CN117063200A - 用于校正造影增强图像的方法和系统 - Google Patents
用于校正造影增强图像的方法和系统 Download PDFInfo
- Publication number
- CN117063200A CN117063200A CN202280019744.0A CN202280019744A CN117063200A CN 117063200 A CN117063200 A CN 117063200A CN 202280019744 A CN202280019744 A CN 202280019744A CN 117063200 A CN117063200 A CN 117063200A
- Authority
- CN
- China
- Prior art keywords
- image frame
- sequence
- image frames
- image
- frames
- 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 49
- 239000002872 contrast media Substances 0.000 claims abstract description 108
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 230000002861 ventricular Effects 0.000 claims description 36
- 239000008280 blood Substances 0.000 claims description 35
- 210000004369 blood Anatomy 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 28
- 238000012546 transfer Methods 0.000 claims description 19
- 238000003384 imaging method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 31
- 238000012937 correction Methods 0.000 description 22
- 210000003484 anatomy Anatomy 0.000 description 8
- 238000002604 ultrasonography Methods 0.000 description 8
- 230000000747 cardiac effect Effects 0.000 description 6
- 210000005240 left ventricle Anatomy 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000010790 dilution Methods 0.000 description 3
- 239000012895 dilution Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008499 blood brain barrier function Effects 0.000 description 1
- 210000001218 blood-brain barrier Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002607 contrast-enhanced ultrasound Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 210000005246 left atrium Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种用于校正造影增强图像帧的序列中的造影剂密度差异的方法和系统。在所述造影增强图像帧的序列中定义参考图像帧,并且对所述参考图像帧执行分割以确定所述参考图像帧内的感兴趣区域的位置。所述感兴趣区域是所述参考图像帧的包含造影剂的区域。基于所述感兴趣区域中的造影剂密度/图像强度相对于所述参考图像帧中的所述感兴趣区域的差异来校正所述造影增强图像的序列中的其他图像帧。
Description
技术领域
本发明涉及校正造影增强图像的领域,并且具体地涉及校正造影增强图像帧的序列中的造影剂密度的差异的领域。
背景技术
在基于医学成像的诊断应用中,临床医师经常比较在不同时间帧采集的图像。在造影增强成像的情况下,造影剂的劣化和稀释意味着对应于采集内的不同时间帧的相同解剖特征的图像通常将显示不同水平的不透明度。这使得临床医师难以比较图像。
此外,当分割算法(例如基于模型的分割)被应用于造影增强图像帧的序列时,该序列中的造影剂密度的时间可变性可以引起误差。例如,造影剂的时变分布可以导致检测到不对应于生理结构的不同造影剂密度的区域之间的边界。这意味着不能从造影增强图像帧的序列可靠地获得临床信息的自动确定。
这些在造影增强成像应用中是特别的问题,其中,造影剂的时间可变性被生理过程(诸如心动周期)进一步复杂化。例如,当包含未破坏的造影剂的新血液流入左心房并且然后流入左心室时,由于与发射的超声波的相互作用而引起的造影剂随时间的部分破坏和在心动周期内造影剂密度的变化两者引起左心室不透明度(LVO)中的造影剂的时间可变性。
因此,需要一种降低造影增强图像帧的序列中的造影剂的劣化和/或稀释的影响的方法。
发明内容
本发明由权利要求限定。
根据依据本发明的一个方面的示例,提供了一种用于校正造影增强图像帧的序列中的造影剂密度的差异的计算机实施的方法。
所述计算机实施的方法包括:从所述造影增强图像帧的序列中选择参考图像帧;对所述参考图像帧执行分割;基于所述分割来识别所述参考图像帧中的感兴趣区域,其中,所述感兴趣区域是所述参考图像帧的包含所述造影剂的区域;并且基于所述一个或多个造影增强图像帧中的每个造影增强图像帧与所述参考图像帧之间的所述感兴趣区域内的图像强度的变化来校正所述图像帧的序列中的一个或多个图像帧的集合中的造影剂密度的差异,其中,所述一个或多个图像帧的集合包括与所述参考图像帧不同的至少一个图像帧。
即使在具有造影剂密度的复杂时间依赖性(诸如造影增强心脏超声)的情况下,该方法也允许校正造影增强图像帧的序列中的图像帧之间的造影剂密度的差异(即,变化)。换句话说,实施例提出了使用参考图像的感兴趣区域来校正造影剂密度的帧间差异。校正造影剂密度的差异意味着可以更容易地比较图像帧,并且提高了解读图像帧中的特征的可靠性,因为它减少了临床医师区分由造影剂的时间依赖性引起的影响和由生理相关过程引起的影响的需要。
造影增强图像帧的序列可以基于一维(1D)图像、二维(2D)图像或三维(3D)图像。
参考图像帧可以被选择为是具有高平均造影剂密度的图像帧,使得它比具有较低平均造影剂密度的图像帧更适合于分割。一旦已经应用了校正,就可以在对于分割而言造影剂密度已经太低的帧上可靠地执行分割。使用该参考图像帧的分割来识别感兴趣区域提高了正确识别用于感兴趣区域的合适区域的可靠性。
参考图像帧中的感兴趣区域可以被定义为适合于跨图像帧的序列跟踪造影剂密度的区域。感兴趣区域可以包括包含大部分造影剂的一个或多个解剖结构,并且可以被定义为使得预期该区域在所述序列中的每个图像帧中包括相同的一个或多个解剖结构。
发明人已经认识到,使所述校正基于跨图像的序列的感兴趣区域中的图像强度的变化而不是基于完整图像帧的强度值导致更准确的校正。当感兴趣区域被选择为包含造影剂的区域时,感兴趣区域中的图像强度充当感兴趣区域中的造影剂密度的代理。
该校正可以被应用于造影增强图像帧的序列中的所有图像帧,或者被应用于造影增强图像帧的序列的子集(即,不是全部)。例如,该校正可以被应用于包括序列中在参考图像帧之后的所有图像帧的序列的子集。
在特定示例中,所述造影增强图像的序列中的所述一个或多个图像帧的集合包括多个图像帧。在一些示例中,所述一个或多个图像帧的集合不包括所述参考图像(因为这提供了用于校正序列中的其他图像帧的参考信息)。
校正所述图像帧的序列中的一个或多个图像帧的集合中的造影剂密度的差异是基于一个或多个造影增强图像帧中的每个造影增强图像帧与参考图像帧之间的感兴趣区域内的图像强度的变化(即,差异)。换句话说,第一图像帧与参考图像帧之间的图像强度的差异被用于校正第一图像帧中的图像强度。
任选地,所述造影增强图像帧的序列是心室不透明度图像帧的序列,例如左心室不透明度图像帧或右心室不透明度图像帧。
该方法特别适用于校正左心室不透明度(LVO)图像,例如LVO超声图像,因为左心室中的造影剂的密度随时间显著地并且以复杂的方式变化。这种时间可变性是由于血液的循环,并且当借助于一个或多个超声换能器成像时,这种时间可变性也是由于超声波对造影剂的破坏。
所述参考图像帧可以通过以下来选择:对包括所述造影增强图像帧的序列中的所述前M个帧的图像帧的子集执行初始分割,其中,M是预定的数量;基于所述初始分割来确定所述图像帧子集的哪个图像帧对应于第一舒张末期帧;并且选择所确定的图像帧作为所述参考图像帧。
LVO图像的序列中的第一舒张末期帧通常具有最大或接近最大的造影剂密度,因此形成合适的参考图像帧。
所述感兴趣区域可以包括所述参考图像帧中的血池的估计位置。血池包含左心室不透明度中的大部分造影剂,并且通常是左心室中对造影剂密度的变化做出反应的第一解剖结构,因此是用于感兴趣区域的合适位置。另外,血池的简单形状允许比例如在诸如心肌的薄结构中更容易地识别和跟踪血池中的图像强度。
识别所述感兴趣区域的步骤还可以包括:识别所述造影增强图像帧的序列中的收缩末期帧;估计所识别的收缩末期帧中的所述血池的位置;并且将所述感兴趣区域定义为包括所述参考图像帧中的所述血池的所述估计位置和所述收缩末期帧中的所述估计位置的区域。
以这种方式,感兴趣区域可以被定义为使得可以预期感兴趣区域在序列中的所有图像帧处在血池中。这允许跨序列跟踪血池中的造影剂密度。
所述参考图像帧可以通过以下方式来选择:确定所述造影增强图像帧的序列中的前N个帧中的哪个图像帧具有最大平均强度,其中,N是预定的数量;并且选择所确定的图像帧作为所述参考图像帧。
造影剂密度总体上随时间减小,因此预期序列中的最早图像帧将包括具有适当高的造影剂密度的图像帧。这些帧中具有最大平均强度的图像帧将对应于具有最高造影剂密度的图像帧。
N可以是预定数,其优选地小于10,例如优选地小于5。
所述参考图像帧可以是所述造影增强图像帧的序列中的以下图像帧,在所述图像帧中,所述造影剂密度最高。具有最高造影剂密度的图像帧是最适合于执行分割的帧。
校正所述图像帧的序列中的所述一个或多个图像帧的集合的步骤可以包括:针对所述一个或多个图像帧的集合中的每个图像帧,定义强度值的非线性传递函数,使得所述图像帧中的所述感兴趣区域的平均未校正图像强度被映射到所述参考图像帧中的所述感兴趣区域的平均图像强度;针对所述一个或多个图像帧的集合中的每个图像帧,将针对所述图像帧定义的所述非线性传递函数应用于所述图像帧的至少一部分。
非线性传递函数被设计为修改图像,使得它们类似于其中造影剂的密度不随时间变化的假设场景,从而跨造影增强图像帧的序列产生更均匀的外观。
非线性传递函数中的强度的连续映射意味着避免了在校正过程中引入伪强度边缘。
校正所述图像帧的序列中的所述一个或多个图像帧的集合的步骤可以包括:针对所述一个或多个图像帧的集合中的每个图像帧,基于直方图匹配来定义函数,使得所述图像帧的至少一部分的灰度值统计与所述参考图像帧中的所述感兴趣区域的灰度值统计一致;并且对于所述一个或多个图像帧的集合中的每个图像帧,将针对所述图像帧定义的函数应用于所述图像帧的至少一部分。
该方法对齐正被校正的图像帧与参考帧之间的灰度值分布的更高分位数。
对于一个或多个图像帧的集合中的每个图像帧,非线性传递函数可以应用于整个图像帧或图像帧的(仅)部分,优选地其中,该部分包括感兴趣区域。造影剂的时间可变性主要影响包含造影剂的解剖结构中的图像强度;这些区域通常被发现靠近感兴趣区域。在本申请的背景下,“部分”不包括整个图像。
对参考图像帧执行的分割可以是基于模型的分割。替代地,可以使用任何其他合适的分割方法,例如,基于深度学习的体素分割方法。
还提出了一种包括代码单元的计算机程序产品,当在具有处理系统的计算设备上执行时,所述代码单元使所述处理系统执行任何本文描述的方法的所有步骤。
还提出了一种用于校正造影增强图像帧的序列中的造影剂密度的差异的处理系统,所述处理系统被配置为:从所述造影增强图像帧的序列中选择参考图像帧;对所述参考图像帧执行分割;基于所述分割来识别所述参考图像帧中的感兴趣区域,其中,所述感兴趣区域是所述参考图像帧的包含所述造影剂的区域;并且基于所述一个或多个造影增强图像帧中的每个造影增强图像帧与所述参考图像帧之间的所述感兴趣区域内的图像强度的变化来校正所述图像帧的序列中的一个或多个图像帧的集合中的造影剂密度的差异,其中,所述一个或多个图像帧的集合包括与所述参考图像帧不同的至少一个图像帧。
所述参考图像帧可以是所述造影增强图像帧的序列中的以下图像帧,在所述图像帧中,所述造影剂密度最高。
还提出了一种系统,包括:成像装置,其用于获得对象的医学图像;以及先前描述的处理系统,其还被配置为从所述成像装置接收所述造影增强图像帧的序列。所述成像装置可以是例如超声成像装置、磁共振(MR)成像装置、计算机断层摄影(CT)成像装置、X射线成像装置或适合造影增强成像的任何成像装置。
参考下文描述的(一个或多个)实施例,本发明的这些和其他方面将是显而易见的并且得以阐明。
附图说明
现在将参考附图详细描述本发明的示例,其中:
图1图示了根据本发明的实施例的用于校正造影增强图像帧的序列中的造影剂密度的差异的方法;
图2图示了左心室不透明度图像帧的序列中的第一舒张末期帧和第一收缩末期帧之间的不同水平的不透明度的示例;
图3图示了根据本发明的实施例的左心室不透明度图像的序列中的参考图像帧的分割和参考图像帧中的感兴趣区域的识别;
图4图示了针对造影增强图像帧的示例序列的造影剂密度相对于时间的曲线图;
图5图示了示例感兴趣区域中的平均图像强度相对于左心室不透明度图像帧的序列的图像帧索引的曲线图;
图6图示了根据本发明的实施例的用于校正造影增强图像帧的造影剂密度的差异的示例非线性传递函数;
图7图示了使用非线性传递函数校正左心室不透明度图像帧的序列的示例结果;并且
图8图示了根据本发明的实施例的用于获得和校正造影增强图像帧的序列的系统,该系统包括成像装置和处理系统。
具体实施方式
将参考附图来描述本发明。
应当理解,详细描述和具体示例在指示装置、系统和方法的示例性实施例的同时,仅旨在用于图示的目的,而不旨在限制本发明的范围。根据以下描述、所附权利要求和附图将更好地理解本发明的装置、系统和方法的这些和其他特征、方面和优点。应当理解,附图仅仅是示意性的,并且未按比例绘制。还应当理解,贯穿附图,使用相同的附图标记来表示相同或相似的部件。
根据本发明的概念,提出了一种用于校正造影增强图像帧的序列中的造影剂密度差异的方法和系统。在所述造影增强图像帧的序列中定义参考图像帧,并且对所述参考图像帧执行分割以确定所述参考图像帧内的感兴趣区域的位置。所述感兴趣区域是所述参考图像帧的包含造影剂的区域。基于所述感兴趣区域中的造影剂密度/图像强度相对于所述参考图像帧中的所述感兴趣区域的差异来校正所述造影增强图像的序列中的其他图像帧。
实施例至少部分地基于以下认识:基于图像帧的合适区域中的强度值的变化或差异来校正造影剂密度的差异提供了比基于完整图像帧的强度值的校正更准确的校正,并且可以通过首先识别适合于分割的参考图像帧并对参考图像帧执行分割以识别包含造影剂的解剖结构来识别校正所基于的合适区域。
说明性实施例可以例如在造影增强医学成像系统(诸如造影增强心脏超声系统)中采用。
图1图示了用于校正造影增强图像帧的序列中的造影剂密度的差异的方法100。造影增强图像帧的序列可以是在医学成像采集中获得的造影增强图像帧的任何序列。例如,该序列可以是造影增强超声图像帧的序列,诸如心室不透明度图像帧的序列,例如左心室不透明度图像帧或右心室不透明度图像帧。
该方法从步骤110开始,其中,从造影增强图像帧的序列中选择参考图像帧。参考图像帧是具有高造影剂密度的图像帧;例如,参考图像帧可以是所述造影增强图像帧的序列中的以下图像帧,在所述图像帧中,所述造影剂密度最高。
设想了用于在造影增强图像的序列中选择合适的参考帧的各种方法。在一些示例中,可以通过识别序列中的具有最大平均强度的图像帧来直接从与造影增强图像帧的序列相对应的图像数据确定参考帧。大的平均强度指示高的造影剂密度。
可以预期在造影增强图像帧的序列中的早期发现具有最高造影剂密度的图像帧,因为造影剂密度通常随时间下降。因此,在一些示例中,仅序列的前几个图像帧可以用于选择参考图像帧。例如,可以确定序列中的前N个图像帧中的哪个具有最大平均强度,其中,N是预定的数量,并且可以选择该帧作为参考图像帧。N可以例如是小于10的数,例如小于5的数。在示例中,N=3。
在其他示例中,当选择合适的参考图像帧时,可以使用生理过程如何影响造影剂密度的知识。例如,在左/右心室不透明度的情况下,造影剂密度在心脏舒张期间随着包含造影剂的新血液流入左/右心室而增加,并且然后随着用于获得造影增强图像帧的超声波与造影剂相互作用而再次降低。
由于肺对造影剂密度的影响,所提出的方法特别用于左心室不透明度,因为当血液流过/流经肺时,存在造影剂(通常使用静脉注射引入)被稀释的趋势。然而,应当理解,当在左心室和右心室不透明度技术两者中使用时,实现了本发明的优点。
图2图示了左心室不透明度图像帧的序列中的第一舒张末期(ED)帧200和第一收缩末期(ES)帧250之间的不同水平的不透明度的示例。本领域技术人员将理解,可以以功能上相同的方式处理右心室不透明度图像帧的序列。
如图2所示,造影剂密度在第一ED帧中比在第一ES帧中显著更高。由于造影剂随时间的劣化和稀释,预期第一ED帧具有比后续ED帧更高的造影剂密度。在左心室不透明度图像帧的序列中,第一ED帧通常具有最高造影剂密度或接近最高造影剂密度的造影剂密度。
因此,左心室不透明度图像帧的序列中的第一ED帧是参考图像帧的合适选择。因此,可以通过识别第一ED帧并选择该帧作为参考图像帧来从左心室不透明度图像帧的序列中选择参考图像帧。例如,可以执行初始分割(诸如基于模型的分割),以便确定序列中的哪个图像帧对应于第一ED帧。
由于第一ED帧将被发现朝向序列的开始,所以可以仅对前几个图像帧执行初始分割。例如,可以对包括左心室不透明度图像帧的序列中的前M个帧的图像帧子集执行初始的基于模型的分割,其中,M是预定的数量。然后可以基于初始的基于模型的分割来确定子集中的哪个图像帧对应于第一ED帧,并且可以选择被确定为对应于第一ED帧的图像帧作为参考图像帧。
返回到图1,在步骤120处,对所选择的参考图像帧执行分割。分割可以例如是基于模型的分割,但是也设想了替代分割方法,诸如基于AI的分割方法(即,机器学习方法,诸如神经网络等)。
由于参考图像帧被选择为具有高造影剂密度,因此参考图像帧通常将非常适合于分割而不需要图像校正。
在步骤130处,基于分割在参考图像帧中识别感兴趣区域(ROI)。ROI是参考图像帧的包含造影剂的区域、部分或分数。例如,ROI可以对应于例如基于已知参数、文献在分割中识别的通常包含造影剂的大部分的一个或多个解剖结构。ROI的身份可以是例如基于特定的用例场景预先预定的。
ROI优选地仅形成整个参考图像帧的一部分,即,不是整个参考图像帧的全部。将显而易见的是,感兴趣区域(当在参考图像帧内被识别时)可以被映射到造影增强图像帧的序列的每个其他图像帧中的相同位置/区域。因此,在参考图像帧中识别的感兴趣区域对应于序列的每个其他图像帧中的(相同大小和位置的)感兴趣区域。
在左心室不透明度的情况下,例如,ROI可以包括参考图像帧中的血池的估计位置。对血池的位置的估计基于分割结果。因此,ROI可以(在该场景中)对应于图像的表示血池的部分。图像的该部分的位置可使用分割结果来识别。
作为另一示例,ROI可以是病变或肿瘤的位置。例如,脑中的肿瘤或病变可能引起血脑屏障的泄漏或破裂,意味着血液中存在的造影剂将泄漏到肿瘤/病变周围的脑区域中。这导致图像帧中的肿瘤/病变的外观被突出显示。
包含大部分造影剂的感兴趣区域的其他合适的示例对于本领域技术人员将是显而易见的,并且取决于用例场景(即,实施细节)。
在造影增强图像帧的一些序列中,解剖结构的大小和位置可以跨图像帧的序列而变化。例如,在左心室不透明度图像的序列中,心脏的解剖结构在心动周期内在大小和位置上变化。作为另一示例,在脑的一系列图像中,血流或患者位置的变化可能导致脑中的移动。
在一些示例中,在确定ROI的大小和位置时考虑该变化。例如,对于左心室不透明度图像帧的序列,当定义ROI时,除了参考图像帧中的血池的估计位置之外,还可以使用收缩末期的血池的估计大小和位置。以这种方式,ROI可以被定义为使得它在序列中的所有图像帧处(至少近似地)在血池内,假设序列中的图像帧近似地对齐。
设想了用于基于血池在参考图像帧中的估计位置以及血池的估计收缩末期(ES)大小和位置来识别合适的感兴趣区域的各种方法。在示例中,在左心室不透明度图像的序列中基于例如用于识别第一ED帧的初始分割来识别ES帧。然后可以通过使用在若干数据集上平均的平均网格的ED和ES帧之间的差异模式来估计所识别的ES帧中的血池的位置和大小。ROI可以被定义为具有ES帧中的血池的估计位置和大小。替代地,参考图像中的ROI的大小和位置可以通过将估计的ES血池相对于其重心缩放因子f来获得,其中,f<1(例如f=0.8)。按比例缩小估计的ES血池以定义ROI增加了感兴趣的ROI将在所有帧中完全保持在血池内的可能性,因为由于第一ED帧的分割和使用差异模式到ES帧的映射两者中的不确定性,在血池的大小和位置的估计中将存在一定的不确定性。在另一示例中,可以使用合适的形态学操作(例如侵蚀)来定义ROI。
因此,感兴趣区域可以通过识别包含参考帧的造影剂的区域来定义,并且针对该区域预测帧的序列的每个其他帧具有包含造影剂的对应感兴趣区域(在相同的位置和大小处)。上面提供的描述提供了该方法的一个示例。
图3图示了如上所述的左心室不透明度图像的序列中的参考图像帧的分割和ROI的识别。图像300示出了用于估计血池305的位置的参考图像帧的分割。图像350示出了ROI355的识别。ROI 355小于参考图像帧中的血池305,因为它已经被定义为如上所述的那样在左心室图像的序列中的所有帧中都在血池内。
返回到图1,在步骤140处,在造影增强图像的序列中的一个或多个图像帧的集合中校正造影剂密度的差异。所述一个或多个图像帧的集合包括不同于参考图像的至少一个图像帧。在特定示例中,造影增强图像的序列中的一个或多个图像帧的集合包括多个图像帧。在一些示例中,所述一个或多个图像帧的集合不包括参考图像(因为这提供了用于校正序列中的其他图像帧的参考信息)。
校正的目的是修改一个或多个图像以类似或模拟(例如,尽可能接近地)在造影剂密度与参考图像帧中的造影剂密度相同的情况下它们将看起来如何。因此,可以校正造影剂密度的帧间差异。在图4中图示了该想法。
图4示出了针对造影增强图像帧的示例序列的造影剂密度相对于时间的示意性曲线图400。未校正的图像帧410的密度随时间变化。参考图像帧已经被选择为是具有最高造影剂密度的帧。经校正的图像帧420具有与参考图像帧相同的造影剂密度。
应用于每个图像帧的校正基于图像帧和参考图像帧之间的ROI内的图像强度的变化。仅使用ROI的图像强度而不是完整图像的强度提高了校正的准确性。
因此,参考图像帧的ROI中的图像强度与要改变的图像帧的ROI(在相同位置和大小处)之间的差异用于校正要改变的图像帧。
图5示出了ROI内的平均图像强度可以如何用作造影剂密度的代表。图5图示了示例ROI中的平均图像强度相对于左心室不透明度图像帧的序列的图像帧索引的曲线图500。如图500所示,ROI中的平均图像强度示出了心动周期内的造影剂密度的预期变化性。
在一些示例中,通过定义一个或多个图像帧中的每个图像帧的强度值的非线性传递函数来校正造影剂密度的差异,该非线性传递函数被设计为使得未校正的图像帧中的ROI的平均图像强度被映射到参考图像帧中的ROI的平均图像强度。
图6图示了可以用于校正造影增强图像帧的造影剂密度的差异的示例非线性传递函数。将等于正被校正的图像帧中的平均ROI强度的强度调整为等于参考图像帧中的平均ROI强度的经校正的强度。该函数中的强度的连续映射允许在不引入伪强度边缘的情况下校正图像帧。此外,注意,最小和最大强度值(这里分别为0和255)两者通过传递函数保持不变;这确保没有强度值的整体偏移被应用于图像。
在其他示例中,直方图匹配方法可以用于校正一个或多个图像帧,其中,正被校正的图像帧(或其区域,如下文所述)的灰度值统计与参考帧中的ROI的灰度值统计一致。换句话说,直方图匹配函数可以被定义为使得正被校正的图像帧的至少一部分的灰度值统计与参考图像帧中的感兴趣区域的灰度值统计一致。与上述仅基于平均强度值的方法相比,这种方法还对齐正被校正的图像与参考帧中的一个之间的灰度值分布的更高分位数。用于基于图像帧与参考图像帧之间的ROI内的图像强度的变化来校正造影剂密度的差异的另外方法对于本领域技术人员将是显而易见的。
被校正的一个或多个图像帧可以包括序列中除了参考图像帧之外的所有图像帧。替代地,校正可以仅应用于造影增强图像的序列的子集。例如,经校正的一个或多个图像帧可以包括序列中的在参考图像帧之后的所有图像帧,或经校正的一个或多个图像帧可以仅包括由临床医师选择用于比较的图像帧。
一个或多个图像帧中的每个图像帧的校正可以应用于整个图像帧,或校正的应用可以限于图像帧的一部分。例如,校正可以仅应用于图像的靠近和/或包括ROI的区域/部分,因为靠近ROI的区域通常比远离ROI的区域更可能包含造影剂,并且因此通常更多地受到造影剂的时间可变性的影响。例如,校正可以被完全应用于ROI内,并且平滑地过渡到远在ROI之外的恒等函数(即,没有校正),其中,针对每个体素的过渡参数是到ROI的最近距离。
图7图示了使用参考图6描述的非线性传递函数校正左心室不透明度图像帧的序列700的示例结果750。在该示例中,对每幅图像的校正已经应用于完整的每幅图像。
如图7所示,在未校正的序列700中,参考帧710具有最高造影剂密度,并且造影剂密度随时间(随着序列从左到右前进)而减小。在经校正的序列750中,造影剂密度跨序列近似恒定。
图8图示了根据本发明的实施例的用于获得和校正造影增强图像帧的序列的系统800,该系统800包括成像装置810和处理系统820。处理系统820本身是本发明的实施例。
成像装置810是被配置为获得对象830的造影增强图像帧的序列815的医学成像装置。在图8中,成像装置是用于获得左心室不透明度图像的超声探头,但是可以使用适合于获得造影增强图像帧的任何成像装置,例如MRI系统、CT系统等。
处理系统820包括被配置为从成像装置810接收造影增强图像帧的序列815并且校正序列中的造影剂密度的差异的一个或多个处理器。
处理系统820通过从序列815中选择参考图像帧、对参考图像帧执行分割(例如,基于模型的分割)、基于分割识别参考图像帧中的感兴趣区域并且基于一个或多个图像帧中的每个图像帧与参考图像帧之间的感兴趣区域内的图像密度的变化校正序列中的一个或多个图像帧来校正造影剂密度的差异,如上面参考图1所描述的。
在一些实施例中,处理系统820可以选择序列815中的具有最高造影剂密度的图像帧作为参考图像帧。处理系统可以通过确定序列中的前几个帧中的哪个图像帧具有最大平均强度来选择参考图像帧。在左心室不透明度图像帧的序列的情况下,处理系统可以通过识别第一舒张末期帧(例如,通过对序列中的前几个帧执行初始分割)来选择参考图像帧。
在一些实施例中,在序列815是左心室不透明度图像的序列的情况下,处理系统820可以将血池识别为感兴趣区域。处理系统可以基于分割的结果来估计参考图像帧中的血池的位置。处理系统还可以通过识别序列815中的收缩末期帧、估计收缩末期帧中的血池的位置并且将感兴趣区域定义为包括参考图像帧和收缩末期帧两者中的血池的估计位置来定义感兴趣区域。
在一些实施例中,处理系统820可以通过针对每个图像帧定义强度值的非线性传递函数并且将针对图像帧定义的非线性传递函数应用于图像帧的至少一部分来校正序列815中的一幅或多幅图像。针对每个图像帧定义非线性传递函数,使得图像帧中的感兴趣区域的平均未校正图像强度被映射到参考图像帧中的感兴趣区域的平均图像强度。在一些示例中,处理系统可以将非线性传递函数应用于整个图像帧。在其他示例中,处理系统可以将非线性传递函数仅应用于图像的包括图像帧的部分。
为了改善的背景理解,在该详细描述中描述的实施例已经集中在左心室不透明度图像的序列上。然而,本领域技术人员将理解,所提出的机制可以被配置为与图像帧的任何合适序列(例如,右心室不透明度图像帧的序列)一起使用。
应当理解,所公开的方法是计算机实施的方法。因此,还提出了一种计算机程序的概念,该计算机程序包括用于当所述程序在处理系统上运行时实施任何所描述的方法的代码单元。
根据本发明的计算机实施的方法的任何优点类似地且相似地适用于本文公开的系统和计算机程序。
本领域技术人员将理解,本发明的上述选项、实施方式和/或方面中的两个或更多个可以以被认为有用的任何方式组合。
本发明的各方面可以被实现在可以是可以被计算机执行的存储在计算机可读存储设备上的计算机程序指令的集合的计算机程序产品中。本发明的指令可以位于包括但不限于脚本、可解释程序、动态链接库(DLL)或Java类的任何可解释或可执行代码机制中。这些指令能够被提供作为完整可执行程序、部分可执行程序、作为针对现有程序的修改(例如更新)或针对现有程序的扩展(例如插件)。此外,本发明的处理的各部分可以被分布在多个计算机或处理器上。
如上所述,处理单元(例如控制器)实施控制方法。控制器能够利用软件和/或硬件以多种方式实施,以执行所需的各种功能。处理器是采用一个或多个微处理器的控制器的一个示例,所述一个或多个微处理器可以使用软件(例如,微代码)来编程以执行所需的功能。然而,控制器可以在采用或不采用处理器的情况下实施,并且还可以被实施为执行一些功能的专用硬件和执行其他功能的处理器(例如,一个或多个编程的微处理器和相关联的电路)的组合。
如上所述,系统利用处理器来执行数据处理。处理器可以用软件和/或硬件以多种方式实施,以执行所需的各种功能。处理器通常采用可以使用软件(例如,微代码)编程以执行所需的功能的一个或多个微处理器。处理器可以被实施为执行一些功能的专用硬件与执行其他功能的一个或多个编程的微处理器和相关联的电路的组合。
可以在本公开的各种实施例中采用的电路的示例包括但不限于常规微处理器、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
在各种实施方式中,处理器可以与一个或多个存储介质相关联,诸如易失性和非易失性计算机存储器,诸如RAM、PROM、EPROM和EEPROM。存储介质可以利用一个或多个程序来编码,所述一个或多个程序当在一个或多个处理器和/或控制器上运行时以所需的功能来执行。各种存储介质可以固定在处理器或控制器内,或者可以是可运输的,使得存储在其上的一个或多个程序可以加载到处理器或控制器中。
本领域技术人员通过研究附图、公开内容以及权利要求,在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。尽管特定措施是在互不相同的从属权利要求中记载的,但是这并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记都不应被解释为对范围的限制。
Claims (15)
1.一种用于校正造影增强图像帧的序列(700、815)中的造影剂密度的差异的计算机实施的方法(100),所述计算机实施的方法包括:
从所述造影增强图像帧的序列中选择参考图像帧(710);
对所述参考图像帧执行分割;
基于所述分割来识别所述参考图像帧中的感兴趣区域(355),其中,所述感兴趣区域是所述参考图像帧的包含所述造影剂的区域;并且
基于在一个或多个造影增强图像帧中的每个造影增强图像帧与所述参考图像帧之间所述感兴趣区域内的图像强度的变化来校正所述图像帧的序列中的所述一个或多个图像帧的集合中的造影剂密度的差异,其中,所述一个或多个图像帧的集合包括与所述参考图像帧不同的至少一个图像帧。
2.根据权利要求1所述的计算机实施的方法(100),其中,所述造影增强图像帧的序列(700、815)是心室不透明度图像帧的序列。
3.根据权利要求2所述的计算机实施的方法(100),其中,所述参考图像帧(710)是通过以下方式选择的:
对包括所述造影增强图像帧的序列中的前M个帧的图像帧的子集执行初始分割,其中,M是预定的数量;
基于所述初始分割来确定所述图像帧的子集中的哪个图像帧对应于第一舒张末期帧;并且
选择所确定的图像帧作为所述参考图像帧。
4.根据权利要求2或3所述的计算机实施的方法(100),其中,所述感兴趣区域(355)包括所述参考图像帧(710)中的血池(305)的估计位置。
5.根据权利要求4所述的计算机实施的方法(100),其中,识别所述感兴趣区域(355)的步骤还包括:
识别所述造影增强图像帧的序列(700、815)中的收缩末期帧;
估计所识别的收缩末期帧中的所述血池的位置;并且
将所述感兴趣区域定义为包括所述参考图像帧中的所述血池的所述估计位置和所述收缩末期帧中的所述估计位置的区域。
6.根据权利要求1或2所述的计算机实施的方法(100),其中,所述参考图像帧(710)是通过以下方式选择的:
确定所述造影增强图像帧的序列中的前N个帧中的哪个图像帧具有最大平均强度,其中,N是预定的数量;并且
选择所确定的图像帧作为所述参考图像帧。
7.根据权利要求1至6中的任一项所述的计算机实施的方法(100),其中,所述参考图像帧(710)是所述造影增强图像帧的序列(700、815)中的以下图像帧,在所述图像帧中,所述造影剂密度最高。
8.根据权利要求1至7中任一项所述的计算机实施的方法(100),其中,校正所述图像帧的序列(700、815)中的所述一个或多个图像帧的集合的步骤包括:
针对所述一个或多个图像帧的集合中的每个图像帧,定义强度值的非线性传递函数,使得所述图像帧中的所述感兴趣区域的平均未校正图像强度被映射到所述参考图像帧中的所述感兴趣区域的平均图像强度;
针对所述一个或多个图像帧的集合中的每个图像帧,将针对所述图像帧定义的所述非线性传递函数应用于所述图像帧的至少部分。
9.根据权利要求1至7中任一项所述的计算机实施的方法(100),其中,校正所述图像帧的序列(700、815)中的所述一个或多个图像帧的集合的步骤包括:
针对所述一个或多个图像帧的集合中的每个图像帧,基于直方图匹配来定义函数,使得所述图像帧的至少部分的灰度值统计与所述参考图像帧中的所述感兴趣区域的灰度值统计一致;并且
针对所述一个或多个图像帧的集合中的每个图像帧,将针对所述图像帧定义的所述函数应用于所述图像帧的至少部分。
10.根据权利要求1至9中的任一项所述的计算机实施的方法(100),其中,在所述一个或多个图像帧的集合中的每个图像帧的整个图像帧中校正所述造影剂密度的差异。
11.根据权利要求1至9中的任一项所述的计算机实施的方法(100),其中,在所述一个或多个图像帧的集合中的每个图像帧的部分中校正所述造影剂密度的差异,其中,所述部分包括所述感兴趣区域(355)。
12.一种包括代码单元的计算机程序产品,当在具有处理系统的计算设备上执行时,所述代码单元使所述处理系统执行根据权利要求1至11中任一项所述的方法的所有步骤。
13.一种用于校正造影增强图像帧的序列(700、815)中的造影剂密度的差异的处理系统(820),所述处理系统被配置为:
从所述造影增强图像帧的序列中选择参考图像帧(710);
对所述参考图像帧执行分割;
基于所述分割来识别所述参考图像帧中的感兴趣区域(355),其中,所述感兴趣区域是所述参考图像帧的包含所述造影剂的区域;并且
基于在一个或多个造影增强图像帧中的每个造影增强图像帧与所述参考图像帧之间所述感兴趣区域内的图像强度的变化来校正所述图像帧的序列中的所述一个或多个图像帧的集合中的造影剂密度的差异,其中,所述一个或多个图像帧的集合包括与所述参考图像帧不同的至少一个图像帧。
14.根据权利要求13所述的处理系统(820),其中,所述参考图像帧(710)是在所述造影增强图像帧的序列(700、815)中的以下图像帧,在所述图像帧中,所述造影剂密度最高。
15.一种系统(800),包括:
成像装置(810),其用于获得对象(830)的医学图像;以及
根据权利要求13或14所述的处理系统(820),其还被配置为从所述成像装置接收所述造影增强图像帧的序列(700、815)。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163158220P | 2021-03-08 | 2021-03-08 | |
US63/158,220 | 2021-03-08 | ||
EP21167840.4 | 2021-04-12 | ||
PCT/EP2022/055350 WO2022189240A1 (en) | 2021-03-08 | 2022-03-03 | Method and system for correcting contrast-enhanced images |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117063200A true CN117063200A (zh) | 2023-11-14 |
Family
ID=75477934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280019744.0A Pending CN117063200A (zh) | 2021-03-08 | 2022-03-03 | 用于校正造影增强图像的方法和系统 |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP4057216A1 (zh) |
CN (1) | CN117063200A (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2733933A1 (en) * | 2012-09-19 | 2014-05-21 | Thomson Licensing | Method and apparatus of compensating illumination variations in a sequence of images |
JP6640522B2 (ja) * | 2015-10-14 | 2020-02-05 | キヤノンメディカルシステムズ株式会社 | 画像処理装置及びx線診断装置 |
-
2021
- 2021-04-12 EP EP21167840.4A patent/EP4057216A1/en not_active Withdrawn
-
2022
- 2022-03-03 CN CN202280019744.0A patent/CN117063200A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4057216A1 (en) | 2022-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5851553B2 (ja) | イメージング法における対象領域の識別と時間値曲線の抽出 | |
US9710915B2 (en) | Automatic background region selection for lesion delineation in medical images | |
US8620040B2 (en) | Method for determining a 2D contour of a vessel structure imaged in 3D image data | |
US9424637B2 (en) | Vessel segmentation method and apparatus using multiple thresholds values | |
JP2019055230A (ja) | 医用画像における構造物をセグメンテーションする医用画像処理装置、医用画像をセグメンテーションするための方法及び医用画像をセグメンテーションするコンピュータプログラムを記憶する記憶媒体 | |
US20110150309A1 (en) | Method and system for managing imaging data, and associated devices and compounds | |
TW201903708A (zh) | 數位減影血管攝影圖像的分析方法與系統 | |
US8427151B2 (en) | Method and apparatus for brain perfusion magnetic resonance images | |
US11138739B2 (en) | Heart segmentation methodology for cardiac motion correction | |
US11282170B2 (en) | Contrast injection imaging | |
US20220020152A1 (en) | Apparatus for identifying regions in a brain image | |
JP7278056B2 (ja) | 造影シネmriデータセットにおける左心室のセグメント分割の改善 | |
EP3816933A1 (en) | Artificial intelligence based cardiac motion classification | |
JP2015532872A (ja) | かん流撮像 | |
US20110148861A1 (en) | Pet data processing system, an arrangement, a method and a computer program product for determining a distribution of a tracer uptake | |
KR101611488B1 (ko) | 의료 영상에서 아티팩트와 병변을 구분하는 방법 | |
US11836921B2 (en) | Artificial-intelligence-based global cardiac motion classification | |
CN108885786B (zh) | 医学图像处理 | |
US20240153037A1 (en) | Method and system for correcting contrast-enhanced images | |
EP4057216A1 (en) | Method and system for correcting contrast-enhanced images | |
EP4209994A1 (en) | Method and system for automatic classification of radiographic images having different acquisition characteristics | |
CN112790778A (zh) | 采集错误对齐 | |
EP4197442A1 (en) | Peripheral perfusion analysis | |
EP4156091A1 (en) | Computer-implemented method for evaluating an image data set of an imaged region, evaluation device, imaging device, computer program and electronically readable storage medium | |
US9286677B2 (en) | Reorientation of cardiac images |
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 |