CN1853569A - 检测脉管边界的方法和设备 - Google Patents
检测脉管边界的方法和设备 Download PDFInfo
- Publication number
- CN1853569A CN1853569A CNA2006100840175A CN200610084017A CN1853569A CN 1853569 A CN1853569 A CN 1853569A CN A2006100840175 A CNA2006100840175 A CN A2006100840175A CN 200610084017 A CN200610084017 A CN 200610084017A CN 1853569 A CN1853569 A CN 1853569A
- Authority
- CN
- China
- Prior art keywords
- edge
- edges
- vessel boundary
- vascular
- computer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
-
- 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
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了用于在图像中检测脉管边界的方法和系统。检测图像中的边缘。当改变距离的尺度时边缘检测以某个距离上的亮度变化为基础。然后从所检测到的边缘中选择一组边缘。初始脉管边界基于所选择的组来确定,并且形状描述子(例如一个或多个椭圆形状描述子)被应用于初始脉管边界以确定最终的脉管边界。
Description
本申请要求2005年4月19日提交的美国临时专利申请NO.60/672,634的权益,上述申请于此被结合以作参考。
技术领域
本发明通常涉及医疗诊断,并且更具体地涉及医学图像中的脉管边界的确定。
背景技术
为了诊断患者的问题,医疗专业人员常常必须检查患者的脉管(例如血管)。为了照亮脉管以便医疗专业人员可以检查脉管,患者服用(例如饮用)造影增强剂。造影增强剂使一个或多个脉管相对于周围区域变亮。
多数造影增强(CE)磁共振血管造影术(MRA)和计算机断层扫描血管造影术(CTA)的主要目标是对循环系统中的病变的诊断和定性或定量评价。一旦确定病变的位置,就可以对原始2维切片数据或更通常地对在用户选择的位置和方向上所产生的2维多平面重新格式化(MPR)图像进行定量测量。在狭窄的量化时,常常希望产生脉管的横截面积/半径分布(profile),以便可以比较相同脉管的病理区域和健康区域。
脉管边界的精确和稳健的检测在传统上是具有挑战性的任务。特别是,脉管边界检测算法必须是精确的和稳健的,以便可以使用该算法精确地检测许多类型的医学图像上的脉管边界。如果脉管边界检测算法不精确(即使在少数情况下),依赖于计算机输出的医疗专业人员(例如放射科医师)可能又错误地诊断患者。
脉管边界的精确和稳健检测之所以是具有挑战性的任务具有许多原因。第一,计算机断层扫描(CT)和磁共振(MR)图像中显著噪声电平的存在常常在脉管内部形成强边缘(即,数据点之间的亮度变化)。第二,脉管的尺寸会随脉管的位置变化,从而导致附加边缘。第三,脉管边界的亮度分布会在一侧扩散而在其它侧变浅(例如由于存在其它脉管或高对比结构)。第四,诸如钙化斑的脉管病变的存在常常使脉管横截面边界的形状局部偏离于圆形。所有这些导致可能影响脉管边界的精确确定的附加边缘。
图1A显示沿脉管104具有不同对比度的脉管104的三维视图。具体而言,由于患者所摄入的造影剂,脉管104的顶部108比脉管104的底部112更亮。当使用脉管104的正交(即横截面)视图时该对比度变化导致边缘产生。当使用算法来确定脉管104的边界时这些边缘可能导致不精确。
图1B显示三个脉管116、120、124的正交视图。当三个脉管116、120、124靠在一起时,一个脉管的边界常常难以与其相邻的脉管边界区分开。图1C显示两个脉管128、132的正交视图。由于边界的明显扩散134,因此每个脉管的边界难以与其它边界区分开。
已存在多种技术,这多种技术已经被用于解决上述挑战。例如,医疗专业人员使用计算机辅助绘图程序来估计脉管的边界。由于边界的估计可能与实际边界相差很大,因此这是一种不精确的方法。
另一个例子是用于在与脉管中心线正交的平面中分割脉管边界的“蛇形(snake)”模型。“蛇形”模型传统上将直径比脉管小的导管“插入”到脉管的表示中,然后使用参数来引起导管膨胀直到达到脉管壁。然而,参数的选择常常最初是估计的。一个或多个参数的不精确的选择可能导致导管膨胀超过实际脉管边界。因而,蛇形模型并不总是提供精确的结果。
解决上述挑战的另一种尝试是光线传播法。该方法基于用于分割脉管和检测它们的中心线的亮度梯度。然而,梯度强度的单独使用常常不足以用于稳健的分割。
解决上述问题的另一种方法以通过法向矢量的显式前向传播为基础,然后其结合平滑限制和平均移位滤波。具体而言,曲线展开方程 被确定以用于脉管边界,其中C(s,t)是轮廓,S(x,y)是展开轮廓的速度,
是垂直于C(s,t)的矢量。在该方法中,轮廓C(s,t)被采样,并且展开每个样本后立即以矢量形式重写曲线展开方程。光线的速度S(x,y)取决于图像信息和形状先验。已建议S(x,y)=S0(x,y)+βS1(x,y),其中S0(x,y)度量图像间断性,S1(x,y)代表形状先验,β平衡这两项。通过沿光线的平均移位分析来检测图像间断性。平均移位分析在联合空间-范围域中工作,其中2维点阵的空间代表空间域,而亮度值的空间构成范围域,该平均移位分析常常被用于稳健地检测图像中的对象边界。当脉管边界良好地隔离时该方法常常是有效的。然而,常常难以估计参数、例如空间、范围核滤波器大小和/或用于稳健地分割脉管的平滑限制的量。特别是,当脉管没有被很好地隔离时,单个空间尺度的使用和基于曲率的平滑限制通常对于精确的结果来说是不够的。
所以,仍然需要更精确并且稳健地检测脉管边界。
发明内容
本发明是用于在图像中检测脉管边界的方法和系统。边界的精确检测需要精确检测与脉管边界相关的边缘,同时不识别与和脉管边界无关的其它结构相关联的边缘。基于多个距离上的数据点之间的亮度变化来检测边缘。在一个实施例中,通过沿脉管传播一条或多条光线来检测边缘。然后从检测到的边缘中选择一组边缘。此外,可以从所述边缘中去除错误边缘。所选择的该组边缘中的每个边缘可以基于其强度被选择。
然后基于所选择的该组边缘确定初始脉管边界。为了确定初始脉管边界,可以将脉管定义为非嵌套(non-nested)结构。形状描述子(例如一个或多个椭圆形状描述子)被应用于初始脉管边界以确定最终的脉管边界。
通过参考以下详细描述和附图,本发明的这些和其它优点对于本领域的普通技术人员来说将变得显而易见。
附图说明
图1(a)显示沿脉管具有不同对比度的脉管的现有技术三维视图;
图1(b)显示三个脉管的现有技术正交视图;
图1(c)显示两个具有扩散边界的脉管的现有技术正交视图;
图2是根据本发明的实施例的计算机的高级框图;
图3显示亮度分布的图形图像;
图4显示在间隙边缘上的边缘检测的图形表示;
图5显示根据本发明的实施例由计算机执行的用于检测脉管边界的步骤的流程图;
图6显示说明根据本发明的实施例用于检测脉管边界的步骤的图像;
图7(a)显示根据本发明实施例的边缘的局部分组的图示;
图7(b)显示根据本发明实施例的用于跨接脉管边界中的间隙的三次样条;
图7(c)显示根据本发明实施例由一组曲线段的椭圆傅立叶描述子构建的闭合曲线;以及
图8(a)-(h)显示说明根据本发明实施例的用于在初始图像中检测脉管的脉管边界的步骤的图像。
具体实施方式
以下描述在实现本发明的实施例所需的处理步骤方面描述本发明。这些步骤可以由适当编程的计算机来执行,该计算机的配置在本领域中是公知的。例如可以使用公知的计算机处理器、存储单元、存储设备、计算机软件和其它部件来实现合适的计算机。在图2中示出了这种计算机的高级框图。计算机202包含处理器204,该处理器通过执行计算机程序指令来控制计算机202的全部操作,所述计算机程序指令限定这种操作。计算机程序指令可以被存储在存储设备212(例如磁盘)中并且当需要执行计算机程序指令时被加载到内存210中。计算机202也包括用于(例如在本地或通过网络)与其它设备通信的一个或多个接口206。计算机202也包括输入/输出208,其代表允许用户与计算机202交互的设备(例如显示器,键盘,鼠标,扬声器,按钮等)。本领域的技术人员将认识到实际计算机的实现也将包含其它部件,并且图2是用于说明性目的的这种计算机的一些部件的高级表示。另外,本领域的技术人员将认识到这里所述的处理步骤也可以使用专用硬件来实现,所述专用硬件的电路被专门配置用于执行这样的处理步骤。作为替代方案,可以使用硬件和软件的各种组合来实现处理步骤。而且,处理步骤可以在计算机中进行或者可以是更大型机器(例如医学成像设备)的一部分。
根据本发明,计算机202使用平均移位分析的位移矢量来检测多个尺度中(即在多个距离上)的边缘。具体而言,1维亮度分布(光线)从灰度级图像中获得。沿光线的每个像素由位置x和亮度值I来表征。因此,N个像素的输入光线被表示为2维点{xi,Ii}的集合。如前面那样构建的2维空间被称为联合空间-亮度域。然后,平均移位滤波被应用于该联合域。平均移位滤波器的输出包括位移矢量(di},其测量每个空间点的空间运动。在该算法中,该空间-范围域中的每个点通过平均移位算子被处理直到收敛。
由于脉管边界常常采用多种空间和范围尺度,因此分割结果的稳健性和精度常常严重依赖于平均移位分析的空间(σx)和范围(σ1)尺度参数的选择。计算机202执行基于几何形状的算法,该算法仅仅对亮度数据的边缘起作用以便检测多个尺度中的脉管边缘。
图3显示典型脉管边缘的平均移位滤波的图形表示。扩散边缘、低对比度边缘和间隙边缘经常出现,甚至在单个横截面脉管边界中也出现(例如如图1(c)中所示)。计算机202执行边界提取法,该方法组合沿光线从平均移位滤波的不同空间尺度获得的边缘。
具体地,图3显示在亮度分布图316中从高亮度区域308(例如亮区)到低亮度区域312(例如暗区)的边缘的过渡段304。图3的x轴代表沿图像的距离(例如尺度),而图3的y轴对于左图和右图来说代表亮度,而在中间图中代表位移值。过渡段304越长(即距离的数量越大),典型地需要用于检测边缘的图像处理就越多。换句话说,尺度(即距离)越大,就需要越多的图像处理以便确定该过渡段是边缘。在多个尺度中也可以有多个边缘。为了精确的边缘确定,计算机202在多个尺度中检测边缘。
典型地在从多尺度边缘获得正确边缘时存在两个主要困难。首先,由于在亮度数据中存在噪声,因此多个错误边缘常常存在于正确边缘的附近。这些边缘典型地并不对应于语义学上的正确结构,例如脉管边界。因此,这些边缘应当被删除。其次,常常存在多个沿光线的对应于边界的结构的边缘。对应于脉管边界的边缘可以根据脉管的几何特性和直观的边缘组织来确定。在一个实施例中,沿光线出现的错误边缘可以基于边缘置信度和边缘强度被去除。
图像320显示位移矢量。位移矢量的发散对应于亮度的局部模式,即亮度数据的聚类。如果选择了适当的尺度(σx),亮度数据则可以通过平均移位而被局部聚类在边缘周围。局部聚类被用于定义边缘置信度。边缘置信度通过检验局部聚类的存在来度量边缘的有效性。具体而言,在位置I处尺度(σxk)的边缘置信度由下式给出:
其中M是滤波器的大小,Ij *是在j时的平滑亮度,Ic对应于收敛点的亮度值,即局部亮度模式。如果局部聚类在边缘周围形成,则该量度接近于1,否则接近于0。在一个实施例中,具有小置信度(例如<0.4)的边缘被删除。具有小置信度的边缘可以由在扩散边缘上应用小尺度平均移位滤波形成。
在一个实施例中,高置信度边缘也在正确边缘附近形成。为了去除这些错误边缘,确定边缘的边缘强度。边缘强度是在边缘位置和收敛位置上的亮度之间的亮度差。收敛位置对应于平均移位滤波之后位移矢量终止的空间位置。具体而言,边缘位置i的边缘强度由Es(i)=2|Ii-Ic|给出,其中Ic是收敛点的亮度值。应当注意的是对于每个发散点来说存在两个收敛位置。在理想情况(即良好隔离的阶跃边缘)下,边缘强度并不根据Ic的选择而改变。该假设通常并不适用,因此计算机202选择正确的一个。
图像324一同示出滤波亮度和原始亮度。代表原始亮度的点是线328(也在左图中示出)。
图4显示在间隙边缘(即邻近结构的存在明显改变亮度分布的地方)上基于平均移位的边缘检测的图形表示400。平均移位滤波的详细分析指出边缘位置和边缘强度可以从滤波器的一侧精确地被计算。在一个实施例中,从所述一侧测量边缘强度。正确的一侧根据多侧的边缘置信度来确定。特别是以及在一个实施例中,给出更高边缘置信度的一侧被选择用于边缘强度。然后边缘基于其强度和局部模式被去除。如果边缘不是位于另一边缘的局部模式之下,则该边缘是正确边缘。如果它落入另一边缘的局部模式内,则它必须具有更高的边缘强度。边缘的局部模式对应于其收敛点之间的间隔。
当应用了正确大小的平均移位时,获得正确边缘位置(在图像404中示出)。更大尺度的平均移位使边缘向左移动并且降低边缘强度Es。
图5显示说明用于选择对应于脉管横截面边界的边缘的算法的流程图。实现了显著边缘选择算法504、边缘分组算法508、以及然后用于根据椭圆形状描述子来确定脉管边界的算法512。
显著边缘选择算法504假设脉管未被嵌入到其它亮结构内。所以脉管局部地被更暗的背景所围绕。该假设在下面被称为“非嵌套结构”假设。如果脉管完全被更暗的出现的斑块所围绕,则该假设可能不成立。通过“非嵌套结构假设”来确定多尺度边缘中的显著边缘。在几何学上,如果在脉管内没有明显噪声,则在沿从种子点出发的光线传播期间遇到的第一显著边缘(强度)常常对应于脉管边界。所以,如果在右侧(向外)存在更加显著的边缘,则从边缘图中删除边缘。在数学上,如果Esi<k1Esj其中j>i≥0或如果k1Esi<Esj,其中i>j≥0则边缘Ei被删除。k1是指定边缘的相对强度的参数。在一个实施例中,计算机应用k1值的范围以从多个尺度中选择显著边缘。例如,k1可以被设置为0.1,0.2,0.3,0.5,0.7和0.9,并且所有显著边缘都在单个图像中被标记。
图6显示多个包括带有所标记的边缘的脉管的图像。例如,图像604包括具有诸如边缘612这样的边缘的脉管608。图像604也包括与脉管608无关的其它边缘、例如边缘616。类似地,图像620具有边缘、例如脉管628的边缘624和与脉管628无关的边缘632。使用上述的算法,显著边缘被选择,而诸如边缘616和632的其它边缘被去除。该显著边缘选择在图像636和640中被示出。与相应脉管608、628无关的边缘中的大多数已被去除。
然后执行边缘分组算法508。边缘分组算法508将边缘组织成“长平滑曲线”、例如曲线644、648。
图7(a)显示边缘704、708的局部分组的示图。边缘分组算法508利用角Qi712和边缘元素(即边缘704、708)之间的距离(长度)Li716。具体而言,边缘分组从三个边缘元素开始,其形成平滑曲线段,即小角Qi712。然后该曲线通过基于邻角增加更多的边缘元素而在两个方向上扩展。当在曲线段的扩展期间多个边缘元素是用于平滑的“好的”候选者时,形成分支点并且新的曲线段从该分支点起始。当所有边缘元素都被考虑用于局部分组时该迭代边缘分组终止。该分组算法将边缘转换为一组曲线段C=(C1,...,CN}。
在从显著边缘获得一组平滑曲线段之后,应用一个或多个形状描述子。在一个实施例中,应用椭圆形状描述子。该算法的目标是选择对应于脉管的横截面边界的k个曲线段的子集。这可以通过考虑曲线段的所有几何学上可能的子集和选择最类似于椭圆的子集来实现。几何学上可能的曲线段对应于这样的段,当这些段被连接在一起而不使它们成为碎片时,这些段形成更平滑并且更长的曲线段。不相交的曲线段可以形成平滑曲线,这然后导致在它们之间形成间隙。当脉管边界的一些部分由于附近的亮结构的存在而不包含任何边缘时可能出现间隙。
图7(b)显示具有间隙的脉管边界720。例如,当在造影增强MRA中动脉接触静脉时,在它们之间不存在边界。因而,附近的脉管常常从脉管边界中去除边缘中的一些,由此导致间隙。类似地,在CTA中,由于亮度相似,可能在骨和接触脉管之间不存在边界。另外,由于脉管边界中的噪声,也可能在边缘分组阶段中形成间隙。
为了获得闭合曲线,所述间隙通过最佳的填充(completion)曲线来跨接。这些用于曲线段或边缘元素之间的间隙的填充曲线例如可以由圆弧构成。在另一实施例中,三次样条被用于跨接间隙。图7(b)显示正被用于跨接脉管边界720中的间隙的三次样条724。
在一个实施例中,最佳地(即最精确地)代表脉管的横截面边界的曲线段根据椭圆拟合量度来确定。特别是,虽然脉管边界的整体形状类似椭圆,但脉管边界也可能由于附近脉管的存在而显示出不同于椭圆的局部变化。这些局部变形应当被保存以用于精确的边界表示。
在一个实施例中,椭圆傅立叶描述子被用于从所有可能的椭圆中获得最佳曲线。傅立叶描述子涉及将傅立叶分析、主要是傅立叶级数用作可以在数值上描述不规则结构的形状的曲线拟合技术。
具体而言,根据给定的集合C,通过椭圆傅立叶描述子针对曲线段的每个几何学上可能的子集计算椭圆拟合量度。在它们之中,最佳地拟合椭圆的曲线段的子集被选择作为脉管的边界。
图7(c)显示由一组曲线段的椭圆傅立叶描述子构成的闭合曲线730。在一个实施例中,由于少量的系数(例如小于5)不能捕获边界的局部变形,而大量的系数(例如大于10)允许太多的局部变形,因此使用了几个傅立叶系数。
图8(a)-(h)显示正被用于初始图像804上的检测脉管边界的算法。与该算法相关的所有参数在整个算法处理过程中保持恒定。初始图像804是脉管802的正交视图。初始图像804包括边缘(例如边缘808和812)。计算机202选择种子点,然后从该种子点传播光线。沿光线(例如1维光线)检测多尺度边缘。图像816示出算法中的下一步骤,即去除错误边缘(用白色示出),例如错误边缘820。在错误边缘820被去除之后,形成图像824。然后通过将k1设置为0.1,0.2,0.3,0.5,0.7和0.9而在图像828中选择显著边缘。然后根据局部边缘分组算法在图像836中获得曲线段、例如曲线段832。这些曲线段包含间隙、例如间隙840。使用曲线段之间的三次样条(在图像844中用白色示出)来填充间隙。计算机202然后使用椭圆傅立叶表示846(在图像848中用白色示出)来表示曲线组。然后由椭圆拟合在图像856中获得脉管边界852。
所述算法也可以被用于构建3维脉管。特别是,首先确定脉管的方向。在一个实施例中,基于海赛(Hessian)矩阵的特征值分析来确定脉管的方向。接着在单个种子点上应用所述算法以在那个位置上确定脉管边界。然后使种子点递增地沿脉管的方向移动并且在每个种子点上应用所述算法,从而导致沿脉管的方向获得许多脉管边界。这些边界然后可以被组合在一起以产生脉管的3维表示。使用该技术可以允许对狭窄和动脉瘤精确地进行建模。
前面的详细描述应当被理解为在每个方面都是说明性的和示例性的,而不是限制性的,并且在此所公开的本发明的范围不应当由详细描述决定,而是应当由如根据专利法所允许的全部范围所说明的权利要求决定。应当理解,在此所显示和描述的实施例仅仅是本发明的原理的说明,在不脱离本发明的范围和精神的情况下本领域的技术人员可以进行各种修改。在不脱离本发明的范围和精神的情况下本领域的技术人员可以实现各种其它特征组合。
Claims (27)
1.一种用于在图像中检测脉管的边界的方法,包括:
基于在多个距离上的数据点之间的亮度变化在所述图像中检测多个边缘;
从所述多个边缘中选择一组边缘;
基于所选择的所述一组边缘确定初始脉管边界;以及
将形状描述子应用于所述初始脉管边界以确定最终的脉管边界。
2.根据权利要求1的方法,其中,所述选择一组边缘的步骤进一步包括基于它们的强度来选择所述一组边缘。
3.根据权利要求2的方法,进一步包括为所述多个边缘中的每个边缘确定强度的步骤。
4.根据权利要求1的方法,进一步包括从所述多个边缘中去除错误边缘的步骤。
5.根据权利要求1的方法,进一步包括删除所述初始脉管边界中的错误边缘的步骤。
6.根据权利要求1的方法,其中,所述检测多个边缘的步骤包括执行平均移位分析。
7.根据权利要求1的方法,其中,所述确定初始脉管边界的步骤进一步包括将所述脉管限定为非嵌套结构的步骤。
8.根据权利要求1的方法,其中,所述应用的步骤进一步包括将椭圆形状描述子应用于所述初始脉管边界的步骤。
9.根据权利要求1的方法,其中,所述检测多个边缘的步骤进一步包括沿所述脉管传播至少一条光线。
10.一种用于在图像中检测脉管的边界的设备,包括:
用于基于在多个距离上的数据点之间的亮度变化在所述图像中检测多个边缘的装置;
用于从所述多个边缘中选择一组边缘的装置;
用于基于所选择的所述一组边缘确定初始脉管边界的装置;和
用于将形状描述子应用于所述初始脉管边界以确定最终的脉管边界的装置。
11.根据权利要求10的设备,其中,所述用于选择所述一组边缘的装置进一步包括用于基于与所述多个边缘中的每个边缘相关的强度来选择所述一组边缘的装置。
12.根据权利要求11的设备,包括用于为所述多个边缘中的每个边缘确定强度的装置。
13.根据权利要求10的设备,包括用于从所述多个边缘中去除错误边缘的装置。
14.根据权利要求10的设备,包括用于删除所述初始脉管边界中的错误边缘的装置。
15.根据权利要求10的设备,其中,所述用于检测所述多个边缘的装置进一步包括用于执行平均移位分析的装置。
16.根据权利要求10的设备,其中,所述用于确定所述初始脉管边界的装置进一步包括用于将所述脉管限定为非嵌套结构的装置。
17.根据权利要求10的设备,其中,所述用于应用的装置进一步包括用于将椭圆形状描述子应用于所述初始脉管边界的装置。
18.根据权利要求10的设备,其中,所述用于检测所述多个边缘的装置进一步包括用于沿所述脉管传播至少一条光线的装置。
19.一种计算机可读介质,其包括能够在处理器中被执行并且限定以下步骤的计算机程序指令,所述步骤包括:
基于在多个距离上的数据点之间的亮度变化在所述图像中检测多个边缘;
从所述多个边缘中选择一组边缘;
基于所选择的所述一组边缘确定初始脉管边界;以及
将形状描述子应用于所述初始脉管边界以确定最终的脉管边界。
20.根据权利要求19的计算机可读介质,其中,所述选择一组边缘的步骤进一步包括基于它们的强度来选择所述一组边缘。
21.根据权利要求20的计算机可读介质,进一步包括限定为所述多个边缘中的每个边缘确定强度的步骤的计算机程序指令。
22.根据权利要求19的计算机可读介质,进一步包括限定从所述多个边缘中去除错误边缘的步骤的计算机程序指令。
23.根据权利要求19的计算机可读介质,进一步包括限定删除所述初始脉管边界中的错误边缘的步骤的计算机程序指令。
24.根据权利要求19的计算机可读介质,其中,所述检测多个边缘的步骤包括执行平均移位分析。
25.根据权利要求19的计算机可读介质,其中,所述确定初始脉管边界的步骤进一步包括将所述脉管限定为非嵌套结构的步骤。
26.根据权利要求19的计算机可读介质,其中,所述应用的步骤进一步包括将椭圆形状描述子应用于所述初始脉管边界的步骤。
27.根据权利要求19的计算机可读介质,其中,所述检测多个边缘的步骤进一步包括沿所述脉管传播至少一条光线的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US67263405P | 2005-04-19 | 2005-04-19 | |
US60/672634 | 2005-04-19 | ||
US11/399164 | 2006-04-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1853569A true CN1853569A (zh) | 2006-11-01 |
Family
ID=37111639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006100840175A Pending CN1853569A (zh) | 2005-04-19 | 2006-04-19 | 检测脉管边界的方法和设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US7773787B2 (zh) |
JP (1) | JP2006297104A (zh) |
CN (1) | CN1853569A (zh) |
DE (1) | DE102006017113A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982527A (zh) * | 2011-07-07 | 2013-03-20 | 宏达国际电子股份有限公司 | 图像分割方法以及图像分割系统 |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7343032B2 (en) * | 2005-09-01 | 2008-03-11 | Fujifilm Corporation | Method and apparatus for automatic and dynamic vessel detection |
WO2007035688A2 (en) * | 2005-09-16 | 2007-03-29 | The Ohio State University | Method and apparatus for detecting intraventricular dyssynchrony |
EP1933703A2 (en) * | 2005-09-16 | 2008-06-25 | The Ohio State University | Method and apparatus for detecting interventricular dyssynchrony |
US7953266B2 (en) * | 2007-02-06 | 2011-05-31 | Siemens Medical Solutions Usa, Inc. | Robust vessel tree modeling |
US9629571B2 (en) | 2007-03-08 | 2017-04-25 | Sync-Rx, Ltd. | Co-use of endoluminal data and extraluminal imaging |
US9968256B2 (en) | 2007-03-08 | 2018-05-15 | Sync-Rx Ltd. | Automatic identification of a tool |
US9375164B2 (en) | 2007-03-08 | 2016-06-28 | Sync-Rx, Ltd. | Co-use of endoluminal data and extraluminal imaging |
US11197651B2 (en) | 2007-03-08 | 2021-12-14 | Sync-Rx, Ltd. | Identification and presentation of device-to-vessel relative motion |
US10716528B2 (en) | 2007-03-08 | 2020-07-21 | Sync-Rx, Ltd. | Automatic display of previously-acquired endoluminal images |
WO2014002095A2 (en) | 2012-06-26 | 2014-01-03 | Sync-Rx, Ltd. | Flow-related image processing in luminal organs |
EP2358269B1 (en) | 2007-03-08 | 2019-04-10 | Sync-RX, Ltd. | Image processing and tool actuation for medical procedures |
US11064964B2 (en) | 2007-03-08 | 2021-07-20 | Sync-Rx, Ltd | Determining a characteristic of a lumen by measuring velocity of a contrast agent |
JP5639764B2 (ja) | 2007-03-08 | 2014-12-10 | シンク−アールエックス,リミティド | 運動する器官と共に使用するイメージング及びツール |
EP2303385B1 (en) | 2008-06-19 | 2013-12-11 | Sync-RX, Ltd. | Stepwise advancement of a medical tool |
DE102008036812B4 (de) * | 2008-08-07 | 2010-07-15 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Segmentierung eines Objekts aus einem Bilddatensatz |
US9974509B2 (en) | 2008-11-18 | 2018-05-22 | Sync-Rx Ltd. | Image super enhancement |
US9144394B2 (en) | 2008-11-18 | 2015-09-29 | Sync-Rx, Ltd. | Apparatus and methods for determining a plurality of local calibration factors for an image |
US11064903B2 (en) | 2008-11-18 | 2021-07-20 | Sync-Rx, Ltd | Apparatus and methods for mapping a sequence of images to a roadmap image |
US10362962B2 (en) | 2008-11-18 | 2019-07-30 | Synx-Rx, Ltd. | Accounting for skipped imaging locations during movement of an endoluminal imaging probe |
US8855744B2 (en) | 2008-11-18 | 2014-10-07 | Sync-Rx, Ltd. | Displaying a device within an endoluminal image stack |
US9101286B2 (en) | 2008-11-18 | 2015-08-11 | Sync-Rx, Ltd. | Apparatus and methods for determining a dimension of a portion of a stack of endoluminal data points |
US9095313B2 (en) | 2008-11-18 | 2015-08-04 | Sync-Rx, Ltd. | Accounting for non-uniform longitudinal motion during movement of an endoluminal imaging probe |
DE102009006636B4 (de) * | 2008-12-30 | 2016-02-18 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung einer 2D-Kontur einer in 3D-Bilddaten abgebildeten Gefäßstruktur |
US8768016B2 (en) | 2009-06-19 | 2014-07-01 | Carestream Health, Inc. | Method for quantifying caries |
US9235901B2 (en) * | 2009-10-14 | 2016-01-12 | Carestream Health, Inc. | Method for locating an interproximal tooth region |
US8553933B2 (en) | 2010-11-10 | 2013-10-08 | Raytheon Company | Edge diversity object detection |
US8582884B2 (en) | 2010-11-12 | 2013-11-12 | Raytheon Company | Approximation of an imaged object from edges detected from the underlying image |
EP2723231A4 (en) | 2011-06-23 | 2015-02-25 | Sync Rx Ltd | LUMINAL BACKGROUND CLEANING |
JP5310803B2 (ja) * | 2011-07-25 | 2013-10-09 | カシオ計算機株式会社 | 画像処理装置、画像処理方法及びプログラム |
DE102011086456A1 (de) * | 2011-11-16 | 2013-05-16 | Siemens Aktiengesellschaft | Rekonstruktion von Bilddaten |
DE102014115851A1 (de) * | 2014-10-30 | 2016-05-04 | Physikalisch - Technische Bundesanstalt | Verfahren und Vorrichtung zur Berechnung, Darstellung und Weiterverarbeitung von lokalen Gütemaßen aus einem Volumenbilddatensatz |
CN113781482B (zh) * | 2021-11-11 | 2022-02-15 | 山东精良海纬机械有限公司 | 一种复杂环境下机械零件裂纹缺陷检测方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047090A (en) * | 1996-07-31 | 2000-04-04 | U.S. Philips Corporation | Method and device for automatic segmentation of a digital image using a plurality of morphological opening operation |
US6385332B1 (en) * | 1999-02-19 | 2002-05-07 | The John P. Roberts Research Institute | Automated segmentation method for 3-dimensional ultrasound |
US6590999B1 (en) * | 2000-02-14 | 2003-07-08 | Siemens Corporate Research, Inc. | Real-time tracking of non-rigid objects using mean shift |
US6785409B1 (en) * | 2000-10-24 | 2004-08-31 | Koninklijke Philips Electronics, N.V. | Segmentation method and apparatus for medical images using diffusion propagation, pixel classification, and mathematical morphology |
US6947040B2 (en) | 2001-10-23 | 2005-09-20 | Siemens Corporate Research, Inc. | Vessel detection by mean shift based ray propagation |
US7015907B2 (en) | 2002-04-18 | 2006-03-21 | Siemens Corporate Research, Inc. | Segmentation of 3D medical structures using robust ray propagation |
US6658143B2 (en) * | 2002-04-29 | 2003-12-02 | Amersham Biosciences Corp. | Ray-based image analysis for biological specimens |
US7324675B2 (en) * | 2002-11-27 | 2008-01-29 | The Board Of Trustees Of The Leland Stanford Junior University | Quantification of aortoiliac endoluminal irregularity |
-
2006
- 2006-04-06 US US11/399,164 patent/US7773787B2/en active Active
- 2006-04-10 DE DE102006017113A patent/DE102006017113A1/de not_active Ceased
- 2006-04-19 CN CNA2006100840175A patent/CN1853569A/zh active Pending
- 2006-04-19 JP JP2006115697A patent/JP2006297104A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982527A (zh) * | 2011-07-07 | 2013-03-20 | 宏达国际电子股份有限公司 | 图像分割方法以及图像分割系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2006297104A (ja) | 2006-11-02 |
US7773787B2 (en) | 2010-08-10 |
DE102006017113A1 (de) | 2006-11-09 |
US20060262988A1 (en) | 2006-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1853569A (zh) | 检测脉管边界的方法和设备 | |
EP2104453B1 (en) | Visualizing a vascular structure | |
US10275881B2 (en) | Semi-automated image segmentation system and method | |
US8139836B2 (en) | Automatic segmentation of the heart and aorta in medical 3-D scans without contrast media injections | |
CN100562291C (zh) | 一种针对ct图像的处理装置、方法及系统 | |
US20070116357A1 (en) | Method for point-of-interest attraction in digital images | |
EP1975877B1 (en) | Method for point-of-interest attraction in digital images | |
US7787673B2 (en) | Method and apparatus for airway detection and segmentation using 3D morphological operators | |
US20110245650A1 (en) | Method and System for Plaque Lesion Characterization | |
US20110235878A1 (en) | Medical image processing device and method | |
JP2005198708A (ja) | 血管狭窄率解析装置及び血管狭窄率解析方法 | |
KR102307995B1 (ko) | 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법 | |
Bendtsen et al. | X‐Ray Computed Tomography: Semiautomated Volumetric Analysis of Late‐Stage Lung Tumors as a Basis for Response Assessments | |
US7747051B2 (en) | Distance transform based vessel detection for nodule segmentation and analysis | |
US9767550B2 (en) | Method and device for analysing a region of interest in an object using x-rays | |
CN105513055A (zh) | Cta图像中分割组织的方法和装置 | |
Buckler et al. | Inter-method performance study of tumor volumetry assessment on computed tomography test-retest data | |
Chen et al. | An automated approach for fibrin network segmentation and structure identification in 3D confocal microscopy images | |
JP2004516875A (ja) | 検査される物体の体積表示を有するデータセットを解析する方法 | |
Diedrich et al. | Comparing performance of centerline algorithms for quantitative assessment of brain vascular anatomy | |
Keller et al. | Semi-automated location identification of catheters in digital chest radiographs | |
US20070064988A1 (en) | System and method for grouping airways and arteries for quantitative analysis | |
CN1765322A (zh) | 栓塞分析方法和设备 | |
Liu et al. | Optimal graph search based image segmentation for objects with complex topologies | |
CN114240887B (zh) | 一种基于脑部多模态图像的处理方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |