取层,诸如卷积层,被配置为接收中间分割映射的膨胀掩模和第二医学图像、第二医学图像I2和所估计的第二分割映射S2E,并且对输入执行特征提取。
第一ANN 810还可以包括第四部分818,第四部分818包括一个或多个层(例如,全连接层),被配置为接收来自第三部分816的输出,例如,来自特征提取层的输出,并且生成第二分割映射S2。第二分割映射可以从第四部分818的输出层输出。
第一ANN 810可以进行端到端的训练。备选地,第一ANN的一个或多个部分可以例如使用反映由正在被训练的特定部分执行的分割过程的一部分的适当训练数据来单独训练。
参考图8b,现在将描述用于在第二分割框800处生成第二分割映射的示例第二ANN820,例如,作为第一ANN 810的备选。第二ANN 820可以包括第一部分822,第一部分822包括一个或多个层(诸如一个或多个卷积层和/或一个或多个全连接层),被配置为接收所估计的第二分割映射S2E和第二医学图像I2作为输入,并且生成第一中间分割映射。
第二ANN 820可以包括第二部分824,第二部分824包括一个或多个层(诸如一个或多个卷积层和/或一个或多个全连接层),被配置为接收所估计的第二分割映射S2E和第二性质映射M2作为输入,并且生成第二中间分割映射。
第二ANN 820可以包括第三部分826,第三部分826包括一个或多个层(诸如一个或多个卷积层和/或一个或多个全连接层),被配置为接收所估计的第二分割映射S2E、第一中间分割映射和第二中间分割映射,并且合并第一分割映射和第二分割映射以生成第二分割映射。第二分割映射可以从第三部分826的输出层输出。
第二ANN 820可以进行端到端的训练。备选地,第二ANN的一个或多个部分可以例如使用反映由正在被训练的特定部分执行的分割过程的一部分的适当训练数据来单独训练。
参考图8c,现在将描述用于在第二分割框800处生成第二分割映射的示例第三ANN830,例如,作为第一和第二ANN 810、820的备选。第三ANN可以包括第一部分832,第一部分832包括一个或多个层,例如,特征提取层,诸如卷积层,被配置为接收所估计的第二分割映射S2E、第二性质映射M2和第二医学图像I2作为输入,例如,作为ANN的单独输入通道,并且对输入执行特征提取。
第三ANN 830可以包括第二部分834,第二部分834包括一个或多个层,例如,全连接层,被配置为接收第一部分832的特征提取层的输出并且生成第二分割映射S2。第二分割映射可以从第二部分834的输出层输出。
第三ANN 830可以进行端到端的训练。备选地,第三ANN的一个或多个部分可以例如使用反映由特定部分执行的分割映射生成过程的一部分的适当训练数据来单独训练。
返回图2,不匹配估计框210还包括不匹配确定框216,在不匹配确定框216处,不匹配基于第一和第二分割映射S1、S2来确定。例如,不匹配可以通过从例如与病变相对应的第一分割映射S1的分割部分中减去例如与梗塞相对应的第二分割映射S2的分割部分来确定。以此方式,不匹配可以对应于病变的半影区域。不匹配确定框可以包括方法100的第三框106。
在不匹配估计框210处确定的不匹配可以对应于确定第一医学图像I1和第二医学图像I2的时间处的不匹配。可能期望确定(例如,预测)在捕获第一和第二医学图像的时间之后的预定时间段处的不匹配。然而,重复捕获第一和第二医学图像的过程可能是不期望的。
系统200还可以包括未来不匹配预测框220,在框220处,在捕获第一和/或第二图像的时间之后的预定时间处所预测的第一分割映射、所预测的第二分割映射和/或所预测的不匹配可以被确定。所预测的第一分割映射、所预测的第二分割映射和/或所预测的不匹配可以基于第一医学图像I1、第二医学图像I2、第一分割映射S1、第二分割映射S2和不匹配中的一者或多者来确定。
在一些布置中,所预测的第一分割映射、所预测的第二分割映射和/或所预测的不匹配可以使用具有任何期望结构的生成对抗网络(GAN)来确定,生成对抗网络已被训练为生成所预测的第一分割映射、所预测的第二分割映射和/或所预测的不匹配。GAN可以使用任何期望的训练方法来训练,诸如无监督学习方法、半监督学习方法或完全监督学习方法。例如,GAN可以使用包括示例第一和第二分割映射的训练序列以及标签来训练,该训练序列已从第一时间捕获的第一和第二医学图像中确定,该标签包括第一和第二分割映射,该第一和第二分割映射基于在第二时间捕获的第一医学图像和第二医学图像而被生成,第二时间是在第一时间之后的预定时间段。
在一些布置中,不匹配预测框220可以被配置为在捕获第一和/或第二图像的时间之后的多个预定时间确定多个所预测的第一分割映射、所预测的第二分割映射和/或所预测的不匹配,以便建立第一分割映射、第二分割映射和/或不匹配的进展的时间线。
系统200还可以包括不匹配警报框230,其被配置为向系统200的用户通知来自在不匹配预测框处确定的不匹配值的时间线的当前不匹配值和/或未来预测的不匹配值中的一个或多个值。在一些布置中,不匹配警报框230可以被配置为如果当前不匹配或未来估计的不匹配(例如,不匹配或未来估计的不匹配的大小)低于阈值或者不匹配的变化率(例如,不匹配的大小)高于阈值率,则为系统200的用户生成警报。
参考图9,现在将描述用于执行系统200的功能的示例系统900。系统900可以包括一个或多个处理器902以及一个或多个处理器902可访问的计算机可读存储介质904,计算机可读存储介质存储指令906,指令906被配置为由处理器902中的一个或多个处理器执行以便执行上述系统200的功能。第一和第二医学图像I1、I2可以被存储在一个或多个计算机可读存储介质904中,以供系统200使用。附加地或备选地,系统900可以包括通信模块908,通信模块908可操作地耦合到一个或多个处理器902和/或一个或多个存储介质904,系统900通过通信模块908可以例如从成像设备接收第一和第二医学图像I1、I2。
在图9所示的示例系统900中,一个或多个处理器902、一个或多个计算机可读存储介质904和通信模块908位于同一位置,例如,作为诸如成像设备或工作站的集成设备的一部分。然而,在其他布置中,处理器902中的一个或多个处理器和/或计算机可读存储介质904中的一个或多个计算机可读存储介质可以位于远离处理器902和/或计算可读存储介质904中的位置。例如,处理器902和/或计算机可读存储介质904中的一个或多个处理器可以位于数据中心处。在一些布置中,可以使用云计算系统来促进系统900。
参考图10,现在将描述根据本公开的另一布置的系统1000。系统1000可以包括图片存档和通信系统(PACS)服务器1002,其被配置为从一个或多个成像系统(例如,扫描仪)1010接收图像。例如,在图10所示的布置中,系统包括CT扫描仪1012、MRI扫描仪1012和PET扫描仪1014。成像系统可以可操作地连接到PACS服务器。在其他布置中,除了图10中所示的一个或多个成像系统之外,或者代替图10所示的一个或多个成像系统,还可以在系统内提供一个或多个其他扫描仪或成像系统。在进一步的布置中,可以省略一个或多个成像系统。
系统1000还可以包括一个或多个工作站1020和/或承载一个或多个web应用1030的一个或多个计算设备,其可以可操作地连接到PACS服务器1002和/或者成像设备1010。如1100所示,系统1000的一个或多个组件设备可以包括系统900,或者可以以其他方式(例如,使用至少部分地在组件上提供的软件)被配置为执行系统900的功能。系统1000的组件设备可以被配置为独立地执行系统900的功能(例如,所有功能)。在一些布置中,系统1000的组件设备可以被配置为例如在客户端/服务器模式中与系统的其他组件设备一起操作,以执行系统的功能。在一些布置中,系统900的功能可以由在系统1000的一个或多个组件设备上操作的多个微服务来执行。
系统1000还可以包括云计算服务器1040或者可操作地连接到云计算服务器1040,云计算服务器1040可以包括系统900或者被配置为执行系统900的一个或多个功能,例如,独立于系统1000的其他组件设备或者与系统1000的其它组件设备结合。云服务器1040可以可操作地连接到PACS服务器1002。附加地或备选地,云服务器1040可以可操作地连接到系统1000的其他组件设备。在一些布置中,云服务器1040可以被配置为承载web应用1030。
通过对附图、本公开和所附权利要求的研究,本领域技术人员在实践本文所述的原理和技术时可以理解和实现对所公开的实施例的变化。在权利要求中,词语“包括”不排除其他元素或步骤,不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中所述的若干项的功能。仅在相互不同的从属权利要求中列举了某些措施的纯粹事实并不指示这些措施的组合不能被有利地利用。计算机程序可以被存储或分布在合适的介质上,诸如与其他硬件一起或作为其他硬件的一部分提供的光学存储介质或固态介质,但也可以以其他形式分布,诸如经由互联网或其他有线或无线电信系统。权利要求中的任何附图标记不应被解释为限制范围。
Claims (14)
1.一种计算机实现的分割方法(100;210),所述方法包括:
对对象区域的一个或多个第一图像执行第一自动分割操作(400),以自动确定所述对象区域的第一分割映射,其中所述一个或多个第一图像使用第一技术来生成;
至少部分地基于所述第一分割映射,对所述对象区域的一个或多个第二图像执行第二自动分割操作(600),以自动确定所述对象区域的第二分割映射,其中所述对象区域的所述一个或多个第二图像使用不同于所述第一技术的第二技术来生成,所述第一成像技术和所述第二成像技术用于捕获所述对象区域的不同性质;
自动确定所述第一分割映射的分割部分与所述第二分割映射的分割部分之间的不匹配,
其中基于一个或多个预定区域生长标准,使用区域生长过程以在感兴趣区域中的一个或多个感兴趣区域内的种子位置周围生长区域来确定所述第二分割映射。
2.根据前述权利要求中任一项所述的方法(100;210),其中执行所述第一分割操作(400)包括:
将一个或多个阈值自动应用于:
所述一个或多个第一图像内的像素的值;或者
基于所述一个或多个第一图像确定的一个或多个映射内的元素的值,以确定所述一个或多个第一图像或所述一个或多个映射内的多个区;以及
提供所述一个或多个第一图像或所述一个或多个映射的所述区作为用于确定所述第一分割映射的程序的单独输入。
3.根据权利要求1或2所述的方法(100;210),其中至少部分地基于所述第一分割映射来执行所述第二分割操作(600)包括:
至少部分地基于所述第一分割映射来标识所述一个或多个第二图像内的一个或多个感兴趣区域;以及
在所述第二分割操作中选择性地利用指定所述一个或多个感兴趣区域的信息。
4.根据权利要求1所述的方法(100;210),其中所述种子位置至少部分地基于所述种子位置处的所述第一图像和/或所述第二图像内的信息和/或从所述种子位置处的所述第一图像和/或所述第二图像导出的信息来选择。
5.根据权利要求1所述的方法(100;210),其中生成所估计的第二分割映射包括:
选择多个种子位置;以及
使用强化学习模型来扩展所述种子位置周围的区域,以标识分割部分。
6.根据前述权利要求中任一项所述的方法(100;210),其中所述第一图像是灌注加权图像,其中所述第一分割操作(400)是分割在所述灌注加权图像内捕获的包括病变的所述对象区域的部分。
7.根据前述权利要求中任一项所述的方法(100;210),其中所述第二图像是弥散加权图像,其中所述第二分割操作是分割在所述弥散加权图像内捕获的包括梗塞的所述对象区域的部分。
8.根据前述权利要求中任一项所述的方法(100),其中所述方法还包括:
基于所述第一图像、所述第二图像、所述第一分割映射和所述第二分割映射中的一者或多者,预测所述第一分割映射和/或所述第二分割映射内的分割区域随时间的变化率;以及
生成所述分割区域的预测变化的时间线。
9.根据权利要求8所述的方法(100),其中所述方法包括预测所述不匹配的变化率;以及生成所述不匹配的预测变化率的时间线。
10.根据前述权利要求中任一项所述的方法(100;210),其中所述方法包括基于所述一个或多个第一图像来确定所述对象区域内的第一性质的第一映射,其中所述第一分割操作(400)基于所述第一映射来执行。
11.一种存储指令(906)的机器可读介质(904),所述指令在由处理器(902)执行时使得所述处理器执行根据前述权利要求中任一项所述的方法(100;210)。
12.一种图像分割系统(900;1000),所述系统包括处理器(902)和存储计算机可读指令的存储器,所述计算机可读指令在由所述处理器(902)执行时,使得所述处理器(902):
基于对象区域的一个或多个第一图像,执行第一自动分割操作,以自动确定所述对象区域的第一分割映射,其中所述一个或多个第一图像使用第一技术生成;
至少部分地基于所述第一分割映射,基于所述对象区域的一个或多个第二图像来执行第二自动分割操作,以自动确定所述对象区域的第二分割映射,其中所述对象区域的所述一个或多个第二图像使用不同于所述第一技术的第二技术生成,所述第一成像技术和所述第二成像技术用于捕获所述对象区域的不同性质;
基于所述第一分割映射和所述第二分割映射,自动确定所述第一图像的分割部分与所述第二图像的分割部分之间的不匹配;以及
将所确定的所述不匹配输出给所述系统的用户,
其中所述第二分割映射的确定包括:基于一个或多个预定区域生长标准,使用区域生长过程以在感兴趣区域中的一个或多个感兴趣区域内的种子位置周围生长区域。
13.根据权利要求12所述的系统(900;1000),其中所述存储器(904)还存储指令(906),所述指令在由所述处理器(902)执行时,使得所述处理器(902):
基于所述第一图像、所述第二图像、所述第一分割映射和所述第二分割映射中的一者或多者,预测所述第一分割映射和/或所述第二分割映射内的分割区域随时间的变化率;以及
生成所述分割区域的预测变化的时间线。
14.根据权利要求13所述的系统(900;1000),其中所述存储器(904)还存储指令(906),所述指令在由所述处理器(902)执行时,使得所述处理器:
基于所述第一图像、所述第二图像、所述第一分割映射和所述第二分割映射中的一者或多者来预测在捕获所述第一图像和/或所述第二图像的时间之后的预定时间处的不匹配;以及
向所述系统的用户输出所预测的所述不匹配或所述不匹配的变化率。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20201964.2A EP3985605A1 (en) | 2020-10-15 | 2020-10-15 | Image segmentation methods and systems |
EP20201964.2 | 2020-10-15 | ||
PCT/EP2021/078100 WO2022078978A1 (en) | 2020-10-15 | 2021-10-12 | Image segmentation methods and systems |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116348911A true CN116348911A (zh) | 2023-06-27 |
Family
ID=72915774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180070460.XA Pending CN116348911A (zh) | 2020-10-15 | 2021-10-12 | 图像分割方法和系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230386044A1 (zh) |
EP (2) | EP3985605A1 (zh) |
CN (1) | CN116348911A (zh) |
WO (1) | WO2022078978A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4016453B1 (en) * | 2020-12-21 | 2023-08-09 | Siemens Healthcare GmbH | Method and system for automated segmentation of biological object parts in mri |
WO2024053846A1 (en) * | 2022-09-07 | 2024-03-14 | Samsung Electronics Co., Ltd. | A method and device for personalised image segmentation and processing |
CN116152253B (zh) * | 2023-04-20 | 2023-06-16 | 四川大学华西医院 | 心脏磁共振mapping量化方法、系统和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7904135B2 (en) * | 2005-05-06 | 2011-03-08 | General Hospital Corporation | Magnetic resonance spatial risk map for tissue outcome prediction |
KR102214123B1 (ko) * | 2020-02-17 | 2021-03-08 | 주식회사 제이엘케이 | 인공지능 기반 pwi-dwi 미스매치 병변 추출 및 통합 평가 방법 및 시스템 |
-
2020
- 2020-10-15 EP EP20201964.2A patent/EP3985605A1/en not_active Withdrawn
-
2021
- 2021-10-12 EP EP21790452.3A patent/EP4229591A1/en active Pending
- 2021-10-12 US US18/032,059 patent/US20230386044A1/en active Pending
- 2021-10-12 WO PCT/EP2021/078100 patent/WO2022078978A1/en active Application Filing
- 2021-10-12 CN CN202180070460.XA patent/CN116348911A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3985605A1 (en) | 2022-04-20 |
EP4229591A1 (en) | 2023-08-23 |
WO2022078978A1 (en) | 2022-04-21 |
US20230386044A1 (en) | 2023-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11379985B2 (en) | System and computer-implemented method for segmenting an image | |
CN116348911A (zh) | 图像分割方法和系统 | |
CN106108925B (zh) | 用于医学图像中全身骨移除和血管可视化的方法和系统 | |
US9965891B2 (en) | Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions | |
JP6636678B2 (ja) | 画像内物体の注釈付けの学習 | |
JP4499090B2 (ja) | 画像領域セグメント化システムおよびその方法 | |
US9514530B2 (en) | Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions | |
JP2020516427A (ja) | 腫瘍進行のrecist評価 | |
Benjelloun et al. | Automated breast tumor segmentation in DCE-MRI using deep learning | |
JP6626344B2 (ja) | 画像処理装置、画像処理装置の制御方法およびプログラム | |
JP4785371B2 (ja) | 動的制約を用いる多次元構造の抽出方法及びシステム | |
JP2006075601A (ja) | 解剖学的構造のセグメント化方法 | |
JP2019518288A (ja) | 医療画像における変化検出 | |
JP2008513164A (ja) | 等周ツリーを使用する画像セグメンテーション | |
WO2012139205A1 (en) | Method and system for binary and quasi-binary atlas-based auto-contouring of volume sets in medical images | |
KR102639985B1 (ko) | 혈액을 전달하는 신체 구성요소를 분할하는 방법 및 장치 | |
CN112634255B (zh) | 脑部病灶检测模型的建立方法、装置以及计算机设备 | |
Somasundaram et al. | Brain portion extraction scheme using region growing and morphological operation from MRI of human head scans | |
Mudukshiwale et al. | Brain tumor detection using digital image processing | |
CN116934741B (zh) | 一站式血管壁的成分和定量参数获取方法和装置 | |
CN112419340B (zh) | 脑脊液分割模型的生成方法、应用方法及装置 | |
Iranmehr et al. | Improved Prediction of MGMT Methylation Status in Glioblastoma using a Deep Attention Network | |
EP4343786A1 (en) | Building a machine-learning model to predict sematic context information for contrast-enhanced medical imaging measurements | |
WO2022070574A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
Yao et al. | A Combination of Dilated Adversarial Convolutional Neural Network and Guided Active Contour Model for Left Ventricle Segmentation |
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 |