DE102006047373A1

DE102006047373A1 - Systeme und Verfahren zur Segmentierung eines Objektes von Interesse aus einem medizinischen Bild

Info

Publication number: DE102006047373A1
Application number: DE102006047373A
Authority: DE
Inventors: Hong Lin
Original assignee: Siemens Medical Solutions USA Inc
Current assignee: Siemens Medical Solutions USA Inc
Priority date: 2005-10-07
Filing date: 2006-10-06
Publication date: 2007-05-31
Also published as: US7702153B2; US20070081710A1

Abstract

Ein System (220) zur Segmentierung eines Ziel-Organtumors aus einem Bild umfasst einen Hintergrundmodellbilder (210), einen Vordergrundmodellbilder (220) und einen Tumorbereichslokalisierer (230). Der Hintergrundmodellbilder (210) verwendet eine Intensitätsverteilungsabschätzung der Voxel in einem Organbereich in einem Bild, um ein Hintergrundmodell zu bilden. Der Vordergrundbilder verwendet eine Intensitätsverteilungsabschätzung der Voxel in einem Ziel-Organtumor, um ein erstes Vordergrundmodell zu bilden. Der Tumorbereichslokalisierer (230) verwendet das Hintergrundmodell und das erste Vordergrundmodell, um den Ziel-Organtumor zu segmentieren, um ein erstes Segmentierungsergebnis zu erhalten.

Description

Die vorliegende Offenbarung bezieht sich auf Bildverarbeitung, und im Besonderen auf Systeme und Verfahren zur Segmentierung eines Objekts von Interesse aus einem medizinischen Bild.

In den letzten Jahren hat die medizinische Bildgebung in Folge der Vorteile in den Bildgebungsmodalitäten, wie etwa Röntgenaufnahmen, Computertomographie (CT = computed tomography), Magnetresonanzbildgebung (MRI = magnetic resonance imaging) und Ultraschall, stark zugenommen. Die Bildsegmentierung spielt eine wichtige Rolle in auf Computer basierenden medizinischen Anwendungen zur Diagnose und Analyse von anatomischen Daten, indem die automatische oder halbautomatische Extrahierung eines anatomischen Organs oder Objektes von Interesse aus einem Datensatz ermöglicht wird.

Eine Segmentierungstechnik, um Zieltumorbereiche aus dreidimensionalen (3-D) Leber-CT-Bildern genau und deutlich zu kennzeichnen, kann beispielsweise in der computergestützter Krebsdiagnose und Behandlungsplanung wie etwa die Nachsorge- und computergestützte Operationsplanung nützlich sein. Lebertumore sind in der Intensitätsverteilung in einem 3-D-Leber-CT-Bild markant und herausragend. Die 1A bis 1D zeigen Beispiele von Lebertumoren in CT-Bildern. Die in den 1A und 1D gezeigten zwei Schichten, in denen die Lebertumore durch Pfeile angezeigt sind, sind von derselben Leber-CT-Abtastung. 1C und 1E zeigen ein Beispiel einer Abwandlung der Intensitätsverteilung innerhalb eines Lebertumors.

Die Lebertumorsegmentierung enthält die Kennzeichnung aller Voxel, die zu einem Ziellebertumor in einem 3-D Leber-CT-Bild gehören, wie durch Einwirkung des Benutzers spezifiziert wird. Die Zielsetzungen in der Lebertumorsegmentierung umfassen die genaue Lokalisierung der Lebertumorbereiche in einem 3-D Leber-CT-Bild und das Erzeugen gleichmäßiger Segmentierungsergebnisse, die gegen die Einwirkungen eines Benutzers stabil sind. Es ist keine leichte Aufgabe, den Lebertumor aus der Leberanatomie genau zu segmentieren außer mögli cherweise in Fällen, wenn der Lebertumor von benachbarten anatomischen Strukturen gut isoliert ist.

Eine große Anzahl von Lebertumoren liegt neben anatomischen Strukturen mit ähnlicher Intensitätsverteilung in den CT-Bildern, was zur Unschärfe der Grenze zwischen den Lebertumoren und den benachbarten anatomischen Strukturen führen kann. Die Größe des Gradienten an den Grenzpunkten wird weniger markant, als jene der Intensitätsveränderungen innerhalb eines Lebertumors. Es ist sehr schwierig, ein Kriterium aufzustellen, um die genaue Lokalisierung eines Lebertumors-Grenzverlaufes zu identifizieren, wenn solch eine Unschärfe besteht. Wenn große Schwankungen in den Intensitätscharakteristiken in den Leber-CT-Bildern, in benachbarten anatomischen Strukturen, und in der Intensitätsverteilung innerhalb des Tumors bestehen, ist es nicht leicht, einen Lebersegmentierungsalgorithmus abzufassen, der ein Segmentierungsergebnis erzeugt, das gegen die Einwirkungen eines Benutzers stabil ist. Verschiedene Lebersegmentierungsalgorithmen sind vorgeschlagen worden, wovon einige einigermaßen gut auf die Leber-CT-Bilder angewendet werden können, in Fällen, in denen die Leber gut von benachbarten anatomischen Strukturen und ohne signifikante Grenzverlaufende Lebertumore separiert ist. Wenn Lebern nicht gut von benachbarten anatomischen Strukturen separiert sind und/oder an einer Grenze liegende Tumore existieren, werden umfassende Benutzerinteraktionen benötigt.

Die Lebertumorsegmentierung kann wie ein modifiziertes Regionenwachproblem behandelt werden, das in den meisten Fällen kein akzeptables Segmentierungsergebnis liefert. Darüber hinaus benötigt dieser Lösungsansatz eine umfassende Benutzeraufbereitung, die in der Tumorsegmentierung nicht erwünscht ist. Der Graph-Schnitt-Algorithmus wurde zur Tumorsegmentierung ausprobiert. Der Graph-Schnitt-Algorithmus verwendet Startpunkte, die durch einen Benutzer vorgegeben werden, um einen Graf zu bilden, der das Verhältnis des Vordergrundes und Hintergrundes darstellt. Er segmentiert den Vordergrund und Hintergrund durch Berechnung des minimalen Schnitts (min-cut). Diese Technik kann einigermaßen gut bei einigen isolierten Tumore funktionieren, aber ist nicht auf die Fälle mit unscharfer Grenze anwendbar. Der Zufallsverlaufs-Algorhythmus ist für die Tumorsegmentierung ausprobiert worden. Diese Technik ermöglicht es, dass mehr informative Randbedingungen in den Segmentierungsalgorithmus einbezogen werden, jedoch ist sie nicht auf die Fälle mit unscharfe Grenze anwendbar, und sie benötigt ein signifikantes Maß an Einwirkungen durch den Benutzer, was in der 3-D Tumorsegmentierung nicht erwünscht ist.

Gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung ist ein System zur Segmentierung eines Ziel-Organtumors aus einem Bild vorgesehen. Das System umfasst: einen Hintergrundmodellbilder, wobei der Hintergrundmodellbilder eine Intensitätsverteilungsabschätzung der Voxel in einem Organbereich in einem Bild verwendet, um ein Hintergrundmodell zu bilden; einen Vordergrundmodellbilder, wobei der Vordergrundmodellbilder eine Intensitätsverteilungsabschätzung der Voxel in einem Ziel-Organtumor verwendet, um ein erstes Vordergrundmodell zu bilden; und ein Tumorbereichslokalisierer, wobei das Tumorbereichslokalisierer das Hintergrundmodell und das erste Vordergrundmodell verwendet, um den Ziel-Organtumor zu segmentieren, um ein erstes Segmentierungsergebnis zu erhalten.

Gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung ist ein Verfahren zur Segmentierung eines Objektes von Interesse aus einem medizinischen Bild vorgesehen. Das Verfahren umfasst: das Bilden eines Hintergrundes unter Verwendung einer Segmentierungstechnik; das Bilden eines Vordergrundes unter Verwendung des Hintergrundes und eines Block von Probenvoxelintensitäten eines Objektes von Interesse in einem Bild; und das Segmentieren des Objekts von Interesse in einem Organbereich des Bildes unter Verwendung des Vordergrundes und des Hintergrundes.

Gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung enthält ein System zur Bereitstellung einer Segmentierung eines Objekts von Interesse von einem medizinischen Bild: eine Speichervorrichtung zum Speichern eines Programms; einen Prozessor in Kommunikation mit der Speichervorrichtung, wobei der Prozessor mit dem Programm arbeitet, um: einen Hintergrund unter Verwendung einer Segmentierungstechnik zu bilden; einen Vordergrund unter Verwendung des Hintergrundes und eines Blockes von Probenvoxelintensitäten eines Objekts von Interesse in einem Bild zu bilden; und das Objekt von Interesse in einem Organbereich des Bildes unter Verwendung des Vordergrundes und des Hintergrundes zu segmentieren.

Die vorliegende Erfindung wird für den Durchschnittsfachmann deutlicher, wenn die Beschreibungen der beispielhaften Ausführungsformen davon unter Bezugnahme auf die beigefügten Zeichnungen gelesen werden.
1A bis 1D zeigen Beispiele von Lebertumoren in CT-Bildern.
2 zeigt ein Blockdiagramm des Systems zur Segmentierung eines Ziel-Organtumors aus einem Bild gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung.
3A und 3B zeigen Beispiele eines gekennzeichneten Leberbereiches gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung.
4 ist ein Flussdiagramm, das ein Verfahren zur Segmentierung eines Objekts von Interesse aus einem medizinischen Bild gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung zeigt.
5A bis 5D zeigen Beispiele von geschätzten Wahrscheinlichkeitsfeldern von Lebertumoren gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung.
6A bis 6H zeigen Beispiele der 2D-Lebertumorbegrenzung von drei Lebertumoren, welche durch den Arzt gekennzeichnet sind.
7 stellt ein Computersystem zur Implementierung eines Verfahrens der Segmentierung eines Objekts von Interesse aus einem medizinischen Bild gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung dar.
Nachfolgend werden beispielhafte Ausführungsformen der vorliegenden Erfindung im Detail unter Bezugnahme auf die beigefügten Zeichnungen beschrieben.
2 zeigt ein Blockdiagramm eines Systems zum Segmentieren eines Ziel-Organtumors aus einem Bild gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung. Bilder können unter Verwendung einer oder mehrer Bildgebungsmodalitäten erhalten werden. Bei spiele von Bildern umfassen Röntgenbilder, Positronenemissions-Tomographie-(PET = positron emission tomography)-Bilder, Computertomographie -(CT)-Bilder, Magnetresonanzbildgebungs-(MRI)-Bilder, Einzelphotonenemissionen-Tomographie (SPECT = single-photon emission computed tomography)-Bilder, etc.. Ein Bild kann 2-D Bilddaten, 3-D Bilddaten und/oder höher dimensionale Bilddaten enthalten. Wie es hierin verwendet ist, bezieht sich „Organ" auf Zellen, Gewebe, Organe und/oder Organsysteme. Beispiele von Organen umfassen eine Leber, eine Bauchspeicheldrüse, eine Lunge, oder eine Niere.
Bezugnehmend auf 2, enthält das Tumorsegmentierungssystem 200 einen Hintergrundmodellbilder 210, einen Vordergrundmodellbilder 220, und einen Tumorbereichslokalisierer 230. In einer beispielhaften Ausführungsform der vorliegenden Erfindung schätzt der Hintergrundmodellbilder eine Intensitätsverteilung der Voxel in einem Organbereich in einem Bild ab, um ein Hintergrundmodell zu bilden, der Vordergrundmodellbilder schätzt eine Intensitätsverteilung der Voxel in einem Ziel-Organtumor ab, um ein erstes Vordergrundmodell zu bilden, und der Tumorbereichslokalisierer verwendet das Hintergrundmodell und das erste Vordergrundmodell, um den Ziel-Organtumor zu segmentieren, um ein erstes Segmentierungsergebnis zu erhalten.
Der Hintergrundmodellbilder 210 schätzt die Intensitätsverteilung der Voxel in Organbereichen von der Auswahl ab, die durch die Mitwirkungen des Benutzers geliefert wird. Die Auswahl kann zwei oder drei kleine Auswahlblöcke aus beispielsweise Leberbereichen enhalten. Der Hintergrundmodellbilder 210 markiert die Leberbereiche in dem Eingangs-3D-Leber-CT-Bild, das auf der geschätzten Intensitätsverteilung basiert. Zusätzlich kann das Markieren der Leberbereiche in dem Eingangs-3D-Leber-CT-Bild eine Anzahl von heuristischen Schritten umfassen, wie etwa beispielsweise morphologische Operationen, Verbundkomponentenanalyse, und konvexe-Hülle-Analyse an den extrahierten Lebergrenzen bei jedem 2D-Schritt. Ein Hintergrundmodell umfasst den abgeschätzten Intensitätsverteilungs-Schätzwert in den Leberbereichen und die Leberbereiche.
Der Vordergrundmodellbilder 220 schätzt die Intensitätsverteilung der Voxel in einem Zielleber-Tumor unter Verwendung eines Satzes von Proben ab, welcher anfänglich Eingaben durch Einwirkung des Benutzers enthält oder die Segmentierungsausgänge von dem Tumorbereichs lokalisierer 230 enthalten kann. Der Vordergrundmodellbilder 220 kann die Bayes'sche Regel verwenden, um ein Wahrscheinlichkeitsfeld des Zieltumors unter Verwendung des Hintergrundmodells, das zuvor aufgebaut wurde, und der Intensitätsverteilung der Voxel in dem Ziellebertumor zu bilden.
Der Tumorbereichslokalisierer 230 startet von der Position, die anfänglich durch die Mitwirkungen des Benutzers vorgegeben wird, um im Wesentlichen alle Voxel zu identifizieren, die zu dem Ziellebertumor gehören. Er segmentiert den Ziellebertumor unter Verwendung beispielsweise des Wahrscheinlichkeitsfeldes mit einer auf der Grenzlinie basierenden Randbedingung. Die Ausgabe der identifizierten Lebertumorbereiche kann dem Vordergrundmodellbilder 220 zugeführt werden, um ein zuverlässigeres 3D-Wahrscheinlichkeitsfeld aufzubauen, welches dann dem Lebertumorbereichslokalisierer zugeführt werden kann, um eine genauere Segmentierung zu erhalten. Die zwei Stufen können mehrmals wiederholt werden, um eine zuverlässige Segmentierung zu erzeugen. Beispielsweise können zwei Wiederholungen ausreichend sein, um ein zuverlässiges Segmentierungsergebnis zu erzeugen.
Hintergrundmodellbilder
Die nachfolgende Gleichung 1 bezeichnet ein 3D-Leber-CT-Bild, wobei X, Y, und Z die x-, y- und z-Abmessungen des jeweiligen Leber-CT-Bildes sind. F = {F(x,y,z)| 0 ≤ x < X, 0 ≤ y < Y, 0 ≤ z < Z} (1)
Ein Voxel F(x,y,z) soll eine Lebervoxel sein, wenn F(x,y,z) in einem Leberbereich liegt, der durch die Kennzeichnung Co dargestellt ist. Ein Voxel F(x,y,z) soll ein Lebertumorvoxel sein, wenn F(x, y, z) in einem Lebertumor liegt, der durch die Kennzeichnung C₁ dargestellt ist. Lasse S = {F(x₁, y₁, z₁), F(x₂, y₂, z₂), ..., F(x_n, y_n, z_n} ein Satz von Proben der Größe n in Leberbereichen sein, die durch die Einwirkung des Benutzers geliefert werden. Angenommen, dass der Satz von Proben aussagekräftig ist, kann eine nicht parametrische Parzen-Fenster-Technik (= Parzen window technique) verwendet werden, um eine Abschätzung der Intensitätsverteilung der Voxel in Leberbereichen zu erhalten. Beispielsweise kann die nicht parametrische Parzen-Fenster-Technik durch die Gleichung 2 ausgedrückt werden.
wobei h () eine Kernel-Funktion ist; V_n das Volumen der Kernel-Funktion ist; h_n die Fenstergröße ist. Das Gauss'sche Kernel mit einem std-Wert von 10 kann beispielsweise verwendet werden.
Gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung ist ein Voxel F(x,y,z) als ein Lebervoxel gekennzeichnet, wenn p(F(x,y,z) | C0) ≥ β (3)wobei β ein vom Benutzer spezifizierter Schwellenwert ist. Eine Unterscheidungsfunktion, die auf der Probenintensitätsverteilung basiert, kann zu einer signifikanten Menge von Klassifizierungsfehlern von zwei Arten führen: (i) Lebervoxel, die als Nicht-Lebervoxel falsch klassifiziert werden, und (ii) Nicht-Lebervoxel, die als Lebervoxel klassifiziert werden. Die Mehrheit der Lebervoxel in Leberbereichen kann korrekt klassifiziert werden. Die korrekt klassifizierten Lebervoxel bilden eine Anzahl von großen verbundenen Komponenten, die eine Ansammlung der Voxel sind, wobei jedes Voxel direkt oder indirekt mit jedem Voxel verbunden ist. Voxel in Nicht-Leberbereichen, die korrekt als Nicht-Lebervoxel klassifiziert sind, bilden auch einen Satz von großen verbundenen Komponenten.
Sowohl morphologische Operationen als auch die Verbundkomponentenanalyse können verwendet werden, um die Klassifizierungsfehler zu bereinigen. Zusätzlich zu morphologischen Operationen und der Analyse der verbundenen Komponenten kann eine Anzahl von heuristischer Schritte verwendet werden, um die Segmentierungsergebnisse neu zu definieren, wobei die konvexe Beschaffenheit des linken Lebergrenzbereiches bei jeder Schicht einbezogen wird, die Voxel eines Wertes mit hoher Intensität in Rippen entfernt werden, und Voxel von niedriger Intensität in bestimmten Organen entfernt werden. Nachdem Leberbereiche in jeder Schicht lokalisiert sind, können Analysen der konvexen Hülle angewendet werden, um die Form der Leberbegrenzung zu regulieren. Eine Lebersegmentierungsmaske, M, kann durch die Gleichung 4 ausgedrückt werden.
Die 3A und 3B zeigen Beispiele eines gekennzeichneten Leberbereiches gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung. 3A zeigt die 3D-Wiedergabe der segmentierten Leber, und 3B zeigt den Grenzverlauf eines segmentierten Leberbereiches in einer Schicht. In einer beispielhaften Ausführungsform der vorliegenden Erfindung wird der segmentierte Lebergrenzverlauf verwendet, um die Lebertumorsegmentierung einzugrenzen.
Lasse Ω = {F(x,y,z) | M(x,y,z) = 1} beispielsweise der Satz von Voxeln der Größe m = |Ω| in Leberbereichen sein, die in dem oben beschriebenen Verfahren identifiziert sind. Eine neu definierte Leberintensitätsverteilung kann unter Verwendung der Gleichung 5 erhalten werden.
wobei h() (Gauss'sche) eine Kernel-Funktion ist; V_m (=1) das Volumen der Kernel-Funktion ist; h_m (=10) die Fenstergröße ist, auf welchem basierend ein 3D-Leberwahrscheinlichkeitsfeld der gleichen Dimension wie F durch Gleichung 6 erhalten werden kann.
wobei N eine kleine lokale Nachbarschaft um (x,y,z) definiert; a und W jeweilige Gewichtungsfaktoren sind. Beispielsweise kann N als ein 5 × 5 × 1 lokales Fenster, ein 7 × 7 × 1 lokales Fenster oder ein Fenster von anderer Größe definiert sein. Beispielsweise kann die Fenstergröße von N in der z-Achse 1 sein, wenn die Leber-CT-Bilder eine niedrige Auflösung in der z-Achse haben, beispielsweise um 5,0 mm. Der Gewichtungsfaktor a kann ungefähr gleich 3,0 sein, und W nimmt einen Wert an, der das Zielfeld in einem geeigneten Bereich skaliert.
In einer beispielhaften Ausführungsform der vorliegenden Erfindung empfängt der Hintergrundmodellbilder eine Benutzereingabe, die eine oder mehrere Probeorganbereiche in dem Bild markiert, und der Hintergrundmodellbilder verwendet die Probenorganbereiche zum Abschätzen der Intensitätsverteilung der Voxel in dem Organbereich in dem Bild. Der Hintergrundmodellbilder kann Organbereiche in dem Bild basierend auf der abgeschätzten Intensitätsverteilung der Voxel in dem Organbereich und basierend auf morphologischen Operationen, der Analyse verbundener Komponenten und/oder Analysen der konvexen Hülle, markieren.
Vordergrundmodellbilder
Lasse T = {F(x₁,y₁,z₁), F(x₂,y₂,z₂), ..., F(x₁,y₁,z₁)} beispielsweise der Satz der Lebertumorproben der Größe t sein, der durch Mitwirkungen der Benutzer bereitgestellt wird. Die Intensitätsverteilung der Voxel in dem Ziel-Lebertumor kann geschätzt werden, als:
wobei Kernel t, Volumen V_l, und Fenstergröße h_m entsprechend gleich wie oben definiert sind. Basierend auf dieser geschätzten Intensitätsverteilung kann ein Wahrscheinlichkeitsfeld des Ziellebertumors entsprechend der Gleichung 8 geschätzt werden.
wo N, a, und W gleich dem der Leberbereiche definiert sind.
Ohne einen Verlust von Allgemeinheit kann angenommen werden, dass jedes Voxel eine gleiche Wahrscheinlichkeit hat, ein Lebervoxel oder Lebertumorvoxel zu sein. Unter Verwendung der Bayes'schen Regel, kann ein Wahrscheinlichkeitsfeld des Ziel-Lebertumors berechnet werden, wie es durch die Gleichung (9) ausgedrückt ist.
5A bis 5D zeigen Beispiele des geschätzten Wahrscheinlichkeitsfeldes von Lebertumoren gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung. 5A und 5B zeigen die Rohbildschnitte, und die 5C und 5D sind die entsprechenden Wahrscheinlichkeitsfeldschnitte.
In einer beispielhaften Ausführungsform der vorliegenden Erfindung empfängt der Vordergrundmodellbilder die Benutzereingabemarkierung eines Ziel-Organtumors in dem Bild und der Vordergrundmodellbilder verwendet die Benutzereingabe zum Abschätzen der Intensitätsverteilung der Voxel in dem Ziel-Organtumor. Der Vordergrundmodellbilder kann eine Bayes'sche Regel verwenden, um ein Wahrscheinlichkeitsfeld des Ziel-Organtumors unter Verwendung des Hintergrundmodells und der geschätzten Intensitätsverteilung der Voxel in dem Ziel-Organtumor zu bilden.
Tumorbereichslokalisierer
Das Wahrscheinlichkeitsfeld vorgegeben, kann ein Voxel (x,y,z) als ein Lebertumorvoxel klassifiziert werden, wenn die Gleichung 10 für den Wert von λ erfüllt ist. L(x,y,z) ≥ λ, (10)wo λ ein vordefinierter Wahrscheinlichkeitsschwellenwert ist, der die Sicherheit der Entscheidung bestimmt, dass (x,y,z) ein Vordergrundlebertumorvoxel ist. Die Entscheidungsfunktion kann ein Segmentierungsergebnis erzeugen, das falsch klassifizierte Voxel umfasst, wie es in 5B gezeigt ist, wenn der Ziellebertumor neben anatomischen Strukturen mit einer Intensitätsverteilung ähnlich dem Ziellebertumor liegt. Eine Einschränkung an dem Segmentierungsergebnis kann verwendet werden, um die falsch klassifizierten Nicht-Zielvoxel in der Segmen tierung zu vermindern oder zu eliminieren. Um Einschränkungen an dem Segmentierungsergebnis einzuführen, kann eine zusätzliche Information verwendet werden. Beispielsweise kann das Formmerkmal zur Regulierung der Segmentierungsergebnisse verwendet werden. Die 6A bis 6H zeigen Beispiele des 2D-Lebertumorgrenzverlaufes von drei Lebertumoren, die jeweils durch den Arzt markiert wurden.
In einer beispielhaften Ausführungsform der vorliegenden Erfindung startet der Tumorbereichslokalisierer von einer Benutzereingabeposition in dem Bild, um im Wesentlichen alle Voxel in dem Ziel-Organtumor zu lokalisieren. Der Tumorbereichslokalisierer verwendet das Hintergrundmodell und das zweite Vordergrundmodell, um den Ziel-Organtumor zu segmentieren, um ein zweites Segmentierungsergebnis zu erhalten. Der Tumorbereichslokalisierer kann den Ziel-Organtumor unter Verwendung eines Wahrscheinlichkeitsfeldes des Ziel-Organtumors segmentieren. In einer beispielhaften Ausführungsform der vorliegenden Erfindung verwendet der Vordergrundmodellbilder das erste Segmentierungsergebnis, um ein zweites Vordergrundmodell zu bilden.
Nachfolgend wird ein Verfahren zur Segmentierung eines Objektes von Interesse aus einem medizinischen Bild unter Bezugnahme auf 4 beschrieben. Medizinische Bilder können unter Verwendung einer oder mehrerer Bildmodalitäten erhalten werden. Beispiele von medizinischen Bildern umfassen Röntgenbilder, Positronenemissions-Tomographie(PET)-Bilder, Computertomographie (CT)-Bilder, Magnetresonanzbildgebung (MRI)-Bilder, Einzelphotonenemissionen-Computertomographie (SPECT)-Bilder, etc.. Ein medizinisches Bild kann 2D-Bilddaten, 3D-Bilddaten und/oder höherdimensionale Bilddaten enthalten.
2D-Bilddaten, 3D-Bilddaten und/oder höherdimensionale Bilddaten.
4 ist ein Flussdiagramm, das ein Verfahren zur Segmentierung eines Objektes von Interesse von einem medizinischen Bild gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung zeigt. Bezug nehmend auf 4, bilde in Schritt 410 eine Abschätzung einer Intensitätsverteilung der Voxel in dem Organbereich unter Verwendung einer statistischen Technik. Die statistische Technik kann eine nicht-parametrische Parzen-Fenster-Technik, ein Histogramm, eine Dichte-Schätzungstechnik, ein Gauss'sches Modell, etc. sein.
Bilde in Schritt 420 einen Hintergrund unter Verwendung einer Segmentierungstechnik. Die Segmentierungstechnik kann eine Organsegmentierungstechnik sein.
Segmentierungstechnik
Bilde in Schritt 430 einen Vordergrund unter Verwendung eines Blockes von Probenvoxelintensitäten des Hintergrundes und eines Blockes von Probenvoxelintensitäten eines Objektes von Interesse in einem Bild. Der Block von Probenvoxelintensitäten des Hintergrundes kann einen kleinen Block von Probenvoxelintensitäten des Hintergrundes enthalten. Der Block von Probenvoxelintensitäten des Objektes von Interesse in dem Bild kann einen kleinen Block von Probenvoxelintensitäten enthalten. Beispielsweise kann ein kleiner Block von Probenvoxelintensitäten ein 7 × 7 × 1 Block, ein 5 × 5 × 1 Block oder andere kleine Blockkonfigurationen oder Probenvoxelintensitäten sein.
Der Schritt 430 des Bildens des Hintergrundes kann das Empfangen der Benutzereingabemarkierung einer oder mehrerer Proben von einem Organbereich in einem Bild enthalten. Der Organbereich kann ein Leberbereich, ein Bauchspeicheldrüsenbereich, ein Nierenbereich, ein Lungenbereich oder ein anderer Organbereich sein.
Segmentiere in Schritt 440 das Objekt von Interesse in einem Organbereich des Bildes unter Verwendung des Vordergrundes und des Hintergrundes. Die Organsegmentierungstechnik kann Klassifizierungsvoxel als Organ oder Nicht-Organ unter Verwendung einer Abschätzung einer Intensitätsverteilung der Voxel in einem Organbereich des Bildes enthalten. Morphologische Operationen, Analysen verbundener Komponenten, oder Analysen der konvexen Hülle können verwendet werden, um die Klassifizierungsfehler zu vermindern.
Es ist zu verstehen, dass die vorliegende Erfindung in verschiedenen Formen von Hardware, Software, Firmware, Prozessoren für speziellen Zweck, oder einer Kombination davon implementiert sein kann. In einer Ausführungsform kann die vorliegende Erfindung in Software als ein Anwendungsprogramm implementiert sein, das zugreifbar auf einer Programmspeichervor richtung eingesetzt ist. Das Anwendungsprogramm kann auf und durch eine Maschine hochgeladen und ausgeführt werden, die eine geeignete Architektur enthält.
Bezugnehmend auf 7 kann gemäß einer Ausführungsform der vorliegenden Offenbarung ein Computersystem 101 zur Implementierung eines Verfahrens der Bildsegmentierung unter anderem eine zentrale Verarbeitungseinheit (CPU = central processing unit) 109, einen Speicher 103 und eine Eingang/Ausgang (I/O)-Schnittstelle 104 enthalten. Das Computersystem 101 ist im Allgemeinen durch die I/O-Schnittstelle 104 mit einem Bildschirm 105 und verschiedenen Eingabevorrichtungen 106, wie etwa einer Maus und einer Tastatur, verbunden. Die Unterstützungsschaltungen können Schaltungen wie etwa Cache, Stromversorgungen, Taktschaltungen und einen Kommunikationsbus umfassen. Der Speicher 103 kann einen Arbeitsspeicher (RAM = random access memory), einen Festwertspeicher (ROM = read only memory), ein Diskettenlaufwerk, ein Bandlaufwerk, etc. oder eine Kombination davon umfassen. Die vorliegende Erfindung kann als eine Routine 107 implementiert werden, die im Speicher 103 gespeichert ist, und die durch den CPU 109 ausgeführt wird, um die Signale von der Signalquelle 108 zu verarbeiten. Als solches ist das Computersystem 101 ein Allzweck-Computersystem, das zu einem Computersystem mit spezifischem Zweck wird, wenn die Routine 107 der vorliegenden Erfindung ausgeführt wird.
Die Computerplattform 101 umfasst auch ein Betriebssystem und einen Mikrobefehlscode. Die verschiedenen Prozesse und Funktionen, die hierin beschrieben sind, können entweder Teil des Mikrobefehlscodes oder Teil des Anwendungsprogramms (oder eine Kombination davon) sein, das über das Betriebssystem ausgeführt wird. Zusätzlich können verschiedene andere periphere Vorrichtungen mit der Computerplattform verbunden sein, wie etwa eine zusätzliche Datenspeichervorrichtung und eine Druckvorrichtung.
In einer beispielhaften Ausführungsform der vorliegenden Erfindung enthält ein System, um die Segmentierung eines Objektes von Interesse aus einem medizinischen Bild zu liefern, eine Speichervorrichtung 103 zum Speichern eines Programms, und einen Prozessor 109 in Kommunikation mit der Speichervorrichtung 103. Der Prozessor 109 wird mit dem Programm betrieben, um einen Hintergrund unter Verwendung einer Segmentierungstechnik zu bilden; einen Vordergrund unter Verwendung des Hintergrundes und eines Blockes von Probenvoxelin tensitäten eines Objektes von Interesse in einem Bild zu bilden; und das Objekt von Interesse in einem Organbereich des Bildes unter Verwendung des Vordergrundes und des Hintergrundes zu segmentieren. Die Segmentierungstechnik kann eine Organsegmentierungstechnik sein.
Wenn der Hintergrund gebildet wird, kann der Prozessor 109 mit dem Programm betrieben werden, um eine Benutzereingabemarkierung einer oder mehrerer Proben in einem Organbereich in einem Bild zu empfangen. Wenn das Objekt von Interesse segmentiert wird, kann der Prozessor 109 mit dem Programm betrieben werden, um Voxel als Organ oder Nicht-Organ unter Verwendung einer Abschätzung einer Intensitätsverteilung der Voxel in einem Organbereich des Bildes zu klassifizieren.
Es sollte ferner verstanden sein, dass, da einige der Systemkomponenten und Verfahrensschritte, die in den beigefügten Figuren dargestellt sind, in der Software implementiert sein können, die tatsächlichen Verbindungen zwischen den Systemkomponenten (oder den Verfahrensschritten) abhängig von der Art und Weise unterschiedlich sein können, in der die vorliegende Erfindung programmiert ist. In Anbetracht der Lehren der hierin vorgeschlagenen vorliegenden Erfindung wird ein Durchschnittsfachmann in der Lage sein, diese und ähnliche Implementierungen oder Konfigurationen der vorliegenden Erfindung in Betracht zu ziehen.
In einer beispielhaften Ausführungsform der vorliegenden Erfindung basiert ein Verfahren der Segmentierung eines Objektes von Interesse aus einem Bild auf dem Wahrscheinlichkeitsfeld einer Intensitätsverteilung der Leberbereiche und umfasst einen oder mehrere heurestische Analysenschritte. Beispiele der auf Heuristik basierenden Analysenschritte umfassen morphologische Operationen, Analysen verbundener Komponenten, oder Analysen der konvexen Hülle. Beispielhafte Ausführungsformen der vorliegenden Erfindung können eine Segmentierung erhalten, die im Wesentlichen an Hauptbereichen einer Zielleber genau ist, selbst wenn die Zielleber nicht gut von benachbarten anatomischen Strukturen separiert werden kann und/oder wenn dort Grenzlebertumore existieren. In einer beispielhaften Ausführungsform der vorliegenden Erfindung ist ein Verfahren der Segmentierung eines Lebertumors von einem Bild geeignet, um genau und konsistent Lebertumorbereiche mit sehr begrenzter Einwirkung des Benutzers zu lokalisieren.
Obwohl die Verfahren und die Vorrichtung der vorliegenden Erfindung im Detail unter Bezugnahme auf die beigefügten Zeichnungen für den Zweck der Darstellung beschrieben worden sind, sollte es verstanden sein, dass die erfinderischen Verfahren und die Vorrichtung nicht dahin auszulegen sind, dass sie hierauf eingeschränkt sind. Es wird für den Durchschnittsfachmann vollständig ersichtlich, dass verschiedene Modifikationen zu den vorhergehenden beispielhaften Ausführungsformen gemacht werden können, ohne von dem Geiste und dem Rahmen der Erfindung abzuweichen, wie sie durch die angefügten Ansprüche definiert sind.

Claims

System zur Segmentierung eines Ziel-Organtumors aus einem Bild, enthaltend: einen Hintergrundmodellbilder (210), wobei der Hintergrundmodellbilder eine Intensitätsverteilungsabschätzung der Voxel in einem Organbereich in einem Bild verwendet, um ein Hintergrundmodell zu bilden; einen Vordergrundmodellbilder (220), wobei der Vordergrundmodellbilder eine Intensitätsverteilungsabschätzung der Voxel in einem Ziel-Organtumor verwendet, um ein erstes Vordergrundmodell zu bilden; und einen Tumorbereichslokalisierer (230), wobei der Tumorbereichslokalisierer das Hintergrundmodell und das erste Vordergrundmodell verwendet, um den Ziel-Organtumor zu segmentieren, um ein erstes Segmentierungsergebnis zu erhalten.
System nach Anspruch 1, wobei der Hintergrundmodellbilder (210) eine Benutzereingabe, die einen oder mehrere Probenorganbereiche in dem Bild markiert, empfängt, und wobei der Hintergrundmodellbilder die Probenorganbereiche zur Abschätzung der Intensitätsverteilung der Voxel in dem Organbereich in dem Bild verwendet.
System nach Anspruch 1 oder 2, wobei der Hintergrundmodellbilder Organbereiche in dem Bild basierend auf der abgeschätzten Intensitätsverteilung der Voxel in dem Organbereich und basierend auf mindestens der morphologischen Operationen, Verbundkomponentenanalyse oder konvexe-Hüllem-Analyse markiert.
System nach einem der Ansprüche 1 bis 3, wobei der Vordergrundmodellbilder (220) eine Benutzereingabe, die einen Ziel-Organtumor in dem Bild markiert, empfängt, und wobei der Vordergrundmodellbilder die Benutzereingabe zur Abschätzung der Intensitätsverteilung der Voxel in dem Ziel-Organtumor verwendet.
System nach einem der Ansprüche 1 bis 4, wobei der Vordergrundmodellbilder (220) eine Bayes'sche Regel verwendet, um ein Wahrscheinlichkeitsfeld des Ziel-Organtumors unter Verwendung des Hintergrundmodells und der geschätzten Intensitätsverteilung der Voxel in dem Ziel-Organtumor bildet.
System nach einem der Ansprüche 1 bis 5, wobei der Tumorbereichslokalisierer (230) bei einer benutzereingegebenen Position in dem Bild startet, um im Wesentlichen alle Voxel in dem Ziel-Organtumor zu lokalisieren.
System nach einem der Ansprüche 1 bis 6, wobei das Tumorbereichslokalisierer (230) den Ziel-Organtumor unter Verwendung eines Wahrscheinlichkeitsfeldes des Ziel-Organtumors segmentiert.
System nach einem der Ansprüche 1 bis 7, wobei der Vordergrundmodellbilder (220) das erste Segmentierungsergebnis verwendet, um ein zweites Vordergrundmodell zu bilden.
System nach Anspruch 8, wobei der Tumorbereichslokalisierer (230) das Hintergrundmodell und das zweite Vordergrundmodell verwendet, um den Ziel-Organtumor zu segmentieren, um ein zweites Segmentierungsergebnis zu erhalten.
System nach einem der Ansprüche 1 bis 9, wobei der Organbereich einer eines Leberbereiches, eines Bauchspeicheldrüsenbereiches, eines Nierenbereiches oder eines Lungenbereiches ist.
Verfahren zur Segmentierung eines Objekts von Interesse von einem medizinischen Bild, enthaltend: Bilden (420) eines Hintergrundes unter Verwendung einer Segmentierungstechnik; Bilden (430) eines Vordergrundes unter Verwendung des Hintergrundes und eines Blocks von Probenvoxelintensitäten eines Objekts von Interesse in einem Bild; und Segmentieren (440) des Objekts von Interesse in einem Organbereich des Bildes unter Verwendung des Vordergrundes und des Hintergrundes.
Verfahren nach Anspruch 11, wobei das Bilden des Hintergrundes ein Empfangen einer Benutzereingabe, die eine oder mehrere Proben aus einem Organbereich in einem Bild markiert, enthält.
Verfahren nach Anspruch 11 oder 12, wobei die Segmentierungstechnik eine Organsegmentierungstechnik ist.
Verfahren nach Anspruch 13, wobei die Organsegmentierungstechnik ein Klassifizieren der Voxel als Organ oder Nicht-Organ unter Verwendung einer Abschätzung einer Intensitätsverteilung der Voxel in einem Organbereich des Bildes enthält.
Verfahren nach Anspruch 14, wobei mindestens morphologische Operationen, eine Verbundkomponentenanalyse, und/oder eine konvexe-Hüllen-Analyse verwendet wird, um Klassifizierungsfehler zu vermindern.
Verfahren nach einem der Ansprüche 11 bis 15, ferner enthaltend ein Bilden (410) einer Schätzung einer Intensitätsverteilung der Voxel in dem Organbereich unter Verwendung einer statistischen Technik.
Verfahren nach Anspruch 16, wobei die statistische Technik eine aus einer nicht-parametrischen Parzen-Fenster-Technik, einem Histogramm, einer Dichteschätzungstechnik, oder einem Gauss'schen Modell ist.
Verfahren nach einem der Ansprüche 11 bis 17, wobeider Block der Proben-Voxelintensitäten einen kleinen Block von Probenvoxelintensitäten enthält.
System zur Bereitstellung der Segmentierung eines Objektes des Interesses von einem medizinischen Bild, enthaltend: eine Speichervorrichtung zum Speichern eines Programms; einen Prozessor in Kommunikation mit der Speichervorrichtung, wobei der Prozessor mit dem Programm arbeitet, um die Schritte des Verfahrens gemäß einem der Ansprüche 11 bis 18 durchzuführen.