CN1947151A - 用于在图像中使用发散梯度场响应进行基于滑降的对象分割的系统和方法 - Google Patents
用于在图像中使用发散梯度场响应进行基于滑降的对象分割的系统和方法 Download PDFInfo
- Publication number
- CN1947151A CN1947151A CNA2005800127887A CN200580012788A CN1947151A CN 1947151 A CN1947151 A CN 1947151A CN A2005800127887 A CNA2005800127887 A CN A2005800127887A CN 200580012788 A CN200580012788 A CN 200580012788A CN 1947151 A CN1947151 A CN 1947151A
- Authority
- CN
- China
- Prior art keywords
- image
- dgfr
- pictorial element
- masking
- omega
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06T2207/20152—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
公开了一种用于在具有图像元素的图像中分割一个或多个候选对象的方法和装置。该方法包括:识别候选对象之一在该图像中的位置,其中该位置基于给定的图像元素;并在位于该位置附近的相邻的图像元素处计算一个或多个响应值。根据所计算的响应值创建图像元素簇,并把一个或多个图像元素簇选择作为一个或多个候选对象的对象分割。
Description
相关申请的交叉引用
本申请要求于2004年2月23日提交的美国临时申请No.60/547,002的权益,该美国临时申请的标题为“Toboggan BasedObject Segmentation Using Divergent Gradient Field ResponseIn Images(在图像中使用发散梯度场响应的基于滑降的对象分割)”,该美国临时申请在此全文引入作为参考。
技术领域
本发明通常涉及多维图像的分析,并且更特别地涉及在3-D图像分析中使用滑降和发散梯度场响应(DGFR,Divergent Gradient FieldResponse)。
相关技术的讨论
医学成像领域自X射线被首次用于确定解剖学异常以来已呈现出巨大的进步。医学成像硬件以更新的机器的形式取得进展,这些机器诸如医学共振成像(MRI)扫描仪、计算机轴向断层成像(CAT)扫描仪等。因为由这些现代医学扫描仪产生大量图像数据,所以需要研发在所扫描的医学图像中自动确定解剖学异常的存在的图像处理技术。
在数字医学图像内识别解剖学结构存在多种困难。一方面涉及识别的准确度。另一方面是识别的速度。因为医学图像帮助医生诊断疾病或病况,所以识别的速度对于帮助医生实现及早诊断是极其重要的。因此,需要改善识别技术,这些识别技术提供精确而快速地识别医学图像中的解剖学结构。
数字医学图像使用从例如CAT扫描仪、MRI等的扫描仪所获得的原始图像数据来被构建。数字医学图像典型地为由像素元素组成的2-D图像或由体积元素(“体素”)组成的3-D图像。这种2-D图像或3-D图像使用医学图像识别技术来处理,以确定存在诸如囊肿、肿瘤、息肉等的解剖学结构。但是,在给出通过任何给定图像扫描所产生的图像数据的数目的情况下,优选的是,自动技术应当给医生指出图像的所选择的区域中的解剖学特征,以用于进一步诊断任何疾病或病况。
基于特征的识别技术被用于确定解剖学结构在医学图像中的存在。但是,基于特征的识别技术受困于准确度问题。因此,需要不基于特征的识别技术,这些识别技术提供改善地识别医学图像中的解剖学特征。
使用滑降、DGFR等的医学图像分析技术提供了改善的图像分析。但是,如果使用这些技术的组合,那么通过使用这些技术所获得的优势可以进一步被增强。因此,需要确定图像分析技术的组合,该技术组合与常规的图像分析技术相比可以提供改善的结果。
医学图像分析的DGFR技术的使用在Senthil Periaswamy和LucaBogoni的题为“A SYSTEM AND METHOD FOR FILTERING AND AUTOMATICDETECTION OF CANDIDATE ANATOMICAL STRUCTURES IN MEDICALIMAGES(用于在医学图像中过滤和自动检测候选解剖学结构的系统和方法)”的美国专利申请中被公开,该专利申请于2004年11月10日提交并且序列号为10/985,548,该专利申请在此全文引入作为参考。
针对医学图像分析使用滑降技术在Luca Bogoni和JianmingLiang的题为“TOBOGGAN BASED SHAPE CHARECTERIZATION(基于滑降的形状特征)”的美国专利申请中被公开,该专利申请于2004年12月7日提交并且序列号为11/006,282,该专利申请在此全文引入作为参考。
概述
本发明的一个方面涉及一种用于在具有图像元素的图像中分割一个或多个候选对象的方法和装置。该方法包括:识别所述候选对象之一在该图像中的位置,其中,该位置基于给定的图像元素;并在处于该位置附近的相邻图像元素处计算一个或多个响应值。根据所计算的响应值创建图像元素簇,并且一个或多个该图像元素簇被选择为一个或多个候选对象的对象分割。
本发明的另一目的涉及一种方法,该方法用于通过从图像中提取子图像体积来在该图像中分析候选对象,其中,该子图像体积包括图像元素,并使用这些图像元素进行滑降,以产生一个或多个滑降簇。这些滑降簇被结合,以将与候选对象之一相对应的至少一个滑降簇确定为最终的滑降簇,并且使用该最终的滑降簇来分割该子图像体积,以分析所述候选对象之一。
附图简述
本发明的示例性实施例参照附图来描述,其中:
图1是示出了在本发明的实施例中使用DGFR和滑降的候选对象检测的流程图;
图2示出了本发明的示例性实施例中的所示的子体积中的示例性息肉的3D正交视图;
图3示出了本发明的示例性实施例中的示例性息肉的标准化梯度场;
图4示出了本发明的示例性实施例中的尺寸为11的示例性模板向量蒙版(mask);
图5示出了本发明的示例性实施例中的针对图4中所示的示例性蒙版尺寸11所生成的DGFR响应图像;
图6示出了本发明的示例性实施例中的针对尺寸为9的示例性蒙版所生成的DGFR响应图像;
图7示出了本发明的示例性实施例中的针对尺寸为7的示例性蒙版所生成的DGFR响应图像;
图8示出了本发明的示例性实施例中的针对尺寸为5的示例性蒙版所生成的DGFR响应图像;
图9示出了本发明的示例性实施例中的滑降技术;
图10示出了使用蒙版尺寸为11的示例性实施例中的在DGFR响应上所形成的滑降簇;
图11示出了使用蒙版尺寸为11的DGFR的示例性实施例中的在原始图像响应的子体积上所形成的滑降簇;
图12示出了本发明的示例性实施例中的结合滑降簇的过程的流程图42;
图13示出了本发明的示例性实施例中的包括被扩展的滑降簇的滑降簇的轴向视图;
图14示出了本发明的示例性实施例中的包括被扩展的滑降簇的滑降簇的轴向视图;
图15示出了在本发明的示例性实施例中执行簇的结合过程之后的所形成的簇;
图16示出了本发明的示例性实施例中的在执行形态学操作之后所获得的最终滑降簇;以及
图17示出了被用在本发明的示例性实施例中的示例性计算机。
示例性实施例详述
本发明的示例性实施例将参照附图来描述。
图1是示出了在本发明的实施例中使用DGFR和滑降的候选对象检测的流程图。流程图10开始于步骤12,在步骤12中,根据原始图像体积中的位置提取子图像体积I(x,y,z)。该子体积或者是各向同性的或者是各向异性的。该子图像体积充分覆盖了需要检测其在该图像体积内存在的候选对象(多个候选对象)。该原始子体积在下面图2的上下文中被描述。使用发散梯度场响应(DGFR)的基于滑降的对象分割(TBOS)(以下被称为TBOS-DGFR)假设,使用手动的或自动的过程,已经将感兴趣的候选对象置于图像体积内。被定位的图像周围的区域为子体积,而该候选对象的特性需要被确定。
图2示出了本发明的示例性实施例中的所示子体积中的示例性息肉的3D正交视图。在被用于检测结肠癌的虚拟结肠镜检查过程中,作为示例而把结肠中的息肉看作是候选对象。那些本领域的技术人员将理解,该示例性息肉仅仅是示例,并且(医学图像中的或非医学图像中的)其他任何候选对象都能够被检测到。如果能够计算梯度场并且在其上可以执行滑降,那么来自不同形式的具有任意维数的图像就可以被处理,以检测候选对象。在此,I(x,y,z)是具有原始强度图像的子体积并且包含息肉的实例。
该子体积I(x,y,z)可以由用户通过使用鼠标或其他类似点击装置(未示出)来点击在屏幕上所显示的息肉候选对象而被确定。可替换地,该候选位置可以通过检测模块来自动定位。针对这种自动的息肉测量,必需执行息肉分割。息肉分割过程提出了确定将息肉与结肠壁分离的内插表面(平的或较高阶的表面)的难题。
当蒙版尺寸与给定息肉的尺寸相适合时,该DGFR技术产生最佳的响应。但是,在息肉被分割和测量之前,该息肉的尺寸是典型地未知的。因此,需要针对多个蒙版尺寸计算DGFR响应,这导致多种标度的DGFR响应,其中不同的蒙版尺寸提供了多种标度的基础。
轴向视图窗口241示出了图像子体积I(x,y,z)中的示例性息肉的正交视图。轴向视图261示出了XZ轴平面视图,该XZ轴平面视图示出了原始图像子体积中的息肉。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图301示出了该息肉的XY平面视图。轴向视图321示出了该息肉的YZ平面视图。
返回参照图1,在步骤14,该子体积的标准化梯度场被计算,以用于进一步的计算。标准化梯度场表示梯度的方向。通过按其幅度对梯度场进行划分来估计标准化梯度场。标准化梯度场需要被计算,以便独立于原始图像中的强度。在下面图3的上下文中描述了标准化梯度场示例。
图3示出了本发明的示例性实施例中的示例性息肉的标准化梯度场。轴向视图窗口242示出了图像子体积I(x,y,z)中的示例性息肉的标准化梯度场的正交视图。所示的梯度场根据图像子体积I(x,y,z)来计算。轴向视图262示出了原始图像子体积中的息肉的标准化梯度场的XZ轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图302示出了该息肉的标准化梯度场的XY平面视图。轴向视图322示出了该息肉的标准化梯度场的YZ平面视图。该标准化梯度场用(Ix(x,y,z),Iy(x,y,z),Iz(x,y,z))来表示,并在图3中被描绘为小箭头。
返回参照图1,在步骤16,所计算的标准化梯度场被用于计算多种标度的标准化梯度场的DGFR(发散梯度场响应)响应。DGFR响应DGFR(x,y,z)被定义为梯度场(Ix,Iy,Iz)与尺寸为S的模板向量蒙版的卷积。该模板向量场蒙版在下面图4的上下文中被讨论。以等式形式表达的卷积在下面被列出:
其中蒙版尺寸S的模板向量场蒙版M(Mx(x,y,z),My(x,y,z),Mz(x,y,z))被定义为:
其中Ω=[-floor(S/2),floor(S/2)]。
上面的卷积是向量卷积。虽然所定义的蒙版M不能被认为是与一个观察点相分离,但是该蒙版M可以利用单值分解来近似,并因此可以实现卷积的快速实现。
DGFR既是一种过滤方法(以其最简单的形式),又是一种复杂的用于执行候选解剖学结构的自动检测的算法。例如,DGFR可被用于执行自动检测用来检测结肠癌的结肠息肉、动脉瘤、用来检测肺癌的肺结节等。DGFR还可被用于获得候选损伤的其他描述性特征,以利于其识别和分类。
下面描述DGFR技术。假定I(x,y,z)是原始强度图像体积,该原始强度图像体积包含有其三个轴向视图在图3中被示出的息肉实例。
图4示出了本发明的示例性实施例中的尺寸为11的示例性模板向量蒙版。尺寸为11的示例性三维向量蒙版以沿其轴的视图来示出。轴向视图窗口243示出了尺寸为11的向量蒙版的正交视图。轴向视图263示出了该蒙版的XZ轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图303示出了该向量蒙版的XY平面视图。轴向视图323示出了该向量蒙版的YZ平面视图。
模板向量蒙版包括DGFR的滤波系数。该模板向量蒙版被用于与梯度向量场相卷积,以产生梯度场响应。
应用不同尺寸、也即不同卷积核的蒙版将产生强调基础结构的DGFR图像响应,其中卷积给出最高响应。因此,在本示例中,小球和半球结构将对较小尺寸(也即5、7和9)的蒙版产生响应;而较大的结构将对具有较大尺寸(也即21、23和25)的蒙版产生较高的响应。但是,较大的结构由于结构的局部对称也可能用较小的蒙版产生高响应。通过较小的蒙版来产生的响应的位置的方面在下面的讨论中被用于产生/结合被分割的息肉的高频细节。
图5、6、7和8示出了蒙版尺寸为11、9、7和5的DGFR响应图像。需要多个蒙版尺寸,因为息肉的尺寸在此阶段是未知的,并因此必需根据不同的蒙版尺寸在多种标度上产生多个DGFR响应。
图5示出了本发明的示例性实施例中的针对图4中所示的示例性蒙版尺寸11所产生的DGFR响应图像。轴向视图窗口244示出了使用尺寸为11的向量蒙版所产生的DGFR响应图像的正交视图。轴向视图264示出了蒙版尺寸为11的DGFR响应的XZ轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图304示出了蒙版尺寸为11的DGFR响应的XY平面视图。轴向视图324示出了蒙版尺寸为11的DGFR响应的YZ平面视图。该DGFR响应通过向量卷积操作来产生,其中(本例子中的)尺寸为11的蒙版被用于如上面的等式1至4所示的标准化梯度场(Ix(x,y,z),Iy(x,y,z),Iz(x,y,z))。
图6示出了本发明的示例性实施例中的针对尺寸为9的示例性蒙版所产生的DGFR响应图像。轴向视图窗口245示出了使用尺寸为9的向量蒙版所产生的DGFR响应图像的正交视图。轴向视图265示出了蒙版尺寸为9的DGFR响应的XZ轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图305示出了针对蒙版尺寸9的DGFR响应的XY平面视图。轴向视图325示出了针对蒙版尺寸9的DGFR响应的YZ平面视图。
图7示出了本发明的示例性实施例中的针对示例性蒙版尺寸7所产生的DGFR响应图像。轴向视图窗口246示出了使用尺寸为7的向量蒙版所产生的DGFR响应图像的正交视图。轴向视图266示出了针对蒙版尺寸7的DGFR响应的XZ轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图306示出了针对蒙版尺寸7的DGFR响应的XY平面视图。轴向视图326示出了针对蒙版尺寸7的DGFR响应的YZ平面视图。
图8示出了本发明的示例性实施例中的针对尺寸为5的示例性蒙版所产生的DGFR响应图像。轴向视图窗口247示出了使用尺寸为5的向量蒙版所产生的DGFR响应图像的正交视图。轴向视图267示出了针对蒙版尺寸5的DGFR响应的XZ轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图307示出了针对蒙版尺寸5的DGFR响应的XY平面视图。轴向视图327示出了针对蒙版尺寸5的DGFR响应的YZ平面视图。
返回参照图1,在步骤18,使用DGFR作为滑降位势(Tobogganpotential)来执行滑降,以虚拟地在其相邻区域中滑动图像像素或体素来形成簇。在下面使用图像子体积的实例来示出滑降。
图9示出了本发明的示例性实施例中的滑降技术。出于示例的目的,使用二维图像空间来讨论滑降。滑降是以线性运行次数运行的一种非重复的、单参数的技术。滑降实现线性运行次数,因为它对每个图像像素/体素仅处理一次。在本发明的至少一个实施例中,根据原始图像体积来计算滑降位势,并且该滑降位势取决于应用和图像中要被分割的对象。因此,滑降位势被用于确定每个像素处的滑动方向。相反,滑降的唯一输入通常是图像的不连续性或局部对比量度。
在本发明的至少一个实施例中,使用虚拟结肠镜检查来提取息肉。用于提取息肉的响应图像通过从原始图像体积中应用DGFR来产生。在所示的图像部分34中,滑向同一位置的所有像素被分组到一起,并从而把图像体积分割为体素簇集合。
图像部分34示出了2-D图像空间中的5×5滑降位势中的滑降过程。与箭头相关联的画圈的数字表示每一个像素P1-P25处的位势值。通过为了产生DGFR响应而对图像体积应用DGFR(发散梯度场响应)来产生位势值。每个像素“滑”到其具有最小位势的相邻像素。在本示例中,所有像素滑到同一位置,该位置被称为具有零位势的集中位置P1。像素到集中位置的这种滑动形成了单个簇。
像素的滑动通过选择具有最小位势的相邻像素来确定。例如,像素P2具有位势27,而其相邻像素P3、P8和P7分别具有位势20、12和14。因为每个像素都向具有最小位势的相邻像素滑动,所以P2像素滑向三个相邻像素P3、P8和P7中的具有最小位势12的像素P8。
下面描述像素P4的另一示例。与像素P4相邻的像素P3、P8、P9、P10和P5分别具有位势20、12、6、6和8。像素P9和P10是在像素P4的其他相邻像素P3、P8和P5中具有最小位势6的相邻像素。按照用于在具有相同最小位势的相邻像素之间进行选择的预定选择判据,像素P4滑向像素P9。
像素P1具有零的最小位势,并因此其所有相邻像素P13、P14、P15、P19、P24、P23、P22和P18都滑向像素P1,并因此形成单个簇,该单个簇是“集中位置”。因此,图像体积可以被分割为体素簇集合。
在滑降的过程中,每个体素(在3-D中)和像素(在2-D中)根据所计算的位势滑到/爬升到其相邻像素之一。虽然上述的例子示出了像素滑向具有最小位势的相邻像素,但是这仅仅是示例,并且相邻像素的选择取决于应用和滑降位势的计算。例如,像素可以滑向或爬升到具有最大或最小位势的位置。
在息肉分割的至少一个示例性实施例中,当DGFR响应被用作滑降位势,那么就选择具有最大位势的相邻像素,其中每个体素都爬升到具有最高位势的相邻像素。如果给定体素具有比其任何相邻像素都要高的位势,那么它就不再爬升,并且它本身就变成集中位置。该过程为给定DGFR响应的每个体素生成滑降方向和滑降标签。爬升到同一集中位置的所有体素与唯一的簇标签相关联,并被分组为一个滑降簇。
图10示出了使用蒙版尺寸为11的示例性实施例中的在DGFR响应上形成的滑降簇。该滑降簇被表示为轴向视图窗口248中的小圆圈(361、381和401)。轴向视图窗口248示出了在使用尺寸为11的向量蒙版所产生的DGFR响应图像上的滑降簇的正交视图。轴向视图268示出了包括XZ滑降簇视图361的滑降簇的轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图308示出了包括XY滑降簇视图381的滑降簇的轴平面视图。轴向视图328示出了包括YZ滑降簇视图401的滑降簇的轴平面视图。
图11示出了使用蒙版尺寸为11的DGFR的示例性实施例中的在原始图像响应的子体积上所形成的滑降簇。该滑降簇被表示为轴向视图窗口249中的小圆圈。轴向视图窗口249示出了在使用尺寸为11的向量蒙版所产生的DGFR响应图像上的滑降簇的正交视图。轴向视图269示出了包括XZ滑降簇视图362的滑降簇的轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图309示出了包括XY滑降簇视图382的滑降簇的轴平面视图。轴向视图329示出了包括YZ滑降簇视图402的滑降簇的轴平面视图。
下面讨论用于优化滑降过程的示例性技术。在某些应用中,该滑降过程可仅仅被用于小区域,也即,对于所有体素不必在该子体积中滑动/爬升。例如,在息肉分割的情况下,仅仅沿息肉壁的区域是感兴趣的,并且对于代表空气或骨头的体素不必爬升/滑动。这些次要的体素可以根据已知的强度值和与空气和骨头相关联的相关霍斯菲耳德氏单位(HU,Houndsfield Units)而被预先取阈值。
DGFR响应也可以被取阈值,使得具有比所选择的值低的响应的任何体素都不被处理。因此,取阈值可以更好地对要被处理的区域进行改进,并进而它还可以去除不必要的计算,从而加速滑降过程。滑降以每种标度被执行,并因此必定在每种标度处都可能有滑降簇。但是,通过上述的对强度和对DGFR响应取阈值,对于某种标度(多种标度)可能就不是最终的滑降簇。
下面考虑DGFR响应。对DGFR响应的支持与梯度场的对称成比例。也即,梯度场越对称,响应就越大。当梯度场的集中点与捕获响应的蒙版的中心相一致时,发散场将给出最高的响应。现在,对于理想的带蒂的(也即形状上是球形的并经由杆连接到结肠壁)或无蒂的(也即半球形的)息肉,最强的梯度将集中在中央,并且其幅度将被强的边缘过渡所支持。其尺寸与该结构的直径相一致的模板蒙版将产生最强的响应。该蒙版被称为“俘获蒙版(capturing mask)”。
这种来自DGFR的响应部分取决于息肉状结构的对称,并取决于发散场的集中点。当处理相同的息肉状结构时,比俘获蒙版大的蒙版将具有与最佳场越来越不对准的场,并因此响应将会降低。较小的蒙版将仍旧有支持,并可能具有比俘获蒙版更高的响应。这可以通过想象放射状地从中心滑向边缘的较小的蒙版来理解。在限制的情况下,在该情况下,蒙版尺寸为5,例如对于无蒂的息肉,对于由该蒙版所产生的响应的支持将来自于多于一半的半球。因此对于较小的蒙版,尽管梯度场可能不完全对准,但是全部响应可能会更高。
通过上面的观察并且给定被分割的结构的解剖学的可变性,不必形成代表完全息肉分割的单个滑降簇。因此,需要把利用多种息肉分割标度处的DGFR响应所形成的滑降簇进行结合。
如从图10和11中可看出的那样,滑降簇被聚集在息肉区域上。通过被“集中”在息肉区域来获得被滑降的区域。
返回参照图1,在步骤20,被滑降的簇被组合在一起。组合滑降簇的过程在下面图12的上下文中被解释。
在步骤22,所处理的子体积被分割,以检测一个或多个候选对象。
图12示出了本发明的示例性实施例中的结合滑降簇的过程的流程图42。结合过程的描述将参照图9-11和13-16中所示的例子(下文称为“所示的例子”)。在步骤44,初始簇被选择。如上所述,多种标度的滑降簇通过对响应图像应用不同尺寸的蒙版而被获得。由于应用了阈值,所以不可能有任何较大标度(也即大蒙版)的滑降簇。因此,需要确定初始簇。搜索过程从可得到的最大蒙版开始,然后考虑下一较大的蒙版,直到找到包括检测位置的滑降簇。该初始滑降簇被认为是“基簇”。
在所示的例子中,如果应用了阈值(0.3),那么根据标度从23到13(从上到下;从大到小)的DGFR响应,在检测位置处没有形成簇;初始簇(也即基簇)在标度11处被发现,如图10中所示,其中该基簇被叠加到DGFR响应上,而相同的簇被叠加到图10中的原始子体积上。
在步骤46,该基簇被扩展。通过选择性地包括根据下一较小蒙版处的DGFR响应所产生的滑降簇中的体素来完成基簇的扩展。在步骤48,要求覆盖基簇中的所有体素的所有簇都被找到。
在步骤50,针对在步骤48找到的每个簇的重复过程如下所述地被执行。假定基簇具有B个体素,考虑要包括的新的簇具有C个体素,且基簇或新的簇中的体素的总数目为D,那么p1被定义为(B+C-D)/B,而p2被定义为(B+C-D)/C。如果簇满足条件:(p1>包含阈值1)且(p2>包含阈值2),则仅通过包括来自该簇的体素而扩展基簇。在所示的本例中,在示例性实施方案中,包含阈值1被设为0.6,而包含阈值2被设为0.3。
在步骤52,所扩展的簇被设为基簇。在步骤54,重复该扩展过程,直到到达最小蒙版处的DGFR响应。在本例子中,最小的蒙版尺寸为5。所形成的簇在图15中被示出。
图13和14示出了在本发明的示例性实施例中被用在上述的簇结合过程中的滑降簇的轴向视图。在所示的例子中,仅有一个簇,其体素在图13和14中用“+”符号被标出(561-2、581-2、601-2)。新的被扩展的簇覆盖了基簇中的所有或至少大的百分比的体素(363-4,383-4,403-4),这些体素在图13和14中用“o”来表示。通常,需要多个簇来覆盖基簇中的所有体素。如果有多个簇以保证该基簇的逐步扩展,那么这些簇中的每个都被评估,以验证每个簇都满足下述的包含条件。
图13示出了本发明的示例性实施例中的包含所扩展的滑降簇的滑降簇的轴向视图。在图13中,该滑降簇被表示为轴向视图窗口2410中的小圆圈。轴向视图窗口2410示出了该滑降簇的正交视图。轴向视图2610示出了包括XZ滑降簇视图363和XZ扩展簇视图561的滑降簇的轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图3010示出了包括XY滑降簇视图383和XY扩展簇视图581的滑降簇的轴平面视图。轴向视图3210示出了包括YZ滑降簇视图403和YZ扩展簇视图601的滑降簇的轴平面视图。
图14示出了本发明的示例性实施例中的包含所扩展的滑降簇的滑降簇的轴向视图。在图14中,该滑降簇被表示为轴向视图窗口2411中的小圆圈。轴向视图窗口2411示出了该滑降簇的正交视图。轴向视图2611示出了包括XZ滑降簇视图364和XZ扩展簇视图562的滑降簇的轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图3011示出了包括XY滑降簇视图384和XY扩展簇视图582的滑降簇的轴平面视图。轴向视图3211示出了包括YZ滑降簇视图404和YZ扩展簇视图602的滑降簇的轴平面视图。
图15示出了在本发明的示例性实施例中执行簇的结合过程之后的所形成的簇。在图15中,所形成的滑降簇被表示为轴向视图窗口2412中的小圆圈。轴向视图窗口2412示出了所形成的滑降簇的正交视图。轴向视图2612示出了包括XZ滑降簇视图365的所形成的滑降簇的轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图3012示出了包括XY滑降簇视图385的所形成的滑降簇的轴平面视图。轴向视图3211示出了包括YZ滑降簇视图405的所形成的滑降簇的轴平面视图。
图16示出了在本发明的示例性实施例中执行形态学操作之后所获得的最终滑降簇。在图16中,最终滑降簇被表示为轴向视图窗口2413中的小圆圈。轴向视图窗口2413示出了最终滑降簇的正交视图。轴向视图2613示出了包括XZ滑降簇视图366的最终滑降簇的轴平面视图。十字准线28被定位,以指示息肉在该子体积中的存在和位置。轴向视图3013示出了包括XY滑降簇视图386的最终滑降簇的轴平面视图。轴向视图3211示出了包括YZ滑降簇视图406的最终滑降簇的轴平面视图。
下面描述形态学操作。来自上述过程的最终的簇可能没有充分地说明该息肉表面,因此,采用形态学操作(例如扩张、封闭等)来完成作为息肉分割的最终滑降簇。由于集中在包括形成息肉表面的体素,所以当扩张蒙版包含有多于n1个的空气中的体素和多于n2个的该簇中的体素时应用扩张过程。通过要求一部分扩张蒙版包含有一个百分比的空气中的体素,扩张被限定到朝向结肠内的内腔(空气)伸展的簇部分。在所示的例子中,n1=12且n2=3,最终的滑降簇在图15中被给出。
跨越各种蒙版的簇的结合可能会产生包含有小孔的最终簇。这是由于簇根据具有不同蒙版的DGFR响应而被提取并在生长中被限制的方式。为了填充这些间隙并且也使其外部形状平滑,在这些最终的簇上应用形态学封闭。在所示的例子中,通过形态学封闭没有包含所存在的间隙和另外的体素。图16中的滑降簇提供了最终的息肉分割。
最终的被分割的图像可以利用将被分割的候选对象(本例中为息肉)与已知种类的用于改进初始分割的模型形状相比较来进一步改进。这将会保证最终的被分割的候选对象与已知的候选对象的原型拓扑相一致。在医学图像中,这种原型候选对象可以是肿瘤、息肉、结节等。
参照图17,根据本发明的示例性实施例,用于实现本发明的计算机系统101可以尤其包含:中央处理单元(CPU)102、存储器103和输入/输出(I/O)接口104。该计算机系统101通常通过I/O接口104与显示器105和诸如鼠标和键盘的多种输入装置106相耦合。配套电路可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可包括随机存取存储器(RAM)、只读存储器(ROM)、磁盘驱动器、磁带驱动器等或其组合。本发明的示例性实施例可被实施为被存储在存储器103中并通过CPU 102来运行的例行程序107,以处理来自信号源108的信号。因而,计算机系统101是通用计算机系统,在本发明的示例性实施例中,当运行本发明的例行程序107时,该通用计算机系统变成专用计算机系统。
该计算机平台101还包括操作系统和微指令代码。这里所述的各种过程和功能可以是通过操作系统来运行的部分微指令代码或部分应用程序(或其组合)。另外,其他各种外围装置可以被连接到计算机平台,诸如连接到另外的数据存储装置和打印装置。
应当进一步理解,因为附图中所述的一些组成系统部件和方法步骤可以用软件来实现,所以系统部件(或过程步骤)之间的实际连接可能取决于在本发明的示例性实施例中本发明以其来编程的方式而不同。给定在这里所提供的本发明的教义,本领域的普通技术人员将能够预见到本发明的这些和类似的实现方案或配置。
虽然本发明已经特别参照其示例性实施例被示出和描述,但是,那些本领域的技术人员会理解,在不背离如所附的权利要求所定义的本发明的精神和范围的情况下,其中可以进行形式和细节上的多种变化。
Claims (37)
1.一种用于在具有图像元素的图像中分割一个或多个候选对象的方法,该方法包含的步骤为:
识别所述候选对象之一在所述图像中的位置,其中该位置基于所述图像元素中的给定的一个图像元素;
在位于所述位置附近的一个或多个相邻图像元素处计算一个或多个响应值;
根据所计算的响应值创建一个或多个图像元素簇;以及
选择一个或多个图像元素簇作为一个或多个候选对象的对象分割。
2.根据权利要求1所述的方法,其中计算响应值的步骤还包括:
从所述图像中使用一个或多个模板蒙版来计算一个或多个发散梯度场(DGFR)响应。
3.根据权利要求2所述的方法,其中创建图像元素簇的步骤包括:
根据针对至少一个第一模板蒙版所计算的DGFR响应来从所述图像元素中形成基簇;以及
根据针对至少一个第二模板蒙版所计算的DGFR响应来对所述基簇进行改进。
4.根据权利要求3所述的方法,还包括的步骤为:
计算所述图像的标准化梯度场。
5.根据权利要求4所述的方法,其中计算响应值的步骤还包括的步骤为:
执行所述标准化梯度场与一个或多个模板蒙版的向量卷积。
6.根据权利要求5所述的方法,其中,所述模板蒙版包括:
7.根据权利要求6所述的方法,其中,所述向量卷积操作包括:
其中Ω=[-floor(S/2),floor(S/2)]。
8.根据权利要求2所述的方法,其中创建图像元素簇的步骤所包含的步骤为:
使用所述DGFR响应进行滑降,以产生一个或多个滑降簇。
9.根据权利要求8所述的方法,还包括的步骤为:
从对应于针对其检测到至少一个候选对象的模板蒙版中的最大模板蒙版的所述滑降簇中选择基簇;以及
如果所选择的滑降簇满足预定的包含阈值判据,则重复地通过包含与从小于所述最大蒙版的模板蒙版中获得的所选择的滑降簇相对应的图像元素来扩展所述基簇。
10.根据权利要求2所述的方法,其中创建图像簇的步骤包括:
使用所述DGFR响应来作为每个图像元素的一个或多个滑降位势;以及
使用所述DGFR响应来在所述图像元素上执行滑降操作,以确定滑降簇。
11.根据权利要求10所述的方法,其中执行所述滑降操作的步骤还包括:
朝向所述图像元素内的集中位置,从所述图像元素中的给定的一个图像元素滑动到相邻的图像元素。
12.根据权利要求10所述的方法,其中,朝向具有最小和最大滑降位势值之一的集中位置执行所述滑动。
13.根据权利要求10所述的方法,其中执行所述滑降操作的步骤还包括:
朝向所述图像元素内的集中位置,从所述图像元素中的给定的一个图像元素爬升到相邻的图像元素。
14.根据权利要求13所述的方法,其中,朝向具有最小和最大滑降位势值之一的集中位置执行所述爬升。
15.根据权利要求1所述的方法,其中,所述图像元素是三维图像中的体素和二维图像中的像素中的至少一种。
16.根据权利要求1所述的方法,其中,所述图像是医学图像,并且至少一个候选对象是结肠的息肉。
17.根据权利要求1所述的方法,还包括的步骤为:
对所选择的图像元素簇应用一次或多次形态学操作。
18.根据权利要求1所述的方法,还包括的步骤为:
使用最终滑降簇来分割所述图像,以分析所述候选对象中的给定的一个候选对象。
19.根据权利要求18所述的方法,还包括的步骤为:
通过将所述被分析的候选对象中的给定一个候选对象与预定的候选对象原型进行比较来改进所述被分割的图像。
20.一种用于在具有一个或多个图像元素的图像体积中分析一个或多个候选对象的方法,该方法包括的步骤为:
计算所述图像体积的标准化梯度场;
使用一个或多个模板蒙版从所述标准化梯度场中计算发散梯度场(DGFR)响应;
使用所述DGFR响应来进行滑降,以产生一个或多个滑降簇;以及
结合所述滑降簇,以确定与所述候选对象中的给定的一个候选对象相对应的至少一个滑降簇作为最终的滑降簇。
21.根据权利要求20所述的方法,还包括的步骤为:
分割所述最终滑降簇,以分析所述候选对象中的给定的一个候选对象。
22.根据权利要求21所述的方法,其中,使用包含一个或多个预定位势分割对象的模型种类来改进由分割步骤得到的分割结果。
23.根据权利要求22所述的方法,其中,所述模型种类包含在医学图像中被分割的结构。
24.一种机器可读的程序存储装置,其确实包含有可由机器运行的指令程序,以执行用于在具有图像元素的图像中分割一个或多个候选对象的方法步骤,该方法步骤包括:
识别候选对象之一在所述图像中的位置,其中,该位置基于所述图像元素中的给定的一个图像元素;
在位于所述位置附近的一个或多个相邻图像元素处计算一个或多个响应值;
根据所计算的响应值创建一个或多个图像元素簇;以及
选择一个或多个图像元素簇作为一个或多个候选对象的对象分割。
25.根据权利要求24所述的装置,其中计算响应值的步骤还包括用于以下操作的指令:
从所述图像中使用一个或多个模板蒙版来计算一个或多个发散梯度场(DGFR)响应。
26.根据权利要求25所述的装置,其中创建图像元素簇的步骤包括用于以下操作的指令:
根据针对第一模板蒙版所计算的DGFR响应来从所述图像元素中形成基簇;以及
根据针对第二模板蒙版所计算的DGFR响应来对所述基簇进行改进。
27.根据权利要求25所述的装置,还包括用于以下操作的指令:
计算所述图像的标准化梯度场。
28.根据权利要求27所述的装置,其中计算响应值的步骤还包括用于以下操作的指令:
执行所述标准化梯度场与一个或多个模板蒙版的向量卷积。
29.根据权利要求28所述的装置,其中,所述模板蒙版包括:
30.根据权利要求29所述的装置,其中所述向量卷积操作包括用于以下操作的指令:
其中Ω=[-floor(S/2),floor(S/2)]。
31.根据权利要求24所述的装置,其中创建图像簇的步骤包括用于以下操作的指令:
使用所述DGFR响应来作为每个图像元素的滑降位势;以及
在所述图像元素上执行滑降操作,以确定所述滑降簇。
32.根据权利要求31所述的装置,其中执行所述滑降操作的步骤还包括:
朝向所述图像元素内的集中位置,从所述图像元素中的给定的一个图像元素滑动到相邻的图像元素。
33.根据权利要求32所述的装置,其中,朝向具有最小和最大滑降位势值之一的集中位置执行所述滑动。
34.根据权利要求31所述的装置,其中执行所述滑降操作的步骤还包括用于以下操作的指令:
朝向所述图像元素内的集中位置,从所述图像元素中的给定的一个图像元素爬升到相邻的图像元素。
35.根据权利要求34所述的装置,其中,朝向具有最小和最大滑降位势值之一的集中位置执行所述爬升。
36.根据权利要求24所述的装置,其中,所述图像元素是三维图像中的体素和二维图像中的像素中的至少一种。
37.根据权利要求24所述的装置,其中,所述图像是医学图像,并且至少一个候选对象是结肠的息肉。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US54700204P | 2004-02-23 | 2004-02-23 | |
US60/547,002 | 2004-02-23 | ||
US11/062,411 | 2005-02-22 | ||
US11/062,411 US7526115B2 (en) | 2004-02-23 | 2005-02-22 | System and method for toboggan based object segmentation using divergent gradient field response in images |
PCT/US2005/005694 WO2005083633A2 (en) | 2004-02-23 | 2005-02-23 | A system and method for toboggan based object segmentation using divergent gradient field response in images |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1947151A true CN1947151A (zh) | 2007-04-11 |
CN1947151B CN1947151B (zh) | 2011-01-26 |
Family
ID=34864027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2005800127887A Expired - Fee Related CN1947151B (zh) | 2004-02-23 | 2005-02-23 | 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 |
Country Status (8)
Country | Link |
---|---|
US (1) | US7526115B2 (zh) |
EP (1) | EP1719080B1 (zh) |
JP (1) | JP4879028B2 (zh) |
CN (1) | CN1947151B (zh) |
AU (1) | AU2005216314A1 (zh) |
CA (1) | CA2557122C (zh) |
DE (1) | DE602005009923D1 (zh) |
WO (1) | WO2005083633A2 (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7480412B2 (en) * | 2003-12-16 | 2009-01-20 | Siemens Medical Solutions Usa, Inc. | Toboggan-based shape characterization |
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 |
JP2007272466A (ja) * | 2006-03-30 | 2007-10-18 | National Institute Of Advanced Industrial & Technology | 画素ベース勾配クラスタリングによる多峰関数セグメンテーション方法 |
JP4894369B2 (ja) * | 2006-06-19 | 2012-03-14 | 富士通株式会社 | 3次元モデルの画像処理装置 |
US8023703B2 (en) * | 2006-07-06 | 2011-09-20 | The United States of America as represented by the Secretary of the Department of Health and Human Services, National Institues of Health | Hybrid segmentation of anatomical structure |
US7961923B2 (en) * | 2006-08-22 | 2011-06-14 | Siemens Medical Solutions Usa, Inc. | Method for detection and visional enhancement of blood vessels and pulmonary emboli |
US7925065B2 (en) * | 2006-08-22 | 2011-04-12 | Siemens Medical Solutions Usa, Inc. | Finding blob-like structures using diverging gradient field response |
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 |
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 |
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 |
US7983459B2 (en) | 2006-10-25 | 2011-07-19 | Rcadia Medical Imaging Ltd. | Creating a blood vessel tree from imaging data |
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 |
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 |
US8494235B2 (en) * | 2007-06-04 | 2013-07-23 | Siemens Medical Solutions Usa, Inc. | Automatic detection of lymph nodes |
US20090067494A1 (en) * | 2007-09-06 | 2009-03-12 | Sony Corporation, A Japanese Corporation | Enhancing the coding of video by post multi-modal coding |
US8200466B2 (en) | 2008-07-21 | 2012-06-12 | The Board Of Trustees Of The Leland Stanford Junior University | Method for tuning patient-specific cardiovascular simulations |
US9405886B2 (en) | 2009-03-17 | 2016-08-02 | The Board Of Trustees Of The Leland Stanford Junior University | Method for determining cardiovascular information |
US8379985B2 (en) * | 2009-07-03 | 2013-02-19 | Sony Corporation | Dominant gradient method for finding focused objects |
US8157742B2 (en) | 2010-08-12 | 2012-04-17 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
US8315812B2 (en) | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
US8548778B1 (en) | 2012-05-14 | 2013-10-01 | Heartflow, Inc. | Method and system for providing information from a patient-specific model of blood flow |
US10157467B2 (en) | 2015-08-07 | 2018-12-18 | Arizona Board Of Regents On Behalf Of Arizona State University | System and method for detecting central pulmonary embolism in CT pulmonary angiography images |
CN107169487B (zh) * | 2017-04-19 | 2020-02-07 | 西安电子科技大学 | 基于超像素分割及深度特征定位的显著性目标检测方法 |
CN113223016A (zh) * | 2021-05-13 | 2021-08-06 | 上海西虹桥导航技术有限公司 | 一种植物秧苗的图像分割方法、装置、电子设备和介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2582666B2 (ja) * | 1990-09-14 | 1997-02-19 | 富士写真フイルム株式会社 | 異常陰影検出装置 |
JP2582665B2 (ja) * | 1990-09-14 | 1997-02-19 | 富士写真フイルム株式会社 | 異常陰影検出装置 |
JP2582667B2 (ja) * | 1990-09-14 | 1997-02-19 | 富士写真フイルム株式会社 | 線状パターン幅演算装置 |
JP2582664B2 (ja) * | 1990-09-14 | 1997-02-19 | 富士写真フイルム株式会社 | パターン認識装置 |
US5539838A (en) * | 1990-09-14 | 1996-07-23 | Fuji Photo Film Co., Ltd. | Abnormal pattern detecting apparatus pattern finding aparatus and liner pattern width calculating apparatus |
EP0736842B1 (en) * | 1995-03-29 | 2003-12-17 | Fuji Photo Film Co., Ltd. | Image processing method and apparatus |
DE19615493A1 (de) * | 1996-04-19 | 1997-10-23 | Philips Patentverwaltung | Verfahren zur Bildsegmentierung |
AU763454B2 (en) | 1999-11-24 | 2003-07-24 | Confirma, Inc. | Dynamic thresholding of segmented data sets and display of similarity values in a similarity image |
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 |
AU2002356539A1 (en) * | 2001-10-16 | 2003-04-28 | Abraham Dachman | Computer-aided detection of three-dimensional lesions |
CN1177298C (zh) * | 2002-09-19 | 2004-11-24 | 上海交通大学 | 基于块分割的多聚焦图像融合方法 |
-
2005
- 2005-02-22 US US11/062,411 patent/US7526115B2/en active Active
- 2005-02-23 WO PCT/US2005/005694 patent/WO2005083633A2/en active Application Filing
- 2005-02-23 DE DE602005009923T patent/DE602005009923D1/de active Active
- 2005-02-23 AU AU2005216314A patent/AU2005216314A1/en not_active Abandoned
- 2005-02-23 CA CA2557122A patent/CA2557122C/en not_active Expired - Fee Related
- 2005-02-23 EP EP05713968A patent/EP1719080B1/en active Active
- 2005-02-23 JP JP2006554312A patent/JP4879028B2/ja not_active Expired - Fee Related
- 2005-02-23 CN CN2005800127887A patent/CN1947151B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN1947151B (zh) | 2011-01-26 |
US7526115B2 (en) | 2009-04-28 |
US20050185838A1 (en) | 2005-08-25 |
DE602005009923D1 (de) | 2008-11-06 |
WO2005083633A3 (en) | 2006-01-26 |
JP2007524488A (ja) | 2007-08-30 |
AU2005216314A1 (en) | 2005-09-09 |
JP4879028B2 (ja) | 2012-02-15 |
WO2005083633A2 (en) | 2005-09-09 |
EP1719080A2 (en) | 2006-11-08 |
CA2557122A1 (en) | 2005-09-09 |
CA2557122C (en) | 2011-04-19 |
EP1719080B1 (en) | 2008-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1947151A (zh) | 用于在图像中使用发散梯度场响应进行基于滑降的对象分割的系统和方法 | |
JP4999163B2 (ja) | 画像処理方法および装置ならびにプログラム | |
Alilou et al. | A comprehensive framework for automatic detection of pulmonary nodules in lung CT images | |
JP4660546B2 (ja) | デジタル化画像中の対象の特徴描写方法およびコンピュータ読取り可能なプログラム記憶装置 | |
CN1670769A (zh) | 计算机辅助定位目标的方法和系统 | |
CN1395713A (zh) | 在计算x光断层摄影扫描中用于肺肿瘤二维和三维检测的方法、系统和计算机可读介质 | |
CN101014977A (zh) | 病变边界检测 | |
CN1861002A (zh) | 监视肿瘤负荷的方法和系统 | |
CN1682657A (zh) | 用于延迟增强图像的半自动量化的系统和方法 | |
CN1698540A (zh) | 图像处理方法、图像处理系统以及x-射线ct系统 | |
JP6273291B2 (ja) | 画像処理装置および方法 | |
CN1818972A (zh) | 剪接医学图像数据集的系统和方法 | |
CN1656499A (zh) | 使用车轮投影分析的肺结节检测 | |
WO2005112769A1 (en) | Nodule detection | |
US7912294B2 (en) | System and method for toboggan-based object detection in cutting planes | |
CN1615801A (zh) | 计算机辅助图像获取和诊断系统 | |
US7457445B2 (en) | Using corner pixels as seeds for detection of convex objects | |
CN1894720A (zh) | 基于滑降的形状表征 | |
Zhao et al. | TriZ-a rotation-tolerant image feature and its application in endoscope-based disease diagnosis | |
CN112686932B (zh) | 用于医学影像的图像配准方法及图像处理方法、介质 | |
CN1305008C (zh) | 弥散张量核磁成像脑缺血病灶区的自动分割方法 | |
CN1823337A (zh) | 用于检测医学图像中的隆起的系统和方法 | |
Özekes | Rule-based Lung region segmentation and nodule detection via Genetic Algorithm trained template matching | |
CN1902640A (zh) | 对医学图像中的候选解剖结构进行滤波和自动检测的系统和方法 | |
Antonelli et al. | Lung nodule detection in ct scans |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200303 Address after: Erlangen Patentee after: Siemens Healthcare GmbH Address before: Pennsylvania, USA Patentee before: Siemens Medical Solutions USA, Inc. |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110126 Termination date: 20210223 |