CN1930584A - 对医学图像进行滤波的系统和方法 - Google Patents

Abstract

一种三维医学图像滤波器基于给定3D区域的特性来计算图像的给定位置处的值。该滤波器由为邻近位置的梯度和图像值的函数的方程来定义。这些方程确定该给定位置处的最终值。这些方程的特定定义确定这些滤波器特性并可以针对不同的应用来进行调整。

Description

对医学图像进行滤波的系统和方法

相关申请的交叉引用

本申请要求于2004年1月8日提交的序列号为No.60/535,088的美国临时申请的权益，该临时申请在此全文引入作为参考。

发明领域

本发明涉及一种用于对医学图像进行滤波的系统和方法，并且更特别地涉及一种用于通过考虑预期的图像特性使用三维图像滤波器来计算图像内的任意给定位置处的值的系统和方法。

发明背景

从计算机断层扫描(CT)和磁共振(MR)扫描仪中所获得的现代三维(3D)医学图像包括大量数据，医师检查和解释这些数据是费时的。各种重要工具被引入来帮助分析这些数据，这些重要工具诸如计算机辅助检测(CAD)和计算机辅助诊断(CADx)以及不同的可视化方式。这样的工具要求可以包括分割、候选物检测(candidatedetection)、特征收集、以及分类的预处理步骤。分类既可被用于自动将候选物标记为检测到的疑有疾病的损伤/区域，也可以进一步将检测到的疑有疾病的损伤/区域分类成不同类型。

在尝试检测可能存在的异常或者疾病区域的CADx系统中，通常使用分割、候选物检测、特征收集以及分类步骤。在分割中，不能包括该类感兴趣的异常的图像部分被消除掉。例如，在结肠息肉检测中，不需要考虑结肠以外的区域。在肺结节检测中，肺以外的区域可被消除掉。由于并不需要考虑外部区域，所以该步骤节省了后面的处理时间，并且还消除了可能存在的假阳性源。另外，很多CADx系统依靠分割来产生感兴趣的对象与背景之间的精确轮廓，以便检测可能存在的候选物或者产生该候选物的特征。

在候选物检测阶段期间，算法尝试检测所有或者大部分可能存在的疾病区域。为了具有高灵敏度，在这个阶段还可能检测到许多假阳性。该算法的后面的阶段将尝试在保留真阳性的同时去除这些假阳性。例如，在结肠息肉检测中，候选物检测器将尝试找到所有真正的息肉，但是也可能找到正常的结肠皱襞、残余的大便、以及回盲瓣。在肺结节检测中，候选物检测器应该找到真正的结节，但是也可能找到脉管分叉、间隙(fissural)和支气管的增厚、以及疤痕。

在特征收集阶段期间，算法在每个候选物中和在每个候选物周围计算将被用来区别真阳性与假阳性的特征。例如，在结肠息肉检测中，所收集的特征可以包括强度值和分布。相似的特征可被用于进行肺结节检测。分类阶段分析在先前步骤中所收集的特征，以尝试在仍保留真阳性的同时去除假阳性。

在当前的CAD方法中，由算法的初始阶段产生的假阳性可以在后面的阶段中通过收集和分析每个息肉候选物的特定特征来消除。为了收集这些特征，必须利用由候选物所占有的空间的想法。

单独的点位置(诸如检测点)将仅允许收集有限数量的特征。对结肠息肉或者肺结节所占有的体积的某类评估必须存在，以适当地收集附加特征。典型地，在早期检测阶段，对大量的候选物进行检测。任何特征收集方法都必须快速运行，以处理这些候选物。

需要一种方法来准确地识别和表征图像中的潜在的候选物，以便提供对患者的正确诊断。这个过程要求识别候选物并要求快速且有效地在保留真阳性的同时消除假阳性的能力。

发明概要

本发明涉及一种三维医学图像滤波器，该三维医学图像滤波器基于给定3D区域的特性来计算该图像的给定位置处的值。该滤波器由为邻近位置的梯度和图像值的函数的方程来定义。这些方程确定给定位置处的最终值。这些方程的特定定义确定这些滤波器特性并可以针对不同的应用来进行调整。

附图简述

本发明的优选实施方式将在下面参考附图更详细地被描述，其中相同的参考编号表示相同的元件：

图1是根据本发明的示例性计算机断层扫描(CT)系统的示意图；

图2是根据本发明将MARS滤波器用于体素的图解说明；

图3是在应用MARS滤波器之前和在根据本发明应用MARS滤波器之后的结肠的一对图像；

图4是在应用MARS滤波器之前和在根据本发明应用MARS滤波器之后的肺的一对图像；

详细说明

本发明涉及使用滤波器来识别图像中的特性。滤波器的一个应用是对诸如结肠息肉或者肺结节的异常或者候选物的可能位置进行检测。滤波器的另一应用是为了区分真正的候选物与假阳性而收集候选物鉴别的特征。另一应用是为了在3D图像内确定候选物的范围(extent)而对候选物执行分割。

本领域普通技术人员应该理解，出于观察患者的内部结构的目的，本发明可以使用任何类型的二维或者三维成像系统。这样的结构可以包括器官、血管、组织区域或者其它所限定的结构。患者可以是人或者动物。此外，由于该滤波器像针对2D一样针对更高维数来定义，所以该方法也可被用于任何维数的图像。

本发明也可被用于包括二维或者三维成像的非医学应用。一个这样的例子可以是用于安全筛选(security screening)，以确定容纳物或者包裹物或以其它方式所包含的对象。这样的系统可被用于邮递环境或者用于在机场或者其它高安全性的地点中筛选行李。本发明还可以具有工业应用并被用于检查或者计数正被制造或者装配的项目。

图1示意性地描述了根据本发明的示例性计算机断层扫描(CT)系统。该CT系统结合计算机辅助检测(CAD)系统可被用来对患者执行非侵入式程序，以筛选各种病况(medical condition)。这样的程序的例子是对损伤的存在或者可能的癌组织进行的虚拟结肠镜检查或者胸部筛选。本领域普通技术人员应该理解，在不偏离本发明的范围和精神的情况下也可以使用其它成像方式。例如，也可以使用磁共振成像(MRI)、荧光检查或者超声成像来获得成虫(imagines)。出于解释的目的，本发明将在使用示例性计算机断层扫描(CT)系统的环境中进行描述。

CT装备有X-射线源1，该X-射线源1发射锥状的X-射线束2，该X-射线束2的边缘射线在图1中由虚线表示，该X-射线束2穿透要被检查的对象3(例如患者)并且入射到辐射检测器4。该X-射线源1和辐射检测器4在示例性实施方式中彼此相对地被安装在环形托台7上。

该X-射线源1和辐射检测器4因此形成能够围绕系统轴8旋转的度量学系统，以便可以相对于所述系统轴8的各个投影角和在沿该系统轴8的各个位置处对患者3进行X-射线照射。各个单独的检测器元件的合成的输出信号由数据采集系统10读出。这些信号被发送到计算患者3的图像的信号处理器12，该患者3的图像又可被显示在监控器13上。

将由CT系统所扫描的并由信号处理器12所计算的图像传送到CAD系统20，用于进行进一步的处理。该CAD系统20将滤波器用于该图像，以获得响应图像。这然后被用来产生候选物。然后从这些候选物中收集特征(包括从该滤波器值中导出的特征)，并且这些特征被用来将这些候选物分类为真阳性或者假阳性。仅向医师呈现那些被分类为真阳性的候选物。

有多种用于针对息肉检测产生响应图像的方法。在计算机断层结肠镜成像(CTC，Computed Tomography Colonography)或者虚拟结肠镜检查(VC)的情况下，许多公知的方法都可被使用。在一些公知的方法中，响应图像是由计算体素是息肉的部分的概率的滤波器所限定的体积。在另一公知的方法中，响应图像由曲率量所标记的、结肠的网状表面组成，其中，网内具有在某一范围中的曲率值的位置表示该位置是息肉的高可能性。因此，响应图像的结构可能根据被用来产生该响应图像的方法的不同而不同。

本发明涉及三维(3D)图像滤波器(也被称为梯度幅度、角度和径向距离(MARS，Magnitude，Angle and Radial distance)滤波器。该MARS滤波器能够基于周围3D区域的特性计算图像中的任意给定位置处的值。该MARS滤波器基于考虑某些图像特性的方程的组合。特定型式的MARS滤波器可被用于进行候选物检测、对象增强、分割、特征值产生以及特征值收集。与前面所提及的公知方法不同，MARS滤波器并不要求对象分割或者表面分割来运行。

给定要被处理的体积V内的3D位置x，MARS滤波器基于关于x的图像特性来计算值。出于一些目的，该值可以然后与适当选择的滤波器参数一起使用。通过将其值高于阈值或者在某一范围内的所有点分类为候选物，可以产生候选物的列表。该输出值还可被用作分割置信度，以表示体素属于感兴趣的对象的可能性。另外，滤波器的反向应用能够通过采用对最终值贡献最多的那些体素来产生区域分割。最后，图像中的某些点处的滤波器的输出值或者组合输出值可被直接用作分类特征，以便更高的值表示候选物是真阳性的概率更高或者更低。

MARS滤波器的通用方程如下：

$M\left(x\right)=\frac{\underset{\∀y\∈V^{\′}}{\∫}S(m,\mathrm{\θ},r,y)\mathrm{\Δy}}{T\left(V^{\′}\right)}---\left(1\right)$

其中，M(x)表示MARS滤波器在图像体积内的3D位置x处的输出。y是体积中的另一3D位置。m是位置y处的梯度的幅度，r是从y到x的径向距离，而θ是位置y处的梯度与从x到y的射线之间的角度。该积分在所限定的体积V′上进行。该体积可以是整个原始体积V或者是所限定的子集V′。主函数S定义了，在每个单独的点处将如何对这些值加权以及如何在该积分内求和，并且还可能取决于原始图像值。因此，S的定义确定了滤波器的特定特性。该函数T基于给定体积的大小提供权重。

根据本发明，将对MARS滤波器的实例进行描述，其中为了产生候选物而对S进行定义。如上面所指出的那样，在MARS滤波器中，使用S的不同定义来产生候选物。下面，使用S的部分可分离的(semi-separable)定义：

S(m，θ，r，y)＝S₁(m)S₂(θ，r)S₃(y)        (2)

其中

$S_1\left(m\right)=\frac{({\tan }^{-1}(m-C_1)+\frac{\mathrm{\π}}{2})}{\mathrm{\π}}---\left(3\right)$

$S_2(\mathrm{\θ},r)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{\frac{-{(r\×\sin \mathrm{\θ})}^2}{2{\mathrm{\σ}}^2}}\×\underset{-r\×\sin (90-\mathrm{\θ})}{\overset{C_2-r\×\sin (90-\mathrm{\θ})}{\∫}}\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{\frac{-x^2}{2{\mathrm{\σ}}^2}}\mathrm{dx}---\left(4\right)$

S₃(y)＝S₁(min(V(x)→V(y)))                 (5)

V(x)表示位置x处的图像体积内的值。C₁、C₂和σ是取决于成像装置的特性和感兴趣的对象的常数。例如，C₁可以从CT数据的空气或者软组织的霍斯菲耳德氏(Hounsfield)值中导出。C₂和σ的值是涉及和取决于解剖学的感兴趣的对象的大小。

S的定义被用来确定为位置x处的MARS响应的M(x)。该响应取决于幅度、梯度角、半径以及原始图像位置y。积分累积所有点的响应。在离散的情况下，这些点是体素。每个点(体素)的响应由S函数确定。出于候选物检测的目的，这个通用函数可以在可分离的项S1、S2、S3中被规定。

S的特定定义为医学图像内的候选物检测提供优秀滤波器。在该定义中，函数T的值是常数并被设置为1。函数S₁基于给定的自变量的幅度来提供缩放比例(scaling)。这既被用于基于幅度的缩放比例也被用作S₃函数中的分量。S₂基于特定点处的距离和梯度方向提供记分(score)。需要注意的是，这并不取决于由附近的点所获得的值，并且因此该计算可以围绕点x以任何顺序进行，从而允许有效实施的可能。此外，该计算并不取决于在感兴趣的器官和背景之间具有准确限定的分割。最后，S₃提供基于沿从x到y的路径的灰度等级值的缩放比例，其中符号V(x)→V(y)表示在连接体素x到y的线上的体素强度的集合。

下面提供直接被用于医学图像数据的这个滤波器的实例。图2示出收集值中所涉及的计算元素的图形说明，以便使用被用于图像的具有上述定义的MARS滤波器来为每个体素计算最终值。计算下的体素202以白色示出，而值从其中所收集到的体素204以灰色示出。体素204代表相对于体素204的所有周围体素。例如，这些周围体素可能是那些相邻体素202。对于围绕计算下的体素的所有体素(未示出)完成这种收集。每个周围的体素都具有相关联的图像梯度206、以及该梯度206的幅度208和角度210，加上周围的体素204的径向距离212。最终值由从每个周围的体素204中收集的所有值的函数的积分来确定。该最终值可例如被用于识别潜在的候选物(也就是，结肠息肉)。

图3示出被用于结肠的图像的具有上述定义的MARS滤波器。左侧图像301示出在大约中心处具有息肉310的CT切片。右侧图像302示出MARS滤波器对同一切片的输出。在息肉位置处得到高记分，如用高强度区域320所标记的那样。这些记分可被用于产生候选物、特征收集和用于具有某些消除假阳性的后处理的对象分割。

图4示出被用于肺的图像的具有上述定义的MARS滤波器的应用。左侧图像401示出肺的CT切片。右侧图像402示出MARS滤波器对同一CT切片的输出。该经过滤波的图像示出血管增强和潜在的肺结节候选物的应用，如通过用高强度区域所示例的那样。这些高强度区域与已具有高记分的区域相对应。图像402中的高强度区域对血管404、肋骨406进行了加亮。高强度区域还可以表示潜在的肺结节。这些高记分然后可被直接用于产生候选物，被用作消除假阳性的特征，或者被用作置信图，以确定对象的二进制分割。

出于分割的目的，上面所描述的特定MARS滤波器也可以用来限定给定的体素为感兴趣对象的部分的概率。因此，该MRAS滤波器可被用来确定结肠息肉候选物、可能的肺结节或者血管的范围。给定从该滤波器中获得的每个体素的概率，通过滞后阈值或者其它公知的方法可以实现最终的二进制分割。分割对象具有多种用途，这包括确定在其上收集特征的区域。另外，特定对象的分割可以具有其它用途，诸如利用肺来定位动脉(如图4中所示)。一旦对象已经过分割，就直接计算其直径和体积、确定病变的重要特征。该滤波器的反向应用还可被用来确定贡献大的体素并使用这些体素来进行分割。

使用S的另一种定义，本发明也可被用于进行特征收集。下列S的定义就是用于该目的。在该定义中，S₁保持不变。然而，S₂如下定义：

S₂(θ)＝cos(θ)                                (6)

S₃是常数并被设置为1。

(7)

对于先前产生候选物的情况，积分的体积是原始体积V(V′＝V)。在其中滤波器被用于进行特征收集的情况下，积分的体积V′由特定对象的范围来限定。对于结肠息肉检测的情况，V′很可能包括被计算为属于息肉候选物的体素集合。对于肺结节检测，V′很可能是肺结节候选物内的体素集合。对象的范围(或者分割)限定了在其上计算对象特征的区域。如上所述的那样，分割可以出滤波器中计算或者通过自动分割图像内的对象的其它方式来计算。

T函数被定义为所限定的子体积内的点的数量。因此，T函数的目的在于根据大小使结果标准化。在这种情况下，由于滤波器假定所有点都在所计算的点x的附近，所以在S₂的方程中不使用距离。

已经描述了用于通过考虑预期的图像特性使用三维图像滤波器来计算图像内任意给定位置处的值的方法的实施方式，应该注意到，本领域普通技术人员按照上述教导可以进行修改和变型。因此应该理解，可以对所公开的本发明的特定实施方式进行改变，这些改变落入由后附的权利要求所限定的本发明的范围和精神内。因此已经详细描述了本发明和专利法所要求的特征，由专利证书所要求保护和希望保护的内容在后附的权利要求中阐明。

Claims (28)

1.一种用于基于给定体素的周围体素的梯度和灰度等级值的函数来产生图像内的该给定体素的响应值的计算机实现的方法，该方法包括下列步骤：

a.计算所述周围体素的梯度的角度、幅度和距离值；

b.基于(a)中所计算的角度、幅度和距离值以及所述周围体素的灰度等级值计算值；

c.组合所述周围体素的值，以达到最终响应值。

2.如权利要求1所述的方法，其中，所述周围体素由整个图像体积来限定。

3.如权利要求1所述的方法，其中，所述周围体素由整个图像体积的所选择的子集来限定。

4.如权利要求3所述的方法，其中，所述函数被用于所述图像的子集，以产生响应图像。

5.如权利要求3所述的方法，其中，所述函数被用于所述图像的每个体素，以产生响应图像。

6.如权利要求4所述的方法，其中，所述响应图像被用来通过识别其函数值由一个或者多个特定阈值来表征的体素而在所述图像内检测候选物。

7.如权利要求6所述的方法，其中，所述候选物表示异常候选物。

8.如权利要求5所述的方法，其中，所述响应图像被用来通过识别其函数值由一个或者多个特定阈值来表征的体素而在所述图像内检测候选物。

9.如权利要求8所述的方法，其中，所述候选物是异常候选物。

10.如权利要求1所述的方法，其中，所述图像是三维图像。

11.如权利要求1所述的方法，其中，所述图像是二维图像。

12.如权利要求1所述的方法，其中，所述响应值被用来在候选物周围的感兴趣的体积(VOI)中产生特征。

13.如权利要求12所述的方法，其中，所述VOI通过选择将高于所限定的阈值的值贡献给最终响应值的体素来定义。

14.如权利要求4所述的方法，进一步包括通过计算围绕检测到的候选物的感兴趣体积(VOI)内的一个或者多个滤波器响应值的统计学测量结果而在该感兴趣体积中产生特征的步骤。

15.如权利要求5所述的方法，进一步包括通过计算围绕检测到的候选物的感兴趣体积(VOI)内的一个或者多个滤波器响应值的统计学测量结构而在该感兴趣体积中产生特征的步骤。

16.如权利要求4所述的方法，进一步包括分割候选物周围的区域的步骤，其中对象的范围通过确定哪些体素将超过阈值的值贡献给所述位置处的最终响应值来限定。

17.如权利要求5所述的方法，进一步包括分割候选物周围的区域的步骤，其中对象的范围通过确定哪些体素将超过阈值的值贡献给所述位置处的最终响应值来限定。

18.如权利要求1所述的方法，进一步包括根据周围体素的数量来缩放所述最终值的步骤。

19.如权利要求1所述的方法，其中，所述图像是医学图像。

20.如权利要求19所述的方法，其中，所述医学图像是人的结肠的图像。

21.如权利要求20所述的方法，其中，所述滤波器响应值被用来检测结肠息肉。

22.如权利要求20所述的方法，其中，所述滤波器响应值被用来将结肠息肉候选物分类为真正的息肉或者假阳性，或者所述滤波器响应值被用来根据类型对结肠息肉进行分类。

23.如权利要求20所述的方法，其中，所述滤波器响应值被用来分割结肠息肉。

24.如权利要求19所述的方法，其中，所述医学图像是肺的图像。

25.如权利要求24所述的方法，其中，所述滤波器响应值被用来检测肺结节。

26.如权利要求24所述的方法，其中，所述滤波器响应值被用来将肺结节候选物分类为真正的结节或者假阳性，或者所述滤波器响应值被用来根据类型对肺结节进行分类。

27.如权利要求24所述的方法，其中，所述滤波器响应值被用来分割肺结节。

28.如权利要求12所述的方法，其中，所述特征被用来将候选物分类为真正的异常或者假阳性，或者所述特征被用来根据异常的类型将异常分类成多个种类。

Images