CN1623160A - 降低肺结节检测中假阳性率的支气管壁增厚识别 - Google Patents

降低肺结节检测中假阳性率的支气管壁增厚识别 Download PDF

Info

Publication number
CN1623160A
CN1623160A CN03802811.5A CN03802811A CN1623160A CN 1623160 A CN1623160 A CN 1623160A CN 03802811 A CN03802811 A CN 03802811A CN 1623160 A CN1623160 A CN 1623160A
Authority
CN
China
Prior art keywords
air flue
candidate
test
pixel
detect
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
CN03802811.5A
Other languages
English (en)
Inventor
L·张
L·范
J·钱
G·－Q·魏
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 CN1623160A publication Critical patent/CN1623160A/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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S128/00—Surgery
    • Y10S128/92—Computer assisted medical diagnostics
    • Y10S128/922—Computer assisted medical diagnostics including image analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

用于自动减少与气道相关联的假阳性结节候选者的一种系统(100)和方法，包括接收结节候选者，测试连接到候选者的气道腔，并在该候选者连接到气道腔时将其识别为假阳性结节候选者；其中，测试可包括对与检查平面相对垂直的气道的垂直测试(170)和对与检查平面相对平行的气道的平行测试(180)。

Description

降低肺结节检测中假阳性率的支气管壁增厚识别
相关申请的交叉引用
本申请与2001年5月12日提交的题为“脉管供给肺结节候选者生成”(Vessel-Feeding Pulmonary Nodule Candidate Generation)的共同待决代理人案号2001P22986US(8706-543)的公开内容相关，该申请与本申请共同转让，其公开内容通过引用全部结合于本文中。本申请还与2001年5月12日提交的题为“通过容积投影分析进行的脉管供给肺结节检测”(Vessel-Feeding Pulmonary Nodule Detectionby Volume Projection Analysis)的共同待决代理人案号2001P22990US(8706-542)的公开内容相关，该申请与本申请共同转让，其公开内容通过引用全部结合于本文中。
背景
肺癌是当前癌致死的主要原因。早期检出与癌症相关的肺结节可为防止肺癌致死提供最大的机会。非侵害、高分辨率、薄片、多薄片或多检测器的计算机体层摄影(“CT”)扫描仪能够提供有关解剖结构的大量详细成像数据。因此，从CT图像进行的早期肺结节非侵害检测具有很好的前景。
不过，虽然CT筛析提供了检测早期小结节的途径，但大量的CT数据暴露了现有自动结节检测方法的缺陷，即通常具有高假阳性率。假阳性率是自动结节检测的重要注意事项，因此，最好是降低自动肺结节检测的假阳性率。
概述
先有技术的这些和其它缺陷和缺点通过用于自动减少与气道相关联的假阳性结节候选者的一种系统和方法得到了解决，所述系统和方法包括接收结节候选者，测试连接到候选者的气道腔，并在该候选者连接到气道腔时将其识别为假阳性结节候选者；其中，测试可包括对与检查平面相对垂直的气道的垂直测试和对与检查平面相对平行的气道的平行测试。
结合附图，阅读以下示范实施例的说明，就可明白本发明的这些和其它方面、特征和优点。
附图简述
本发明公开内容论述了降低假阳性肺结节检测率的方式。
图1显示了根据本发明的说明性实施例，自动根据CT图像识别出支气管壁增厚的系统的方框图；
图2A和2B显示了两个典型的气道由于支气管壁增厚而导致假阳性结节的CT图像图示；
图3显示了扫描平面上气道外形的两个极端情况的示意图；
图4显示了相对于扫描平面的支气道方向图；
图5显示了根据本发明说明性实施例，自动根据CT图像识别假阳性结节的流程图；
图6显示了解剖气道特征的示意图；
图7显示了在气道方向上执行垂直测试的流程图；
图8显示了说明紧密度和面积测试的放大的原图像和经过阈值处理的图像；
图9显示了结合不确定垂直测试利用相邻脉管信息的流程图；
图10显示了说明平行测试中高置信度像素的剖面抽取和连接的示意图；
图11显示了确定平行气道整体置信度的流程图；
图12显示了执行平行测试以检测气道的流程图；以及
图13显示了在检查平面上检测气道的流程图。
优选实施例的详细说明
人们对根据计算机体层摄影(“CT”)图像进行自动化肺结节检测的兴趣日益增加，这要求降低自动检测方法的假阳性率。本公开内容论述了一种可通过识别经常导致结节检测中假阳性结果的支气管壁增厚，从而降低假阳性率的技术。
在自动化肺结节检测系统中，假阳性经常是由局部容积效应造成的支气管壁增厚所引起的。例如，Fan等人在“根据多薄片低剂量CT图像进行的肺结节自动检测”(Automatic Detection of Lung Nodulesfrom Multi-Slice Low-Dose CT Images)一文中指出，在112个自动检测的结节中，有41个假结节，其中，41个假阳性中16个明显与支气管壁增厚有关(Li Fan、Carol L.Novak、Jian-Zhong Qian、GerhardKohl and David P.Naidich，Proceedings of SPIE Medical Imaging2001，vol.4322，Part Three，2001，pp.1828-1835)。
因此，将支气管壁增厚检测技术结合到现有自动结节检测系统中可大大降低假阳性率。本公开内容论述了一种自动支气管壁增厚检测模块，它可作为假阳性过滤器与现有结节检测系统一起使用，以鉴别支气管壁增厚产生的结节候选者。
图1显示了根据本发明公开内容的说明性实施例，自动从CT图像检测肺结节的系统100的方框图。系统100包括至少一个与系统总线104进行信号通信的处理器或中央处理器(“CPU”)102。只读存储器(“ROM)106、随机存取存储器(“RAM”)108、显示适配器110、I/O适配器112和用户接口适配器114也与系统总线104进行信号通信。
显示单元116经显示适配器110与系统总线104进行信号通信。例如，诸如磁盘或光盘存储单元的盘存储单元经I/O适配器112与系统总线104进行通信。鼠标120、键盘122和眼球跟踪器124也经用户接口适配器114与系统总线104进行信号通信。鼠标120、键盘122和眼球跟踪器124用于辅助检测数字医学图像中的怀疑区域。
垂直测试单元170和平行测试单元180包括在系统100中，并且与CPU 102和系统总线104进行信号通信。虽然垂直测试单元170和平行测试单元180显示为连接到至少一个处理器或CPU 102，但这些组件最好包含在存储于存储器106、108和118其中至少之一的计算机程序代码中，而所述计算机程序代码由CPU 102执行。
系统100还可包括经用户接口适配器114与系统总线104进行信号通信的数字化器126，以将肺的CT图像数字化。或者，可省略数字化器126，在这种情况下，数字CT图像可经与系统总线104进行信号通信的通信适配器128或本领域技术人员理解的其它合适途径，从网络输入系统100。
根据本文的论述，相关领域的技术人员会认识到，可以有替代实施例，例如，如将一些或全部所述计算机程序代码包含在位于处理器芯片102的寄存器中。根据本公开内容的论述，在本发明公开内容的范围和精神内实践时，相关领域的技术人员会想到垂直测试单元170和平行测试单元180以及系统100的其它要素的各种替代配置和实现。
现在转到图2A和图2B，图中显示了两个因支气管壁增厚而引起假阳性结节的典型气道的CT图像。在自动化肺结节检测系统中，假阳性结果经常由局部容积效应造成的支气管壁增厚引起。
对于结节候选者，如果识别出气道腔与其连接，则随后可确定结果是否由支气管壁增厚引起，以便区别假阳性候选者与真正的结节候选者。因此，本公开内容论述了对连接到结节候选者的气道腔的检测。所述方法使用两种不同的方式来鉴别两种类型的支气道，这两种方式分别基于CT图像上显示的气道的几何特征和灰度级特征分析。在图2A中，可见一对紧密相关联的气道和脉管210连接到假阳性结节212，其中配对210垂直于检查平面或扫描平面(此处为页面的平面)。在图2B中显示了假阳性结节214，其气道216平行于扫描平面。在基于CT图像观察平面上显示的支气道相关几何特征自动识别两种类型支气道的系统和方法中，通过垂直测试和/或平行测试鉴别这些特征。
如图3所示，CT图像切片上显示了不同外形的管状支气道310和316，其外形随扫描平面与支气道之间的切角而定。图3中提供了两个极端情况：气道“B”310垂直于扫描平面，以及气道“B”316平行于扫描平面。大部分支气道显示在这两种极端情况之间的扫描平面上。根据切角，支气道分为两种类型。首先，如果支气道的轴方向接近扫描平面的垂直方向，则扫描平面上的外形是周围有气道壁的圆盘状或椭圆状。其次，如果支气道的轴方向接近于扫描平面的平行方向，则扫描平面上的外形是具有两个几乎平行的气道壁的带状。
现在返回图2A和2B，这两个图形提供了实际CT图像的两种类型的气道。在图2A中，配对210中支气道垂直或几乎垂直于扫描平面；而在图2中，支气道216平行或几乎平行于扫描平面。
现在转到图4，由于两种类型的支气道分别具有不同的几何特征，故采用两种不同的方式来检测两种类型的支气道。第一种方式称为垂直测试，利用从垂直气道获得的特征检测垂直于或几乎垂直于扫描平面400的支气道。类似地，第二种方式称为平行测试，识别平行或几乎平行的气道。图4显示了垂直测试的切角范围410和平行测试的切角范围416。
如图5所示，对每个结节候选者执行垂直和平行测试。例如，功能块510接收结节候选者，如通过共同待决代理人案号“脉管供给肺结节候选者生成”(Vessel-Feeding Pulmonary Nodule CandidateGeneration)一文中所述的方法产生的结节候选者。判定框512执行垂直测试以确定候选者是否只是相对垂直气道壁的一部分。如果测试结果为真，则在功能块514将候选者归类为由于支气管壁增厚引起的假阳性结节。如果判定框512的结果为否，则判定框516执行平行测试以确定候选者是否只是相对平行气道壁的一部分。如果此测试结果为真，则在功能块514将候选者标记为由于支气管壁增厚而引起的假阳性结节。如果判定框514的结果为否，则在功能块518将候选者归类为可能是真的结节。因此，如果垂直测试或平行测试得出此结节候选者在气道上的判定，则将候选者视为假阳性。
如图6所示，将气道的解剖特征用于测试。垂直测试利用以下解剖知识在感兴趣区域(“ROI”)中搜索相对垂直的气道：1)气道618内腔是CT图像中的暗区；2)CT图像中气道内腔周围有相对明亮的气道壁620；3)气道618和脉管616经常紧密相关且分支平行，而脉管616与气道618内腔和肺软组织622相比更明亮。例如，图2A显示了在实际CT图像中具有紧密相关气道和脉管的示范配对210。
现在转到图7，它更详细地说明了图5的垂直测试512。在功能块710接收结节候选者。根据检查的结节候选者位置，在功能块712为气道检测过程定义ROI。在功能块714，用预定阈值对ROI进行阈值处理，并且采用相连组件分析来获取气道候选者。判定框716将这些候选者的紧密度和面积与气道的启发值相比较。如果测试结果为假，则功能块718通常通过返回逻辑错误指示将候选者归类为未在气道上。如果框716的结果为真，则功能块720执行气道壁存在测试以划分候选者为气道壁组成部分的概率。如果概率很“低”，则控制传递给上述框718。如果概率很“高”，则控制传递给功能块722，由此功能块以返回逻辑真的形式将候选者归类为在气道上。但是，如果概率“居中”，则在判定框724执行附加的相邻脉管测试。如果框724检测到相邻脉管，则由上述框722将候选者归类为在气道上。如果框724未检测到相邻脉管，则由上述框718将候选者归类为未在气道上。这样，将最近脉管到可能的气道的距离结合起来用于最终判定结节候选者是否在与扫描平面相对垂直的气道上。
在上述垂直测试中，先选择预定义的全局阈值以分割出可能的气道三维像素。在X射线CT图像中，空气的Hounsfield数为-1000HU。为将局部容积效应纳入考虑，气道内腔的阈值在此示范实施例中约为-874HU，不过，在替代实施例中也可使用其它类似值。在经过阈值处理后，将相连组件分析用于获取主要由空气构成的区域，这些区域将成为气道区域候选者。
现在转到图8，将两个几何特征、即紧密度和面积用于垂直测试中检查气道区域候选者。此处，用-874HU的Tairway阈值对图像810进行阈值处理以生成经过阈值处理的图像812。结节候选者814在两个图像中均可找到。如果支气道垂直或几乎垂直于扫描平面，则其在扫描平面上的外形应为圆盘状或椭圆状。圆盘和椭圆均是高度紧密的形状。如果紧密度定义为(周长)2/面积，则圆盘和椭圆应具有相对小的紧密度数。如果暗区具有大的紧密度数，则很可能此区域是任意形状的肺软组织区域，或者是相对平行的气道区域。气道区域的面积限制在一定范围内以排除小面积随机噪声和大面积肺软组织区域。
此处，气道区域816高度紧密，具有满意的面积值。然而，为了断定气道区域816是真正的气道区域，则需要进一步的测试。
另一图像818经阈值处理后得到经阈值处理的图像820。图像818和820包括不同的结节候选者822，并且不存在相连的气道区域。因此，结节候选者822是真正的阳性结节候选者。
在紧密度和面积测试后，存在可能的气道区域。必须通过检查气道壁存在将真正的气道区域与可能的气道区域区分开来。气道区域应由明亮的气道壁包围。这意味着气道区域外部边界上的像素应具有高Hounsfield数。然而，前面步骤中视为结节候选者的支气管壁增厚的大多数支气道相对较小。因此，其壁可能由于局部容积效应而不一定完整。根据以下三个说明之一来标记壁存在的置信度：1)如果明亮像素数量与所有外部边界像素数量之比大于某一预定义的值，例如，80％，壁存在概率为“高”；2)如果暗淡像素数量与所有外部边界像素数量之比大于某一预定义的值，例如，50％，则壁存在概率为“低”；3)如果无法将壁存在概率标记为高或低，则壁存在概率为“居中”。
如果气道区域候选者的壁存在置信度为高或低，则在此步骤可判定它是否为气道区域。结节候选者814具有高置信度的相连的气道区域818。因此，候选者814是假阳性结节候选者。
如图9所示，如果壁存在测量结果为居中，则需要执行附加的相邻脉管测试以便做出好的判定。基于气道经常与相邻脉管一同存在的事实，系统检测ROI中的脉管，并计算脉管与气道候选者之间的距离，从而协助判定气道的存在。CT图像中脉管的Hounsfield数可近似为水的Hounsfied数，即0HU。因此，脉管区域相对于肺软组织应是明亮的。此外，脉管区域的面积最好是在选择的区域内以排除随机噪声和脉壁区域。
如果气道壁存在的证据不够强或不够弱到可以作出判定，则采用相邻脉管存在测试。CT图像中气道壁灰度级可以有很大的不同。因此，为了取得对噪声不敏感且稳健的结果，可通过组合气道壁存在的置信度数和相邻脉管存在的置信度数来做出判定。
因此，在流程图910中，根据边界像素平均灰度级，在乘法器914用加权系数α对灰度级置信度函数912进行缩放。在函数912中，G1和G2是气壁检测的灰度级阈值。在此示范实施例中G1和G2分别近似为224HU和424HU，但在替代实施例中也可使用其它类似值。基于最近脉管与气道候选者之间距离，在乘法器918用加权系数β对距离置信度函数916进行缩放。在函数916中，D1和D2是相邻脉管测试的阈值。在此示范实施例中D1和D2分别近似为2.0毫米和4.5毫米，但在替代实施例中也可使用其它类似值。求和节点920从乘法器914和918接收加权的置信度，并将原置信度提供给整体置信度函数922。判定框924接收整体置信度并确定它是否大于或等于阈值Tconf，该阈值在此示范实施例中近似为0.75，但在替代实施例中可使用其它类似值。如果整体置信度不小于Tconf，则功能块926确定候选者在气道上。如果整体置信度小于Tconf，则功能块928确定候选者不在气道上。
现在转到图10，平行测试中高置信度像素的剖面抽取和连接总体由图1010指示。为了检测平行气道，使用了脊检测器来计算到带有结节候选者1012的平行气道1014气道壁1016的垂直方向。然后，从脊检测器抽取平行于该方向的剖面。随后对该剖面进行分析以将平行壁存在置信度指定给剖面上气道状分段的中间像素。
如图11所示，平行气道壁置信度计算器1110具有第一灰度级置信度函数1112，用于确定第一气道壁部分的置信度和在乘法器1114用一定系数对结果加权。此加权系数在此示范实施例中约为0.5，但在替代实施例中可使用其它类似值。第二灰度级置信度函数1116确定第二气道壁部分的置信度，并且此结果在乘法器1118通过一个系数得到加权。此加权系数在此示范实施例中近似为0.5，但在替代实施例中也可使用其它类似值。求和函数1120接收乘法器1114和1118的乘积，并将和提供给整体置信度函数1122，以确定气道壁对的整个置信度。
现在转到图12，气道检测的平行测试流程图1210包括用于接收最好是自动检测的结节候选者的功能块1212，它向功能块1214提供信息。功能块1214通过脊检测器计算剖面方向，然后向功能块1216提供信息。功能块1216分析剖面并为每个可能气道剖面的中间像素指定置信度数。功能块1218在功能块1216之后，连接容差范围内的高置信度像素，然后向判决块1220提供信息。判决块1220将连接像素的数量与阈值Nconn进行比较。如果连接像素的数量小于Nconn，则功能块1222确定像素不在气道上。如果连接像素的数量大于或等于Nconn，则判决块1224将连接像素的平均置信度与阈值Tconf进行比较。如果平均置信度小于Tconf，则功能块1222确定像素不在气道上。如果平均置信度不小于Tconf，则功能块1226确定像素在气道上。
因此，可从剖面上暗块两端的灰度级值计算得出平行壁存在置信度。在置信度数计算后，将具有高置信度数的像素连接成连续的线或具有一定容差的曲线，并且判定结节候选者是否在平行气道上。
如图13所示，气道测试可在不同的观察平面上执行。流程图1310在不同螺旋面、径向面和冠状面上检测结节候选者气道。功能块1312最好从自动检测器接收结节候选者，并将控制传递给判定块1314。判定块1314通过垂直和平行测试检测所有螺旋面上的气道，并在检测到对应的气道时将控制传递给功能块1316。功能块1316确定结节候选者是否为由于支气道壁增厚引起的假结节。如果判定块1314未检测到气道，则它将控制传递给判定块1318，由判定块1318使用垂直和平行测试在径向面上检测气道。如果判定块1318检测到气道，则如上所述，它将控制传递给功能块1316。然而，如果它未检测到气道，则它将控制传递给判定块1320以在冠状面上检测气道。如果判定块1320检测到气道，则如上所述，它将控制传递给功能块1316。如果判定块1320未检测到气道，则它将控制传递给功能块1322，由功能块1322根据支气管壁增厚检测确定将结节候选者视为真正的结节候选者。
因此，如果只在横向扫描平面上看到支气道，则其灰度级或几何特征在某些情况下可能不够好得足以通过垂直测试或平行测试将其识别。然而，如果用不同角度旋转横平面，或者在径向面或冠状面上查看支气道，则在一些观察平面上进行的垂直测试或平行测试应更容易捕捉到气道。对于除横向切片外的不同观察平面，由于X、Y和Z方向上的各向异性和内插引入的假像，最好是在垂直或平行测试中使用更严格的约束来识别气道。
如果垂直或平行测试确定结节候选者在任一观察平面的气道上，则将结节候选者视为由支气管壁增厚、痰或在气道分叉点聚积的污物引起的假阳性。
此系统的最终输出可以通过以下任一方式在显示装置上直接提供给内科医生：直观标记假阳性肺结节；将检测到的假阳性列表提供给CAD(计算机辅助诊断)系统以自动删除假阳性者，从而提高此类CAD系统的整体诊断精度；或者将更新的真正候选者列表提供给结节检测系统，如共同待决代理人案号2001P22990US(8706-542)“通过容积投影分析进行的脉管供给肺结节检测”(Vessel-FeedingPulmonary Nodule Detection by Volume Projection Analysis)中所述的一种系统。
在操作中，本公开内容论述了根据CT图像自动过滤由支气管壁增厚及相关现象引起的假阳性结节候选者，以使放射科医生和内科医生免于读取大量假阳性结节候选者的沉重负担。本公开内容的优点是在保持低假阳性率的同时实现对肺结节的敏感检测。通常，肺结节在切片图像中显示为几乎是圆形的不透明体，类似于脉管的横截面。因此，许多现有识别方法具有高假阳性率。本公开通过检测气道及其相关联的假阳性结节候选者解决了此问题。应理解，虽然参照CT成像描述了示范实施例，但本发明公开内容还适用于其它类型的成像，例如，如磁共振成像(“MRI)。
可以理解，本发明公开内容的论述可以不同形式的硬件、软件、固件、专用处理器及其组合来实现。最好是将本发明公开内容的论述实现为硬件与软件的组合。此外，软件最好实现为包含于程序存储单元中的应用软件。应用软件可以上载到包括任何合适体系结构的机器并由其执行。所述机器最好实现于具有诸如一个或多个中央处理器(“CPU”)、随机存取存储器(“RAM”)及输入/输出(“I/O)接口的的计算机平台上。计算机平台还可以包括操作系统和微指令代码。本文所述的各种过程和功能可以是通过操作系统执行的微指令代码的一部分或应用程序的一部分或其任意组合。另外，各种其它外围单元可连接到计算机平台，如附加的数据存储单元和打印单元。
还可理解，由于附图中所示的一些系统组件和方法功能块最好用软件实现，因此，视本发明公开的编程方式而定，系统组件或进程功能块之间的实际连接可以不同。根据本文的论述，相关领域的技术人员能够想到本发明公开内容的这些和类似的实现方案或配置。
虽然本文参照附图描述了说明性实施例，但可理解，本发明公开内容不限于那些具体的实施例，且相关领域的技术人员在不脱离本发明公开内容的范围或精神的情况下，可进行各种变更和修改。旨在将所有此类变更和修改包括在所附权利要求书中陈述的本发明公开内容的范围内。

Claims (34)

1.一种用于自动减少与气道相关联的假阳性结节候选者的方法，所述方法包括：
接收结节候选者；
测试连接到所述候选者的气道腔；以及
如果所述候选者连接到气道腔，则将其识别为假阳性结节候选者。
2.如权利要求1所述的方法，其特征在于，所述测试包括：
对与检查平面相对垂直的气道的垂直测试；以及
对与检查平面相对平行的气道的平行测试。
3.如权利要求2所述的方法，其特征在于，所述查检平面是观察平面，包括螺旋面、径向面或冠状面之一。
4.如权利要求2所述的方法，其特征在于，所述垂直测试包括：
定义包括所述结节候选者的感兴趣区域；
对所述感兴趣区域内的像素进行阈值处理；
连接与可能的气道腔对应的所述经过阈值处理的像素；以及
对所述可能的气道腔执行紧密度和面积测试，如果未检测到具有足够紧密度和面积的气道，则将所述候选者归类为真。
5.如权利要求4所述的方法，其特征在于，对于计算机体层摄影图像，气道内腔的所述阈值大约为-874HU。
6.如权利要求4所述的方法，其特征在于，所述垂直测试还包括：
对具有足够紧密度和面积的可能气道腔执行气道壁存在测试；以及
如果所述气道壁的存在概率低，则将所述候选者归类为真，或者如果所述存在概率高，则归类为假。
7.如权利要求6所述的方法，其特征在于：
如果气道壁像素数量与所有外部边界像素数量之比大于80％，则所述概率为高；以及
如果气道壁像素数量与所有外部边界像素数量之比大于50％，则所述概率为低。
8.如权利要求6所述的方法，其特征在于，所述气道壁存在测试包括为计算机体层摄影图像检查灰度级介于大约224HU与424HU之间的像素。
9.如权利要求6所述的方法，其特征在于所述垂直测试还包括：
对气道壁存在概率居中的可能气道腔执行相邻脉管测试；以及
如果未检测到相邻脉管，则将所述候选者归类为真，或者如果检测到相邻脉管，则归类为假。
10.如权利要求9所述的方法，其特征在于，所述相邻脉管测试包括测量脉管与所述可能气道腔之间的距离。
11.如权利要求9所述的方法，其特征在于，所述相邻脉管测试包括从所述可能气道腔检查介于大约2.5毫米与4.5毫米之间的相邻脉管。
12.如权利要求2所述的方法，其特征在于，所述平行测试包括：
通过脊检测确定剖面方向；
为每个可能气道剖面的所述居中像素指定置信度数；
连接具有高置信度数的像素，如果所述连接像素数量小于阈值，则判定所述候选者不在气道上；
计算所述连接像素的平均置信度，以在所述连接像素的平均置信度小于阈值时判定所述候选者不在气道上，或者在所述连接像素的所述平均置信度不小于阈值时，判定所述候选者在气道上。
13.如权利要求12所述的方法，其特征在于，所述平均置信度的所述阈值为大约75％。
14.如权利要求1所述的方法，其特征在于，所述测试包括：
测试所有螺旋面以检测气道；
测试径向面以检测气道；以及
测试冠状面以检测气道。
15.一种用于自动减少与气道相关联的假阳性结节候选者的系统，所述系统包括：
用于检测对与检查平面相对垂直的气道的垂直测试单元(170)；以及
与所术垂直测试单元(170)进行信号通信，以检测与检查平面相对平行的气道的平行测试单元(180)。
16.如权利要求15所述的系统(100)，其特征在于，计算机体层摄影图像包括所述结节候选者。
17.如权利要求15所述的系统(100)，其特征在于，磁共振图像包括所述结节候选者。
18.如权利要求15所述的系统(100)，其特征在于，肺容积包括所述结节候选者。
19.如权利要求15所述的系统(100)，其特征在于还包括：
与所述垂直测试单元(170)进行信号通信，以检测与检查平面相对垂直的气道的CPU(102)。
20.如权利要求19所述的系统(100)，其特征在于还包括：
与所述CPU(102)进行信号通信，以显示结节候选者的显示适配器(110)；以及
与所述垂直测试单元(170)进行信号通信，以再调用另一结节候选者的I/O适配器(112)。
21.一种用于自动减少与气道相关联的假阳性结节候选者的系统，所述系统包括：
接收结节候选者的装置；
测试连接到所述候选者的气道腔的装置；以及
如果所述候选者连接到气道腔，则将其识别为假阳性结节候选者的装置。
22.如权利要求21所述的系统，其特征在于，所述测试装置包括：
用于对与检查平面相对垂直的气道执行垂直测试的装置；以及
用于对与检查平面相对平行的气道执行平行测试的装置。
23.如权利要求22所述的系统，其特征在于，执行垂直测试的所述装置包括：
定义包括所述结节候选者的感兴趣区域的装置；
对所述感兴趣区域内的像素作阈值处理的的装置；
连接对应于可能气道腔的所述经过阈值处理的像素的装置；以及
对所述可能气道腔执行紧密度和面积测试的装置以及未检测具有足够紧密度和面积的气道时将所述候选者归类为真的装置。
24.如权利要求23定义的系统，其特征在于，执行垂直测试的所述装置还包括：
对具有足够紧密度和面积的可能气道腔执行气道壁存在测试的装置；以及
如果所述气道壁的存在概率低，则将所述候选者归类为真或者如果所述存在概率高，则归类为假的装置。
25.如权利要求24所述的系统，其特征在于，执行垂直测试的所述装置还包括：
对气道壁存在概率居中的可能气道腔执行相邻脉管测试的装置；以及
如果未检测到相邻脉管，则将所述候选者归类为真或者如果检测到相邻脉管，则归类为假的装置。
26.如权利要求22所述的系统，其特征在于，执行平行测试的所述装置包括：
通过脊检测确定剖面方向的装置；
为每个可能气道剖面的所述居中像素指定置信度数的装置；
连接具有高置信度数的像素并在所述连接像素数量小于阈值时判定所述候选者不在气道上的装置；
计算所述连接像素的平均置信度，以在所述连接像素的所述平均置信度小于阈值时判定所述候选者不在气道上，或者在所述连接像素的所述平均置信度不小于阈值时判定所述候选者在气道上的装置。
27.如权利要求21所述的系统，其特征在于，执行测试的所述装置包括：
测试所有螺旋面以检测气道的装置；
测试径向面以检测气道的装置；以及
测试冠状面以检测气道的装置。
28.一种机器可读的程序存储装置，其中包含可由所述机器执行的指令程序以执行自动减少与气道相关联的假阳性结节候选者的方法步骤，所述方法步骤包括：
接收结节候选者；
测试连接到所述候选者的气道腔；以及
如果所述候选者连接到气道腔，则将其识别为假阳性结节候选者。
29.如权利要求28所述的程序存储装置，其特征在于，所述测试包括：
对与检查平面相对垂直的气道的垂直测试；以及
对与检查平面相对平行的气道的平行测试。
30.如权利要求29所述的程序存储装置，其特征在于，所述垂直测试包括：
定义包括所述结节候选者的感兴趣区域；
对所述感兴趣区域内的像素进行阈值处理；
连接与可能的气道腔对应的所述经过阈值处理的像素；以及
对所述可能的气道腔执行紧密度和面积测试，如果未检测到具有足够紧密度和面积的气道，则将所述候选者归类为真。
31.如权利要求30所述的程序存储装置，其特征在于，所述垂直测试还包括：
对具有足够紧密度和面积的可能气道腔执行气道壁存在测试；以及
如果所述气道壁的存在概率低，则将所述候选者归类为真，或者如果所述存在概率高，则归类为假。
32.如权利要求31所述的程序存储装置，其特征在于，所述垂直测试还包括：
对气道壁存在概率居中的可能气道腔执行相邻脉管测试；以及
如果未检测到相邻脉管，则将所述候选者归类为真，或者如果检测到相邻脉管，则归类为假。
33.如权利要求29所述的程序存储装置，其特征在于，所述平行测试包括：
通过脊检测确定剖面方向；
为每个可能气道剖面的所述居中像素指定置信度数；
连接具有高置信度数的像素，如果所述连接像素数量小于阈值，则判定所述候选者不在气道上；
计算所述连接像素的平均置信度，以在所述连接像素的所述平均置信度小于阈值时判定所述候选者不在气道上，或者在所述连接像素的所述平均置信度不小于阈值时，判定所述候选者在气道上。
34.如权利要求28所述的程序存储装置，其特征在于，所述测试包括：
测试所有螺旋面以检测气道；
测试径向面以检测气道；以及
测试冠状面以检测气道。
CN03802811.5A 2002-01-29 2003-01-21 降低肺结节检测中假阳性率的支气管壁增厚识别 Pending CN1623160A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/059,848 US7203349B2 (en) 2002-01-29 2002-01-29 Bronchial wall thickening recognition for reduced false-positives in pulmonary nodule detection
US10/059,848 2002-01-29

Publications (1)

Publication Number Publication Date
CN1623160A true CN1623160A (zh) 2005-06-01

Family

ID=27609907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN03802811.5A Pending CN1623160A (zh) 2002-01-29 2003-01-21 降低肺结节检测中假阳性率的支气管壁增厚识别

Country Status (6)

Country Link
US (1) US7203349B2 (zh)
JP (1) JP2005515874A (zh)
CN (1) CN1623160A (zh)
AU (1) AU2003205257A1 (zh)
DE (1) DE10392245T5 (zh)
WO (1) WO2003065280A2 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7116810B2 (en) * 2002-11-27 2006-10-03 General Electric Company Method and system for airway measurement
US7596267B2 (en) * 2003-02-28 2009-09-29 Cedara Software Corp. Image region segmentation system and method
KR100503424B1 (ko) * 2003-09-18 2005-07-22 한국전자통신연구원 다중단면 전산화단층촬영 영상을 이용한 폐결절 자동 검출방법 및 이를 기록한 기록매체
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
CN101443813B (zh) * 2006-05-17 2012-07-04 皇家飞利浦电子股份有限公司 输出造影增强的医学图像数据的计算机程序
JP5952996B2 (ja) * 2006-12-19 2016-07-13 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 医用撮像データ内で可能性あるコンピュータ検出偽陽性を指し示す装置及び方法
WO2009102930A2 (en) * 2008-02-13 2009-08-20 Kitware, Inc. Method and system for measuring tissue damage and disease risk
WO2011008906A1 (en) * 2009-07-15 2011-01-20 Mayo Foundation For Medical Education And Research Computer-aided detection (cad) of intracranial aneurysms
CN102893294A (zh) 2010-04-30 2013-01-23 沃康普公司 概率密度函数估计器
US8675933B2 (en) 2010-04-30 2014-03-18 Vucomp, Inc. Breast segmentation in radiographic images
US9256799B2 (en) 2010-07-07 2016-02-09 Vucomp, Inc. Marking system for computer-aided detection of breast abnormalities
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
US20170103528A1 (en) * 2014-05-29 2017-04-13 Ohio State Innovation Foundation Volumetric texture score

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5920319A (en) * 1994-10-27 1999-07-06 Wake Forest University Automatic analysis in virtual endoscopy
US5782762A (en) * 1994-10-27 1998-07-21 Wake Forest University Method and system for producing interactive, three-dimensional renderings of selected body organs having hollow lumens to enable simulated movement through the lumen
US6141437A (en) * 1995-11-22 2000-10-31 Arch Development Corporation CAD method, computer and storage medium for automated detection of lung nodules in digital chest images
US6549646B1 (en) * 2000-02-15 2003-04-15 Deus Technologies, Llc Divide-and-conquer method and system for the detection of lung nodule in radiological images
US7043064B2 (en) * 2001-05-04 2006-05-09 The Board Of Trustees Of The Leland Stanford Junior University Method for characterizing shapes in medical images
AU2002341671A1 (en) * 2001-09-14 2003-04-01 Cornell Research Foundation, Inc. System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans
US20030105395A1 (en) * 2001-12-05 2003-06-05 Li Fan Vessel-feeding pulmonary nodule candidate generation

Also Published As

Publication number Publication date
JP2005515874A (ja) 2005-06-02
US7203349B2 (en) 2007-04-10
AU2003205257A1 (en) 2003-09-02
WO2003065280A2 (en) 2003-08-07
DE10392245T5 (de) 2005-03-10
US20030144598A1 (en) 2003-07-31
WO2003065280A3 (en) 2004-03-25

Similar Documents

Publication Publication Date Title
Christe et al. Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images
Yang et al. Deep learning for detecting corona virus disease 2019 (COVID-19) on high-resolution computed tomography: a pilot study
Fuhrman et al. A review of explainable and interpretable AI with applications in COVID‐19 imaging
Keidar et al. COVID-19 classification of X-ray images using deep neural networks
Perez‐Rovira et al. Automatic airway–artery analysis on lung CT to quantify airway wall thickening and bronchiectasis
Park et al. Texture-based quantification of pulmonary emphysema on high-resolution computed tomography: comparison with density-based quantification and correlation with pulmonary function test
Hryniewska et al. Checklist for responsible deep learning modeling of medical images based on COVID-19 detection studies
Maleki et al. Generalizability of machine learning models: quantitative evaluation of three methodological pitfalls
Lin et al. Radiomics model of contrast‐enhanced MRI for early prediction of acute pancreatitis severity
CN1685354A (zh) 用于计算机辅助检测提示阅读医疗图像的方法和系统
CN111340827A (zh) 一种肺部ct影像数据处理分析方法及系统
CN1623160A (zh) 降低肺结节检测中假阳性率的支气管壁增厚识别
JPH08335271A (ja) 画像診断支援装置の画像処理方法
Chen et al. Radiomic features at CT can distinguish pancreatic cancer from noncancerous pancreas
US20200410670A1 (en) Fissurenet: A Deep Learning Approach for Pulmonary Fissure Detection in CT Images
Barbosa Jr et al. Automated detection and quantification of COVID-19 airspace disease on chest radiographs: a novel approach achieving expert radiologist-level performance using a deep convolutional neural network trained on digital reconstructed radiographs from computed tomography-derived ground truth
Peng et al. Repeatability and reproducibility of computed tomography radiomics for pulmonary nodules: a multicenter phantom study
Weikert et al. Prediction of patient management in COVID-19 using deep learning-based fully automated extraction of cardiothoracic CT metrics and laboratory findings
US20030103663A1 (en) Computerized scheme for distinguishing between benign and malignant nodules in thoracic computed tomography scans by use of similar images
US20070223807A1 (en) Medical imaging visibility index system and method for cancer lesions
CN111028940B (zh) 肺结节多尺度检测方法、装置、设备及介质
Xu et al. [Retracted] Severity Assessment of COVID‐19 Using a CT‐Based Radiomics Model
Sahiner et al. Joint two‐view information for computerized detection of microcalcifications on mammograms
Wu et al. An integrated nomogram combined semantic-radiomic features to predict invasive pulmonary adenocarcinomas in subjects with persistent subsolid nodules
Ajmera et al. A deep learning approach for automated diagnosis of pulmonary embolism on computed tomographic pulmonary angiography

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