CN1894720B - 基于滑降的形状表征方法和设备 - Google Patents
基于滑降的形状表征方法和设备 Download PDFInfo
- Publication number
- CN1894720B CN1894720B CN2004800373745A CN200480037374A CN1894720B CN 1894720 B CN1894720 B CN 1894720B CN 2004800373745 A CN2004800373745 A CN 2004800373745A CN 200480037374 A CN200480037374 A CN 200480037374A CN 1894720 B CN1894720 B CN 1894720B
- Authority
- CN
- China
- Prior art keywords
- downhill race
- image
- parameter
- toboggan cluster
- accordance
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/10068—Endoscopic image
-
- 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
- G06T2207/20152—Watershed segmentation
-
- 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
- G06T2207/30028—Colon; Small intestine
- G06T2207/30032—Colon polyp
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
用于表征图像的方法和设备。该方法从图像或者其一部分中选择一个或者多个待滑降的滑降位势。使所选择的滑降位势滑降以产生一个或者多个滑降参数,从而利用一个或者多个滑降参数形成至少一个滑降簇。也选择滑降簇的一个或者多个来计算至少一个特征参数,以表征图像或者其一部分。所述特征参数包括从体素到其集中位置的滑动方向、直接距离和滑动距离,以及所述直接距离和所述滑动距离之距离比,其中所述距离比是簇的球形度的量度。计算特征参数包括以位置的局部集中LCL与一最小距离之比而针对所选的滑降簇来计算表面各向同性量度,其中LCL值标识了向一个位置滑动的体素的数量,所述最小距离是从LCL的位置至滑降簇的表面的最短距离。
Description
对相关申请的交叉参考
本申请要求于2003年12月16日提交的题目为“基于滑降(Toboggan)的形状表征”的美国临时申请序列号60/530,069(律师签号2003P19095US)的权益,其在这里整体地被结合参考。
发明背景
技术领域
本发明涉及成像,更具体地涉及图像分析。
相关技术的讨论
从包括、但不局限于2D和3D的任何维数的图像中对形状和特征信息的提取具有很多用途。这种用途之一是在医学成像领域中,其中可以被用于息肉检测和息肉分割。
形状表征的当前算法使用法线相交用于检测形状,其中使用对可视表面的法线。然而,在法线方向上画出的线可能不很好相交;因此,相交点不好被定义。提取可视表面和进行法线相交的过程是费时间的。
形状表征的另一算法使用在计算上耗费大的梯度浓度。
发明内容
本发明的一种示例性实施方案包括一种表征图像的方法。该方法包括:使一个或者多个所选择的滑降位势(toboggan potential)滑降以产生一个或者多个滑降参数,其中所选择的滑降位势中的至少一个从所述图像或者所述图像的一个或者多个部分中被选择。利用滑降参数中的至少一个来形成一个或者多个滑降簇(toboggan cluster)。选择一个或者多个滑降簇来计算一个或者多个特征参数,其中所述特征参数包括从体素到其集中位置的滑动方向、直接距离和滑动距离,以及所述直接距离和所述滑动距离之距离比,其中所述距离比是簇的球形度的量度,其中计算特征参数包括以位置的局部集中LCL与一最小距离之比而针对所选的滑降簇来计算表面各向同性量度,其中LCL值标识了向一个位置滑动的体素的数量,所述最小距离是从LCL的位置至滑降簇的表面的最短距离。
本发明的另一示例性实施方案使所述图像的一个或者多个部分包括在所述图像内的一个或者多个体积。
本发明的另一示例性实施方案使通过获取与体积中的至少一个有关的检测位置来选择一个或者多个体积。提取围绕有关的检测位置的体积中的至少一个。
本发明的另一示例性实施方案使在所述图像或者所述图像的至少一个部分被进一步处理之后,一个或者多个滑降位势被选择。
本发明的另一示例性实施方案使一个或者多个滑降位势从原始图像、或者所述原始图像的至少一个部分被选择。
本发明的另一示例性实施方案使一个或者多个滑降参数是滑降方向、滑降标记和两者中的至少一个。
本发明的另一示例性实施方案使选择一个或者多个滑降簇来计算一个或者多个特征参数的步骤另外还包括合并两个或者多个滑降簇以形成所选择的滑降簇中的至少一个。
本发明的另一示例性实施方案使合并两个或者多个滑降簇的步骤另外还包括合并位于距检测位置的确定距离内的滑降簇。
本发明的另一示例性实施方案使合并两个或者多个滑降簇的步骤另外还包括合并通过学生t检定(Student’s t-test)所选择的滑降簇。
本发明的另一示例性实施方案使所计算的特征参数中的至少一个是统计参数。
本发明的另一示例性实施方案使所述统计参数是直接距离的最大值、最小值、平均值、标准偏差、以及直接距离、滑动距离和距离比参数。
本发明的另一示例性实施方案使所计算的特征参数中的至少一个是形状表征参数。
本发明的另一示例性实施方案使所述形状表征参数是球形度、离心率和表面各向同性量度中的至少一个。
本发明的另一示例性实施方案使选择一个或者多个滑降簇来计算一个或者多个特征参数的步骤采用所选择的滑降簇中的至少一个的一个或者多个部分,以计算特征参数中的至少一个。
本发明的另一示例性实施方案是用于表征图像的设备。该设备采用用于获得待分析的图像的成像器。选择器被用于从图像或者图像的一个或者多个部分中选择一个或者多个滑降位势。滑降模块被用于使所选择的滑降位势中的至少一个滑降以产生一个或者多个滑降参数。集群模块被用于利用一个或者多个滑降参数形成一个或者多个滑降簇。计算模块被用于选择所述滑降簇的一个或者多个来计算至少一个特征参数,其中所述特征参数包括从体素到其集中位置的滑动方向、直接距离和滑动距离,以及所述直接距离和所述滑动距离之距离比,其中所述距离比是簇的球形度的量度,其中计算特征参数包括以位置的局部集中LCL与一最小距离之比而针对所选的滑降簇来计算表面各向同性量度,其中LCL值标识了向一个位置滑动的体素的数量,所述最小距离是从LCL的位置至滑降簇的表面的最短距离。
本发明的另一示例性实施方案使所述设备获取与体积中的至少一个有关的检测位置,并且提取围绕有关的检测位置的体积。
本发明的另一示例性实施方案使在所述图像或者所述图像的至少一个部分已经被进一步处理之后,所述选择器选择所述滑降位势中的至少一个。
本发明的另一示例性实施方案使所述选择器从所获取的图像或者所获取的图像的至少一个部分中选择滑降位势中的至少一个。
本发明的另一示例性实施方案使所选择的滑降簇中的至少一个通过合并两个或者多个滑降簇来形成。
本发明的另一示例性实施方案使两个或者多个合并的滑降簇被定位于距检测位置的确定距离内。
本发明的另一示例性实施方案使两个或者多个合并的滑降簇通过学生t检定来选择。
本发明的另一示例性实施方案使所选择的滑降簇中的至少一个的一个或者多个部分被用于计算至少一个特征参数。
本发明的其他示例性实施方案可以包括但不局限于可机读的、明确地实现可机器执行的指令程序以执行在图像中表征形状的方法的程序存储装置,以上已经提出了其几个示例性实施方案。
附图说明
图1是示出计算机系统的示例性实施方案的示意图;
图2是描述根据本发明的滑降过程的示例性实施方案的图表;
图3是示出根据本发明的特征表征的示例性算法的流程图;
图4是描述根据本发明的示例性实施方案的医学图像;
图5a是描述根据本发明的利用通过高斯滤波器(σ=1.5)所平滑的梯度幅值来计算滑降位势的示例性实施方案的医学图像;
图5b是描述根据本发明的利用通过高斯滤波器(σ=1.5)所平滑的结肠壁来计算滑降位势的示例性实施方案的医学图像;
图6是根据本发明的在图5a中所示的滑降位势上所添加的滑降簇的具有放大区域的医学图像;
图7是描述滑降簇被添加在原始子体积上的本发明的示例性实施方案的医学图像;
图8a是描述距离映象的本发明的示例性实施方案的医学图像;
图8b是描述被添加在原始子体积上的滑降簇的本发明示例性实施方案的医学图像;
图9是示出根据本发明的用于特征表征的另一示例性算法的流程图;
图10示出根据本发明的用于表征图像的方法用的设备框图。
具体实施方式
本发明的示例性实施方案提供了方法和设备,用于利用这里所述的被称为基于滑降的形状表征(“TBSC”)的滑降来表征图像中或者图像的一个或多个部分中的形状。滑降是一种构造,其中图像中的像素或者体素与滑动方向和集中位置有关。本发明的示例性实施方案具有胜过现有技术的多个优点。一个优点是TBSC在计算上效率高,并且不需要与其他解决方案同样多的时间和计算资源。另一优点是提供新的理论构思,其包括、但不局限于捕获对法向相交和梯度浓度方法两者的区别能力。由于此,在其他改进方案中这是能够获得高灵敏度和低错误肯定率两者的唯一方法。
参照图1,根据本发明的示例性实施方案,用于执行本发明的计算机系统101包括中央处理单元(“CPU”)102、存储器103、和输入/输出(“I/O”)接口104。计算机系统101通常通过I/O接口104被耦合到显示器105和诸如鼠标、键盘的各种输入装置106和医学成像设备上。支持电路可以包括诸如高速缓冲存储器、电源、时钟电路和通信总线的电路。存储器103可以包括随机存取存储器(“RAM”)、只读存储器(“ROM”)、硬盘驱动器、软盘驱动器等或者其组合。本发明可以被实施为例行程序107,其被存储在存储器103中,并且由CPU102执行以处理来自信号源108的信号。同样地,计算机系统101是在执行本发明的例行程序107时变成专用计算机系统的通用计算机系统。
计算机系统101也包括操作系统和微指令代码。这里所述的各种处理和功能可以是微指令代码的一部分或者是应用程序的一部分(或者其组合),其经由操作系统执行。另外,诸如附加的数据存储装置和打印装置的各种其他的外围设备可以被连接到计算机平台。
在被用于虚拟结肠镜检查中表征息肉形状的本发明的示例性实施方案中,TBSC假设感兴趣的形状已经利用手动的或者自动的程序被定位。例如息肉候选可以通过用户利用鼠标手动地被点击,或者通过检测模块自动地被检测。由TBSC给出的输出是一个或者多个特征参数,其可以被直接地显示给用户,或者也可以由用于进一步处理的自动模块(例如分类器)来使用。进一步处理的一个例子可以是判定候选是不是息肉。
根据本发明,TBSC的示例性实施方案使用滑降来表征形状。滑降可以被描述为一种非迭代的、单参数、线性执行时间过度分割方法。它是非迭代的在于处理每个图像像素或者体素仅仅一次,因此说明线性执行时间。它是通用的算法,能够被用于具有包括1D、2D和3D的任何维数的图像以及随时间变化的图像的集合。由于本领域计数人员应知道如何修改本发明以利用术语“像素”和“体素”的任何一个来工作时,故所述术语这里可被交换地使用。
根据本发明的滑降的示例性实施方案在图2中被描述。这里,单个例子被用于阐明利用5×5个2D滑降位势映象200的滑降过程。参考数字210指向图像的像素,利用映象中的每个数表示在该像素上的滑降位势值。该滑降位势值可以通过利用任意数量的手段来处理源图像数据被计算,其中所述手段包括、但是不局限于利用高斯滤波器或者其他平滑滤波器来平滑源图像的梯度幅值映象,并且利用距离变换来计算距离映象。然而,在某些应用中,滑降位势可以是在没有任何处理的情况下的原始图像或者至少是原始图像内的一个或者多个体积。这些体积可以被进一步划分成一个或者多个子体积。不管这里所述的分析方法是针对整个图像、体积还是子体积被执行,所述分析方法在主要方面保持相同。本领域技术人员应能够修改这里所述的方法和设备来处理它们中的任意一个。每个像素被假定滑向其具有最低位势的紧靠的邻居。起源于每个像素210的箭头230指示像素的该滑动方向。例如,为非特别原因所选择的被圈起的像素210具有位势27。12、14和20是作为其紧靠的邻居的像素210的位势。当12是最低值时,起源于被圈起的像素210的箭头230指向具有位势为12的像素。在像素由多于一个的具有相同的最小位势的像素包围的情况下,选择被发现具有该值的第一像素,或者使用其他策略来选择一个邻居。在围绕一个像素的最低位势具有与该像素自身相同的值的情况下,像素不向任何地方滑动,并且没有箭头被画出。像素滑向的不同位置被称为形成滑降簇的集中位置。在该例子中,所有像素向相同的集中位置、即具有位势为0的像素210滑动,形成单个滑降簇。向相同的位置“滑动”的所有像素或者体素被聚合在一起,因此将图像体积分成被公知为滑降簇的像素簇的集合。
在没有示出的另一示例性实施方案中,像素可以向其具有最高位势的邻居滑动。
滑降簇中的像素的滑动距离s被定义为至其集中位置的其滑动路径的长度。像素的直接距离d被定义为从像素至其集中位置的欧几里得距离。直接和滑动距离比自然地被定义为d/s。例如,在图2中被圈起的像素的滑动距离为 其直接距离为 直接和滑动距离比为3.6506/3.8284=0.9418。直接和滑动距离比也可以被称为距离比。
图3是根据本发明的示例性TBSC算法的流程图,并且通常由参考数字300来表示。块310表明由用户或者其他系统所提供的最初检测位置。
块320表示利用本领域中已公知的任何数量的方法从检测位置中提取各向同性的或者各向异性的体积或者子体积的步骤。它的一个例子在下面所示的图4中被描述。在某些应用中,可以在限制于感兴趣区或者不限制于感兴趣区的情况下选择对原始图像进行处理,以代替显式地从原始图像中提取体积或者子体积;因此,在本发明的其他示例性实施方案中,该步骤可以被跳过。
块330表示计算所提取的体积或者子体积的滑降位势的步骤。具有几种可以计算滑降位势的途径。这些方法包括、但是不局限于:利用平滑滤波器处理图像或者体积、平滑的梯度幅值分析、利用平滑操作的结肠壁分割、和距离变换算法。在某些应用中,在没有任何进一步处理的情况下,原始图像或者图像中的体积可以被直接用作滑降位势;因此,在本发明的其他示例性实施方案中,该步骤可以被跳过。
图5(a)示出本发明的一种示例性实施方案,其中梯度幅值从在图4中所示的原始子体积中被计算出并且利用高斯滤波器被平滑。图5(b)示出被平滑的结肠壁,其可以被用作滑降位势。图5a和5b在下文中被详细描述。根据应用,多刻度(例如四刻度)被使用,其中梯度幅值(或者结肠壁)利用不同的内核尺寸(不同的σ)被平滑。下文中详细描述的图8(a)示出距离映象,其也可以被用作息肉特征提取的滑降位势。作为结果的滑降簇可以不同,但是息肉表面点在很大程度上保持相同。
块340表示滑降步骤。如上述,在该步骤中体积中的每个体素根据所计算的滑降位势向其邻居之一滑动。如果体素本身具有比其邻居的任何一个都低的位势,则它不滑动,并且成为集中位置。这产生滑降参数,所述滑降参数包括、但是不局限于每个体素的滑降方向和滑降标记。对邻居的选择取决于应用和滑降位势的计算。例如,根据本发明,在息肉特征提取的示例性实施方案中,梯度幅值被用于计算滑降位势,并且具有最小位势的邻居被选择。在具有距离变换的息肉分割被用于计算滑降位势(被称为距离映象位势)的根据本发明的另一示例性实施方案中,具有最大位势的邻居被选择。可代替地,对距离映象的变换可以被执行,使得体素仍能向其具有最小位势的邻居滑动,并且获得相同的结果。下面所示的图8b示出了具有在图8a中所画出的距离映象位势的滑降过程。
在本发明的一种示例性实施方案中,滑降过程可以基于应用被限制于小区域或者子体积,也即对于所有像素在图像或者体积中滑动是没有必要的。例如,在息肉特征提取的情况下,只有沿着结肠壁的搜索区是感兴趣的,并且不需要悬空的(或者在骨上的)其他体素滑动。这加速了滑降过程。
块350表示形成滑降簇的步骤。这些簇是基于滑降参数的,所述滑降参数包括、但不局限于滑降方向、滑降标记或者两者。滑降过程可以为每个体素产生一个滑降方向。向相同的集中位置滑动的所有体素都与唯一的簇标记(也被公知为滑降标记)有关,并且被集合成一个滑降簇。滑降标记的一个例子在下面所示的图6中被示出。为了图解的目的,块340和块350被分开。应该注意的是在其他示例性实施方案中,滑降过程块340可以自动地产生滑降簇;因此,块340和块350可以被组合为一个步骤。
块360表示选择一个或者多个滑降簇用于分析的步骤。滑降是有效的图像分割技术。一个滑降簇通常对应于如在图7和8中所示的例子中的感兴趣的形状,并且该步骤是不必要的。然而,具有几种情形,其中感兴趣的形状被分成多个滑降簇,并且需要合并策略。有时期望将表示感兴趣的形状的那些滑降簇合并成一个大的簇。在图6所示的图示例子中,只有一个滑降簇被选择。可以应用不同的标准来选择滑降簇,例如选择那些被集中在距检测位置的确定距离内的那些滑降簇。例如学生t检定的更成熟的方法也可以被使用。
块370表示基于所选择的滑降簇来计算特征参数的步骤。对于簇中的每个体素,从体素至其集中位置的直接距离和滑动距离可以被计算。该体素的距离比可以如上述从其直接距离和其滑动距离中得出。如果滑降簇是球状的,则距离比很大,并且对于每个体素都接近于1。在某些应用中,应该更适用地并且有效地基于滑降簇中的体素的子集来计算一个或者多个参数。例如可以只计算那些外围体素(没有滑向它们的体素)的直接距离、滑动距离、和距离比参数。
在本发明的一种示例性实施方案中,表面体素可以基于滑降位势被识别,并且特征参数可能需要只针对那些表面体素被计算。这是多次针对虚拟内窥镜中息肉的情况。
在本发明的一种示例性实施方案中,任意数量的参数可以被计算。对于所选择的滑降簇的整个集合来说,能够计算统计参数,例如直接距离的最大值、最小值、平均值和标准偏差、滑动距离以及距离比参数。另外,用于表征滑降簇或者其部分的形状的参数可以被计算。例如,球形度可以基于原理组分分析通过三个本征值和其比率来获取;球形度也可以基于体积和滑降簇的表面面积的关系来获取。在本领域中已公知的离心率也可能被计算。离心率可以被表征为滑降簇的主轴之间的关系,并且可以基于滑降簇的本征值和本征向量来计算。
在本发明的另一示例性实施方案中,诸如表面各向同性量度的其他形状参数也可以被计算。表面各向同性量度取决于位置的局部集中(“LCL”)和至簇的表面的其最小距离。LCL值标识了向LCL的位置滑动的体素的数量。该位置可以是任何位置,并且不必要是整个滑降簇的集中位置。在滑降簇的表面上的体素具有为零的集中(没有体素向其滑动),而整个滑降簇的总集中位置(“GCL”)与滑降簇中的体素的总数有关。最小距离指的是从LCL的位置至滑降簇的表面(在息肉表征和特征提取的上下文中是结肠壁)的最短距离。于是,表面各向同性度量标准被定义为LCL和最小距离的比率。比率越高,则某物越圆。因此,在息肉表征的情况下,对于可能发现息肉的位置,该比率被期望得比较高。在滑降簇中的体素也可以被划分成层,并且每层的特性可以被检验;这些特性包括、但不局限于球形度、离心率和表面各向同性量度。
参照图4,根据本发明的一种示例性实施方案被示出。这里医学图像400描述了息肉候选的子体积410的例子。相同3D数据集的三个正交视图被示出。视图410中的每一个都表示从未示出的大图像中所提取的相同体积的不同正交视图。在视图410的每一个中的十字准线420的交点指示了由操作者或者计算机系统作为可能的息肉候选所选择的检测位置。在三个视图410中,检测位置420表示所选择的体积的中心。在实施该方法时,在没有显式地提取体积或者其子体积的情况下可以直接在原始图像或者体积上工作。较明亮的区域430是表示息肉的子体积。它利用分析方法被分割,其中所述分析方法是本发明的主题。
图5a和5b描述了根据本发明的另一示意性实施方案。如前所述,医学图像500和560描述了对于医学图像400的滑降位势的计算。医学图像500示出利用通过具有σ=1.5的高斯滤波器所平滑的梯度幅值来计算滑降位势的结果。医学图像560示出利用通过具有σ=1.5的高斯滤波器所平滑的结肠壁来计算滑降位势的结果。
图6示出根据本发明的另一示意性实施方案。该图示出具有滑降簇610的医学图像600,该滑降簇通过医学图像500被添加到在图5a中所示的滑降位势上。也描述了放大了医学图像600的一部分的放大部分650。滑降簇610已经针对所提取的子体积410被计算。每个正方形660都表示一个体素。箭头670表示每个像素朝向具有最低位势的周围体素的滑动方向。体素680是滑降簇610的集中位置。
通常用700表示的图7示出在图4中所示的原始体积410上所添加的滑降簇720。该滑降簇720是对被表示为在图4中加亮的区域430的息肉的分割。
图8a和8b示出根据本发明的利用距离变换来滑降的示例性实施方案。医学图像800描述了从图4中的相同的子体积410所计算的距离映象。医学图像850描述了所形成的在原始所提取的子体积上所添加的滑降簇860,从所述原始所提取的子体积中计算距离映象800。
图9是描述了本发明的另一示例性实施方案的流程图,其通常由参考数字900表示。块910表示获得待分析的图像或者其一部分的步骤。块920表示从原始图像或者其一部分中选择滑降位势的步骤。在选择滑降位势之前,该图像或者其一部分可以被进一步处理。块930表示通过使滑降位势滑降来产生一个或者多个滑降参数的步骤。块940表示利用滑降参数形成一个或者多个滑降簇的步骤。块950表示选择一个或者多个滑降参数来计算至少一个特征参数的步骤。
参照图10,根据本发明的图示实施方案的用于表征图像的设备被示出,并且通常用参考数字1000来表示。设备1001包括至少一个处理器或者中央处理单元(“CPU”)1002,其与系统总线1004进行信号通信。只读存储器(“ROM”)1006、随机存取存储器(“RAM”)1008、显示器适配器1010、I/O适配器1012、用户界面适配器1014、通信适配器1028和成像适配器1030也与系统总线1004进行信号通信。显示单元1016经由显示器适配器1010与系统总线1004进行信号通信。磁盘存储单元1018(诸如磁盘或者光盘存储单元)经由I/O适配器1012与信号总线1004进行信号通信。鼠标1020、键盘1022、和眼动跟踪装置1024经由用户界面适配器1014与系统总线1004进行信号通信。用于获得待分析的图像的成像器1032经由成像适配器1030与系统总线1004进行信号通信。
选择器单元1070被用于从该图像或者图像的一个或者多个部分中选择一个或者多个滑降位势。滑降模块单元1080被用于使至少一个所选择的滑降位势滑降来产生一个或者多个滑降参数。
集群模块单元1085利用一个或者多个滑降参数形成一个或者多个滑降簇。计算模块单元1090选择一个或者多个滑降簇来计算至少一个特征参数。该选择可以自动地基于某一标准由外部设备决定,或者也可以由操作者手动地决定。这些单元中的每一个都与CPU 1002和系统总线1004进行信号通信。虽然这些单元被表示为与至少一个处理器或者CPU 1002耦合,但是这些组件可以以被存储在存储器1006、1008和1018的至少一个中的计算机程序代码来实现,其中所述计算机程序代码由CPU 1002来执行。如应由最接近技术领域中的普通技术人员基于这里的教导所认识的那样,各种实施方案是可能的,例如实施在位于处理器芯片1002上的寄存器中的计算机程序代码的一些或者全部。根据本发明的可代替的实施方案的另一例子是,所述设备1001的一个或者多个组件以物理上分离的设备被实施,其中所有物理上分离的设备都彼此进行信号通信。在这里的教导的情况下,在本发明的范围和精神内进行实践时,最接近技术领域中的普通技术人员可以预见滑降模块1080和计算模块1090以及设备1001的其他元件的各种可代替的配置和实施。
本发明的其他示例性实施方案可以被用于对肺结核、乳腺病变、肝脏病变、前列腺癌、肺栓塞、以及具有相似表征和发生在身体其他部位的病态进行检测、分割和特征提取。
应该理解的是,本发明可以以硬件、软件、固件、专用处理器或者其组合的不同形式被实施。在一种实施方案中,本发明可以以软件的形式被实施为在程序存储装置上确实地实现的应用程序。应用程序可以被上载至包括任何适当的结构的机器并且由其执行。
也应该理解的是上述描述仅仅是代表示例性的实施例。为了读者的方便性,上述描述被集中在可说明本发明原理的可能实施例的代表性例子上,并且不试图穷举所有可能的变型方案。针对本发明的特殊部分可能没有提出替代的实施例,这不应当认为是对这些替代实施例的放弃。在不偏离本发明的精神和范围的情况下,其他应用和实施例可以直接地被实施。因此意味着本发明不应被局限于特定描述的实施例,而是本发明应该根据随后的权利要求被限定。可以理解的是,许多那些未描述的实施例处于下列的权利要求的字面范围内,并且有些是等价的。
Claims (35)
1.表征图像的方法,所述方法包括:
使一个或者多个所选择的滑降位势滑降以产生一个或者多个滑降参数,其中所选择的滑降位势中的至少一个从所述图像或者所述图像的一个或者多个部分中被选择;
利用滑降参数中的至少一个来形成一个或者多个滑降簇;和
选择一个或者多个滑降簇来计算一个或者多个特征参数,其中所述特征参数包括从体素到其集中位置的滑动方向、直接距离和滑动距离,以及所述直接距离和所述滑动距离之距离比,其中所述距离比是簇的球形度的量度,
其中计算特征参数包括以LCL与一最小距离之比而针对所选的滑降簇来计算表面各向同性量度,其中LCL值标识了向一个位置滑动的体素的数量,所述最小距离是从LCL的位置至滑降簇的表面的最短距离。
2.按照权利要求1所述的方法,其中所述图像的一个或者多个部分包括在所述图像内的一个或者多个体积。
3.按照权利要求2所述的方法,其中一个或者多个体积通过以下方式被选择:
获取与体积中的至少一个有关的检测位置;和
提取围绕有关的检测位置的体积中的至少一个。
4.按照权利要求1所述的方法,其中在所述图像或者所述图像的至少一个部分被进一步处理之后,一个或者多个滑降位势被选择。
5.按照权利要求1所述的方法,其中一个或者多个滑降位势从原始图像、或者所述原始图像的至少一个部分被选择。
6.按照权利要求1所述的方法,其中一个或者多个滑降参数是滑降方向、滑降标记和两者中的至少一个。
7.按照权利要求1所述的方法,其中选择一个或者多个滑降簇来计算一个或者多个特征参数的步骤另外还包括合并两个或者多个滑降簇以形成所选择的滑降簇中的至少一个。
8.按照权利要求7所述的方法,其中合并两个或者多个滑降簇的步骤另外还包括合并位于距检测位置的确定距离内的滑降簇。
9.按照权利要求7所述的方法,其中合并两个或者多个滑降簇的步骤另外还包括合并通过学生t检定所选择的滑降簇。
10.按照权利要求1所述的方法,其中所计算的特征参数中的至少一个是统计参数。
11.按照权利要求10所述的方法,其中所述统计参数是所述直接距离的最大值、最小值、平均值、标准偏差中的至少一个。
12.按照权利要求1所述的方法,其中所计算的特征参数中的至少一个是形状表征参数。
13.按照权利要求12所述的方法,其中所述形状表征参数是球形度、离心率和表面各向同性量度中的至少一个。
14.按照权利要求1所述的方法,其中选择一个或者多个滑降簇来计算一个或者多个特征参数的步骤采用所选择的滑降簇中的至少一个的一个或者多个部分,以计算特征参数中的至少一个。
15.按照权利要求1所述的方法,其中针对簇中的每个体素来计算所述特征参数。
16.按照权利要求1所述的方法,其中针对簇中的外围体素来计算所述特征参数,其中外围体素没有体素滑向它。
17.按照权利要求1所述的方法,其中针对表面体素计算所述特征参数,其中表面体素根据其滑降位势被识别。
18.按照权利要求1所述的方法,其中计算特征参数包括计算所选滑降簇的体积、表面积、长短轴、本征值、本征矢量、球形度和离心率。
19.按照权利要求1所述的方法,还包括把滑降簇中的体素划分成层,和计算每个层的特征参数。
20.按照权利要求19所述的方法,其中所述特征参数包括球形度、离心率和表面各向同性。
21.按照权利要求1所述的方法,其中所述滑降位势是距离映象。
22.用于表征图像的设备,所述设备包括:
用于获得待分析的图像的成像器;
用于从图像或者图像的一个或者多个部分中选择一个或者多个滑降位势的选择器;
用于使所选择的滑降位势中的至少一个滑降以产生一个或者多个滑降参数的滑降模块;
用于利用一个或者多个滑降参数形成一个或者多个滑降簇的集群模块;和
用于选择所述滑降簇的一个或者多个来计算至少一个特征参数的计算模块,其中所述特征参数包括从体素到其集中位置的滑动方向、直接距离和滑动距离,以及所述直接距离和所述滑动距离之距离比,其中所述距离比是簇的球形度的量度,
其中计算特征参数包括以LCL与一最小距离之比而针对所选的滑降簇来计算表面各向同性量度,其中LCL的值标识了向一个位置滑动的体素的数量,所述最小距离是从LCL的位置至滑降簇的表面的最短距离。
23.按照权利要求22所述的设备,其中所述图像的一个或者多个部分包括所述图像内的一个或者多个体积。
24.按照权利要求23所述的设备,其中所述设备
获取与体积中的至少一个有关的检测位置;和
提取围绕有关的检测位置的体积。
25.按照权利要求22所述的设备,其中在所述图像或者所述图像的至少一个部分已经被进一步处理之后,所述选择器选择所述滑降位势中的至少一个。
26.按照权利要求22所述的设备,其中所述选择器从所获得的图像或者所获得的图像的至少一个部分中选择滑降位势中的至少一个。
27.按照权利要求22所述的设备,其中一个或者多个滑降参数是滑降方向、滑降标记和两者中的至少一个。
28.按照权利要求22所述的设备,其中所选择的滑降簇中的至少一个通过合并两个或者多个滑降簇来形成。
29.按照权利要求28所述的设备,其中两个或者多个合并的滑降簇被定位于距检测位置的确定距离内。
30.按照权利要求28所述的设备,其中两个或者多个合并的滑降簇通过学生t检定来选择。
31.按照权利要求22所述的设备,其中所计算的特征参数中的至少一个是统计参数。
32.按照权利要求31所述的设备,其中所述统计参数是所述直接距离的最大值、最小值、平均值、标准偏差中的至少一个。
33.按照权利要求22所述的设备,其中所计算的特征参数中的至少一个是形状表征参数。
34.按照权利要求33所述的设备,其中所述形状表征参数是球形度、离心率和表面各向同性量度中的至少一个。
35.按照权利要求22所述的设备,其中所选择的滑降簇中的至少一个的一个或者多个部分被用于计算至少一个特征参数。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US53006903P | 2003-12-16 | 2003-12-16 | |
US60/530,069 | 2003-12-16 | ||
US11/006,282 US7480412B2 (en) | 2003-12-16 | 2004-12-07 | Toboggan-based shape characterization |
US11/006,282 | 2004-12-07 | ||
PCT/US2004/041116 WO2005062255A1 (en) | 2003-12-16 | 2004-12-08 | Toboggan-based shape characterization |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1894720A CN1894720A (zh) | 2007-01-10 |
CN1894720B true CN1894720B (zh) | 2011-08-03 |
Family
ID=34703559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2004800373745A Expired - Fee Related CN1894720B (zh) | 2003-12-16 | 2004-12-08 | 基于滑降的形状表征方法和设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US7480412B2 (zh) |
JP (1) | JP4629053B2 (zh) |
CN (1) | CN1894720B (zh) |
DE (1) | DE112004002416T5 (zh) |
WO (1) | WO2005062255A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060018549A1 (en) * | 2004-07-20 | 2006-01-26 | Jianming Liang | System and method for object characterization of toboggan-based clusters |
US20060209063A1 (en) * | 2004-10-12 | 2006-09-21 | Jianming Liang | Toboggan-based method for automatic detection and segmentation of objects in image data |
US7912294B2 (en) * | 2005-05-27 | 2011-03-22 | Siemens Medical Solutions Usa, Inc. | System and method for toboggan-based object detection in cutting planes |
US7822252B2 (en) * | 2006-11-28 | 2010-10-26 | Siemens Medical Solutions Usa, Inc. | Method of multiple instance learning and classification with correlations in object detection |
US8036440B2 (en) * | 2007-02-05 | 2011-10-11 | Siemens Medical Solutions Usa, Inc. | System and method for computer aided detection of pulmonary embolism in tobogganing in CT angiography |
JP4727615B2 (ja) * | 2007-03-30 | 2011-07-20 | シャープ株式会社 | 画像処理装置、制御プログラム、コンピュータ読み取り可能な記録媒体、電子機器及び画像処理装置の制御方法 |
US20090067494A1 (en) * | 2007-09-06 | 2009-03-12 | Sony Corporation, A Japanese Corporation | Enhancing the coding of video by post multi-modal coding |
US8612286B2 (en) * | 2008-10-31 | 2013-12-17 | International Business Machines Corporation | Creating a training tool |
US9299229B2 (en) * | 2008-10-31 | 2016-03-29 | Toshiba Global Commerce Solutions Holdings Corporation | Detecting primitive events at checkout |
US8345101B2 (en) * | 2008-10-31 | 2013-01-01 | International Business Machines Corporation | Automatically calibrating regions of interest for video surveillance |
US8429016B2 (en) * | 2008-10-31 | 2013-04-23 | International Business Machines Corporation | Generating an alert based on absence of a given person in a transaction |
US8253831B2 (en) * | 2008-11-29 | 2012-08-28 | International Business Machines Corporation | Location-aware event detection |
US8379985B2 (en) * | 2009-07-03 | 2013-02-19 | Sony Corporation | Dominant gradient method for finding focused objects |
CN103262120B (zh) * | 2010-12-09 | 2017-03-22 | 皇家飞利浦电子股份有限公司 | 图像数据的体积描绘 |
BR112014018076A8 (pt) * | 2012-01-27 | 2017-07-11 | Koninklijke Philips Nv | Sistema de imagiologia médica, método de imagiologia médica, meio legível de computador não transitório de carregamento de software e sistema de processamento de imagem |
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 |
CN104992428B (zh) * | 2015-04-23 | 2018-01-02 | 北京宇航时代科技发展有限公司 | 一种基于k均值聚类分析的图像落石体积测定方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6169817B1 (en) * | 1998-11-04 | 2001-01-02 | University Of Rochester | System and method for 4D reconstruction and visualization |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5889881A (en) * | 1992-10-14 | 1999-03-30 | Oncometrics Imaging Corp. | Method and apparatus for automatically detecting malignancy-associated changes |
US6331116B1 (en) | 1996-09-16 | 2001-12-18 | The Research Foundation Of State University Of New York | System and method for performing a three-dimensional virtual segmentation and examination |
JPH1156828A (ja) * | 1997-08-27 | 1999-03-02 | Fuji Photo Film Co Ltd | 異常陰影候補検出方法および装置 |
US6418238B1 (en) * | 1997-09-22 | 2002-07-09 | Olympus Optical Co., Ltd. | Image detection apparatus and image detection method capable of detecting roundish shape |
WO1999057683A1 (en) * | 1998-05-04 | 1999-11-11 | The Johns Hopkins University | Method and apparatus for segmenting small structures in images |
KR100308456B1 (ko) * | 1999-07-09 | 2001-11-02 | 오길록 | 주파수 공간상에서의 질감표현방법 및 질감기반 검색방법 |
US6947784B2 (en) * | 2000-04-07 | 2005-09-20 | The General Hospital Corporation | System for digital bowel subtraction and polyp detection and related techniques |
US20020164061A1 (en) | 2001-05-04 | 2002-11-07 | Paik David S. | Method for detecting shapes in medical 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 |
US7127100B2 (en) * | 2001-06-25 | 2006-10-24 | National Instruments Corporation | System and method for analyzing an image |
WO2003034176A2 (en) * | 2001-10-16 | 2003-04-24 | The University Of Chicago | Computer-aided detection of three-dimensional lesions |
US7272251B2 (en) * | 2002-09-30 | 2007-09-18 | The Board Of Trustees Of The Leland Stanford Junior University | Method for detecting and classifying a structure of interest in medical images |
US20050036691A1 (en) * | 2003-08-13 | 2005-02-17 | Pascal Cathier | Method and system for using structure tensors to detect lung nodules and colon polyps |
US7526115B2 (en) * | 2004-02-23 | 2009-04-28 | Siemens Medical Solutions Usa, Inc. | System and method for toboggan based object segmentation using divergent gradient field response in images |
US7565009B2 (en) * | 2004-06-07 | 2009-07-21 | Siemens Medical Solutions Usa, Inc. | System and method for dynamic fast tobogganing |
US7609887B2 (en) * | 2004-06-07 | 2009-10-27 | Siemens Medical Solutions Usa, Inc. | System and method for toboggan-based object segmentation using distance transform |
US20060018549A1 (en) * | 2004-07-20 | 2006-01-26 | Jianming Liang | System and method for object characterization of toboggan-based clusters |
US7567832B2 (en) * | 2004-08-13 | 2009-07-28 | The Mcw Research Foundation | MRI method for measuring tumor hemodynamic parameters in the presence of contrast agent extravasation |
US20060209063A1 (en) * | 2004-10-12 | 2006-09-21 | Jianming Liang | Toboggan-based method for automatic detection and segmentation of objects in image data |
US7689038B2 (en) * | 2005-01-10 | 2010-03-30 | Cytyc Corporation | Method for improved image segmentation |
US7912294B2 (en) * | 2005-05-27 | 2011-03-22 | Siemens Medical Solutions Usa, Inc. | System and method for toboggan-based object detection in cutting planes |
-
2004
- 2004-12-07 US US11/006,282 patent/US7480412B2/en active Active
- 2004-12-08 WO PCT/US2004/041116 patent/WO2005062255A1/en active Application Filing
- 2004-12-08 DE DE112004002416T patent/DE112004002416T5/de not_active Ceased
- 2004-12-08 CN CN2004800373745A patent/CN1894720B/zh not_active Expired - Fee Related
- 2004-12-08 JP JP2006545745A patent/JP4629053B2/ja not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6169817B1 (en) * | 1998-11-04 | 2001-01-02 | University Of Rochester | System and method for 4D reconstruction and visualization |
Non-Patent Citations (6)
Title |
---|
Eric N. Mortensen, William A. Barrett..Toboggan-based intelligent scissors with afour-parameteredge model.1999 IEEE.1999,1999452-458. * |
John Fairfield.Toboggan contrast enhancement for contrast segmentation.1990 IEEE.1990,1990712-716. * |
Tuan DANG, Olivier JAMET, Henri MAITRE.An image segmentation technique based on edge-preservingsmoothing filter and anisotropic diffusion.1994 IEEE.1994,199465-69. * |
US 6169817 B1,全文. |
William A.Barrett, L.Jack Reese, Eric N.Mortensen.Intelligent segmentation tools.2002 IEEE.2002,2002217页2.1节第1段、218页左栏第2段. * |
Xu Yao and YI-Ping Huang..Fast image segmentation by sliding in the derivative terrain.Intelligent robots and computer vision X: algorithms andtechniquesvol.1607.1991,vol.1607369-379. * |
Also Published As
Publication number | Publication date |
---|---|
DE112004002416T5 (de) | 2006-11-02 |
JP4629053B2 (ja) | 2011-02-09 |
JP2007521116A (ja) | 2007-08-02 |
US7480412B2 (en) | 2009-01-20 |
WO2005062255A1 (en) | 2005-07-07 |
CN1894720A (zh) | 2007-01-10 |
US20050141765A1 (en) | 2005-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1894720B (zh) | 基于滑降的形状表征方法和设备 | |
CN101027692B (zh) | 用于基于滑降的簇的对象表征的系统和方法 | |
Grand-Brochier et al. | Tree leaves extraction in natural images: Comparative study of preprocessing tools and segmentation methods | |
JP4999163B2 (ja) | 画像処理方法および装置ならびにプログラム | |
Maitra et al. | Technique for preprocessing of digital mammogram | |
CN1947151B (zh) | 用发散梯度场响应进行基于滑降的对象分割的方法和设备 | |
US9940706B2 (en) | Image processing apparatus, image processing method and storage medium for extracting a lesion having a ground glass opactiy | |
KR20220117236A (ko) | 의료 이미지를 사용한 자동화된 종양 식별 및 분할 | |
CN104619257A (zh) | 用于医学图像中的肺结节的自动化检测的系统和方法 | |
CN111784704B (zh) | Mri髋关节炎症分割与分类自动定量分级序贯方法 | |
CN104838422A (zh) | 图像处理设备及方法 | |
Neubert et al. | Assessment of remote sensing image segmentation quality | |
CN111815557A (zh) | 图像分析方法、装置、设备及存储介质 | |
CN113096080A (zh) | 图像分析方法及系统 | |
CN103208114A (zh) | 基于交互式分割的胃部脂肪组织提取方法 | |
CN112529900A (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
Junior et al. | Evaluating margin sharpness analysis on similar pulmonary nodule retrieval | |
Sameki et al. | ICORD: Intelligent Collection of Redundant Data-A Dynamic System for Crowdsourcing Cell Segmentations Accurately and Efficiently. | |
CN110135382A (zh) | 一种人体检测方法和装置 | |
CN113361584B (zh) | 模型训练的方法及装置、肺动脉高压的测量方法及装置 | |
Ababneh et al. | An efficient graph-cut segmentation for knee bone osteoarthritis medical images | |
Kiran et al. | AI-Powered Radiology: Enhancing Efficiency and Accuracy in Knee Osteoarthritis Diagnosis through Automated Bone Segmentation | |
Dias et al. | CraMs: Craniometric analysis application using 3D skull models | |
Lyu et al. | Automatic sulcal curve extraction on the human cortical surface | |
Deshpande et al. | An experiment with statistical region merging and seeded region growing image segmentation techniques |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200103 Address after: Erlangen Patentee after: Siemens Medical Co., Ltd. Address before: Pennsylvania, USA Patentee before: American Siemens Medical Solutions Inc. |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110803 Termination date: 20201208 |
|
CF01 | Termination of patent right due to non-payment of annual fee |