CN1518719A - 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和系统 - Google Patents

根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和系统 Download PDF

Info

Publication number
CN1518719A
CN1518719A CNA028123395A CN02812339A CN1518719A CN 1518719 A CN1518719 A CN 1518719A CN A028123395 A CNA028123395 A CN A028123395A CN 02812339 A CN02812339 A CN 02812339A CN 1518719 A CN1518719 A CN 1518719A
Authority
CN
China
Prior art keywords
lung
lung neoplasm
volume
voi
seed points
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
CNA028123395A
Other languages
English (en)
Inventor
C・L・诺瓦克
C·L·诺瓦克
L·范
J·钱
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.)
Siemens Corporate Research Inc
Original Assignee
Siemens Corporate Research Inc
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 Siemens Corporate Research Inc filed Critical Siemens Corporate Research Inc
Publication of CN1518719A publication Critical patent/CN1518719A/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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
    • 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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种根据MSHR CT图像自动检测肺肿瘤的方法，包括在MSHRCT图像中定义肺容积的感兴趣容积(VOI)(314)。利用VOI来检查肺容积(316)，这包括确定局部密度直方图(316a)，以及确定用于分割VOI以获取种子点的自适应阈值(316d)。检查每个种子点以从中检测肺肿瘤(318)，这包括：采用分割法来分割种子点所表示的解剖结构(318a)，所述分割法根据对种子点进行的直方图分析自适应地调整分割阈值，以根据三维连通性和直方图密度信息来提取解剖结构；以及根据对应于肺肿瘤和相关结构的先验知识将每个结构归类为肺肿瘤或非肿瘤(320)。将显示肺肿瘤出来(326)。对肺肿瘤进行分析(328)，这包括自动量化肺肿瘤的特征以提供自动检测决定(328a)。

Description

根据多层面高分辨率计算机断层摄影图像自动检测肺肿瘤的方 法和系统
相关申请的交叉引用
本申请涉及标题为“用于辅助诊断数字立体医学图像中肺肿瘤的交互式计算机辅助诊断(ICAD)的方法和系统”、代理人案号为2001E03249的申请，该申请与本申请共同授让和同时提交，且该申请的公开内容通过引用结合到本说明书中。本申请还涉及序号为09/606564，标题为“三维数字图像数据的计算机辅助诊断”，于2000年6月29日提交的美国专利，此申请也与本申请共同授让，且此申请的公开内容也通过引用结合到本说明书中。
背景
1.技术领域
本发明一般地涉及医学检测系统，具体地说，涉及一种根据多层面高分辨率计算机断层摄影(MSHR CT)图像自动检测肺肿瘤的方法和系统。
2.背景说明
据报道，肺癌是男人和女人第二位最常检出的癌症，居美国癌症死亡病因之首。与此同时，已经证明，早期检出某些肺癌可显著提高五年期存活率。因此，人们非常希望通过非入侵性方法于早期检出肺肿瘤。多层面高分辨率计算机断层摄影(MSHR CT)扫描提供了这样一种方法，使用这种方法可以对肺容积内任意位置的直径为2至30毫米的肿瘤成像。
但是，大量的MSHR CT数据给内科医生造成了棘手的难题。层面(slice)厚度为1至1.5毫米的典型多层面高分辨率扫描可能有300个或更多的图像层面。如果用于肺癌筛选的计算机断层摄影(CT)广泛普及，则这种检测有巨大的需求。显然，对于内科医生而言，研究每个图像层面既费时又不切实际。因此，自动肿瘤检测方法和系统将不仅是所期望的，而且高度有利的。
发明概述
本发明，即一种根据多层面高分辨率计算机断层摄影(MSHRCT)图像自动检测肺肿瘤的方法和系统，解决了现有技术的上述问题以及其它相关问题。
根据本发明的一个方面，提出了一种根据多层面高分辨率计算机断层摄影(MSHR CT)图像自动检测肺肿瘤的方法。根据MSHR CT图像数据，定义感兴趣容积(volume of interest)(VOI)，以便通过MSHR CT图像内的肺容积。利用VOI来检查肺容积，这一步骤包括：确定所述VOI内的局部密度直方图(local histogram ofintensity)；以及确定用于分割所述VOI以获取种子点(seed)的自适应阈值。检查每个所述种子点以从中检测肺肿瘤，这一步骤包括：对所述种子点应用分割法来分割种子点所表示的解剖结构，所述分割法根据对种子点进行的局部直方图分析自适应地调整分割阈值，以根据对应于局部直方图的三维连通性和密度信息来提取解剖结构；以及根据对应于肺肿瘤和相关的预定义解剖结构的先验知识将每个分割的解剖结构归类为肺肿瘤或非肿瘤之一。显示肺肿瘤。接着对肺肿瘤进行分析，这包括自动量化肺肿瘤的特征以提供每个肺肿瘤的自动检测决定。
根据本发明的另一个方面，检查肺容积的步骤包括确定所述局部直方图所对应的一维直方图曲线的曲率的步骤。
根据本发明的再一个方面，检查肺容积的步骤包括确定所述一维直方图曲线曲率的正负曲率极值的步骤。
根据本发明的再一个方面，检查肺容积的步骤包括根据对所述一维直方图曲线曲率的正负曲率极值的分析，确定自适应分割阈值的步骤。
根据本发明的再一个方面，所述归类步骤包括将非肿瘤结构排除在后续评估之外的步骤。
根据本发明的再一个方面，所述排除步骤包括在所述VOI的Z轴方向上对种子点应用深度优先搜索法，以排除表示所述非肿瘤结构的种子点的步骤。
根据本发明的另一个方面，所述分析步骤包括从用户接收对每个肺肿瘤的最终检测决定的步骤，所述最终检测决定取代(override)所述自动检测决定。
结合附图，参照如下对最佳实施例的详细说明，本发明的这些以及其它方面、特征和优点将变得显而易见。
附图简介
图1是根据本发明的说明性实施例的，根据多层面高分辨率计算机断层摄影(MSHR CT)图像自动检测肺肿瘤的系统100的框图；
图2A和2B显示根据本发明的说明性实施例，所检测到的候选肿瘤200的实例；
图3是根据本发明的说明性实施例的，根据多层面高分辨率计算机断层摄影(MSHR CT)图像自动检测肺肿瘤的方法300的流程图；
图4A是根据本发明的说明性实施例的，包围感兴趣对象的感兴趣容积(VOI)内的局部直方图曲线；
图4B是根据本发明的说明性实施例，在设置了分割阈值的密度范围内，图4A所示局部直方图的特写视图；
图4C是根据本发明的说明性实施例，说明据以确定自适应阈值的，图4A和4B的局部直方图的对应曲率极值的曲线图。
最佳实施例的详细说明
本发明旨在提供一种根据多层面高分辨率计算机断层摄影(MSHR CT)图像自动检测肺肿瘤的方法和系统。
要明确的是，本发明可以用硬件、软件、固件、专用处理器或它们的组合等各种形式来实现。最好，本发明以硬件和软件的组合形式来实现。再者，软件最好实现为包含在程序存储器中的应用程序。所述应用程序可以上载到包括任何合适的体系结构的机器上并由它来执行。所述机器最好在这种硬件平台上实现，这种硬件平台具有诸如一个或多个中央处理单元(CPU)、随机存取存储器(RAM)以及输入/输出(I/O)接口等硬件。所述计算机平台还包括操作系统和微指令代码。这里所述的各种过程和功能可以是通过操作系统来执行的微指令代码或应用程序(或二者的组合)的一部分。此外，还可以将各种其它外围设备连接到所述计算机平台，如附加的数据存储装置或打印装置。
还要明确的是，因为附图中所示的某些构成系统的部件和方法步骤最好以软件方式来实现，所以系统部件(或处理步骤)之间的实际连接可能有所不同，具体视以何种方式来对本发明编程而定。根据本说明书给出的论述，本专业普通技术人员可考虑本发明的这些和其它类似的实施方案或配置。
图1是根据本发明的说明性实施例的，根据多层面高分辨率计算机断层摄影(MSHR CT)图像自动检测肺肿瘤的系统1 00的框图。系统100至少包括在工作时通过系统总线104与其它部件连接的一个处理器(CPU)102。只读存储器(ROM)106、随机存取存储器(RAM)108、显示器适配器110、I/O适配器112以及用户界面适配器114在工作时连接到系统总线104。
显示装置116在工作时通过显示器适配器110连接到系统总线104。盘式存储装置(例如，磁盘或光盘存储装置)118在工作时通过I/O适配器112连接到系统总线104。
鼠标120、键盘122以及眼跟踪装置(eye tracking device)124通过用户界面适配器114在工作时连接到系统总线104。鼠标120、键盘122以及眼跟踪装置124用于辅助选择数字医学图像的可疑区域。
感兴趣容积(VOI)选择器170、肺容积检查装置180、检测装置160以及包括分割装置192和规类器194的种子点检查装置190也包括在系统100中。虽然将感兴趣容积(VOI)选择器170、肺容积检查装置180、检测装置160以及种子点检查装置190(包括分割装置192和规类器194)作为所述至少一个处理器(CPU)102的部件来说明，但是这些部件最好包含在至少一个所述存储器中所存储的计算机程序代码中，并可由所述至少一个处理器102来执行。当然，还可以有其它方案，包括在位于处理器芯片上的寄存器中实施一些或所有的计算机程序。根据本说明书给出的论述，本专业普通技术人员可以可考虑系统100的VOI选择器170、肺容积检查装置180、检测装置160以及种子点检查装置190(包括分割装置192和规类器194)以及其它部件的这些和各种其它配置和实施方案，同时又脱离本发明精神和范围。
系统100还可以包括数字化仪126，它在工作时通过用于对肺的MSHR CT图像进行数字化的用户界面适配器114连接到系统总线104上。或者，如果数字MSHR CT图像可以通过工作时连接到系统总线104的通信适配器128从网络输入到系统100中，则可以省略数字化仪126。
图2A和2B是显示根据本发明的说明性实施例，所检测到的候选肿瘤200的实例。具体地说，图2A显示了位于原始CT图像中的肿瘤，而图2B显示了对肿瘤进行三维(3-D)表面再现(surfacerendering)。
图3是说明根据本发明的说明性实施例，根据多层面高分辨率计算机断层摄影(MSHR CT)图像自动检测肺肿瘤的方法300的流程图。
下面将参照图3对本发明作总体性说明，以向读者介绍本发明的概念。之后，参照图3的步骤对本发明的各个方面予以更为详细的说明。
在装入MSHR CT图像数据之后，就执行预处理，以定位肺部区域(步骤312)。定位胸壁(步骤312a)并排除胸壁以外的整个区域(步骤312b)。
由VOI选择器170根据MSHR CT图像数据定义感兴趣容积VOI的形状和尺寸(步骤314)。具体地说，设置VOI是为了通过整个肺容积以达到检测肿瘤的目的。
由肺容积检查装置180利用VOI扫描并检查整个肺容积(步骤316)。每次移动VOI，系统就会自动确定：VOI内的局部密度直方图(步骤316a)；一维直方图曲线的曲率(步骤316b)；正负曲率极值(步骤316c)；以及用于分割VOI以获取种子点的自适应阈值(步骤316d)。这些种子点表示有重要意义的解剖结构，包括肺肿瘤、脉管、气壁(airway wall)以及其它组织。最好预先指定可以视为种子点的解剖结构，但并非一定要这样做。
图4A是根据本发明的一个说明性实施例，包围感兴趣对象的感兴趣容积(VOI)内的局部直方图曲线。图4A的绘图对应于图3的步骤316a。图4B是在设置了分割阈值的密度范围内，图4A所示局部直方图的特写视图。从图4A和4B可以看出，在300至600之间的密度范围内存在多个峰值，使得域值选择非常困难。
图4C是根据本发明的说明性实施例，说明图4A和4B的局部直方图的对应曲率的曲线图。根据曲率极值分析，自适应地将分割阈值设置为543，如参照图3的步骤316c所示。
由种子点检查装置190对种子点进行检查以检测肺肿瘤(步骤318)。具体地说，对于从步骤316d得到的每个种子点，执行步骤318a和318b以检查对应的结构。
由分割装置192对对应的结构进行分割(步骤318a)。将基于局部直方图分析的分割法应用于种子点，以根据三维连通性和先前由步骤316d得到的密度信息来提取结构。
计算分割结构的密度和几何特征(步骤318b)。即，采用密度和包括但不限于位置、直径、容积、圆形度、球形度、以及密度的平均值和标准偏差的几何参数来描述结构。
根据有关肺肿瘤和其它结构的多个准则和/或先验知识(如密度、体积和形状)，由规类器194将所提取的结构归类为肺肿瘤或非肿瘤结构(步骤320)。如果在步骤320将分割的结构归类为肺肿瘤，则自动记录该分割结构，以供后续研究/评估(步骤322)。
将非肿瘤结构排除在后续研究/评估之外(步骤324)。在本发明的一个实施例中，在容积的Z轴方向上应用深度优先搜索，以将表示非肿瘤结构的种子点排除在后续研究/评估之外。这样，显著节省了计算时间。
对肺肿瘤作可视化处理(步骤326)。自动启动“候选游览(Candidate Tour)”，以便在原始CT图像上逐个标出每个检测到的肿瘤。以上引用的、标题为“用于辅助诊断数字立体医学图像中肺肿瘤的交互式计算机辅助诊断(ICAD)的方法和系统”、代理人案号为2001E03249的申请详细描述了候选游览。如步骤326a-326c所示，为了达到可视化的目的，对每个候选对象作进一步的处理。
对检测到的肿瘤定义边界框(步骤326a)。步骤326a自动确定要可视化的结构，该结构包括检测到的肺肿瘤和使可视结果更易于理解的必要背景结构。当肺肿瘤附着在胸壁或脉管上时，这种可视化非常有用。
对肺肿瘤作精细的分割，以获取精确的表面形状(步骤326b)。要明确的是，精细分割提供更为详细的表面特征，以帮助内科医生诊断肺肿瘤。
例如如图2所示，对肺肿瘤进行再现(步骤326c)。提供三维自由旋转，以方便对表面的研究。
对肺肿瘤进行分析，以给出检测决定，以便输出到用户、存储媒体等(步骤328)。现在描述两种作出检测决定的说明性方法。在第一种方法中，自动量化肺肿瘤特征(例如钙化区域的分布)，并由检测装置160作出检测决定(步骤328a)。在第二种方法中，内科医生根据如下这些条件作出最终检测决定(步骤328b)：(1)由步骤328a得到的自动分析结果；和/或(2)步骤326c表面再现所显示的模式。如果内科医生作出检测决定，则该决定取代检测装置160在步骤328a作出的决定。
将研究结果文档化(步骤330)。具体地说，在完成对患者的分析研究之后，自动保存分析结果(例如测量值、步骤328a和/或328b的分析结果等)，以备将来使用。这对后续检查和治疗监测是非常有用的。
下面将根据本发明的说明性实施例，参照图3的步骤来对本发明的各个方面予以更为详细的说明。
计算效率是评估肺肿瘤检测方法的一个重要因素。当执行MSHRCT扫描并需要检查数百个层面图像时，这一问题就会更为关键。我们通过从原始图像中提取肺部区域(步骤312)，使得将要检查的感兴趣区域缩小，从而降低了计算的复杂性。
在二维(2-D)轴层面上，肺部区域通常是内部有一些亮结构的暗区，同时周围的组织如胸壁和心脏看起来是互连在一起的亮得多的区域。在肺部区域和非肺部区域之间总是可以观察到清晰的边界。通过自动分析整个容积数据的直方图来设置全局阈值(globalthreshold)，以便最优地将内含空气的肺组织与具有较高质量密度的其它实体组织如肌肉、骨骼和脉管等区分开来。然后对每个二维层面进行阈值处理(thresholding)，并标识所得的二进制图像。与心脏相连的胸壁通常是所标识的最大结构，因此可以很容易地识别出来。然后通过排除胸壁以及以外的区域，得到肺部区域(步骤312b)。
在步骤314，在对每个二维层面应用全局阈值并从中提取肺区域之后生成二进制容积数据。就步骤316而言，此数据中被设为ON的立体像素(voxel)表示有重要意义的解剖结构，包括肿瘤、血管、支气管壁和其它组织。它们将作为初始种子点，用于检查感兴趣结构。注意，因为设置阈值是为了取得全局优化，所以可以在分割之后将解剖结构分解成许多部分。因此，二进制图像中所含的多个种子点可以表示相同的解剖结构。
就步骤316d而言，对目标结构的分割在整个方案中起着重要作用。所有定量测量和进一步的归类操作均基于分割结果。分割对阈值非常敏感，因此在设置此值时要进行折衷处理。如果阈值太高，则脉管将失去一些薄弱部分，结果看上去像肿瘤。但是，如果阈值太低，则噪声将增强，而可能使肿瘤看上去像脉管。这两个问题在用于筛选的低剂量图像中可能更为严重。
应该根据可疑区域的局部信息来选择阈值。设置VOI是为了扫描整个肺容积(步骤314)。VOI的形状和尺寸是根据CT数据特性来定义的。一旦在VOI以一个种子点为中心，就检查局部密度直方图(在步骤316b和可选地在步骤316c中)，以正确地设置阈值(在步骤316d中)。理想情况下，该曲线具有两个不同的峰值，它们对应于相对较亮的解剖结构及其暗的周围。可以选择两峰值之间的凹部作为分割目标结构的阈值(步骤316d)。
但在许多案例中，情况更为复杂。例如，可能存在具有不同密度特征的结构，如在存在各种解剖结构的肺部中央区域中。甚至当只存在一个解剖结构时，其密度仍可能因部分容积的影响而发生变化。这种情况常见于小脉管。在任一种情况中，直方图上将没有明显的凹部。这时就改为通过找到局部直方图的曲率极值，自适应地设置用于目标结构分割的阈值(在步骤316c中)。注意，曲线图中的峰值对应于直方图中的急剧下降，它反映密度分布的突变，阈值可以设置为发生最急剧变化处的密度值。
一旦确定了阈值，则应用三维区域增长方法来分割目标结构(在步骤318a中)。所述方法从纳入考虑的种子点开始；将所有密度值高于阈值且连接到已知部分的立体像素添加到分割结果中。
但是，许多种子点可能属于同一解剖结构。如果对每个种子点进行检查并对同一个结构反复分割，则计算将是低效率的。为了减少计算的冗余度，在每次分割之后更新含有所有种子点的二进制容积数据。如果确定种子点连接到刚刚检查过的种子点上，则将它们关闭。这样，就只检查一次非肿瘤结构，例如脉管和气道树(airwaytree)，然后很快被排除到将来的研究之外。已经证明，这大大减少了每个层面上的种子点数量并节省了计算时间。
步骤320将该结构归类为候选肿瘤或非肿瘤结构。为此，测量(在步骤318b中)并分析经过分割的结构的几何特性。虽然这里仅描述了五个说明性特性(即，直径、容积、球形度、密度平均值以及密度标准偏差)，但还可以采用其它特性来替代或补充这五个说明性特性中的一些或全部。
虽然参数直径和容积彼此相关，包含冗余信息，但在图3的说明性实例中仍对它们进行了测量。这是因为放射科医生仍然常用直径来表示肺肿瘤的尺寸。但是，当谈及后续生长速度时，更常用容积参数。
球形度是紧密度的对应参数，它被定义为结构容积与包围结构的球形容积之比。此参数刻划感兴趣结构的三维形状。虽然肿瘤和血管在二维层面上都可能具有圆形形状，但它们的三维形状是完全不同的。肺肿瘤是球状的且具紧密度高，而血管是管状的，且紧密度非常低。已经证明，圆形度和球形度在区分肺肿瘤与小脉管时非常有用。圆形度和球形度的边界值是根据经验设置的。将把直径大于2毫米且圆形度和球形度测量值高于边界值的结构视为候选肺肿瘤，并记录它们的位置。不同于其它肿瘤检测方法的是，本发明的检测方法计算二维特征，所计算的二维特征不只包括轴层面上的圆形度、密度的平均值和标准偏差、而且包括在容积中通过360度旋转平面法生成的切割横截面上的圆形度、密度的平均值和标准偏差。以上引用的标题为“三维数字图像数据的计算机辅助诊断”、序号为09/606564的美国申请中对360度旋转平面法作了描述。
后两个参数即密度的平均值和标准偏差对肺肿瘤检测并不起重要作用。但是，它们包含有关钙化的重要信息，可以用于判断候选肺肿瘤是良性的还是恶性的。通常，如果它高度钙化或具有某些模式的钙化点分布，则认为该肺肿瘤是良性的。同样也有某些与恶性肺肿瘤相关联的模式。
总之，本发明用于根据MSHR CT图像自动检测肺肿瘤并对其进行分析，从而可使放射科医生不必进行阅读成百上千图像层面的繁重工作。下面将描述本发明的许多优势特征中的一些。本发明对检测肺肿瘤很灵敏，同时伪阳性率低。通常，肺肿瘤在层面图像上呈现为近似圆形的不透明体，这些不透明体类似于脉管的横截面。因此，多数现有检测方法的伪阳性率都较高。本发明通过引入肺部结构的先验解剖知识并充分利用三维图像信息，解决了此问题。为将可疑的感兴趣容积(VOI)归类为肺肿瘤或是非肿瘤结构，设置了包括几何和密度准则的多个准则。此外，本发明的分割方法可以根据局部直方图分析来调整分割阈值，这使本发明分割方法在处理低剂量筛选图像中数量较大的噪声时，明显不同于其它方法。
本发明在计算方面效率很高。人们希望可以快速完成自动检测，以便正在进行检查的内科医生可以在不显著增加时间负担的情况下对结果进行确认。为此要执行两个步骤。第一，定位肺部区域，以便缩小可疑结构的搜索区域。其次，对每个可疑结构，检查三维连通性并予以记录。这样，就只检查一次非肿瘤结构如脉管和气道树，然后将其快速排除在后续研究之外。
本发明易于使用。本发明还具有与检测方法相关联的例程，以有助于内科医生对患者的检查研究。此功能包括对感兴趣结构进行表面再现、参数测量、将可能的候选肿瘤归档等。本专业的普通技术人员容易确认本发明的这些和其它特征和优点。
虽然已参照附图对一些说明性实施例作了描述，但要明确，本发明并不局限于这些具体的实施例，在不背离本发明范围或精神的前提下，本专业的普通技术人员可以进行各种其它改动和修改。意在将所有此类改动和修改包含在所附权利要求书所定义的本发明的范围中。

Claims (32)

1.一种根据多层面高分辨率计算机断层摄影(MSHR CT)图像自动检测肺肿瘤的方法，其特征在于它包括如下步骤：
根据MSHR CT图像数据定义感兴趣容积(VOI)，以便通过MSHRCT图像中的肺容积；
利用所述VOI检查所述肺容积，这一步骤又包括：
确定所述VOI内的局部密度直方图；以及
确定用于分割所述VOI以获取种子点的自适应阈值；
检查每个所述种子点以从中检测所述肺肿瘤，这一步骤又包括：
对所述种子点应用分割法来分割所述种子点表示的解剖结构，所述分割法根据对所述种子点进行的局部直方图分析来自适应地调整分割阈值，以根据对应于所述局部直方图的三维连通性和密度信息来提取所述解剖结构；以及根据对应于所述肺肿瘤和相关的预定义解剖结构的先验知识，将每个所述分割的解剖结构归类为肺肿瘤或非肿瘤之一；
显示所述肺肿瘤；以及
对所述肺肿瘤进行分析，这一步骤又包括：
自动量化所述肺肿瘤的特征以提供对每个所述肺肿瘤的自动检测决定。
2.如权利要求1所述的方法，其特征在于所述定义步骤包括在所述MSHR CT图像中定位肺部区域的步骤；所述肺容积位于所述肺部区域内。
3.如权利要求2所述的方法，其特征在于所述定位步骤包括定位胸壁并排除在所述胸壁之后的整个区域的步骤。
4.如权利要求1所述的方法，其特征在于所述定义步骤包括定义所述VOI的形状和尺寸的步骤。
5.如权利要求1所述的方法，其特征在于所述检查肺容积的步骤包括确定所述局部直方图所对应的一维直方图曲线的曲率的步骤。
6.如权利要求5所述的方法，其特征在于所述检查肺容积的步骤包括确定所述一维直方图曲线曲率的正负曲率极值的步骤。
7.如权利要求6所述的方法，其特征在于所述检查所述肺容积的步骤包括根据对所述一维直方图曲线的曲率的正负曲率极值的分析，确定所述自适应分割阈值的步骤。
8.如权利要求1所述的方法，其特征在于所述检查每个所述种子点的步骤包括计算所述分割的解剖结构的密度和几何特征的步骤。
9.如权利要求8所述的方法，其特征在于：根据在所述VOI中应用360度旋转平面法生成的至少一些切割横截面来计算所述密度和几何特征，所述密度和几何特征包括位置、容积、圆形度、球形度以及密度的平均值和标准偏差中的至少一些。
10.如权利要求1所述的方法，其特征在于先验知识包括密度、容积和所述肺肿瘤的形状以及相关的预定义解剖结构中的至少一些。
11.如权利要求1所述的方法，其特征在于所述归类步骤包括当分割的解剖结构被归类为所述肺肿瘤时，自动记录所述分割的解剖结构以作进一步评估的步骤。
12.如权利要求1所述的方法，其特征在于所述归类步骤包括将非肿瘤结构排除在进一步的评估之外的步骤。
13.如权利要求12所述的方法，其特征在于所述排除步骤包括在所述VOI的Z轴方向上对所述种子点应用深度优先搜索法，以排除表示所述非肿瘤结构的任何所述种子点的步骤。
14.如权利要求1所述的方法，其特征在于所述显示步骤包括定义要显示的当前肺肿瘤的边界框，所述边界框包括所述当前肺肿瘤和任何预先指定的背景结构。
15.如权利要求1所述的方法，其特征在于所述显示步骤包括对所述肺肿瘤进行精细分割，以增强所述肺肿瘤的表面特征细节的步骤。
16.如权利要求1所述的方法，其特征在于所述显示步骤包括再现所述肺肿瘤的表面以提供对所述肺肿瘤的三维自由旋转的步骤。
17.如权利要求1所述的方法，其特征在于所述分析步骤包括从用户接收对每个所述肺肿瘤的最终检测决定的步骤，所述最终检测决定取代所述自动检测决定。
18.如权利要求1所述的方法，其特征在于它还包括存储所述自动检测决定的步骤。
19.如权利要求17所述的方法，其特征在于它还包括存储所述最终检测决定的步骤。
20.一种根据多层面高分辨率计算机断层摄影(MSHR CT)图像自动检测肺肿瘤的系统，它包括如下步骤：
感兴趣容积选择器，用于根据MSHR CT图像所对应的MSHR CT图像数据定义感兴趣容积(VOI)，所述VOI用于通过所述MSHR CT图像中的肺容积；
肺容积检查装置，用于确定所述VOI内的局部密度直方图，以及确定用于分割所述VOI以获取种子点的自适应阈值；
种子点检查装置，用于检查每个所述种子点，以从中检测所述肺肿瘤，这一装置包括：
分割装置，用于对所述种子点采用分割法来分割所述种子点所表示的解剖结构，所述分割法根据对所述种子点进行的局部直方图分析来自适应地调整分割阈值，以根据对应于所述局部直方图的三维连通性和密度信息来提取所述解剖结构；以及
归类器，用于根据对应于所述肺肿瘤和相关的预定义解剖结构的先验知识，将每个所述分割的解剖结构归类为肺肿瘤或非肿瘤之一；
用于显示所述肺肿瘤的显示装置；以及
检测装置，用于自动量化所述肺肿瘤的特征以提供每个所述肺肿瘤的自动检测决定。
21.如权利要求20所述的系统，其特征在于所述肺容积检查装置确定所述局部直方图所对应的一维直方图的曲率。
22.如权利要求21所述的系统，其特征在于所述肺容积检查装置确定所述一维直方图曲线曲率的正负曲率极值。
23.如权利要求22所述的系统，其特征在于所述肺容积检查装置根据对所述一维直方图曲线曲率的正负曲率极值的分析，确定所述自适应分割阈值。
24.如权利要求20所述的系统，其特征在于所述对种子点进行检查的装置包括特征计算装置，用于计算所述分割的解剖结构的密度和几何特征。
25.如权利要求24所述的系统，其特征在于所述密度和几何特征是根据在所述VOI中应用360度旋转平面法生成的至少一些切割横截面来计算的，所述密度和几何特征包括位置、容积、圆形度、球形度以及密度的平均值和标准偏差中的至少一些。
26.如权利要求20所述的系统，其特征在于所述先验知识包括密度、容积和所述肺肿瘤形状及相关的预定义的解剖结构中的至少一些。
27.如权利要求20所述的系统，其特征在于所述归类器将非肿瘤结构排除在后续评估之外。
28.如权利要求27所述的系统，其特征在于所述归类器在所述VOI的Z轴方向上对所述种子点应用深度优先搜索法，以排除表示所述非肿瘤结构的任何种子点。
29.如权利要求1所述的系统，其特征在于所述显示装置再现所述肺肿瘤的表面以提供对所述肺肿瘤的三维自由旋转。
30.如权利要求1所述的系统，其特征在于所述检测装置从用户接收对每个所述肺肿瘤的最终检测决定，所述最终检测决定取代所述自动检测决定。
31.如权利要求20所述的系统，其特征在于它还包括用于存储所述自动检查结论的存储装置。
32.如权利要求30所述的系统，其特征在于它还包括用于存储所述最终检测决定的存储装置。
CNA028123395A 2001-04-23 2002-04-01 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和系统 Pending CN1518719A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US09/840,267 US6944330B2 (en) 2000-09-07 2001-04-23 Interactive computer-aided diagnosis method and system for assisting diagnosis of lung nodules in digital volumetric medical images
US09/840,267 2001-04-23

Publications (1)

Publication Number Publication Date
CN1518719A true CN1518719A (zh) 2004-08-04

Family

ID=25281897

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA028123395A Pending CN1518719A (zh) 2001-04-23 2002-04-01 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和系统

Country Status (5)

Country Link
US (1) US6944330B2 (zh)
EP (1) EP1381997A2 (zh)
JP (1) JP2004531315A (zh)
CN (1) CN1518719A (zh)
WO (1) WO2002085211A2 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101061509B (zh) * 2004-11-19 2010-10-27 皇家飞利浦电子股份有限公司 用于医疗成像数据内的肿瘤边界的自动检测和分割的系统和方法
CN102422307A (zh) * 2009-05-08 2012-04-18 美国医软科技公司 用于交互式肝脏血管和胆管系统评估的方法、系统、装置和计算机程序产品
CN102436675A (zh) * 2011-09-23 2012-05-02 清华大学深圳研究生院 一种腔体内壁三维形态的重建方法
CN101344519B (zh) * 2008-08-21 2012-08-22 上海交通大学 用于优化结直肠癌诊断的肿瘤标志物多分割点设置系统
CN101288106B (zh) * 2005-09-13 2012-12-05 皇家飞利浦电子股份有限公司 用于计算机断层摄影胸部诊断的最佳视图的自动生成
CN103345638A (zh) * 2013-06-24 2013-10-09 清华大学深圳研究生院 基于医学影像的腔体病灶计算机辅助检测方法
CN107392893A (zh) * 2017-06-30 2017-11-24 上海联影医疗科技有限公司 组织密度分析方法及系统
CN109903278A (zh) * 2019-02-25 2019-06-18 南京工程学院 基于形状直方图的超声乳腺肿瘤形态量化特征提取方法
CN109997146A (zh) * 2017-11-02 2019-07-09 西安大医集团有限公司 肿瘤追踪方法及装置、放疗系统、存储介质
CN110335281A (zh) * 2018-03-28 2019-10-15 北京连心医疗科技有限公司 一种肿瘤边界确定方法、设备和存储介质
CN110378868A (zh) * 2019-05-29 2019-10-25 心医国际数字医疗系统(大连)有限公司 基于ct序列的心包分割方法及从心包序列中心层切片粗略定位心包区域的方法

Families Citing this family (79)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0122601D0 (en) * 2001-09-19 2001-11-07 Imp College Innovations Ltd Manipulation of image data
DE10160206A1 (de) * 2001-12-07 2003-06-18 Philips Intellectual Property Verfahren und Vorrichtung zur Erstellung einer isolierten Darstellung von Körperstrukturen
US20030130588A1 (en) 2002-01-10 2003-07-10 Igal Kushnir Method and system for analyzing respiratory tract sounds
US20110306997A9 (en) * 2002-02-21 2011-12-15 Roschak Edmund J Devices for creating passages and sensing for blood vessels
WO2003096262A2 (en) * 2002-05-13 2003-11-20 Magnolia Medical Technologies Ltd. System and method for analysis of medical image data
US20040086161A1 (en) * 2002-11-05 2004-05-06 Radhika Sivaramakrishna Automated detection of lung nodules from multi-slice CT image data
GB0227887D0 (en) * 2002-11-29 2003-01-08 Mirada Solutions Ltd Improvements in or relating to image registration
JP2004208858A (ja) * 2002-12-27 2004-07-29 Toshiba Corp 超音波診断装置及び超音波画像処理装置
JP2004222982A (ja) * 2003-01-23 2004-08-12 Konica Minolta Holdings Inc 医用画像処理システム及び医用画像処理方法
US20040150672A1 (en) * 2003-01-31 2004-08-05 Bozidar Janko Picture analyzer with a window interface
EP1455307A1 (en) * 2003-03-06 2004-09-08 MeVis GmbH Partial volume visualization
JP4512586B2 (ja) 2003-04-04 2010-07-28 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ ３次元データセットにおけるボリューム測定
JP4475625B2 (ja) * 2003-05-27 2010-06-09 キヤノン株式会社 画像処理装置及び画像処理方法
BRPI0410945A (pt) * 2003-06-02 2006-06-27 Deepbreeze Ltd sistema para analisar sons, método para análise de sons, processador, uso do método, dispositivo de armazenamento de programa, e, produto de programa de computador
US7356173B2 (en) 2003-06-11 2008-04-08 Koninklijke Philips Electronics N.V. Analysis of pulmonary CT data
US8308682B2 (en) 2003-07-18 2012-11-13 Broncus Medical Inc. Devices for maintaining patency of surgically created channels in tissue
DE10344805A1 (de) * 2003-09-26 2005-04-28 Siemens Ag Verfahren zur automatischen Objektmarkierung in der medizinischen Bildgebung
US20050096530A1 (en) * 2003-10-29 2005-05-05 Confirma, Inc. Apparatus and method for customized report viewer
JP4118786B2 (ja) * 2003-11-14 2008-07-16 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 画像撮影診断支援システム
US7840416B2 (en) * 2003-12-23 2010-11-23 ProVation Medical Inc. Naturally expressed medical procedure descriptions generated via synchronized diagrams and menus
US20050154286A1 (en) * 2004-01-02 2005-07-14 Neason Curtis G. System and method for receiving and displaying information pertaining to a patient
US8442280B2 (en) * 2004-01-21 2013-05-14 Edda Technology, Inc. Method and system for intelligent qualitative and quantitative analysis of digital radiography softcopy reading
US7616794B2 (en) * 2004-01-26 2009-11-10 Siemens Medical Solutions Usa, Inc. System and method for automatic bone extraction from a medical image
JP2007528763A (ja) * 2004-03-05 2007-10-18 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ インタラクティブコンピュータ支援診断方法及び装置
EP1751550B1 (en) * 2004-04-14 2020-05-13 Edda Technology, Inc. Liver disease diagnosis system, method and graphical user interface
US9984456B2 (en) * 2004-04-14 2018-05-29 Edda Technology, Inc. Method and system for labeling hepatic vascular structure in interactive liver disease diagnosis
GB2414357A (en) 2004-05-18 2005-11-23 Medicsight Plc Nodule boundary detection
GB2451367B (en) * 2004-05-20 2009-05-27 Medicsight Plc Nodule Detection
US7616799B2 (en) * 2004-06-18 2009-11-10 Siemens Medical Solutions Usa, Inc. System and method for monitoring disease progression or response to therapy using multi-modal visualization
EP1761897A1 (en) * 2004-06-22 2007-03-14 Koninklijke Philips Electronics N.V. Displaying a tracheobronchial tree
GB2415563B (en) 2004-06-23 2009-11-25 Medicsight Plc Lesion boundary detection
US8409167B2 (en) 2004-07-19 2013-04-02 Broncus Medical Inc Devices for delivering substances through an extra-anatomic opening created in an airway
US8170640B2 (en) * 2004-08-02 2012-05-01 Siemens Medical Solutions Usa, Inc. System and method for tree projection for detection of pulmonary embolism
US20060135865A1 (en) * 2004-11-23 2006-06-22 General Electric Company Method and apparatus for synching of images using regions of interest mapped by a user
US7729523B2 (en) * 2004-12-21 2010-06-01 General Electric Company Method and system for viewing image data
JP4748991B2 (ja) * 2005-01-05 2011-08-17 株式会社日立メディコ 医用画像診断支援装置
EP1841362A2 (en) * 2005-01-10 2007-10-10 Koninklijke Philips Electronics N.V. Lung lesion detection during tomographic heart screening
US8229200B2 (en) * 2005-03-14 2012-07-24 General Electric Company Methods and systems for monitoring tumor burden
US7995809B2 (en) 2005-04-18 2011-08-09 Siemens Medical Solutions Usa, Inc. Refined segmentation of nodules for computer assisted diagnosis
US7532214B2 (en) * 2005-05-25 2009-05-12 Spectra Ab Automated medical image visualization using volume rendering with local histograms
US8233964B2 (en) * 2005-09-16 2012-07-31 Siemens Medical Solutions Usa, Inc. System and method for color-coding segmented chest image airways for assessment
CN1955907A (zh) * 2005-10-27 2007-05-02 Ge医疗系统环球技术有限公司 诊断成像辅助方法和设备
US20070129625A1 (en) * 2005-11-21 2007-06-07 Boston Scientific Scimed Systems, Inc. Systems and methods for detecting the presence of abnormalities in a medical image
GB2435976A (en) * 2006-03-09 2007-09-12 Medicsight Plc Digital medical image processing for CAD detection of abnormalities
US20080008371A1 (en) * 2006-06-13 2008-01-10 Kevin Woods Considerations when colon segmentation differs between CAD processing and visualization
EP2051631A4 (en) * 2006-06-30 2013-06-05 Broncus Tech Inc SELECTION OF AIRWAY BYPASS SITE AND PLANNING A TREATMENT
WO2008018014A2 (en) * 2006-08-11 2008-02-14 Koninklijke Philips Electronics N.V. Anatomy-related image-context-dependent applications for efficient diagnosis
DE102006043910B4 (de) * 2006-09-19 2010-02-25 Siemens Ag Ergebnisfilter und Verfahren zur Selektion der Ergebnisdaten einer Applikation zur automatischen Mustererkennung
US20080074427A1 (en) * 2006-09-26 2008-03-27 Karl Barth Method for display of medical 3d image data on a monitor
US8923577B2 (en) * 2006-09-28 2014-12-30 General Electric Company Method and system for identifying regions in an image
US20110029322A1 (en) * 2007-04-11 2011-02-03 Dr. Walid Hindo Health care system
JP5390080B2 (ja) * 2007-07-25 2014-01-15 株式会社東芝 医用画像表示装置
US9014441B2 (en) * 2007-09-17 2015-04-21 Koninklijke Philips N.V. Caliper for measuring objects in an image
DE102007044575A1 (de) * 2007-09-19 2009-04-16 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Verfahren zur Anpassung wenigstens eines Parameters in einem gesteuerten oder geregelten System eines Fahrzeugs
US8175363B2 (en) * 2007-11-21 2012-05-08 Siemens Medical Solutions Usa, Inc. System and method for additive spatial/intensity decomposition of medical images
US20090154782A1 (en) * 2007-12-17 2009-06-18 Three Palm Software Dual-magnify-glass visualization for soft-copy mammography viewing
US20100123715A1 (en) * 2008-11-14 2010-05-20 General Electric Company Method and system for navigating volumetric images
WO2010109384A1 (en) 2009-03-27 2010-09-30 Koninklijke Philips Electronics N.V. Improvements to medical imaging
US9378331B2 (en) * 2010-11-19 2016-06-28 D.R. Systems, Inc. Annotation and assessment of images
US8709034B2 (en) 2011-05-13 2014-04-29 Broncus Medical Inc. Methods and devices for diagnosing, monitoring, or treating medical conditions through an opening through an airway wall
WO2012158553A2 (en) 2011-05-13 2012-11-22 Broncus Technologies, Inc. Methods and devices for excision of tissue
WO2013078235A1 (en) 2011-11-23 2013-05-30 Broncus Medical Inc Methods and devices for diagnosing, monitoring, or treating medical conditions through an opening through an airway wall
JP5632446B2 (ja) * 2012-12-03 2014-11-26 株式会社東芝 Ｘ線診断装置
US9265458B2 (en) 2012-12-04 2016-02-23 Sync-Think, Inc. Application of smooth pursuit cognitive testing paradigms to clinical drug development
US9380976B2 (en) 2013-03-11 2016-07-05 Sync-Think, Inc. Optical neuroinformatics
US9639666B2 (en) * 2013-03-15 2017-05-02 Covidien Lp Pathway planning system and method
KR20150120774A (ko) 2014-04-18 2015-10-28 삼성전자주식회사 관심영역 검출 시스템 및 방법
WO2015183753A1 (en) 2014-05-30 2015-12-03 Zonare Medical Systems, Inc. Systems and methods for contextual imaging workflow
US9606584B1 (en) * 2014-07-01 2017-03-28 D.R. Systems, Inc. Systems and user interfaces for dynamic interaction with two- and three-dimensional medical image data using hand gestures
US10127662B1 (en) 2014-08-11 2018-11-13 D.R. Systems, Inc. Systems and user interfaces for automated generation of matching 2D series of medical images and efficient annotation of matching 2D medical images
GB2531512B (en) * 2014-10-16 2017-11-15 Siemens Medical Solutions Usa Inc Context-sensitive identification of regions of interest
KR20160054992A (ko) * 2014-11-07 2016-05-17 삼성전자주식회사 관심영역의 재검출 회피 장치 및 방법
DE102014018107B4 (de) 2014-12-09 2022-03-10 Drägerwerk AG & Co. KGaA Vorrichtung zur Verarbeitung von tomografischen Daten zur Darstellung eines Therapieverlaufs
KR20160071889A (ko) * 2014-12-12 2016-06-22 삼성전자주식회사 비교 영상을 이용한 진단 지원 장치 및 방법
RU2656761C1 (ru) * 2017-02-09 2018-06-06 Общество С Ограниченной Ответственностью "Сибнейро" Способ и система сегментации изображений очагов легких
US10552978B2 (en) * 2017-06-27 2020-02-04 International Business Machines Corporation Dynamic image and image marker tracking
JP7373335B2 (ja) * 2019-09-18 2023-11-02 富士フイルム株式会社 医用画像処理装置、プロセッサ装置、内視鏡システム、医用画像処理装置の作動方法、及びプログラム
CN111160812B (zh) * 2020-02-17 2023-08-29 杭州依图医疗技术有限公司 诊断信息评估方法、显示方法及存储介质
CN111951293A (zh) * 2020-06-30 2020-11-17 杭州依图医疗技术有限公司 根据置信度显示结节的方法及计算设备

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4907156A (en) * 1987-06-30 1990-03-06 University Of Chicago Method and system for enhancement and detection of abnormal anatomic regions in a digital image
US5491627A (en) * 1993-05-13 1996-02-13 Arch Development Corporation Method and system for the detection of microcalcifications in digital mammograms
US5459536A (en) * 1993-12-27 1995-10-17 Alcon Laboratories, Inc. Apparatus and method for automated perimetry
JP2610114B2 (ja) * 1993-12-30 1997-05-14 インターナショナル・ビジネス・マシーンズ・コーポレイション ポインティング・システム、コンピュータ・システムおよび力応答方法
JPH09502918A (ja) * 1994-07-14 1997-03-25 フィリップス エレクトロニクス エヌ ベー スポットを弁別するために複数の閾値レベルを用いるデジタルｘ線画像のマス検出
WO1996016534A2 (en) * 1994-11-25 1996-06-06 Sophisview Technologies, Ltd. System and method for diagnosis of living tissue diseases
US5627907A (en) * 1994-12-01 1997-05-06 University Of Pittsburgh Computerized detection of masses and microcalcifications in digital mammograms
US5579360A (en) * 1994-12-30 1996-11-26 Philips Electronics North America Corporation Mass detection by computer using digital mammograms of the same breast taken from different viewing directions
US5815591A (en) * 1996-07-10 1998-09-29 R2 Technology, Inc. Method and apparatus for fast detection of spiculated lesions in digital mammograms
US5970115A (en) * 1996-11-29 1999-10-19 Varian Medical Systems, Inc. Multiple mode digital X-ray imaging system
US5873824A (en) * 1996-11-29 1999-02-23 Arch Development Corporation Apparatus and method for computerized analysis of interstitial infiltrates in chest images using artificial neural networks
US6119033A (en) * 1997-03-04 2000-09-12 Biotrack, Inc. Method of monitoring a location of an area of interest within a patient during a medical procedure
US6246782B1 (en) * 1997-06-06 2001-06-12 Lockheed Martin Corporation System for automated detection of cancerous masses in mammograms
US6058322A (en) * 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
US6246784B1 (en) * 1997-08-19 2001-06-12 The United States Of America As Represented By The Department Of Health And Human Services Method for segmenting medical images and detecting surface anomalies in anatomical structures
US6630937B2 (en) * 1997-10-30 2003-10-07 University Of South Florida Workstation interface for use in digital mammography and associated methods
US6075878A (en) * 1997-11-28 2000-06-13 Arch Development Corporation Method for determining an optimally weighted wavelet transform based on supervised training for detection of microcalcifications in digital mammograms
US6898303B2 (en) * 2000-01-18 2005-05-24 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101061509B (zh) * 2004-11-19 2010-10-27 皇家飞利浦电子股份有限公司 用于医疗成像数据内的肿瘤边界的自动检测和分割的系统和方法
CN101288106B (zh) * 2005-09-13 2012-12-05 皇家飞利浦电子股份有限公司 用于计算机断层摄影胸部诊断的最佳视图的自动生成
CN101344519B (zh) * 2008-08-21 2012-08-22 上海交通大学 用于优化结直肠癌诊断的肿瘤标志物多分割点设置系统
CN105427311A (zh) * 2009-05-08 2016-03-23 美国医软科技公司 用于交互式肝脏血管和胆管系统评估的方法、系统、装置和计算机程序产品
CN105427311B (zh) * 2009-05-08 2020-09-04 美国医软科技公司 用于交互式肝脏血管和胆管系统评估的方法、系统、装置和计算机程序产品
CN102422307B (zh) * 2009-05-08 2015-12-16 美国医软科技公司 用于交互式肝脏血管和胆管系统评估的方法、系统、装置和计算机程序产品
US9280822B2 (en) 2009-05-08 2016-03-08 Edda Technology, Inc. Method, system, apparatus, and computer program product for interactive hepatic vascular and biliary system assessment
CN102422307A (zh) * 2009-05-08 2012-04-18 美国医软科技公司 用于交互式肝脏血管和胆管系统评估的方法、系统、装置和计算机程序产品
CN102436675A (zh) * 2011-09-23 2012-05-02 清华大学深圳研究生院 一种腔体内壁三维形态的重建方法
CN103345638A (zh) * 2013-06-24 2013-10-09 清华大学深圳研究生院 基于医学影像的腔体病灶计算机辅助检测方法
CN107392893A (zh) * 2017-06-30 2017-11-24 上海联影医疗科技有限公司 组织密度分析方法及系统
CN109997146A (zh) * 2017-11-02 2019-07-09 西安大医集团有限公司 肿瘤追踪方法及装置、放疗系统、存储介质
CN109997146B (zh) * 2017-11-02 2022-12-13 西安大医集团股份有限公司 肿瘤追踪方法及装置、放疗系统、存储介质
CN110335281A (zh) * 2018-03-28 2019-10-15 北京连心医疗科技有限公司 一种肿瘤边界确定方法、设备和存储介质
CN109903278A (zh) * 2019-02-25 2019-06-18 南京工程学院 基于形状直方图的超声乳腺肿瘤形态量化特征提取方法
CN109903278B (zh) * 2019-02-25 2020-10-27 南京工程学院 基于形状直方图的超声乳腺肿瘤形态量化特征提取方法
CN110378868B (zh) * 2019-05-29 2021-04-20 心医国际数字医疗系统(大连)有限公司 基于ct序列的心包分割方法及从心包序列中心层切片粗略定位心包区域的方法
CN110378868A (zh) * 2019-05-29 2019-10-25 心医国际数字医疗系统(大连)有限公司 基于ct序列的心包分割方法及从心包序列中心层切片粗略定位心包区域的方法

Also Published As

Publication number Publication date
WO2002085211A3 (en) 2003-11-20
US6944330B2 (en) 2005-09-13
JP2004531315A (ja) 2004-10-14
US20020028006A1 (en) 2002-03-07
EP1381997A2 (en) 2004-01-21
WO2002085211A2 (en) 2002-10-31

Similar Documents

Publication Publication Date Title
CN1518719A (zh) 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和系统
NL2010613C2 (en) Systems, apparatus and processes for automated medical image segmentation using a statistical model field of the disclosure.
Chen et al. Computer-aided grading of gliomas combining automatic segmentation and radiomics
US20020028008A1 (en) Automatic detection of lung nodules from high resolution CT images
US10339648B2 (en) Quantitative predictors of tumor severity
US8335359B2 (en) Systems, apparatus and processes for automated medical image segmentation
US8229200B2 (en) Methods and systems for monitoring tumor burden
ES2914387T3 (es) Estudio inmediato
US6609021B1 (en) Pulmonary nodule detection using cartwheel projection analysis
US9014456B2 (en) Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules
JPH09508815A (ja) 乳房ｘ線写真における、改良された、コンピュータによる、腫瘤の発見および分類のための自動的方法およびシステム
JP2002523123A (ja) 病変の分割および分類のための方法およびシステム
KR20180022607A (ko) 다양한 측정으로부터의 의료 측정 데이터에 기초한 결과 데이터의 결정
CN109741312A (zh) 一种肺结节鉴别方法、装置、设备及介质
CN112215799A (zh) 一种磨玻璃肺结节自动分类方法及系统
EP3971830B1 (en) Pneumonia sign segmentation method and apparatus, medium and electronic device
US20070121787A1 (en) System and method for airway detection
US20030105395A1 (en) Vessel-feeding pulmonary nodule candidate generation
CN111260636A (zh) 模型训练方法及设备、图像处理方法及设备以及介质
Karwoski et al. Processing of CT images for analysis of diffuse lung disease in the lung tissue research consortium
Mosaliganti et al. An imaging workflow for characterizing phenotypical change in large histological mouse model datasets
Cao et al. An adaptive pulmonary nodule detection algorithm
CN117542527B (zh) 肺结节跟踪与变化趋势预测方法、装置、设备及存储介质
US20220405917A1 (en) Combination of features from biopsies and scans to predict prognosis in sclc
CN117727441A (zh) 基于临床-融合影像计算机模型预测肺癌免疫疗效方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication