CN1620990A - 在ct血管造影术中分割结构的方法及设备 - Google Patents

在ct血管造影术中分割结构的方法及设备 Download PDF

Info

Publication number
CN1620990A
CN1620990A CNA2004100953761A CN200410095376A CN1620990A CN 1620990 A CN1620990 A CN 1620990A CN A2004100953761 A CNA2004100953761 A CN A2004100953761A CN 200410095376 A CN200410095376 A CN 200410095376A CN 1620990 A CN1620990 A CN 1620990A
Authority
CN
China
Prior art keywords
bone
image data
data set
vascular
shielding
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.)
Granted
Application number
CNA2004100953761A
Other languages
English (en)
Other versions
CN100553561C (zh
Inventor
S·叙尔亚纳拉亚南
R·穆利克
Y·马尔亚
V·P·卡马特
N·纳加拉
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN1620990A publication Critical patent/CN1620990A/zh
Application granted granted Critical
Publication of CN100553561C publication Critical patent/CN100553561C/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
    • 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 by the use of more than one image, e.g. averaging, subtraction
    • 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
    • G06T7/12—Edge-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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/40—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/4064—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
    • A61B6/4085—Cone-beams
    • 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
    • G06T2207/20156—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns

Abstract

本发明提供了一种在CTA血管造影术中自动地生成骨屏蔽(82)的技术。本技术可对图像数据集(70)进行预处理来实现多种功能，例如移除(90)与台面相关联的图像数据，将体积切割(92)成区域一致的子体积，根据梯度计算(110)结构边缘，和/或为后续的区域生长计算(112)种子点。然后，预处理的数据可被自动地分割，用于骨和脉管结构(78)。该自动脉管分割(118)可使用抑制区域生长完成，其中抑制根据图像数据的局部统计而动态更新。该脉管系统(78)可被从骨结构(76)中减去(80)来生成骨屏蔽(82)。骨屏蔽(82)可依次被从图像数据集(70)中减去(84)来生成无骨的CTA体积(86)，用于体绘制的重建。

Description

在CT血管造影术中分割结构的方法及设备
技术领域
本发明通常涉及医学成像领域，尤其涉及体积医学成像领域。特别地，本发明涉及一种在计算机断层造影中用于分割骨及脉管系统数据的技术。
背景技术
体积医学成像技术应用多种技术来集合人体的三维信息。例如，计算机断层造影(CT)成像系统对从多个角度通过病人的X线束的衰减进行测量。根据这些测量，计算机就能够重建造成辐射衰减的病人身体部分的图像。如本领域技术人员将会理解的那样，这些图像是基于一系列成角向位移的横截面单独检测。需要指出的是，CT系统产生代表着被扫描对象的线性衰减系数的分布的数据。该数据随后被重建以产生图像，该图像典型地显示于阴极射线管上，并且可以被打印或复制于胶片上。
例如，在CT血管造影术(CTA)领域，脉管系统和其它循环系统的结构可以被成像，这种成像典型地通过在成像之前施用射线穿不过的染色来实现。CTA数据的可视化典型地以二维方式完成，即，逐层的，或者以三维的方式完成，即体积可视化，其允许对数据进行脉管的病理学分析。例如，该数据可被分析用于动脉瘤，脉管钙化，肾供体评估，斯坦特扩张器(stent)的放置，脉管堵塞，以及用于脉管大小(sizing)和/或径流量(runoff)估计。一旦病理被定位，病理的定量评估可根据原始的二维片层作出。
CTA过程可包括用于在图像数据中分割结构的过程，例如脉管系统和/或骨结构。这样的分割典型地包括识别图像数据的哪些体素与特定结构或感兴趣结构相关联。分割的结构随后可在剩余图像数据之外被观察到，或者可从剩余图像数据中被屏蔽，来允许观察其它被遮蔽的结构。例如，在CTA中，分割可用于完成识别所有与脉管系统相关联的体素，允许提取和观察图像区域中的整个循环系统。同样地，也可以从图像数据中识别和屏蔽，或者减去骨结构中的所有体素，以允许在随后的可视化期间观察到会以其他方式被相对不透明的骨结构遮蔽的脉管系统和/或其它结构。
然而，脉管系统和骨结构的分割可因多种因素而变得复杂。例如，在CTA中，图像亮度的重叠，成像结构非常接近，有限的检测器分辨率，钙化，以及介入装置可使对骨和脉管系统结构的识别和分割变得困难起来。而且，在成像的体积中的复杂的人体解剖学的解剖区域和子区域可受益于微分处理技术。特别地，在头部和颈部的骨和脉管系统的复杂情况可得益于基于整个区域内的截然不同子区域的微分处理。
因为这些复杂的因素，现有的分割技术由于拙劣的边缘识别和/或图像数据的非同质性，可能不正确地将图像数据排除在分割结构之外。这样的排除可能造成分割技术过早或错误的终止。此外，由于这些缺陷，在现有技术下，在感兴趣的结构内分离或融合的部分可能不会被正确分割。或者，亮度范围的重叠和/或拙劣的边缘识取技术可造成在被分割的结构中不正确地包括了接近背景的区域，导致了分割过程的过晚终止。
结果，对复杂或邻接的三维结构，例如头部和颈部区域周围的脉管系统的正确的分割，可能需要操作员介入或输入。特别地，需要操作员的介入来指定起始点和/或避免无意地将体积数据包含在分割结构中或将其从分割结构中排除。例如，操作员可通过在一些片层绘出骨周围的轮廓并建立将被移除的骨结构来手动地移除骨。根据这一结果，操作员可对有问题的片层重复这一过程，直到得出满意的结果，此时，操作员可以这种方式对下一组将被重复处理的片层进行处理。由于通过CT和其它成像设备观察骨边缘很粗劣，这一过程在头部和颈部区域可能会特别困难。此外，骨的形状可在一些片层的空间内快速变化，防碍了操作员使用相同的轮廓作为更多片层的原始参考。结果，操作员可能在整个过程中必须重复地重新画出或重新设置轮廓，可能花费超过1小时的时间来处理被成像的头部和颈部体积。此外，操作员的介入可能导致用户之间和同一用户在结构的分割上的可变性。
由于这一过程相当耗时，操作员可能企图通过将处理限制在对与病理位置相应的感兴趣的区域或体积来减少处理时间。然而，以这种方式限制该处理并不能获得所有可用的体积数据组的全部优点。此外，将处理过程限制为对已知或疑似病理区域进行处理可能妨碍了其它模糊的病理的发现，而不管数据的可用性。因此，需要在CTA过程中使复杂解剖区域的结构的分割，提取，以及屏蔽过程自动化，所述复杂解剖区域例如头部和颈部。
发明内容
本技术提供了一种新颖的方法来从CTA数据自动生成骨屏蔽(bone mask)。特别地，该技术对于自动地生成头部和颈部区域的骨屏蔽可能以有用。根据本技术，可对图像数据集进行预处理，来促进感兴趣结构的分割，感兴趣的结构通常为骨和脉管系统。数据的预处理可包括移除与工作台或支撑物相关联的图像数据，切割体积数据为子体积，其反映该部位的解剖结构，计算指示结构边缘的梯度，和/或计算用于分割期间的种子点(seed point)。在分割过程中，骨可被侵略性地分割，例如基于强度。脉管系统可根据各种技术被自动地分割，这些技术包括动态抑制区域生长，气泡波连通性(bubble waveconnectivity)，和/或射线和轮廓传播(contour propagation)。如果需要，脉管系统在分割后可被平滑。脉管系统可从被分割的骨中减去，来生成骨屏蔽，其可依次从图像数据中减去，来生成无骨的数据集。该无骨的数据集可被重建或绘制处理来产生无骨的体积以便观察。
依照本技术的一个方面，提供了一种用于生成骨屏蔽的方法。按照这一方面所提供的，采集图像数据集并对其进行预处理来自动地计算至少一个或多个种子点，以及一个或多个结构边缘。初步的骨屏蔽从图像数据集中生成。脉管系统结构通过使用一个或多个种子点，一个或多个结构边缘，以及图像数据被自动地确定。从初步的骨屏蔽中减去脉管系统结构来生成骨屏蔽。提供由这一方法定义的类型的功能性的系统和计算机程序也由本技术提供。
附图说明
前述的以及其它本发明的优点和特征通过阅读随后的详细描述并参考附图将变得显而易见，其中：
图1是根据本发明以CT成像系统形式表示的用于产生处理后图像的示范性成像系统的图解视图；
图2是图1中的CT的物理实现的另一个图解视图；
图3是描述本技术各方面的流程图；以及
图4是依照示范性的骨外形用切割线将头部细分为三个子体积的头部冠状视图。
具体实施例
图1用图解法说明了用于采集并处理图像数据的成像系统10。在说明的实施例中，系统10是依照本技术的计算机断层造影(CT)系统，其被设计成既可以采集原始图像数据又可以对图像数据进行处理以便显示和分析。其它的采集体积图像数据的成像模式，例如磁共振成像(MRI)或正电子发射断层摄影(PET)，也可得益于本技术。接下来关于CT系统的讨论仅仅是一种这样实现的实例，而不受模式或解剖位置的局限。
在图1示出的实施例中，成像系统10包括与准直器14邻接定位的X射线辐射源12。在这一示范性的实施例中，X射线辐射源12的源典型地是X射线管。准直器14允许辐射束16穿入定位了受检者的区域，所述受检者例如病人18。辐射20的一部分穿过或围绕着受检者，并且冲击检测器阵列，一般用参考数字22来表示。阵列的检测器元件生成电子信号来表示入射的X射线束的强度。可以采集这些信号并对它们进行处理来重建受检者内的特征图像。
源12受系统控制器24的控制，系统控制器24为CT检测序列供给能量及控制信号。此外，检测器22耦合到系统控制器24上，其命令采集在检测器22生成的信号。系统控制器24也可执行不同的信号处理及滤波功能，例如用于动态范围的初始调整，数字图像数据的交错，等等。通常，系统控制器24命令成像系统的操作来执行检测协议并处理采集的数据。在本文中，系统控制器24也包括信号处理电路，典型地基于通用或专用数字计算机，接口电路，等等。系统控制器24也可包括相关联的存储电路，用于存储配置参数，图像数据，和/或由计算机执行的程序及例行程序。例如，整体地或部分地实现本技术的程序和例行程序，可被存储于可被系统控制器24访问的存储电路，例如存储于一个或多个光和/或磁介质。
在图1示出的实施例中，系统控制器24耦合到旋转子系统26以及线性定位子系统28上。旋转子系统26使X射线源12，准直器14和检测器22能够围绕病人18旋转一圈或多圈。需要注意的是旋转子系统26可包括台架。因此，系统控制器24可用于操作台架。线性定位子系统28使病人18，或更特定地，使病人台成线性地位移。因此，病人台可在台架内部线性移动来生成病人18的特定区域的图像。电机控制器32可用于控制旋转子系统26及线性定位子系统28的移动。此外，辐射源可受定位在系统控制器24内部的X射线控制器30的控制。特别地，X射线控制器30被设置为向X射线源12提供能量和时间信号。
进一步，系统控制器24也示出包含数据采集系统34。在这一示范性的实施例中，检测器22耦合到系统控制器24上，并且更特别地耦合到数据采集系统34上。数据采集系统34接收由检测器22的读数电子器件收集的数据。数据采集系统34典型地接收来自检测器22的采样模拟信号并将这些数据转换为数字信号以供后续处理和/或由计算机36显示。
计算机36典型地耦合到系统控制器24上。由数据采集系统34收集的数据可被传送至计算机36，并且此外传送至存储器38。可以理解用于存储大量数据的任何类型的存储器都可由这样的示范性的系统10使用。计算机36也被配置为通过典型地配备有键盘和其它输入装置的操作员工作站40接收来自操作员的命令和扫描参数。操作员可通过输入装置来控制系统10。耦合到操作员工作站40的显示器42可用于观察重建的图像并控制成像。另外，扫描的图像也可在打印机43上打印，该打印机耦合到计算机36以及操作工作站40上。因此，操作员可观察重建的图像以及其它来自计算机36的与系统相关的数据，启动成像，等等。
进一步，操作员工作站40也可耦合到图片存档及通讯系统(PACS)44。需要注意的是，PACS 44可被耦合到远程客户端46，放射科信息系统(RIS)，医院信息系统(HIS)上，或耦合到内部或外部网络上，从而在不同的位置其他人可访问图像及图像数据。
需要进一步注意的是，计算机36和操作员工作站46可耦合到其它的输出装置上，所述其它的输出装置包括标准或专用计算机显示器以及相关联的处理电路。一个或多个操作员工作站40可进一步链接到用于输出系统参数，请求检测，观看图像等等的系统。通常，在该系统内部提供的显示器，打印机，工作站，以及类似的装置可位于数据采集组件本地，或在这些组件的远端，例如在研究所或医院中的别处，或者在完全不相同的地方，它们通过一个或多个可配置的网络，例如因特网，虚拟专用网络等等链接到图像采集系统。
通常参考图2，本实施例中使用的示范性的成像系统可以是CT扫描系统50。CT扫描系统50带有框架52和具有孔56的台架54。孔56的直径典型为60cm至70cm。而且，病人台58位于支架52和台架54的孔56内。病人台58设置为使得病人18可在检查过程期间可以躺下。另外，病人台58可被设置为由线性定位子系统28(参见图1)线性地位移。台架54带有辐射源12，典型地带有X射线管，其从焦点62发射X射线。辐射束朝向病人18的特定区域。需要注意的是病人18的特定区域典型地由操作员进行选择，从而采集最有用的区域扫描。如上所述，计算机36典型地用于控制整个CT系统10。控制系统操作的主计算机适于控制由系统控制器24使能的部件。此外，操作员工作站40耦合到计算机36和显示器上，从而可现看到重建的图像。
在典型的操作中，X射线源12从焦点62向检测阵列22投射X射线束。检测器22通常由多个对X射线敏感的检测器元件组成，其感应穿过并围绕感兴趣的区域，例如特殊的身体部分的X射线。当X射线束打到检测器上时，每一检测器元件产生代表X射线束在元件所在位置的强度的电信号。此外，台架54绕感兴趣的受检体旋转，从而计算机36可收集多个X射线摄影的视图。因此得到图像和片层，该图像和片层可在一定的模式下，对投影数据小于或大于360度合并，来形成一幅图像。使用X射线源12前面的铅遮光板和不同的检测器孔22，图像被校准到需要的厚度，典型地在0.5mm至10mm之间。准直器14(见图1)典型地限定了从X射线源12发出的X射线束的大小和形状。
因此，当X射线源与检测器22旋转时，检测器22收集衰减的X射线束的数据。从检测器22收集的数据然后经过预处理和校准，以便调节数据来代表被扫描对象的衰减系数的线积分。被处理的数据，通常称为投影，随后经滤波和背投影来确定被扫描区域的图像。
一旦由图1和2所示系统生成的图像被重建，该图像显露出病人的内部特性。通常如图2所示，重建的体积的图像片层64或重建的体积自身可被显示来展现这些特征，例如由图2中的参考标记66所表示的。在诊断医疗病情的过程中，例如疾病状态，更通常地在医疗事件中，放射师或内科医生可能考虑图像64的显示的硬拷贝来辨别感兴趣的特性特征。这种特征可包括机能损害，特定解剖结构或器官的大小和形状，以及其它根据每个从业者的技术和知识可在图像中辨别的特征。其它的分析可根据不同的CAD算法的能力而定。本领域技术人员将会理解，CAD算法可提供识别或者至少是局部化感兴趣的一定特征例如解剖异常的可能。随后的处理过程和数据采集可由从业者判断和根据经验确定。
尽管像图像64的二维轴向片层显示于图2中，实际上图像64也可是体绘制(volumetric rendering)，例如体和/或面绘制。这些体绘制处理技术允许操作员三维可视化，并可提供比简单地扫描二维轴向片层更多的信息。然而，当CTA数据进行体绘制时，骨结构可形成封闭的边缘，其需要被分割并屏蔽掉。此外，在CTA中需要从背景的剩余部分中分割并提取脉管系统。然而，分割过程可由于骨(小梁和皮质)的图像强度重叠以及对比增强的脉管而变得复杂。另外，在复杂的解剖区域，例如头部/颈部区域，复杂的解剖剖面以及骨和脉管的空间关系可使分割变得复杂，特别是在自动的情况下。结果，过于耗时的操作员辅助工作可包括CTA体绘制的产生，该CTA体绘制包括结构的分割、提取或屏蔽。
一种有助于体积成像处理的自动化的技术参考图3和随后的附图进行描述和讨论。如图3所示，图像数据集70，典型地是作为DICOM序列存储的一堆512×512的轴向片层，可在步骤74的结构分割之前的步骤72进行预处理。如图所示，每一个预处理步骤及结构分割步骤可包括不同的子步骤。结构分割步骤74通常产生初步的骨屏蔽76和脉管结构(vascular tree)78。脉管结构78可在步骤80从初步的骨屏蔽中减去来生成骨屏蔽82。骨屏蔽82可在步骤84从图像数据集70中减去来生成元骨的CTA体积86，其被绘制为放射师和技师可复查和分析的三维构造。通过本技术，对图像数据集70进行的用于生成无骨的CTA体积的各个步骤可以采用在计算上高效的方式自动化和执行。
如上面提到的那样，在CTA期间采集的图像数据集70可在步骤72由许多可能的子步骤进行预处理。例如，与台面和支撑物相关的图像数据可从进一步的处理中移除，如步骤90所示。台面的移除可通过对与台面和病人相关联的图像体积区域的灰度级进行评估完成。这些评估可随后用于定位被这两个不同的物体占用的图像体积内的通常区域。连接的组件分析或类似的分析技术可用于使该区域缩小进入连续的图像数据块中。提取出确定为属于病人数据的区域的轮廓，并且完全填充每一轮廓的内部来形成该区域的屏蔽。屏蔽可用于保留来自图像数据集70的原始数据，而所有屏蔽外部的数据从进一步的处理中被抑制，因此从图像数据集70的后续处理中排除了台面数据。
另外，切割子步骤92可在图像数据集70上完成。例如，头部和颈部区域的脉管结构从颈部到脑走了一条弯曲的路径。在头部和颈部区域中，由通常颈动脉分支处的动脉弓定义了远端，并且颅骨的顶部定义为近端，在骨和脉管之间的空间分离程度变化的各个子体积可被识别出来。
例如，最复杂的部分是颅底区域和称为Willis环的拓扑网状结构，它由多个从颈部到达远端以形成环形网络的动脉形成。一些较小的动脉出现在这一环中来向脑的不同部分供应血液。使关于CTA的问题变得复杂的是，这一区域被部分地埋入骨中。骨结构也很复杂，像薄的中空壳，这使得成像时骨边缘看上去模糊。头部和颈部的特殊解剖结构还有脊椎动脉，其沿颈椎延伸埋入横孔。这一动脉的大小和位置使手工编辑出现了问题。这些复杂性使头部和颈部区域的CTA变得困难，也突出了图像体积内局部子体积的亮度，这可得益于适于对于体积的特殊复杂性进行寻址的微分处理。
特别地，切割可反映局部解剖区域的空间分离程度。在骨和脉管之间空间分离良好的子体积可允许更多地强调技术，例如连接组件来在骨和脉管结构之间的进行辨别。然而，在骨和脉管之间具有不良空间分离的子体积，可得益于更复杂的模型驱动技术来区分骨和脉管。因此，切割步骤92可以通过分析其外观来切割成像体积，从而子体积在感兴趣的目标之间具有一致的分离。
例如，头部和颈部区域可被切割为三个子体积。远端的子体积可从动脉弓至颞骨段(petrous)远端延伸，即，颅底的边缘。在这一子体积中，颈动脉在空间上很好地从骨区域分离。中部子体积包含颞骨段，颅底，以及Willis环。由于强度和闭合空间位置上的类似性，骨和脉管可在中部子体积上看上去是连续的。特别地，骨形成了薄的空壳，就像颅底的结构，在轴向片层里，具有那些可能难以识别的模糊的边缘。在中部子体积的近端是Willis环，其倾斜地以三维定位并部分地埋入骨中。动脉连接处是形成像动脉瘤的小瘤体的常见位置。Willis环的近端设置包括颅侧区域的近端子体积。在这一区域中，颅骨是唯一的骨结构并且与脑动脉很好的空间分离。
基于上述解剖上的考虑，切割步骤92可计算并设置切割线来生成三个子体积。这可通过使用能量剖面(energy profile)来得到。在这种情况下，图像的能量是对选择特性的测量。对于CT应用来说，通常需要选择骨或空气间隙，即，窦，由于它们具有明显以及一致的强度模式。可以通过累积在每一轴向层中被分类为属于骨或窦的区域的所有体素，来生成整个体积的骨和窦的剖面。可选地，一幅图像中能量的平行清晰度(parallel defination)来自典型的熵理论。图像的强度的第一级分布成为了测量一幅图像如何“忙”或“安静”的度量。熵剖面(entropy profile)随后可通过计算属于骨和脉管区域的体素的第一级分布生成。
切割线可由基于规则的方法计算得出。基于规则的方法可搜寻剖面并识别与可视觉识别的切割线相关的子体积片层。例如，参考图4，描述了头部的冠状视图，带有将头部切割为与示范性的骨剖面94相关联的三个子体积的切割线。第一切割线96，基于骨剖面94定位，并分开远端子体积98和中部子体积100。第二切割线102分开中部子体积100和近端子体积104。在每一子体积内，可根据在子体积内骨和脉管系统的一致的空间关系采用适合的微分处理来分割骨和脉管系统。例如，近端子体积内的骨和脉管之间的空间分离可用于实现更快的例行程序以提取骨和脉管。类似的，下面将详细讨论的脉管追踪技术，可限于子体积而不是全部数据集。例如，512×512×175大小的数据集可在35秒内(0.2秒每层)处理完，因为切割计算(在这种情况下，体积片层29和91)允许在片层范围91-175(84个片层)内实现快速的算法，而仅在片层范围29-91(62个片层)内应用更复杂的脉管追踪算法。
除了移除台面数据和切割图像数据之外，可在预处理步骤72的子步骤110计算图像数据的梯度。梯度可用于确定边缘结构，其可由锐利的强度变化标记。识别过渡区域的一个方法是使用梯度和边缘映射(maps)。成像体积的每一体素的梯度可通过在它的相邻点找出最大绝对梯度成分计算得出。例如，对于一内部体素，可计算在该体素和其26个相邻体素之间的最大绝对梯度。这种梯度计算在数据集中围绕着不同对象形成了强的边缘，即使出现了噪声边缘也是如此。与每一体素相关联的最大绝对梯度可用于生成梯度映射来促进边缘检测。特别地，强的边缘保护可避免在随后区域生长过程中结构边缘和边界无意中交叉。
预处理步骤72也可包括用于计算在图像集70中与脉管系统或其它三维结构的区域对应的种子点的子步骤112。种子点然后通过抑制生长过程可用于作为识别各自结构或脉管系统的起始点。种子点可通过使用简单和初级的二维或三维几何模板被代表或识别出。能够根据应用制造出定制的模板模型用于感兴趣的对象。特别地，三维对象的横截面或投影数据能用于生成模板模型。
例如，在CTA中，感兴趣的对象典型地是三维管状或圆柱状结构的脉管。结果，主血管的横截面在图像数据集70中通常实际上是环形，不论是在轴向，冠状，矢状环，或者是任意的斜面。因此，可用于识别脉管的简单的模板模型是在横截面为“圆形的”区域。
类似地，功能的或行为的特性也可被捕捉作为模板来识别感兴趣的对象。例如，用于CTA的功能性的模板模型可使用统计学上均匀一致的标准来定义。这样的模板模型可使用连续流过血管的对比剂的功能特性，例如均匀的X射线衰减。在这一实例中，在图像数据集70中对应于主血管的横截面可由采用强度的低标准差检测圆形区域而自动地定位。例如，在示范性的CTA应用中使用几何和功能模板，使用76HU的阈值用于抑制图像数据集70的所有软组织。值为70的低标准差可用于消除与骨对应的任何圆形区域。检测到的圆形区域可用作种子区域用于随后的抑制区域生长。
虽然前面的讨论涉及一些可在预处理步骤72期间执行的可能的子步骤，也可以执行其它的子步骤，例如边缘锐化或模糊例行程序，数据滤波，等等。类似地，虽然示范性的CTA应用可包括前面讨论的与预处理步骤72有关的子步骤，但是如果需要或可提供合适的其它选择，那么一个或更多的前述子步骤可被省略。
随后任何预处理在步骤72完成，预处理数据可在步骤74被分割。例如，在CTA情况下，骨和脉管系统都可被分割用于随后的处理过程，并且允许对诊断有用的体积的可视化。关于骨分割，初步的骨屏蔽76可在步骤116生成。在示范性的讨论中，对在步骤90中被移除或屏蔽了台面数据的图像数据执行生成骨屏蔽的步骤116。不过，如上面提到的那样，移除台面图像数据的步骤在某些情况下可被忽略。
在步骤116中，初步的骨屏蔽76的生成识别头部和颈部的所有的类似的骨体素，或其它体积。头部和颈部区域的骨识别是富有挑战性的，这是由于复杂的解剖结构和带有皮质和小梁的骨。进一步，由于颅骨和身体其它部位的骨之间解剖学上的不同，在身体其它部位识别骨的模型对于识别头部和颈部区域的骨通常不是很有用。在CTA中，由于对比增强的脉管穿过底的薄的骨而加重了这种情况，这使得它们看上去连续不间断。
使用简单的强度和基于区域的方法可侵略性地将在头部和颈部体积中所有类似的骨体素识别为骨。侵略性的分类方法确保包括部分体积平均和薄的皮质区域，以及在初步骨屏蔽76中的虚弱的小梁及窦骨。不过，如果使用侵略性的包括，骨屏蔽生成算法可包括一些如骨的脉管结构。如下面将讨论的那样，这些脉管系统结构可从初步的骨屏蔽76中减去来生成真正的骨屏蔽82。
脉管系统结构78的识别可使用一个或多个脉管追踪技术来完成，如在步骤118中所述。可对在步骤118的脉管追踪使用不同的技术，例如动态抑制区域生长，气泡波连通性，和/或射线和轮廓传播。例如，动态抑制区域生长可用于追踪并生长脉管结构78或其它感兴趣的三维结构。动态抑制区域生长可在计算动态路径寻找的起始点期间完成自动初始化。这些起始点可从基于模板的种子点计算步骤72获得。该区域边缘，当从在步骤110的梯度计算确定时，可形成避免追踪延伸至相邻的结构和背景区域的边缘，即，区域边缘抑制了生长过程。根据这些抑制和起始点，可执行动态路径寻找来提取感兴趣的三维结构，例如脉管结构78。候补体素被选择进入生长结构下的追踪抑制可根据局部统计被动态地改变，例如局部强度，和/或同质测量和/或变异。此外，抑制可根据与被考虑的体素相关联的子体积被动态地改变，即，子体积可确定抑制或由于局部统计抑制被更改的方式。
可选择地，可对脉管追踪采用气泡波传播来确定脉管结构78。在气泡波传播中，动态的气泡通过三维结构来识别属于该区域的所有体素。气泡必须找到其能通过的局部体积。这一准则避免了气泡可能通过薄弱的桥(bridge)连接的相邻的对象中选择体素，或选择背景体素。气泡的大小动态地变化来适应对象的大小。在每一次迭代中，气泡通过根据同质准则包含局部邻近体素来生长。气泡波首先在前进方向迭代传播，随后在后退方向，彻底地搜寻对象的路径。气泡波的大小和形状能被定制用于感兴趣的对象和应用，例如来自CTA中的脉管追踪。
另外，可对脉管追踪应用轮廓和射线传播来确定脉管结构78。轮廓和射线传播是基于这样的观察：通过相邻片层的血管大部分是连续的，并具有统计学上的同质性和一致性，并且当从脉管内部一点沿中轴线截面观看该血管时，血管几乎是环状的。可手动得到初始的结构轮廓，或从步骤72的种子点计算得到。在缺省的视角上这一轮廓可被投影到相邻的片层上。对给定窗口，例如30×30的窗口内所有点的轮廓位置计算强度误差的平方和，并且轮廓被安置在误差最小的位置。随后计算出轮廓的质心，并且射线从轮廓外的质心传播传播。射线的数量可由使用者预先设置。同样的，射线的长度可依赖于脉管的尺寸，并且也可被预先设定。然后，可得出沿每一射线来确定脉管的边缘点的基于规则的判定。所述规则可通过使用用于脉管到软组织和脉管到骨的过渡的模型进行抑制。一旦确定了边缘点，就形成了新的轮廓，其随后被投影到下一片层。在这一阶段可提供交互式操作，从而使用者能改变用于传播轮廓的观察轴，这在那些脉管是弯曲的并且在当前横断面不是环状的，而在另一三维平面将会是环状的点是需要的。沿脉管边缘的中轴线在传播过程期间和之后是容易获得的，并且可用于进行脉管的测量。
虽然前面的处理可用于脉管追踪，也可使用其它的处理。类似的，上述处理可单独使用或与其它的处理联合使用。脉管追踪处理的选择或基于脉管追踪处理的可靠性可根据图像数据集70或根据映射，子体积，或在预处理步骤72确定的区域被确定。
随后确定初始的骨屏蔽76和脉管结构78，后置处理可被完成来消除初步骨屏蔽76体素的部分体积平均，并且为了提高绘制的审美质量来平滑脉管结构78。例如，用于生成初步的骨屏蔽76的侵略性骨屏蔽可包括一些脉管区域。为了解决这种易于发生的包括，脉管结构78可从初步的骨屏蔽76中减去来生成骨屏蔽82。然而，在步骤118中的保守的脉管追踪与在步骤116中的侵略性骨分割一起可导致脉管在脉管结构78具有不规则轮廓。这一不规则性可降低数据三维可视化的审美质量。因此三维平滑可提高可视质量。特别地，平面之间的轮廓可被插入来减少不规则性。一旦以需要的形式生成，骨屏蔽82可从图像数据集70中减去，如步骤84说明的那样，来生成无骨的CTA体积86。无骨的CTA体积86可经历可视化过程，例如三维绘制技术，来从已经被移除的骨结构生成体积的描述。
因为本技术可作为一个或多个自动化的例行程序实施，因而避免了手工处理劳动强度和时间的耗费。此外，侵略型的骨识别与保守的脉管系统识别相结合，允许快速自动生成真正的骨屏蔽，并且不需要冗长的手动轮廓描绘，这种手动轮廓描绘典型地与复杂区域，例如头部和颈部的骨分割相关联。例如，本技术在作为一个或多个自动算法和例行程序实现时，允许在少于一秒的时间内处理图像片层，并且允许在0.3秒或很短的时间内处理片层。
当以自动化方式实施时，本技术执行的速度考虑到容易与临床的工作流程相结合。例如，可由本技术生成的无骨的图像和/或体积可迅速提供给放射师来复查。与手动分割和处理相比较，在手动分割和处理中，无骨的图像和体积在放射师已经查看过可用的图像数据并继续下面的工作之前不可以得到。结果，通过本技术，临床的工作流程被增强，并且增加了放射师的可用信息。
虽然本发明允许不同的改进和可选择的形式，具体的实施例已经通过附图中的实例展现出来，并已经在这里进行了详细的描述。然而，可以理解本发明并不局限于这里所公开的特定形式。而是，本发明揭示了所有落入由随后附带的权利要求定义的本发明精神和范围内的改变，等价物，以及可选项。

Claims (10)

1.一种用于生成骨屏蔽(82)的方法，包括以下步骤：
采集一个图像数据集(70)；
对图像数据集(70)进行预处理(72)来自动地计算至少一个或多个种子点及一个或多个结构边缘；
从图像数据集(70)生成(116)初步的骨屏蔽(76)；
使用所述一个或多个种子点，所述一个或多个结构边缘，以及图像数据集(70)自动地确定(118)脉管结构(78)；以及
从初步的骨屏蔽(76)中减去(80)脉管结构(78)来生成骨屏蔽(82)。
2.如权利要求1所述的方法，包括以下步骤：
从图像数据集(70)中减去(84)骨屏蔽(82)来生成无骨的体积数据集(86)。
3.如权利要求2所述的方法，包括以下步骤：
绘制无骨的体积数据集(86)来生成无骨的体绘制。
4.如权利要求1所述的方法，其中对图像数据集(70)进行预处理(72)的步骤使用几何模板和功能模板中的至少一个来计算一个或多个种子点。
5.如权利要求1所述方法，其中自动地确定(118)脉管结构(78)包括应用动态抑制区域生长过程，气泡波连通性过程，以及射线和轮廓传播过程中的至少一个。
6.一种CT图像分析系统(10)，包括：
X射线源(12)，设置为用于发射辐射束(16)；
检测器(22)，设置为用于检测辐射束(16，20)并生成一个或多个对辐射束(16，20)作出响应的信号，其中检测器(22)包括多个检测器元件；
系统控制器(24)，设置为用于控制X射线源(12)并通过数据采集系统(34)从一个或多个检测器元件采集图像数据集(70)；以及
计算机系统(36)，设置为用于接收图像数据集(70)，对图像数据集(70)进行预处理来自动计算至少一个或多个种子点及一个或多个结构边缘，从图像数据集(70)生成初步的骨屏蔽(76)，使用一个或多个种子点，一个或多个结构边缘，及图像数据集(70)来自动地确定脉管结构(78)，并且从初步的骨屏蔽(76)中减去脉管结构来生成骨屏蔽(82)。
7.如权利要求6所述的CT图像分析系统(10)，其中计算机系统(36)设置为用于从图像数据集(70)中减去(84)骨屏蔽(82)来生成无骨的体积数据集(86)。
8.如权利要求7所述的CT图像分析系统(10)，其中计算机系统(36)设置为用于绘制无骨的体积数据集(86)来生成无骨的体绘制。
9.如权利要求6所述的CT图像分析系统(10)，其中计算机系统(36)设置为用于通过确定(110)每一体素相对于相邻体素的最大绝对梯度来计算一个或多个结构边缘从而对图像数据集(70)进行预处理(72)。
10.如权利要求6所述的CT图像分析系统(10)，其中计算机系统(36)设置为用于通过应用动态抑制区域生长过程，气泡波连通性过程，以及射线和轮廓传播过程中的至少一个来自动地确定(118)脉管结构(78)。
CNB2004100953761A 2003-11-25 2004-11-24 在ct血管造影术中分割结构的方法及设备 Expired - Fee Related CN100553561C (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/723,192 US7676257B2 (en) 2003-11-25 2003-11-25 Method and apparatus for segmenting structure in CT angiography
US10/723192 2003-11-25

Publications (2)

Publication Number Publication Date
CN1620990A true CN1620990A (zh) 2005-06-01
CN100553561C CN100553561C (zh) 2009-10-28

Family

ID=34592193

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB2004100953761A Expired - Fee Related CN100553561C (zh) 2003-11-25 2004-11-24 在ct血管造影术中分割结构的方法及设备

Country Status (4)

Country Link
US (1) US7676257B2 (zh)
JP (1) JP4728627B2 (zh)
CN (1) CN100553561C (zh)
DE (1) DE102004056783A1 (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100350434C (zh) * 2004-09-06 2007-11-21 株式会社东芝 图像数据区域抽取系统以及图像数据区域抽取方法
CN100382756C (zh) * 2006-06-07 2008-04-23 华中科技大学 在数字减影血管造影图像中分割血管数据的方法
CN101203890A (zh) * 2005-06-24 2008-06-18 美国医软科技公司 交互式肝病诊断方法
CN100405401C (zh) * 2006-06-07 2008-07-23 华中科技大学 一种在数字减影血管造影图像中分割血管数据的方法
CN101658415A (zh) * 2008-08-27 2010-03-03 通用电气公司 用于脉管系统的描绘的方法和系统
CN101901342A (zh) * 2009-05-27 2010-12-01 深圳迈瑞生物医疗电子股份有限公司 影像目标区域的提取方法和装置
CN101576997B (zh) * 2009-06-19 2011-07-20 西安电子科技大学 基于二次三维区域生长的腹部器官分割方法
CN1943515B (zh) * 2005-08-22 2011-08-03 西门子公司 在数字图像数据中识别注有造影剂的血管的方法
CN101110124B (zh) * 2006-02-21 2011-08-03 美国西门子医疗解决公司 利用虚拟切割的背景中体积可视化的系统及方法
CN101310307B (zh) * 2005-11-14 2012-07-18 皇家飞利浦电子股份有限公司 用于解剖结构的轮廓混合绘制的方法和设备
CN103886621A (zh) * 2012-11-14 2014-06-25 上海联影医疗科技有限公司 一种自动提取床板的方法
CN103876764A (zh) * 2013-11-21 2014-06-25 沈阳东软医疗系统有限公司 一种血管显影方法及装置
CN104508710A (zh) * 2012-03-29 2015-04-08 皇家飞利浦有限公司 对图像数据中的选择性组织的视觉抑制
CN104616289A (zh) * 2014-12-19 2015-05-13 西安华海盈泰医疗信息技术有限公司 一种3d ct图像中骨组织的移除方法及系统
CN105659289A (zh) * 2013-10-30 2016-06-08 爱克发医疗保健公司 血管分割方法
CN105640583A (zh) * 2016-03-31 2016-06-08 上海联影医疗科技有限公司 血管造影方法
CN105744892A (zh) * 2013-11-20 2016-07-06 皇家飞利浦有限公司 用于x射线成像中的导航的医学图像查看设备、医学成像系统、和用于提供改善的x射线图像导航信息的方法
CN106108925A (zh) * 2015-05-04 2016-11-16 西门子保健有限责任公司 用于医学图像数据中全身骨移除和血管可视化的方法和系统
CN106846660A (zh) * 2017-01-23 2017-06-13 上海市胸科医院 一种一体化胶片自助缴费和打印系统及方法
CN107004300A (zh) * 2014-12-08 2017-08-01 皇家飞利浦有限公司 体积形状的虚拟交互式定义
CN107174263A (zh) * 2016-03-09 2017-09-19 西门子保健有限责任公司 用于采集和处理检查对象的图像数据的方法
CN107851312A (zh) * 2015-07-29 2018-03-27 珀金埃尔默健康科学公司 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法
CN107997778A (zh) * 2016-10-31 2018-05-08 西门子保健有限责任公司 在计算机断层扫描血管造影术中基于深度学习的骨移除
CN108428233A (zh) * 2010-07-28 2018-08-21 瓦里安医疗系统公司 基于知识的自动图像分割

Families Citing this family (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7237996B2 (en) * 2004-05-18 2007-07-03 Fabristeel Products, Inc. Nut feed system and nut
US7532214B2 (en) * 2005-05-25 2009-05-12 Spectra Ab Automated medical image visualization using volume rendering with local histograms
JP2007105221A (ja) * 2005-10-13 2007-04-26 Toshiba Corp Ｘ線ｃｔ装置及び画像処理装置
US8379957B2 (en) * 2006-01-12 2013-02-19 Siemens Corporation System and method for segmentation of anatomical structures in MRI volumes using graph cuts
ATE453904T1 (de) * 2006-05-15 2010-01-15 Im3D S P A Automatische erkennung von präneoplastischen anomalien in anatomischen strukturen auf grundlage einer verbesserten bereichswachstumssegmentation und rechnerprogramm dafür
WO2007132421A1 (en) * 2006-05-17 2007-11-22 Koninklijke Philips Electronics N.V. Computer program to output contrast enhanced medical image data
JP5086563B2 (ja) * 2006-05-26 2012-11-28 オリンパス株式会社 画像処理装置及び画像処理プログラム
US7940970B2 (en) * 2006-10-25 2011-05-10 Rcadia Medical Imaging, Ltd Method and system for automatic quality control used in computerized analysis of CT angiography
US7940977B2 (en) * 2006-10-25 2011-05-10 Rcadia Medical Imaging Ltd. Method and system for automatic analysis of blood vessel structures to identify calcium or soft plaque pathologies
US7983459B2 (en) 2006-10-25 2011-07-19 Rcadia Medical Imaging Ltd. Creating a blood vessel tree from imaging data
US7860283B2 (en) 2006-10-25 2010-12-28 Rcadia Medical Imaging Ltd. Method and system for the presentation of blood vessel structures and identified pathologies
US7873194B2 (en) * 2006-10-25 2011-01-18 Rcadia Medical Imaging Ltd. Method and system for automatic analysis of blood vessel structures and pathologies in support of a triple rule-out procedure
US7840051B2 (en) * 2006-11-22 2010-11-23 Toshiba Medical Visualization Systems Europe, Limited Medical image segmentation
WO2008091583A2 (en) * 2007-01-23 2008-07-31 Dtherapeutics, Llc Image-based extraction for vascular trees
US8014578B2 (en) * 2007-02-05 2011-09-06 General Electric Company Method and system for image segmentation using models
US7953262B2 (en) * 2007-02-05 2011-05-31 General Electric Company Vascular image extraction and labeling system and method
US7853089B2 (en) * 2007-02-27 2010-12-14 The Board Of Trustees Of The University Of Arkansas Image processing apparatus and method for histological analysis
US8045776B2 (en) * 2007-03-06 2011-10-25 General Electric Company Geometry-dependent filtering in CT method and apparatus
DE102007029159A1 (de) * 2007-06-25 2009-01-02 Siemens Ag Verfahren zur Visualisierung eines dreidimensionalen Bilddatensatzes aus einer Röntgen-CT-Untersuchung und Arbeitsstation zur Durchführung des Verfahrens
US20110255761A1 (en) * 2007-06-26 2011-10-20 University Of Rochester Method and system for detecting lung tumors and nodules
US7978191B2 (en) * 2007-09-24 2011-07-12 Dolphin Imaging Systems, Llc System and method for locating anatomies of interest in a 3D volume
US20090100105A1 (en) * 2007-10-12 2009-04-16 3Dr Laboratories, Llc Methods and Systems for Facilitating Image Post-Processing
WO2009060346A2 (en) * 2007-11-06 2009-05-14 Koninklijke Philips Electronics N.V. System for quantification of neovasculature in ct volumes
US20090169074A1 (en) * 2008-01-02 2009-07-02 General Electric Company System and method for computer assisted analysis of medical image
WO2010015954A1 (en) * 2008-08-04 2010-02-11 Koninklijke Philips Electronics, N.V. Detection, visualization, and quantification of microvasculature using confocal microscopy
CN103052970B (zh) * 2010-08-03 2015-11-25 皇家飞利浦电子股份有限公司 从成像数据中移除对象支撑
US8917941B2 (en) * 2010-09-28 2014-12-23 Siemens Aktiengesellschaft System and method for shape measurements on thick MPR images
WO2012046846A1 (ja) * 2010-10-07 2012-04-12 株式会社 東芝 医用画像処理装置
WO2013007973A2 (en) 2011-07-14 2013-01-17 Smith & Nephew Plc Wound dressing and method of treatment
US9305356B2 (en) * 2011-02-28 2016-04-05 Kabushiki Kaisha Toshiba Image processing method and apparatus
EP2827774A2 (en) 2012-03-22 2015-01-28 The Cleveland Clinic Foundation Augmented reconstruction for computed tomography
CA2910376C (en) * 2012-05-09 2020-06-30 Laboratoires Bodycad Inc. Segmentation of magnetic resonance imaging data
WO2013172981A1 (en) * 2012-05-16 2013-11-21 Beth Israel Deaconess Medical Center, Inc. Identifying individual target sites for transcranial magnetic stimulation applications
EP3650055A1 (en) 2012-05-23 2020-05-13 Smith & Nephew plc Apparatuses and methods for negative pressure wound therapy
JP6273266B2 (ja) * 2012-06-01 2018-01-31 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． セグメント化の強調表示
KR101731512B1 (ko) 2012-07-30 2017-05-02 삼성전자주식회사 복수의 문턱값들을 이용하는 혈관 세그먼테이션 방법과 그 방법을 이용한 장치
DK2879636T3 (da) 2012-08-01 2017-06-19 Smith & Nephew Sårbandage
EP2879635A2 (en) 2012-08-01 2015-06-10 Smith & Nephew PLC Wound dressing and method of treatment
US9324157B2 (en) 2013-03-26 2016-04-26 Kabushiki Kaisha Toshiba Medical image data processing apparatus and method
WO2014165972A1 (en) 2013-04-09 2014-10-16 Laboratoires Bodycad Inc. Concurrent active contour segmentation
EP2811458A1 (en) * 2013-06-05 2014-12-10 Agfa Healthcare Automated aorta detection in a CTA volume
KR101492330B1 (ko) * 2013-07-26 2015-02-11 서울여자대학교 산학협력단 혈관 조영된 컴퓨터 단층 영상의 혈관 분할 시스템 및 그 분할 방법
DE102014201556A1 (de) * 2014-01-29 2015-07-30 Siemens Aktiengesellschaft Verfahren zur Ermittlung eines Gewebeparameters, Röntgeneinrichtung und Computerprogramm
KR20160089762A (ko) 2015-01-20 2016-07-28 삼성전자주식회사 방사선 촬영 장치 및 방사선 촬영 장치의 제어 방법
US10869644B2 (en) * 2016-07-30 2020-12-22 Shanghai United Imaging Healthcare Co., Ltd. Method and system for extracting lower limb vasculature
GB2555584B (en) 2016-10-28 2020-05-27 Smith & Nephew Multi-layered wound dressing and method of manufacture
EP3486674A1 (en) * 2017-11-17 2019-05-22 Koninklijke Philips N.V. Artificial intelligence-enabled localization of anatomical landmarks
CN115564737A (zh) * 2019-04-30 2023-01-03 深圳市阅影科技有限公司 冠状动脉ct造影图像的分割方法、装置与存储介质
US11842492B2 (en) 2021-04-16 2023-12-12 Natasha IRONSIDE Cerebral hematoma volume analysis
US11915829B2 (en) 2021-04-19 2024-02-27 Natasha IRONSIDE Perihematomal edema analysis in CT images

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3244347B2 (ja) * 1993-07-01 2002-01-07 ジーイー横河メディカルシステム株式会社 画像処理方法及び画像処理装置
US5839440A (en) * 1994-06-17 1998-11-24 Siemens Corporate Research, Inc. Three-dimensional image registration method for spiral CT angiography
US5570404A (en) * 1994-09-30 1996-10-29 Siemens Corporate Research Method and apparatus for editing abdominal CT angiographic images for blood vessel visualization
US5594767A (en) * 1995-11-02 1997-01-14 General Electric Company Methods and apparatus for enhancing image sharpness
US5832134A (en) * 1996-11-27 1998-11-03 General Electric Company Data visualization enhancement through removal of dominating structures
US6351571B1 (en) * 1998-12-14 2002-02-26 Eastman Kodak Company Uniform convolution algorithm for frequency decomposition of image regions
US6711433B1 (en) * 1999-09-30 2004-03-23 Siemens Corporate Research, Inc. Method for providing a virtual contrast agent for augmented angioscopy
US6408201B1 (en) * 2000-06-09 2002-06-18 General Electric Company Method and apparatus for efficient stenosis identification in peripheral arterial vasculature using MR imaging
JP4854137B2 (ja) * 2001-06-21 2012-01-18 株式会社東芝 医用画像診断装置
US6842638B1 (en) * 2001-11-13 2005-01-11 Koninklijke Philips Electronics N.V. Angiography method and apparatus
US6728566B1 (en) * 2001-11-21 2004-04-27 Koninklijke Philips Electronics, N.V. Vessel tracking and tree extraction method and apparatus
US7432924B2 (en) * 2003-08-28 2008-10-07 Kabushiki Kaisha Toshiba 3D digital subtraction angiography image processing apparatus

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100350434C (zh) * 2004-09-06 2007-11-21 株式会社东芝 图像数据区域抽取系统以及图像数据区域抽取方法
CN101203890A (zh) * 2005-06-24 2008-06-18 美国医软科技公司 交互式肝病诊断方法
CN1943515B (zh) * 2005-08-22 2011-08-03 西门子公司 在数字图像数据中识别注有造影剂的血管的方法
CN101310307B (zh) * 2005-11-14 2012-07-18 皇家飞利浦电子股份有限公司 用于解剖结构的轮廓混合绘制的方法和设备
CN101110124B (zh) * 2006-02-21 2011-08-03 美国西门子医疗解决公司 利用虚拟切割的背景中体积可视化的系统及方法
CN100405401C (zh) * 2006-06-07 2008-07-23 华中科技大学 一种在数字减影血管造影图像中分割血管数据的方法
CN100382756C (zh) * 2006-06-07 2008-04-23 华中科技大学 在数字减影血管造影图像中分割血管数据的方法
CN101658415A (zh) * 2008-08-27 2010-03-03 通用电气公司 用于脉管系统的描绘的方法和系统
CN101658415B (zh) * 2008-08-27 2013-08-07 通用电气公司 用于脉管系统的描绘的方法和系统
CN101901342B (zh) * 2009-05-27 2014-05-07 深圳迈瑞生物医疗电子股份有限公司 影像目标区域的提取方法和装置
CN101901342A (zh) * 2009-05-27 2010-12-01 深圳迈瑞生物医疗电子股份有限公司 影像目标区域的提取方法和装置
CN101576997B (zh) * 2009-06-19 2011-07-20 西安电子科技大学 基于二次三维区域生长的腹部器官分割方法
CN108428233A (zh) * 2010-07-28 2018-08-21 瓦里安医疗系统公司 基于知识的自动图像分割
US11455732B2 (en) 2010-07-28 2022-09-27 Varian Medical Systems, Inc. Knowledge-based automatic image segmentation
CN104508710B (zh) * 2012-03-29 2018-04-27 皇家飞利浦有限公司 对图像数据中的选择性组织的视觉抑制
CN104508710A (zh) * 2012-03-29 2015-04-08 皇家飞利浦有限公司 对图像数据中的选择性组织的视觉抑制
CN103886621A (zh) * 2012-11-14 2014-06-25 上海联影医疗科技有限公司 一种自动提取床板的方法
CN103886621B (zh) * 2012-11-14 2017-06-30 上海联影医疗科技有限公司 一种自动提取床板的方法
CN105659289B (zh) * 2013-10-30 2019-04-12 爱克发医疗保健公司 血管分割方法
CN105659289A (zh) * 2013-10-30 2016-06-08 爱克发医疗保健公司 血管分割方法
CN105744892A (zh) * 2013-11-20 2016-07-06 皇家飞利浦有限公司 用于x射线成像中的导航的医学图像查看设备、医学成像系统、和用于提供改善的x射线图像导航信息的方法
CN105744892B (zh) * 2013-11-20 2019-10-25 皇家飞利浦有限公司 用于x射线成像中的导航的医学图像查看设备、医学成像系统、和用于提供改善的x射线图像导航信息的方法
CN103876764A (zh) * 2013-11-21 2014-06-25 沈阳东软医疗系统有限公司 一种血管显影方法及装置
CN103876764B (zh) * 2013-11-21 2016-03-30 沈阳东软医疗系统有限公司 一种血管显影方法及装置
CN107004300B (zh) * 2014-12-08 2021-01-22 皇家飞利浦有限公司 体积形状的虚拟交互式定义
CN107004300A (zh) * 2014-12-08 2017-08-01 皇家飞利浦有限公司 体积形状的虚拟交互式定义
CN104616289A (zh) * 2014-12-19 2015-05-13 西安华海盈泰医疗信息技术有限公司 一种3d ct图像中骨组织的移除方法及系统
CN111528871B (zh) * 2015-05-04 2023-06-09 西门子保健有限责任公司 用于医学图像中全身骨移除和血管可视化的方法和系统
CN106108925B (zh) * 2015-05-04 2020-03-17 西门子保健有限责任公司 用于医学图像中全身骨移除和血管可视化的方法和系统
CN111528871A (zh) * 2015-05-04 2020-08-14 西门子保健有限责任公司 用于医学图像中全身骨移除和血管可视化的方法和系统
CN106108925A (zh) * 2015-05-04 2016-11-16 西门子保健有限责任公司 用于医学图像数据中全身骨移除和血管可视化的方法和系统
CN107851312A (zh) * 2015-07-29 2018-03-27 珀金埃尔默健康科学公司 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法
CN107174263A (zh) * 2016-03-09 2017-09-19 西门子保健有限责任公司 用于采集和处理检查对象的图像数据的方法
CN107174263B (zh) * 2016-03-09 2021-06-18 西门子保健有限责任公司 用于采集和处理检查对象的图像数据的方法
US11013481B2 (en) 2016-03-09 2021-05-25 Siemens Healthcare Gmbh Method for acquiring and processing image data of an examination object
CN105640583A (zh) * 2016-03-31 2016-06-08 上海联影医疗科技有限公司 血管造影方法
CN107997778A (zh) * 2016-10-31 2018-05-08 西门子保健有限责任公司 在计算机断层扫描血管造影术中基于深度学习的骨移除
CN106846660A (zh) * 2017-01-23 2017-06-13 上海市胸科医院 一种一体化胶片自助缴费和打印系统及方法

Also Published As

Publication number Publication date
DE102004056783A1 (de) 2005-06-23
CN100553561C (zh) 2009-10-28
JP2005199041A (ja) 2005-07-28
JP4728627B2 (ja) 2011-07-20
US7676257B2 (en) 2010-03-09
US20050113679A1 (en) 2005-05-26

Similar Documents

Publication Publication Date Title
CN100553561C (zh) 在ct血管造影术中分割结构的方法及设备
Aykac et al. Segmentation and analysis of the human airway tree from three-dimensional X-ray CT images
CN107077211B (zh) 视线跟踪驱动的感兴趣区域分割
CN106600609B (zh) 一种医学图像中脊柱的分割方法及系统
US5412563A (en) Gradient image segmentation method
EP1315125B1 (en) Image processing method and system for disease detection
US7177453B2 (en) Method and apparatus for partitioning a volume
US8077948B2 (en) Method for editing 3D image segmentation maps
US20070276214A1 (en) Systems and Methods for Automated Segmentation, Visualization and Analysis of Medical Images
US9659390B2 (en) Tomosynthesis reconstruction with rib suppression
CN109215033A (zh) 图像分割的方法及系统
JP2002515772A (ja) 対象の運動を相殺する画像装置および方法
CN105719324A (zh) 图像处理装置以及图像处理方法
US20040175034A1 (en) Method for segmentation of digital images
JP2004105731A (ja) コンピュータを利用した医療用画像の処理
WO2005112769A1 (en) Nodule detection
CN103501699A (zh) 用于隔离成像数据中的潜在异常的方法和装置和其对医学图像的应用
Karssemeijer et al. Recognition of organs in CT-image sequences: a model guided approach
EP2791906A1 (en) Method for interactive threshold segmentation of medical images
CN111563877B (zh) 一种医学影像的生成方法及装置、显示方法及存储介质
EP4216160A1 (en) Methods and systems for real-time image 3d segmentation regularization
Herghelegiu et al. Needle-stability maps for brain-tumor biopsies
Smets et al. Interpretation of 3D medical scenes
Mohamed Three-Dimensional Visualization of Brain Tumor Computed Tomography Images
KR20210041242A (ko) 정상 조직 영역의 예측 방법 및 이를 이용한 정상 조직 영역 예측용 디바이스

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20091028

Termination date: 20131124