CN1670769A - 计算机辅助定位目标的方法和系统 - Google Patents

计算机辅助定位目标的方法和系统 Download PDF

Info

Publication number
CN1670769A
CN1670769A CNA2004101038676A CN200410103867A CN1670769A CN 1670769 A CN1670769 A CN 1670769A CN A2004101038676 A CNA2004101038676 A CN A2004101038676A CN 200410103867 A CN200410103867 A CN 200410103867A CN 1670769 A CN1670769 A CN 1670769A
Authority
CN
China
Prior art keywords
image
data
cad algorithm
cad
resolution
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
CNA2004101038676A
Other languages
English (en)
Inventor
K·L·卡劳
S·A·西罗黑
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.)
GE Medical Systems Global Technology Co LLC
Original Assignee
GE Medical Systems Global Technology Co LLC
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 GE Medical Systems Global Technology Co LLC filed Critical GE Medical Systems Global Technology Co LLC
Publication of CN1670769A publication Critical patent/CN1670769A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
    • A61B6/4085—Cone-beams
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • Y10S345/00—Computer graphics processing and selective visual display systems
    • Y10S345/903—Modular display
    • 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
    • Y10S378/00—X-ray or gamma ray systems or devices
    • Y10S378/901—Computer tomography program or processor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pulmonology (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Processing Or Creating Images (AREA)

Abstract

一种用于在成像系统(10)上获取图像的方法，包括从第一成像系统存取至少第一图像数据，根据CAD算法(104)处理所述第一图像数据，根据CAD算法的结果获取至少第二图像数据，以及根据CAD算法处理第二图像数据，以确认关于第一图像数据的CAD算法的结果。

Description

计算机辅助定位目标的方法和系统
技术领域
本发明通常涉及成像过程，并且尤其涉及用于通过使用计算机辅助处理技术来提高计算机辅助检测或诊断的方法和装置。
背景技术
计算机辅助诊断(CAD)，例如筛选性乳房造影术和对其它疾病状态或医学或生理学事件的评估，典型地基于所采集的一系列图像的各种类型的分析。通过使用由CAD算法高亮显示的病变来分析所采集的图像。所得结果通常由放射医师观察得出最后的诊断结果。本领域技术人员能够理解，由于数据量管理的改进，某些随后的成像过程可以变得可行，或者可能认为是想要的。
应当注意，CAD可以用于任何成像模式，例如计算机断层成像(CT)、磁共振成像(MRI)、X射线系统、超声系统、正电子发射断层成像(PET)等。在这些模式中的一些模式中，CAD算法可以提供优于其它模式的优点，这取决于该模式的成像能力、被成像的组织等。例如，计算机断层成像通常是一种诊断过程，其中X射线系统形成横断面图像或片层。CT扫描过程将计算机系统和旋转X射线装置结合使用以生成病人器官或其它身体部位的详细的横断面图像或“片层”。该成像能力在物理上与X射线系统的成像能力相似。MRI、超声、PET和其它类似模式适于对特定组织或解剖位置成像，并对它们产生图像所使用的不同CAD算法提供了优点。
每种成像模式都基于独特的物理和图像处理技术。例如，CT系统测量从多个角度穿过病人的X射线束的衰减，然后，根据这些测量，计算机能够重建导致放射性衰减的病人身体部分的图像。本领域技术人员将会理解，这些图像基于一系列连续横断面的单独检查。因此，可以通过CT检查产生虚拟三维图像。应当指出的是，CT系统并不是真正地直接提供图像，而是提供了组织密度的数值。根据重建数据的图像典型地显示在阴极射线管上，并可以打印或复制在胶片上。
继续以CT成像为例，CT扫描器通过从X射线源发射扇形X射线束进行操作，所述X射线束被准直并通过对象，例如病人，然后由检测器元件检测。数据随后用来产生有用的图像。由此，检测器元件根据X射线束的衰减产生数据，并且由计算机分析来处理数据。然后，病变的位置可以用CAD算法高亮显示，并且因此引起观察人员的注意。进行最终诊断的放射医师或其它医生然后可以查看得到的结果。
对于特定类型的疾病或生理状况的检测，每种成像模式都可以提供优于其它模式的独特的优点。例如，CT扫描在诊断疾病方面提供了优于其它类型技术的优点，尤其因为它说明了身体任一片层的器官、软组织和骨的形状和准确位置。进一步地，CT扫描可以帮助医生区分例如单纯囊肿和实性肿瘤，并因此能够更准确地评估异常。如上所述，其它成像模式都同样最适合对其它感兴趣的生理特征成像和相应的CAD算法。
现有技术中的计算机诊断生理特征具有一些缺点。例如，CAD分析的输出通常是客观的、交互式的、需要由有经验的医生评估和评价。由于时间的约束和这种人员的可获得性，病人经常需要报告某种类型的检查，根据对CAD分析的查看，在适当的时候，需要制订进一步检查计划。也就是说，为了正确地评估和诊断可能的情况，病人必须经常回来用同样或不同模式的成像系统进行额外的检测。所产生的这种过程不但对于病人和医生是耗时的，而且最终导致整个过程延长了相当长的时间。为后来成像进行额外的安排也会对于病人、医院和诊所以及保险机构造成相当大的花费。
例如，薄片层、高分辨率、CT(HRCT)扫描器技术产生大量轴向和体积数据，这些数据需要放射医生花费相当多的时间查看。这种需要放射医生花费更多的时间的要求可能减少他或她每天能够完成的检查量。另外，放射医生负有对HRCT图像中所呈现的大量信息的高度敏感性的职责可能令人感到威胁，甚至可能使首先进行筛选(或随后的治疗)研究的放射医生失去信心。对这种数据爆炸和病人管理的解决方法是对图像体积内感兴趣特征(FOI)的计算机辅助检测(CAD)。作为第二查看者(对初始的放射医师查看作补充)，CAD通过设置标记向放射医师提供帮助，所述标记设置在CT图像上的灰度级出乎意料的位置、灰度级匹配一种独特模式的位置、或未出现健康个体中典型地应当具有灰度级的位置。
无论FOI是由CAD系统还是由放射医师(或二者的结合)来检测，对该特征的包含信息的临床管理的关键步骤在于正确的分割(从其它解剖或病理结构)和定量(体积的、密度的、功能的、几何学的等等)。因为诸如高级肺分析(ALA)之类的应用程序的发布，所以已经得知准确地确定小对象的体积尺寸的能力取决于用于产生图像体积的扫描采集和重建的变量。由于多片层CT扫描器采集固有的部分体积效应、病人的运动和误校准，在对小特征进行分割和定尺寸时可能引入相当大的可变性。因此，最好以一个小的显示视场和最佳重建参数进行目标重建，以从所检测的FOI中捕获最多的细节。遗憾的是，在放射医师在典型的筛选检查中察看(和检测)FOI时，原始的投影(扫描)数据已被从CT控制台中覆盖或除去，并且因此投影数据的回顾性采集不再是可以选择的。另外，有时CAD分析导致假阳性。
发明内容
在一个方面，提供了一种用于在成像系统上获取图像的方法。所述方法包括：从第一成像系统存取至少第一图像数据，按照CAD算法处理第一图像数据，根据CAD算法的结果获取至少第二图像数据，并根据CAD算法处理第二图像数据以确认关于第一图像数据的CAD算法的结果。
在另一方面，提供了一种用于在成像系统上获取图像的方法。所述方法包括：在进行任何图像数据获取操作前接收检查类型的指示，从第一成像系统存取至少第一图像数据，按照CAD算法处理第一图像数据，根据CAD算法的结果获取至少第二图像数据，以及在不需要操作者干预的情况下根据接收到的检查类型对第二图像数据进行后处理。
在又一方面，提供了一种用于在成像系统上获取图像的方法。所述方法包括：使用第一扫描指示从第一成像系统存取至少第一图像数据，按照CAD算法处理第一图像数据，提示用户根据CAD算法的结果指定不同于第一扫描指示的第二扫描指示，以及使用第二扫描指示获取至少第二图像数据。
在又一方面，提供了一种用于双分辨率图像数据的无缝显示和分析的方法。所述方法包括：以低分辨率观察图像数据，对低分辨率数据中的至少一个感兴趣特征进行体积分析，在无需操作者干预的情况下用高分辨率图像数据取代已分析过的低分辨率数据，以及在单独的显示器中显示低分辨率数据的体积再现和高分辨率数据的分析结果。
在一个方面，成像系统包括设置为获取医学图像的第一图像数据采集系统，以及连接到图像数据采集系统的计算机，其设置为从由采集系统获取的图像数据生成第一图像系列，并通过CAD算法处理图像系列，根据CAD算法的结果指示第二图像系列的采集，并通过CAD算法处理第二图像系列，以确认关于第一图像系列的CAD算法的结果。
在另一方面，提供了一种用于获取医学图像数据的计算机程序。该程序包括一种机器可读介质，以及存储在所述介质上并包括例行程序的计算机程序，所述例行程序用于：在进行任何图像数据采集操作前接收检查类型的指示，从第一成像系统获取第一图像系列，按照CAD算法处理第一图像系列，根据CAD算法的结果获取第二图像系列，以及在不需要操作者干预的情况下根据接收到的检查类型对第二图像系列进行后处理。
在另一方面，提供了一种用于获取医学图像数据的计算机程序。该程序包括一种机器可读的介质，以及存储在所述介质上并包括例行程序的计算机程序，所述例行程序用于：接收低分辨率图像数据，对低分辨率数据中的至少一个感兴趣特征进行体积分析，无需操作者干预而用高分辨率图像数据取代已分析过的低分辨率数据，以及在单独的显示器中显示低分辨率数据的体积再现和高分辨率数据的分析结果。
在又一方面，一种成像系统包括设置为获取医学图像的第一图像数据采集系统，以及连接到图像数据采集系统上的计算机。所述计算机设置为接收低分辨率图像数据，对低分辨率数据中的至少一个感兴趣特征进行体积分析，无需操作者干预用高分辨率图像数据取代已分析过的低分辨率数据，以及在单独的显示器中显示低分辨率数据的体积再现和高分辨率数据的分析结果。
附图说明
图1是CT成像系统的示图。
图2是图1中描述的系统的示意性框图。
图3是说明一种检测成像数据中可疑区域的方法的流程图。
具体实施方式
在一些已知的CT成像系统结构中，X射线源发射扇形束，该扇形束被准直以位于笛卡儿坐标系的X-Y平面内，该平面通常称为“成像平面”。X射线束穿过成像对象，例如病人。射线束在经对象衰减后射到辐射检测器的阵列上。在检测器阵列上接收到的衰减后的辐射束强度取决于对象对X射线束的衰减。阵列的每个检测器元件产生独立的电信号，该电信号是在检测器位置处的所述束强度的测量值。分别采集来自所有检测器的所述强度测量值以生成传输剖面图。
在第三代CT系统中，X射线源和检测器阵列与台架一起围绕着成像对象在成像平面内旋转，使得X射线束横切对象的角度不断变化。来自在一个台架角度的检测器阵列的一组X射线衰减测量值(即投影数据)，称为“视图”。对象的一次“扫描”包括在X射线源和检测器的一次旋转期间内，在不同台架角度或视角产生的一组视图。
在轴向扫描中，投影数据被处理以构建对应于取自对象的二维片层的图像。一种用于从一组投影数据中重建图像的方法在本领域中称为滤波反投影技术。这种过程将来自扫描的衰减测量值转换成称为“CT数”或“Hounsfield单位”(HU)的整数，其用来控制阴极射线管显示器上的对应象素的亮度。
为了减少总扫描时间，可以进行“螺旋”扫描。为了执行“螺旋”扫描，要在采集指定数目的片层数据时移动病人。这种系统从扇束螺旋扫描中生成单个螺旋线。由扇束绘出的该螺旋线产生从中重建每个指定片层中的图像的投影数据。
螺旋扫描重建算法典型地使用螺旋加权算法，该算法将采集的数据加权为视角和检测器通道索引的函数。具体地，在滤波反投影过程之前，数据根据螺旋权重因子进行加权，该加权因子是台架角度和检测器角度的函数。随后，对加权后的数据进行处理以生成CT数值，并构建对应于取自对象的二维片层的图像。
为了进一步减少总采集时间，引入了多片层CT。在多片层CT中，在任意时刻都能够同时采集多行投影数据。当与螺旋扫描模式结合时，系统产生锥束投影数据的单个螺旋线。与单个片层螺旋类似，通过加权方案，可以导出一种在滤波反投影算法之前用投影数据乘以权重的方法。
如在此所使用的，以单数表示的一个元件或步骤以及前置词“一”或“一个”应当理解为不排除多个所述元件或步骤，除非这种排除已经被明确陈述。而且提及本发明的“一个实施例”并不意图解释为排除其他也结合所记载特征的实施例的存在。
如在此所使用的，短语“重建图像”不意味着排除在其中产生了代表图像的数据但没有产生可视图像的本发明的实施例。不过，许多实施例产生(或设置为产生)至少一幅可视图像。
参考图1和2，示出为包括代表“第三代”CT成像系统的台架12的多片层扫描成像系统，例如计算机断层(CT)成像系统10。台架12具有X射线管14(在此也称为X射线源14)，它将一束X射线16向台架12相对侧上的检测器阵列18投射。检测器阵列18由包括多个检测器元件20的多个检测器行(未示出)形成，这些检测器元件一起检测穿过对象的投射X射线，所述对象例如位于阵列18和源14之间的内科病人22。每个检测器元件20产生表示碰撞X射线束的强度的电信号，并由此可以用来估计当其穿过对象或病人22时射线束的衰减。在采集X射线投影数据的扫描期间，台架12和安装在其上的部件绕着旋转中心24旋转。图2仅显示了单行的检测器元件20(即一个检测器行)。不过，多片层检测器阵列18包括多个平行的由检测器元件20组成的检测器行，使得在扫描期间能够同时获取对应于多个近似平行或平行的片层的投影数据。
台架12上部件的旋转和X射线源14的操作由CT系统10的控制机构26来控制。控制机构26包括X射线控制器28和台架马达控制器30，X射线控制器28向X射线源14提供能量和定时信号，台架马达控制器30控制台架12上部件的旋转速度和位置。控制机构26中的数据采集系统(DAS)32从检测器元件20采样模拟数据并将该数据转换为数字信号以用于后续处理。数据重建器34接收来自DAS 32的经采样和数字化的X射线数据，并执行高速图像重建。重建后的图像作为输入施加到计算机36，其将所述图像存储在存储装置38中。图像重建器34可以是专用硬件或是在计算机36上执行的计算机程序。
计算机36也通过具有键盘或其他输入设备的控制台40(操作员工作站)接收来自操作者的命令和扫描参数。相关的阴极射线管显示器42允许操作者观察来自计算机36的重建图像和其他数据。计算机36使用由操作者提供的命令和参数向DAS 32、X射线控制器28和台架马达控制器30提供控制信号和信息。另外，计算机36操作工作台马达控制器44，它控制由机动的工作台46将病人22定位在台架12中。特别地，工作台46使病人22的部分移动通过台架开口48。
在一个实施例中，计算机36包括装置50，例如软盘驱动器、CD-ROM驱动器、DVD驱动器、磁光盘(MOD)装置、或其他任何数字装置，包括例如以太网装置的网络连接装置，用于从计算机可读介质52中读取指令和/或数据，其中所述计算机可读介质52例如是软盘、CD-ROM、DVD或另一种诸如网络或因特网的数字源、以及仍在开发的数字装置。在另一个实施例中，计算机36执行存储在固件(未示出)中的指令。计算机36被编程以执行上述功能，并且如这里所使用的，术语计算机不局限于仅指本领域中称为计算机的集成电路，而是广泛地指计算机、处理器、微控制器、微型计算机、可编程逻辑控制器、专用集成电路和其他可编程电路，并且这些术语在这里可互换地使用。虽然上面提到的特定实施例是指第三代CT系统，但这里所描述的方法同样适用于第四代CT系统(固定检测器-旋转X射线源)和第五代CT系统(固定检测器和X射线源)。另外，可以设想本发明的益处可扩展到除CT之外的成像模式。另外，虽然这里所描述的方法和装置是在医学背景下，也可以设想本发明的益处可扩展到非医学成像系统，例如典型地用于工业背景和交通背景中的系统，举例来说，例如但不限于用于机场或其他运输中心的行李扫描系统。另外，虽然这里描述的方法和系统是指患病的人，也可以设想本发明的益处可以扩展到适于研究动物的系统。
由DAS 32采集的数据可以传输到计算机36，而且可以传输到存储器(未示出)。应当理解，任何类型的存储大量数据的存储器都可以用于这种示例性系统10。而且，计算机36设置为通过典型地配备键盘和其他输入设备的控制台40接收来自操作者的命令和扫描参数。操作者通过输入设备控制系统10。因此，操作者可以从计算机36观察重建的图像和其他系统相关数据，开始进行成像，等等。
另外，被扫描的图像也可以打印在打印机(未示出)上，该打印机可连接到计算机36和操作者工作站40上。而且，操作者工作站40也可以连接到图片存档和通信系统(PACS)上。应当注意，PACS可以连接到远程系统、放射科信息系统(PIS)、医院信息系统(HIS)或连接到内部或外部网络上，以便使不同地方的其他人能够获取对图像和/或图像数据的访问。
应当进一步注意，计算机36和控制台40可以连接到其他输出设备，这些输出设备可以包括标准或专用的计算机监视器和相关处理电路。在系统中可以链接一个和多个操作者工作站40，以用于输出系统参数、请求检查、查看图像等。通常，显示器、打印机、工作站和类似的系统内提供的装置可以对于数据采集部件来说是本地的，或可以远离这些部件，例如在研究所或医院内的其它地方，或在完全不同的地方，其通过一个或多个可配置的网络，例如因特网、虚拟专用网络等链接到图像采集系统。
一旦图像被重建，由图1和2所示系统产生的图像显示病人的内部特征。在传统的例如疾病状态的医学状况和更通常的医学事件的诊断方法中，放射医师或医生会研究图像显示的硬拷贝，以分辨感兴趣的典型特征。这些特征可以包括特定解剖位置或器官的病变、尺寸和形状，以及其他根据各个医生的技术和知识能够从图像上辨别的特征。
本技术通过CAD算法实现这些性能中的某些性能。本领域技术人员将会理解，CAD算法可以提供用于识别、或至少定位某些感兴趣特征的能力，所述感兴趣特征例如是解剖异常。特定的CAD算法通常根据待识别特征的类型和用来产生图像数据的成像模式来选择。CAD技术可以使用分割算法，所述分割算法通过参考已知或期望的图像特征，例如边缘、可识别的结构、边界、颜色或亮度的改变或转换、光谱信息的改变或转换等来识别感兴趣的特征。当前的CAD算法通常仅提供识别这些特征的能力。然后，随后的处理和数据采集完全凭借和依靠医生的经验。
可以认为CAD算法包括几个部分或模块，它们都可以在本技术中实现。通常，CAD算法可以包括诸如存取图像数据、分割数据或图像、特征选择或提取、分类、训练和可视化之类的模块。而且，可以在重建前对采集投影数据集、二维重建数据(在轴向和搜索模式中)、三维重建数据(体积数据或多平面重定格式)或这些格式的适当组合进行CAD处理。所采集的投影数据集可以具有二维扫描的多个一维投影或三维扫描的多个二维投影。在可视化之前可以使用获取或重建的数据执行分割、特征选择和/或分类。这些过程可以并行或以各种组合来完成。
CAD算法执行的数据可以是原始图像采集系统信息，或者可以是部分或完全处理过的数据。所述数据可以来自断层成像数据源，或者可以是诊断断层成像数据(例如在CT成像中的投影或Radon域中的原始数据、单幅或多幅重建的二维图像、或三维重建体积图像数据)。因为本发明的益处可扩展到不同维数的数据，所以这里所使用的术语“面积”是指二维面积以及三维体积。
CAD算法的分割部分可以根据断层成像数据中计算的特征识别感兴趣的特定区域。感兴趣的区域可以通过使用整个数据集或使用部分数据集以多种方式确定，例如在特定面积中的候选集中区域(mass region)。特定的分割技术可以取决于要识别的解剖位置，并且可以典型地基于迭代阈值、K-means分割、边缘检测、边缘链接、曲线拟合、曲线平滑、二维和三维形态滤波、区域生长、模糊聚类、图像/体积测量、试探法(heuristics)、基于知识的规则、决策树、神经网络等。可选择地，所述分割可以至少部分地由人工进行。自动分割也可以使用现有知识，例如物质的形状和尺寸，从而自动地描绘感兴趣的区域。
CAD算法的特征提取方面涉及对包括期望图像的数据进行计算。使用感兴趣区域统计可以从基于图像的数据中提取多个特征测量值，例如形状、尺寸、密度和曲率。对于投影空间数据，可以使用例如在视图或位置中的特征投影的位置、形状或尺寸这些特征，以便提供视图之间的一致性。
CAD算法的分类方面也可以是部分或全部人工或自动的。尤其是，分类可以特别用来识别感兴趣区域，例如通过分类为正常或异常解剖位置或病变。其中的贝叶斯分类器、神经网络、基于规则的方法或模糊逻辑技术能够用于分类。应当注意，可以并行地使用不止一种CAD算法。这种并行操作可以包括对部分图像数据单独执行CAD运算，并且将所有CAD运算结果组合起来(在逻辑上通过“与”、“或”运算或二者)。另外，检测多种疾病状态或感兴趣的解剖特征的CAD运算可以串行或并行方式执行。
在使用CAD算法对解剖位置的物质进行分类之前，可以结合来自于训练的先验知识。训练阶段可以包括对正常和异常病变或其它感兴趣的特征的已知样本计算几个候选特征。然后，可以使用特征选择算法对候选特征分类，并且仅选择有用的特征，并除去没有提供信息或提供冗余信息的特征。这种判断基于具有候选特征的不同组合的分类结果。特征选择算法也可以用来降低维数，以符合处理、存储和数据传输的实际需要。因此，可以在由CAD算法识别的特征或解剖位置之间实现最佳鉴别。
CAD算法的可视化方面允许重建对于人或机器观察者查看有用的图像。因此，根据由CAD算法执行的任何或所有的处理和模块，可以向主治医生或向其它任何需要这种信息的人提供各种类型的图像。所述的可视化可包括二维和三维再现、标记叠加、颜色或亮度变化等。
图3是说明方法100的流程图，该方法100检测各种类型CT(常规、高分辨率、筛选等)检查中的CT图像体积的可疑区域，以及自动执行：(1)以小的显示视场和最佳的重建参数进行回顾性目标重建和/或(2)在这些区域中进行预期再扫描，以获得改进的定量图像质量。
在一个实施例中，计算机辅助自动目标重建预期地产生可替换的图像重建(高分辨率、小的显示视场、可替换的重建算法、滤波、片层厚度等)，其包括由CAD算法找到的可疑解剖位置或FOI。然后，这些图像(可替换的重建)在标准工作流程的框架内发送给放射医师查看。通过以下方式，这些额外的图像可以以无缝方式提供给放射医师进行观察。
(a)当放射医师想要使用具有分割的体积再现得到更好的可视化效果，或通过确定体积进行定量等情况时，存取高分辨率图像(在可获得时)。
(b)提高生产率的附加来源，其中在扫描之前指定分割和体积测量值并在查看时使读取器能够获得这些测量值，例如，当用户知道希望从FOI得到什么定量信息时，该信息在扫描前被请求，并且全部处理链被执行，使得查看时可获得结果，并节省了在查看客户端的后处理时间。例如，计算机36在任何图像数据采集操作之前接收检查类型的指示，从第一成像系统存取至少第一成像数据，根据CAD算法处理第一成像数据，根据CAD算法的结果获取至少第二图像数据，并且根据接收到的检查类型在无需操作者干预的情况下对第二图像数据进行后处理。然后，将经过后处理的第二图像、经过后处理的第一图像和检查类型提供给读取器，该读取器可在该检查位置本身或在远程位置。
(c)作为第三次查看机会，回顾性重建的目标图像系列可以被重新提交给CAD算法，用于进一步的查看和改善，以便根据对高分辨率数据的评估来确认检测(即对初始扫描的CAD分析的结果)。
(d)在查看时，放射医师也能够采用不同于轴向图像的可视化技术(例如，3D重定格式视图)来直接查看数据。
(e)回顾性重建图像自动与它们的初始(可能是较厚片层的CT数据)图像采集链接，使得通过工作流程对可替换数据类型的访问是无缝的。
在另一个实施例中，放射医师请求目标重建，该目标重建可以是为了更好地可视化和/或量化已由放射医师识别的FOI。这根据如下方式可以在CT控制台、在与CT扫描器联网的查看工作站或在任何本地或外围客户端或CT扫描器的访问点处提出请求。
(a)当放射医师在CT控制台作出请求时，该请求立即从可用的CT扫描数据得到服务，并且该数据可通过控制台处合适的通知和用户界面而获得。
(b)当请求从联网的工作站作出时，这包括该在网络中传送请求，使该扫描数据在控制台或远程控制台服务器上可获得，并且将请求的图像传送回发出请求的客户端。
(c)向查看者提供通知和用户界面以接收图像，并在查看工作站查看图像。
在另一个实施例中，启动对病人的预期再扫描，其中在病人在扫描器上对其进行计算机辅助再扫描以通过FOI得到高质量的图像，这样通过消除重新召回病人的需要而提高了生产率。在一个实施例中，这种预期再扫描按下述方式实现。
(a)通过CAD算法触发使用一种替代的成像技术和/或采集参数的再扫描，该CAD算法自动检测FOI和指示目标再扫描。
(b)CAD算法可以向CT控制台的操作者发出通知，指示需要用一种替代技术扫描的解剖FOI。
(c)操作者可以交互式地确认或拒绝CAD算法所作出的自动再扫描的推荐。例如，计算机36使用第一扫描指示从第一成像系统存取至少第一图像数据，根据CAD算法处理第一图像数据，提示用户根据CAD算法的结果指定不同于第一扫描指示的第二扫描指示，并使用第二扫描指示获取至少第二图像数据。在示范性实施例中，计算机36根据CAD算法的结果提供关于第二扫描指示的推荐。
方法100包括指定初始(第一次)扫描102，并检查计算机辅助定位目标(CAT)算法104(包括CAD算法)是否已经开启。当CAT 104开启时，计算机36提示用户输入采样数的最大值(Nmax)或接受缺省的Nmax。这里所使用的采样数是指这种情况：CAD 104算法满足CAD算法查找的所有标准。然后计算机36提示用户确认106接收的扫描参数。当CAT 104起作用时，指定的扫描被执行，并且获得的数据被提交108到CAT 104。当CAT 104不起作用时，获得的数据被保存110。当N次采样数从CAT 104产生112时，根据N到Nmax的比较114执行不同的动作过程。当N不大于Nmax时，目标数据116(即由CAT 104定位目标的最初获得的数据)用来重建存储118的目标图像。当N大于Nmax时，通知用户该消息并提示来选择停止和不进行任何操作、重建所有采样数(即根据CAT重建多个目标图像)、以及将目标数据输入到另一应用程序120，例如定量应用程序，举例来说例如高级肺分析(ALA)程序。
这里所描述的方法和装置的技术效果包括用于进一步增强由CAD技术提供的自动化的能力，这通过进一步对图像数据进行处理或进一步获取图像数据来实现。在进行处理的情况下，可以改变对获取的图像数据进行后处理所使用的各种参数，以便使再现重建的图像在识别、定位和/或诊断生理状态方面更明显或更有用。尤其是，这种参数可包括对比度、空间分辨率(例如缩放)、颜色等。而且，基于初始CAD估计结果的后处理可包括数学估计，例如分割、配准、面积或体积计算等。“后处理”也可以包括使用不同的重建算法或不同的重建参数来产生图像。例如，根据初始CAD结果，不同的滤波内核(软、标准、详细、骨、边缘、肺等)可用来从原始扫描产生附加图像。不同的滤波内核提高了图像中不同的所需特征。其他重建参数，例如重建视场、矩阵大小、定位目标位置等也能够根据初始CAD结果进行修改以产生附加图像。
初始CAD估计也能自动采集后续图像，以便在单个病人检查期间收集一组完整有用的信息。后续的处理过程可以依次进行，例如，由于在最初获得的图像上出现的特定特征并没有完全显示。因此，随后的采集可以包括从病人身体的其他区域以相对于感兴趣组织的不同定向、以不同的分辨率水平等采集数据。而且，根据初始CAD估计，可以期望完全不同的获取数据，例如通过完全不同的模式系统获取的数据。
应当注意，如上所述，虽然可以重建初始图像，并且如在此所述将CAD算法应用到图像数据，但是分析可以在没有这种初始可视化的情况下部分或全部地执行。因此，在CT图像数据的情况下，可以在Radon空间进行一些或全部CAD算法分析。最终有用的图像重建可以包括初始图像、增强的图像或这二者的可视化。CAD分析的结果在需要的情况下甚至可以引导图像重建执行的类型，例如在CT成像例子中来自Radon空间。
通过举例的方式，可以从X射线系统获取图像数据，并分析图像数据以识别可能感兴趣的特征。根据X射线图像数据可以重建图像。然后，随后的图像采集可以由CT系统排序，以提供特定识别特征的更好的视图。然后，根据CT图像数据重建一幅或多幅图像。如上所述，根据初始数据的实际图像重建可以是可选的，或至少与由CAD算法执行的分析和随后第二图像数据的采集不同。
上面详细说明了示范性实施例。本方法和装置并不局限于这里所描述的特定实施例，而是每种方法和/或装置的部件都可以与这里描述的其他部件独立地、分离地使用。
虽然本发明通过各种特定实施例进行说明，但是本领域技术人员将认识到，在权利要求的精神和范围内可对本发明进行修改。
部件清单
10.CT成像系统
12.台架
14.辐射源
16.束
18.检测器阵列
20多个检测器元件
22对象
24.旋转中心
26.控制机构
28.辐射控制器
30台架马达控制器
32.数据采集系统(DAS)
34.图像重建器
36计算机
38.存储装置
40控制台
42.显示器
44工作台马达控制器
46.机动工作台
48.台架开口
50.装置
52计算机可读介质
100.方法
102.初始扫描
104.计算机辅助定位目标(CAT)算法
106.确认
108.提交
110保存
112.产生采样数
114.比较N和Nmax
116.目标数据
118.保存
120.另一个应用程序

Claims (11)

1.一种成像系统(10)，包括：
设置为获取医学图像的第一图像数据采集系统(32)；以及
连接到图像数据采集系统上的计算机(36)，所述计算机(36)设置为从由采集系统获取的图像数据生成第一图像系列，通过CAD算法(104)处理图像系列，根据CAD算法的结果指示第二图像系列的采集，并通过CAD算法处理第二图像系列，以确认关于第一图像系列的CAD算法的结果。
2.根据权利要求1的系统(10)，其中所述第二图像系列是从第一图像数据采集系统(32)采集的。
3.根据权利要求1的系统(10)，进一步包括第二图像数据采集系统(32)，其中所述第二图像系列是从第二图像数据采集系统采集的。
4.根据权利要求3的系统(10)，其中第一和第二图像数据采集系统(32)是不同的成像模式。
5.根据权利要求1的系统(10)，其中所述计算机(36)进一步设置为在进行任何图像采集操作前接收检查类型的指示，并在不需要操作者干预的情况下根据接收到的检查类型对第二图像系列进行后处理。
6.根据权利要求1的系统(10)，其中所述第二图像系列在第一图像数据采集系统(32)上采集，但采用与采集第一图像系列所使用的不同的图像配置。
7.一种成像系统(10)，包括：
设置为获取医学图像的第一图像数据采集系统(32)；以及
连接到所述图像数据采集系统上的计算机(36)，所述计算机(36)设置为：
接收低分辨率图像数据；
对低分辨率数据中的至少一个感兴趣特征进行体积分析；
在无需操作者干预的情况下用高分辨率图像数据取代已分析过的低分辨率数据；以及
在单独的显示器中显示低分辨率数据的体积再现和高分辨率数据的分析结果。
8.根据权利要求7的系统(10)，在其中表示高分辨率数据的对象(22)的区域是根据CAD算法(104)的结果选择的。
9.根据权利要求7的系统(10)，其中仅对由CAD算法(104)识别的感兴趣特征提供高分辨率数据。
10.根据权利要求7的系统(10)，进一步包括用于获得表示对象(22)内的一个区域的高分辨率数据的例行程序，在该区域内不存在高分辨率数据。
11.一种用于在成像系统上获取图像的方法，所述方法包括：
从第一成像系统存取至少第一图像数据；
按照CAD算法处理第一图像数据；
根据CAD算法的结果获取至少第二图像数据；以及
根据CAD算法处理第二图像数据，以确认关于第一图像数据的CAD算法的结果。
CNA2004101038676A 2003-11-26 2004-11-26 计算机辅助定位目标的方法和系统 Pending CN1670769A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/722,974 US7447341B2 (en) 2003-11-26 2003-11-26 Methods and systems for computer aided targeting
US10/722974 2003-11-26

Publications (1)

Publication Number Publication Date
CN1670769A true CN1670769A (zh) 2005-09-21

Family

ID=34574700

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2004101038676A Pending CN1670769A (zh) 2003-11-26 2004-11-26 计算机辅助定位目标的方法和系统

Country Status (4)

Country Link
US (2) US7447341B2 (zh)
JP (1) JP2005161054A (zh)
CN (1) CN1670769A (zh)
DE (1) DE102004055768A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102460514A (zh) * 2009-06-18 2012-05-16 皇家飞利浦电子股份有限公司 成像程序规划
CN106388843A (zh) * 2016-10-25 2017-02-15 上海联影医疗科技有限公司 医学影像设备及其扫描方法
CN108451639A (zh) * 2017-02-22 2018-08-28 柯惠有限合伙公司 用于定位与导航的多数据源集成
CN109472835A (zh) * 2017-09-07 2019-03-15 西门子保健有限责任公司 处理医学图像数据的方法和医学图像数据的图像处理系统
CN110097950A (zh) * 2018-01-29 2019-08-06 西门子医疗保健有限责任公司 医学图像的提供
WO2020118535A1 (zh) * 2018-12-11 2020-06-18 广东医动科技有限公司 一种b超智能辅助采集方法及系统

Families Citing this family (74)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7447341B2 (en) * 2003-11-26 2008-11-04 Ge Medical Systems Global Technology Company, Llc Methods and systems for computer aided targeting
US9470801B2 (en) 2004-01-13 2016-10-18 Spectrum Dynamics Llc Gating with anatomically varying durations
US7968851B2 (en) 2004-01-13 2011-06-28 Spectrum Dynamics Llc Dynamic spect camera
JP4260060B2 (ja) * 2004-05-12 2009-04-30 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 Ｘ線ｃｔ装置および画像再構成装置
DE102004025685A1 (de) * 2004-05-26 2005-12-22 Siemens Ag Verfahren zur Bilderzeugung mit einer bildgebenden Modalität
EP1778957A4 (en) 2004-06-01 2015-12-23 Biosensors Int Group Ltd OPTIMIZING THE MEASUREMENT OF RADIOACTIVE EMISSIONS IN SPECIFIC BODY STRUCTURES
US7787672B2 (en) 2004-11-04 2010-08-31 Dr Systems, Inc. Systems and methods for matching, naming, and displaying medical images
US9316743B2 (en) * 2004-11-09 2016-04-19 Biosensors International Group, Ltd. System and method for radioactive emission measurement
US9943274B2 (en) 2004-11-09 2018-04-17 Spectrum Dynamics Medical Limited Radioimaging using low dose isotope
WO2006085166A2 (en) * 2005-01-10 2006-08-17 Koninklijke Philips Electronics N.V. Lung lesion detection during tomographic heart screening
US8774560B2 (en) * 2005-01-11 2014-07-08 University Of Central Florida Research Foundation, Inc. System for manipulation, modification and editing of images via remote device
US7840256B2 (en) 2005-06-27 2010-11-23 Biomet Manufacturing Corporation Image guided tracking array and method
US7702141B2 (en) * 2005-06-29 2010-04-20 General Electric Company Method for quantifying an object in a larger structure using a reconstructed image
US20070073133A1 (en) * 2005-09-15 2007-03-29 Schoenefeld Ryan J Virtual mouse for use in surgical navigation
US20070076929A1 (en) * 2005-10-05 2007-04-05 General Electric Company System and method for automatic post processing image generation
US20070140536A1 (en) * 2005-12-19 2007-06-21 Eastman Kodak Company Medical image processing method and apparatus
DE102006003609B4 (de) * 2006-01-25 2014-09-04 Siemens Aktiengesellschaft Tomographie-System und Verfahren zur Visualisierung einer tomographischen Darstellung
US8165659B2 (en) 2006-03-22 2012-04-24 Garrett Sheffer Modeling method and apparatus for use in surgical navigation
JP2007275312A (ja) * 2006-04-06 2007-10-25 Terarikon Inc 解析プロトコルに基づいた前処理装置を備える三次元画像表示装置
JP5290501B2 (ja) * 2006-07-10 2013-09-18 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 Ｘ線ｃｔ装置
JP5053604B2 (ja) * 2006-09-21 2012-10-17 株式会社東芝 医用画像処理装置
EP1913868A1 (en) * 2006-10-19 2008-04-23 Esaote S.p.A. System for determining diagnostic indications
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
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
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
US8081809B2 (en) * 2006-11-22 2011-12-20 General Electric Company Methods and systems for optimizing high resolution image reconstruction
WO2008075362A2 (en) 2006-12-20 2008-06-26 Spectrum Dynamics Llc A method, a system, and an apparatus for using and processing multidimensional data
US8238624B2 (en) * 2007-01-30 2012-08-07 International Business Machines Corporation Hybrid medical image processing
US7876940B2 (en) * 2007-01-30 2011-01-25 International Business Machines Corporation Universal image processing
US8331737B2 (en) * 2007-04-23 2012-12-11 International Business Machines Corporation Heterogeneous image processing system
US8462369B2 (en) * 2007-04-23 2013-06-11 International Business Machines Corporation Hybrid image processing system for a single field of view having a plurality of inspection threads
US8326092B2 (en) * 2007-04-23 2012-12-04 International Business Machines Corporation Heterogeneous image processing system
US8934961B2 (en) 2007-05-18 2015-01-13 Biomet Manufacturing, Llc Trackable diagnostic scope apparatus and methods of use
US20080319491A1 (en) * 2007-06-19 2008-12-25 Ryan Schoenefeld Patient-matched surgical component and methods of use
US8131033B2 (en) * 2007-07-25 2012-03-06 Sectra Ab Sensitivity lens for assessing uncertainty in image visualizations of data sets, related methods and computer products
EP2206084B1 (en) * 2007-09-10 2012-04-18 Koninklijke Philips Electronics N.V. Image processing with computer aided detection and/or diagnosis
US7911208B2 (en) * 2007-10-15 2011-03-22 Siemens Aktiengesellschaft Methods for rectification of B0 inhomogeneity effects in magnetic resonance images
US8675219B2 (en) * 2007-10-24 2014-03-18 International Business Machines Corporation High bandwidth image processing with run time library function offload via task distribution to special purpose engines
US20090132582A1 (en) * 2007-11-15 2009-05-21 Kim Moon J Processor-server hybrid system for processing data
US9135073B2 (en) 2007-11-15 2015-09-15 International Business Machines Corporation Server-processor hybrid system for processing data
US9332074B2 (en) * 2007-12-06 2016-05-03 International Business Machines Corporation Memory to memory communication and storage for hybrid systems
US20090150556A1 (en) * 2007-12-06 2009-06-11 Kim Moon J Memory to storage communication for hybrid systems
US8571637B2 (en) 2008-01-21 2013-10-29 Biomet Manufacturing, Llc Patella tracking method and apparatus for use in surgical navigation
US8229251B2 (en) * 2008-02-08 2012-07-24 International Business Machines Corporation Pre-processing optimization of an image processing system
US8379963B2 (en) * 2008-03-28 2013-02-19 International Business Machines Corporation Visual inspection system
US8425422B2 (en) * 2008-06-06 2013-04-23 Siemens Medical Solutions Usa, Inc. Adaptive volume rendering for ultrasound color flow diagnostic imaging
US8213700B2 (en) * 2009-03-31 2012-07-03 Icad, Inc. Systems and methods for identifying suspicious anomalies using information from a plurality of images of an anatomical colon under study
CN102081697B (zh) * 2009-11-27 2013-12-11 深圳迈瑞生物医疗电子股份有限公司 一种在超声成像空间中定义感兴趣容积的方法及其装置
US8843852B2 (en) * 2010-12-17 2014-09-23 Orca Health, Inc. Medical interface, annotation and communication systems
KR20120102447A (ko) * 2011-03-08 2012-09-18 삼성전자주식회사 진단장치 및 방법
JP5367043B2 (ja) * 2011-10-11 2013-12-11 株式会社東芝 医用画像支援診断装置
RU2014122314A (ru) 2011-11-03 2015-12-10 Конинклейке Филипс Н.В. Обработка данных об изображениях
US9235889B1 (en) 2012-06-11 2016-01-12 University Of Central Florida Research Foundation, Inc. Systems, apparatus and methods for collecting and storing raw scan data and software for performing data processing, image reconstruction and interpretation
KR20140055152A (ko) * 2012-10-30 2014-05-09 삼성전자주식회사 병변 진단 보조 장치 및 방법
US9495604B1 (en) 2013-01-09 2016-11-15 D.R. Systems, Inc. Intelligent management of computerized advanced processing
US10929508B2 (en) 2015-04-30 2021-02-23 Merge Healthcare Solutions Inc. Database systems and interactive user interfaces for dynamic interaction with, and indications of, digital medical image data
US10269114B2 (en) 2015-06-12 2019-04-23 International Business Machines Corporation Methods and systems for automatically scoring diagnoses associated with clinical images
EP3646240A4 (en) 2017-06-26 2021-03-17 The Research Foundation for The State University of New York SYSTEM, PROCEDURE AND COMPUTER-ACCESSIBLE MEDIUM FOR VIRTUAL PANCREATOGRAPHY
US11166764B2 (en) 2017-07-27 2021-11-09 Carlsmed, Inc. Systems and methods for assisting and augmenting surgical procedures
US10832808B2 (en) 2017-12-13 2020-11-10 International Business Machines Corporation Automated selection, arrangement, and processing of key images
US11170545B2 (en) * 2018-01-24 2021-11-09 New York University Systems and methods for diagnostic oriented image quality assessment
US11432943B2 (en) 2018-03-14 2022-09-06 Carlsmed, Inc. Systems and methods for orthopedic implant fixation
US11439514B2 (en) 2018-04-16 2022-09-13 Carlsmed, Inc. Systems and methods for orthopedic implant fixation
US11398304B2 (en) * 2018-04-24 2022-07-26 Siemens Healthcare Gmbh Imaging and reporting combination in medical imaging
USD958151S1 (en) 2018-07-30 2022-07-19 Carlsmed, Inc. Display screen with a graphical user interface for surgical planning
EP3849453A4 (en) 2018-09-12 2022-07-20 Carlsmed, Inc. SYSTEMS AND METHODS FOR ORTHOPEDIC IMPLANTS
US11376076B2 (en) 2020-01-06 2022-07-05 Carlsmed, Inc. Patient-specific medical systems, devices, and methods
US10902944B1 (en) 2020-01-06 2021-01-26 Carlsmed, Inc. Patient-specific medical procedures and devices, and associated systems and methods
US11756240B2 (en) * 2020-02-28 2023-09-12 Shanghai United Imaging Intelligence Co., Ltd. Plugin and dynamic image modality reconstruction interface device
US11443838B1 (en) 2022-02-23 2022-09-13 Carlsmed, Inc. Non-fungible token systems and methods for storing and accessing healthcare data
US11806241B1 (en) 2022-09-22 2023-11-07 Carlsmed, Inc. System for manufacturing and pre-operative inspecting of patient-specific implants
US11793577B1 (en) 2023-01-27 2023-10-24 Carlsmed, Inc. Techniques to map three-dimensional human anatomy data to two-dimensional human anatomy data

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69131681T2 (de) * 1990-11-22 2000-06-08 Toshiba Kawasaki Kk Rechnergestütztes System zur Diagnose für medizinischen Gebrauch
US6434262B2 (en) * 1993-09-29 2002-08-13 Shih-Ping Wang Computer-aided diagnosis system and method
US6453058B1 (en) 1999-06-07 2002-09-17 Siemens Corporate Research, Inc. Computer-assisted diagnosis method using correspondence checking and change detection of salient features in digital images
US7020314B1 (en) * 2001-11-13 2006-03-28 Koninklijke Philips Electronics N.V. Black blood angiography method and apparatus
US7054473B1 (en) * 2001-11-21 2006-05-30 R2 Technology, Inc. Method and apparatus for an improved computer aided diagnosis system
US6678399B2 (en) * 2001-11-23 2004-01-13 University Of Chicago Subtraction technique for computerized detection of small lung nodules in computer tomography images
US6748044B2 (en) * 2002-09-13 2004-06-08 Ge Medical Systems Global Technology Company, Llc Computer assisted analysis of tomographic mammography data
US6574304B1 (en) * 2002-09-13 2003-06-03 Ge Medical Systems Global Technology Company, Llc Computer aided acquisition of medical images
US7331927B2 (en) * 2003-10-28 2008-02-19 General Electric Company Methods and systems for medical imaging
US7333645B1 (en) * 2003-11-25 2008-02-19 Icad, Inc. Multiple image fusion
US7492931B2 (en) * 2003-11-26 2009-02-17 Ge Medical Systems Global Technology Company, Llc Image temporal change detection and display method and apparatus
US7447341B2 (en) * 2003-11-26 2008-11-04 Ge Medical Systems Global Technology Company, Llc Methods and systems for computer aided targeting
US7072435B2 (en) * 2004-01-28 2006-07-04 Ge Medical Systems Global Technology Company, Llc Methods and apparatus for anomaly detection
US20050228280A1 (en) * 2004-03-31 2005-10-13 Siemens Medical Solutions Usa, Inc. Acquisition and display methods and systems for three-dimensional ultrasound imaging
US7439974B2 (en) * 2005-02-09 2008-10-21 Siemens Medical Solutions Usa, Inc. System and method for fast 3-dimensional data fusion
DE102005018067A1 (de) * 2005-04-19 2006-11-02 Siemens Ag System zur Erzeugung, Auswertung und Verteilung computertomographischer 4D-Darstellungen des Herzens eines Patienten
US7489825B2 (en) * 2005-07-13 2009-02-10 Ge Medical Systems Method and apparatus for creating a multi-resolution framework for improving medical imaging workflow
DE102006003609B4 (de) * 2006-01-25 2014-09-04 Siemens Aktiengesellschaft Tomographie-System und Verfahren zur Visualisierung einer tomographischen Darstellung

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102460514A (zh) * 2009-06-18 2012-05-16 皇家飞利浦电子股份有限公司 成像程序规划
CN106388843A (zh) * 2016-10-25 2017-02-15 上海联影医疗科技有限公司 医学影像设备及其扫描方法
WO2018077141A1 (en) * 2016-10-25 2018-05-03 Shenzhen United Imaging Healthcare Co., Ltd. Systems and methods for image acquisition
CN108451639A (zh) * 2017-02-22 2018-08-28 柯惠有限合伙公司 用于定位与导航的多数据源集成
CN108451639B (zh) * 2017-02-22 2022-02-25 柯惠有限合伙公司 用于定位与导航的多数据源集成
US11793579B2 (en) 2017-02-22 2023-10-24 Covidien Lp Integration of multiple data sources for localization and navigation
CN109472835A (zh) * 2017-09-07 2019-03-15 西门子保健有限责任公司 处理医学图像数据的方法和医学图像数据的图像处理系统
CN109472835B (zh) * 2017-09-07 2023-12-01 西门子保健有限责任公司 处理医学图像数据的方法和医学图像数据的图像处理系统
CN110097950A (zh) * 2018-01-29 2019-08-06 西门子医疗保健有限责任公司 医学图像的提供
CN110097950B (zh) * 2018-01-29 2024-02-02 西门子医疗保健有限责任公司 用于提供患者的医学图像的方法、设施和计算机可读介质
WO2020118535A1 (zh) * 2018-12-11 2020-06-18 广东医动科技有限公司 一种b超智能辅助采集方法及系统

Also Published As

Publication number Publication date
US7756314B2 (en) 2010-07-13
US20090022386A1 (en) 2009-01-22
DE102004055768A1 (de) 2005-06-09
US7447341B2 (en) 2008-11-04
US20050113960A1 (en) 2005-05-26
JP2005161054A (ja) 2005-06-23

Similar Documents

Publication Publication Date Title
CN1670769A (zh) 计算机辅助定位目标的方法和系统
US6687329B1 (en) Computer aided acquisition of medical images
US7072435B2 (en) Methods and apparatus for anomaly detection
EP1398722A2 (en) Computer aided processing of medical images
CN1157156C (zh) X-射线ct设备和图象诊断设备
Diciotti et al. Automated segmentation refinement of small lung nodules in CT scans by local shape analysis
JP5138910B2 (ja) 投影画像を用いた３ｄｃａｄのシステム及び方法
CN1504931B (zh) 图像组的计算机辅助诊断
US20060210131A1 (en) Tomographic computer aided diagnosis (CAD) with multiple reconstructions
JP5139289B2 (ja) 複数の検査結果を生成する方法及び装置
CN1861002A (zh) 监视肿瘤负荷的方法和系统
CN1818972A (zh) 剪接医学图像数据集的系统和方法
CN1663530A (zh) 用于处理图像数据以帮助检测疾病的方法和装置
JP2008521468A (ja) デジタル医療画像分析
CN1509686A (zh) 定量组织脂肪含量的方法和装置
CN1656499A (zh) 使用车轮投影分析的肺结节检测
US9361711B2 (en) Lesion-type specific reconstruction and display of digital breast tomosynthesis volumes
CN101034473A (zh) 计算机辅助识别断层造影中高对比度对象的方法和系统
JP7216722B2 (ja) 診断撮像における画像特徴のアノテーション
JP5048233B2 (ja) Ｃａｄシステムにおける解剖学的形状の検出のための方法及びシステム
Wang et al. Deep learning for automatic identification of nodule morphology features and prediction of lung cancer
Lawler et al. Computer-assisted detection of pulmonary nodules: preliminary observations using a prototype system with multidetector-row CT data sets
CN1823337A (zh) 用于检测医学图像中的隆起的系统和方法
EP2206084B1 (en) Image processing with computer aided detection and/or diagnosis
Sato et al. Toward the development of an intelligent system for the diagnosis of multiple organs and diseases

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