DE102007007179B4

DE102007007179B4 - Verfahren zur Verarbeitung von Tomosyntheseprojektionsbildern für eine Detektion von radiologischen Auffälligkeiten nebst zugehöriger Röntgeneinrichtung

Info

Publication number: DE102007007179B4
Application number: DE102007007179.7A
Authority: DE
Inventors: Gero L. Peters; Serge Muller; Sylvain Bernard; Razvan Iordache
Original assignee: General Electric Co
Current assignee: General Electric Co
Priority date: 2006-02-09
Filing date: 2007-02-09
Publication date: 2017-12-21
Anticipated expiration: 2027-02-10
Also published as: US20070183641A1; DE102007007179A1; US20110261927A1; JP2007209758A; FR2897182A1; US8184892B2; US7974455B2; JP5041821B2

Abstract

Verfahren zur Verarbeitung von Bildern einer Röntgeneinrichtung, bei dem: verschiedene radiografische Projektionen eines Körpers erzeugt werden, ein 3D-Bild des Körpers rekonstruiert wird, in diesem 3D-Bild Strukturen, die radiologische 3D-Auffälligkeiten sein könnten, mit einem zugeordneten Konfidenzgrad lokalisiert werden, womit fragliche radiologische 3D-Auffälligkeiten erhalten werden, wobei in jedem Projektionsbild ein Satz von 2D-Kandidatenpartikeln bestimmt wird, die Projektionen der fraglichen radiologischen 3D-Auffälligkeiten entsprechen, wobei mittels einer Fuzzy-Logik-Beschreibung jedem der Kandidatenpartikel ein Mitgliedschaftsgrad in den 2D-Mitgliedschaftsklassen eines Satzes von Mitgliedschaftsklassen zugeordnet wird, wobei jede Mitgliedschaftsklasse auf einen Typ radiologischer Auffälligkeiten bezogen ist, wobei jede Klasse vorläufig bestimmt wird, wobei in einer betrachteten Klasse durch den Satz von 2D-Kandidatenpartikeln und durch deren entsprechenden Mitgliedschaftsgrad ein 2D-Fuzzy-Partikel gebildet wird, wobei in jedem Projektionsbild eine Aggregation der 2D-Fuzzy-Partikel vorgenommen wird, um in einem digitalen Volumen 3D-Fuzzy-Partikel zu erhalten, wobei aus jedem 3D-Fuzzy-Partikel eine Attributinformation extrahiert wird, wobei aus dem erhaltenen Satz von Attributeinzelinformationen ein Konfidenzgrad für jede radiologische Auffälligkeit ermittelt wird, wobei die Bestimmung des Konfidenzgrades die folgenden Schritte enthält: – es wird die Gruppierung in ein Cluster von 3D-Fuzzy-Partikeln gemessen, – aus den gemessenen Cluster werden Attribute extrahiert, – die gemessenen Cluster sowie deren entsprechende Attribute werden an einen Klassifizierer übertragen, wobei dieser Klassifizierer als Ausgangssignal einen Konfidenzgrad jedes Clusters liefert, wobei die Messung der Gruppierung in einem Cluster von 3D-Fuzzy-Partikeln die folgenden Schritte enthält: – es werden die Abstände von 3D-Fuzzy-Partikeln zu anderen 3D-Fuzzy-Partikeln gemessen, ...

Description

GEBIET DER ERFINDUNG
Ein Gegenstand der vorliegenden Erfindung ist ein Verfahren zur Verarbeitung von Tomosyntheseprojektionsbildern zur Erfassung radiologischer Auffälligkeiten. Die vorliegende Erfindung kann mit speziellem Vorteil, jedoch nicht ausschließlich, auf das Gebiet der medizinischen Bildgebung, das Gebiet der nicht zerstörenden Prüfung mittels Röntgenstrahlen und insbesondere auf die Mammografie angewendet werden. Die vorliegende Erfindung bezieht sich außerdem auf eine Mammografieeinrichtung mit einem Bildverarbeitungsverfahren dieser Art.
BESCHREIBUNG DES STANDES DER TECHNIK
Heutzutage wird bei der Erfassung von Läsionen unter Prävention von Brustkrebs weithin die Mammografie angewendet. Die radiologischen mit diesen Läsionen einhergehenden Auffälligkeiten können entweder Kalziumablagerungen (die als Mikrokalzifikationen bezeichnet werden), die in einem Raumbereich in Clustern zusammengeballt sind, oder durch wenig oder nicht durchsichtige Bereiche (Opazitäten) gebildet sein. Die individuellen Mikrokalzifikationen bilden allgemein relativ kleine Elemente (von 100 µm bis 1 mm Durchmesser), die für Röntgenstrahlen weniger durchlässig sind als umgebendes Gewebe. Opazitäten sind dichte Bereiche in denen Röntgenstrahlen intensiver absorbiert werden als in den benachbarten Regionen.
Es kann jedoch passieren, das bestimmte Klaziumablagerungen oder gewisse Opazitäten nicht entdeckt werden. Dieses Phänomen hat viele Ursachen. Insbesondere sind die Mammografiebilder das Ergebnis von Projektionen, d.h. sie repräsentieren überlagerte Strukturen, was die Sichtbarkeit von Strukturen der Brust stört und zu falschen Positivinterpretation führen kann.
Um dieses Problem der Positivinterpretation zu lösen sind neue Mammografieeinrichtungen geschaffen worden, die ein 3D-Bild der Brust des Patienten erzeugen. Eine solche Einrichtung akquiriert verschiedene Projektionen eines Objekts in verschienen Winkeln und rekonstruiert dann die 3D-Verteilung des Objekts mittels eines tomografischen Rekonstruktionsalgorithmus. Das Ziel liegt dann darin, alle Läsionen zu erfassen, die bei der Superposition des Gewebes, die bei klassischer Akquisition durch Mammografieprojektion stattfindet, maskiert worden wäre.
Jedoch hat diese neue Tomosynthesemammografieeinrichtung Nachteile. Tatsächlich wird bei einer durchschnittlichen Brust bei solchen digitalen Tomosynthese-Screeningeinrichtungen eine digitale Volumenrekonstruktion typischerweise mit 50 bis 80 Schichten durchgeführt. Folglich ist die zu handhabende Informationsmenge sehr groß. Außerdem erfordert der Zugriff auf eine spezifische Information, die klinisches Interesse genießt, relativ viel Zeit, weil diese Information in dem Volumen Seite für Seite gesucht werden muss.
Bei heutigen Mammografieeinrichtungen spielt die Benutzungsfrequenz oder die Rate medizinischer Nutzungsfälle eine erhebliche Rolle, weil diese Frequenz hinsichtlich der Wirtschaftlichkeit der Einrichtung eine Rolle spielt. Jedoch können die neuen Tomosynthesemammografieeinrichtungen keiner so hohen Nutzungsfrequenz unterworfen werden, weil die Zeit für den Zugriff auf Information, die klinisches Interesse genießt, sehr groß ist.
Außerdem gibt diese Art von Einrichtung keine Garantie hinsichtlich des Sreeningerfolges, weil das Screening von der Zeit abhängig ist, die zur Lokalisierung der klinisch interessanten Information aufgewendet wird.
Ein anderes Problem, das speziell mit der Mammografie zusammen hängt, jedoch auch in anderen Gebieten auftreten kann, hängt mit der Notwendigkeit zusammen, bestimmte radiologische Auffälligkeiten erkennen zu können, die zwischen 100 µm und 1 mm klinisch interessant werden. Weil die Auflösung des Detektors gegenwärtig 100 µm beträgt, muss der Radiologe schnelles Suchen nach kleineren Objekten in großen Volumina durchführen.
Aus dem Artikel „Reconstruction-Independent 3D CAD for Calcification Detection in Digital Breast Tomosynthesis Using Fuzzy Particles”, G. Peters et al., CIARP 2005, LNCS 3773, Seiten 400–408, Springer-Verlag Berlin Heidelberg 2005 ist ein Verfahren zur Verarbeitung von Bildern einer Röntgeneinrichtung unter Verwendung einer Fuzzy-Logik bekannt. In den von der Röntgeneinrichtung erzeugten Projektionsbildern werden durch die Anwendung von Graustufenschwellenwerten Kandidatenkonturen eines Kandidatenpartikels ermittelt. Ein Kandidatenpartikel kann durch eine Wavelet-Filterung erhalten werden. Aus den einzelnen Kandidatenkonturen wird dann durch eine Fuzzy-Logik eine Fuzzy-Kontur ermittelt. Die einzelnen Fuzzy-Konturen können dann zu einem Fuzzy-Partikel zusammengesetzt werden. Aus diesen Fuzzy-Partikeln kann dann ein entsprechendes 3D-Volumen gebildet werden. Dadurch soll anhand der Fuzzy-Partikel in den 2D-Bildern eine Mikrokalzifikation identifiziert und abgebildet werden.
ZUSAMMENFASSUNG DER ERFINDUNG
Die Erfindung ist genau darauf ausgerichtet, die Nachteile der hier erläuterten Technologien zu überwinden. Zu diesem Zweck schlägt die Erfindung ein 3D-Bildverarbeitungsverfahren vor, dass dazu genutzt werden kann, radiologische Auffälligkeiten in Serien von 3D-Bildern zu erfassen. Die zur Lokalisierung dieser radiologischen Marker erforderliche Zeit wird damit stark reduziert. Somit kann das System die Wahrscheinlichkeit reduzieren, dass Läsionen durch den Radiologen während der Diagnose übersehen werden.
Die Erfindung schlägt einen neuen Ansatz für die Mammografie vor, der vorteilhafterweise die Techniken der digitalen Verarbeitung des radiologischen Bilds nutzt, um die Lesbarkeit der Information zu verbessern.
Dieses Bildverarbeitungsverfahren kann zur Bewältigung einer großen Datenmenge genutzt werden, indem neue Strategien entwickelt werden, die in der Lage sind, die erforderliche Zeit zu reduzieren und den Zugriff auf klinisch interessante Information zu vereinfachen.
Die vorliegende Erfindung schlägt einen Algorithmus zur Erfassung radiologischer Auffälligkeiten in Serien von 3D-Bildern vor. Der erfindungsgemäße Algorithmus wird dazu verwendet, die Position der radiologischen Auffälligkeiten in dem 3D-Bild durch Marker zu indizieren. Er macht es außerdem möglich, automatisch zwischen bösartigen und gutartigen Elementen zu unterscheiden.
Um dies zu vollbringen, nutzt der erfindungsgemäße Algorithmus einen Fuzzy-Logik-Ansatz, um die Zweideutigkeiten in dem Bild zu modellieren. Die Verwendung von Fuzzy Logik macht es möglich, das Entscheidungsverfahren hinsichtlich möglicher radiologischer Auffälligkeiten zu vereinfachen, indem die verfügbare Information über die fraglichen radiologischen Auffälligkeiten sowie die Information über die Akquisitionsgeometrie zusammengestellt werden. Es ordnet jeder fraglichen radiologischen Auffälligkeit einen Vertrauenswert zu, in dem alle Information über die radiologische Auffälligkeit in Betracht gezogen wird. Dieses Vertrauensmaß gestattet eine präzise Entscheidung über die fragliche radiologische Auffälligkeit zu treffen.
Außerdem wird der Algorithmus bei der Erfindung direkt auf Ansichten (views) der radiographischen Projektionen angewendet. Dies ergibt einen Algorithmus der keinen Rekonstruktionsschritt enthält und außerdem unabhängig von jedem Rekonstruktionsalgorithmus ist, der zur Rekonstruktion von Serien von 3D-Daten verwendet wird. Außerdem wird eine Verringerung der Ausführungszeit erreicht, weil das Bildverarbeitungsverfahren gemäß der Erfindung einfach von den Projektionen und nicht von einer Anzahl rekonstruierter Schnitte abhängt, wie es im Stand der Technik der Fall ist. Im Allgemeinen ist die Anzahl der Projektionen viel kleiner als die Anzahl der in einer Brust rekonstruierten Schichten.
Die Erfindung bietet somit einen Ansatz, der unter Berücksichtigung der Unklarheiten oder Zweideutigkeiten in dem Bild ein verbessertes Detektionsergebnis liefert, wobei ein nicht vernachlässigbarer Zeitgewinn erhalten wird.
In dem Fall der Untersuchung einer dichten Brust oder einer Brust mit vielen fibrösen Strukturen führt die Überlagerung der Gewebe zum Zeitpunkt der Filmaufnahme der Projektionen zu Unklarheiten in der Interpretation. Der erfindungsgemäße Algorithmus gestattet ebenfalls die Reduktion der Interpretationsunklarheiten in Folge dieser Gewebeüberlagerungen.
Das erfindungsgemäße Verfahren neigt außerdem dazu, die radiologischen Auffälligkeiten in dem 3D-Bild einer Brust hervorzuheben. Die vorliegende Erfindung gibt dem Arzt ein besseres Vertrauen in seine diagnostischen Werkzeuge.
Spezieller liegt eine Aufgabe der Erfindung in der Verarbeitung von Bildern einer Röntgeneinrichtung, wobei:
Verschiedene radiografische Projektionsbilder eines Körpers erzeugt werden;
ein 3D-Bild des Körpers rekonstruiert wird;
in diesem 3D-Bild Strukturen, die möglicherweise radiologische 3D-Auffälligkeiten repräsentieren, mit hoher Vertrauenswürdigkeit lokalisiert und auf diese Weise angenommene radiologische 3D-Auffälligkeiten erhalten werden, wobei
in jedem Projektionsbild ein Satz von 2D-Verdachtskandidaten bestimmt wird, die Projektionen angenommener radiologischer 3D-Auffälligkeiten entsprechen,
wobei mittels Fuzzy-Logik-Beschreibung jedem der Verdachtskandidaten ein Mitgliedschaftsgrad in jeder der 2D-Mitgliederklassen eines Satzes von Mitgliederklassen zugeordnet wird, wobei jede Mitgliedsklasse sich auf einen Typ einer radiologischen Auffälligkeit bezieht, wobei jede Klasse vorläufig bestimmt wird;
jeder 2D-Fuzzy-Partikel durch den Satz der 2D-Kandidaten und durch deren entsprechenden Mitgliedschaftsgrad in der betrachteten Klasse gebildet wird;
in jedem Projektionsbild eine Zusammenstellung der 2D-Fuzzy-Partikel gebildet wird, um in einem digitalen Volumen ein 3D-Fuzzy-Partikel zu erhalten;
aus jedem 3D-Fuzzy-Partikel Attributinformationen extrahiert werden;
aus dem Satz der erhaltenen einzelnen Attributinformationen ein Vertrauensgrad (Konfidenzgrad) für jede radiologische Auffälligkeit bestimmt wird.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
Die Erfindung ergibt sich besser aus der nachfolgenden Beschreibung und den zugehörigen Zeichnungen. Diese Zeichnungen sind als Beispiel angegeben und beschränken die Erfindung in keiner Weise.
1 ist eine schematische Ansicht einer Röntgeneinrichtung, insbesondere einer Mammografieeinrichtung, die mit den verbesserten erfindungsgemäßen Mitteln ausgerüstet ist.
2 veranschaulicht Mittel zur Implementierung des erfindungsgemäßen Verfahrens.
3 gibt eine Ansicht in Form eines Graphen über ein Verfahren zur Bestimmung eines Satzes von Kandidatenkonturen einer fraglichen lokalisierten radiologischen Auffälligkeit gemäß der Erfindung.
4a und 4b veranschaulichen jeweils ein Bespiel der Funktion eines Kriteriums einer vordefinierten Klasse, die dazu verwendet wird, einer gegebenen Kandidatenkontur gemäß der Erfindung einen Mitgliedschaftsgrad bezüglich dieser Klasse zuzuordnen.
5 ist eine schematische Ansicht der Aggregation verschiedener Fuzzy-Partikel des Projektionsbilds gemäß der Erfindung.
6a bis 6c sind schematische Ansichten eines exemplarischen erfindungsgemäßen Verfahrens zur Bestimmung von Clustern.
DETAILIERTE BESCHREIBUNG EINER AUSFÜHRUNGSFORM DER ERFINDUNG
1 veranschaulicht eine Röntgeneinrichtung, die insbesondere eine erfindungsgemäße Mammografieeinrichtung ist. Diese Röntgeneinrichtung 1 weist eine feste vertikale Säule 2 auf. Die Einrichtung 1 weist einen an der vertikalen Säule 2 gelenkig angeordneten vertikalen Support 2a auf. Dieser vertikale Support 2a kann schräg orientiert sein. Die Einrichtung 1 weist eine Röntgenröhre 3 und einen Detektor 4 auf, der in der Lage ist, die von der Röntgenröhre 3 emittierten Röntgenstrahlen zu erfassen.
Die Röhre 3 weist einen Fokus 5 auf, der den Röntgenstrahlen emittierenden Fokus bildet. Dieser Fokus 5 emittiert einen Röntgenstrahl 6 entlang einer Hauptemmisionsrichtung D. Die Röhre 3 ist von einem Arm 7 getragen, der an dem vertikalen Support 2a befestigt ist. Dieser Arm 7 ist ein C-Arm. Der Arm 7 ist mit der Säule 2 gelenkig verbunden. Er kann dazu benutzt werden, die Röhre 3 entlang eines Pfads in Form eines Kreisbogens zu bewegen. Es sind andere Anordnungen möglich, die es der Röhre ermöglichen, sich in einer Ebene oder in einem sphärischen Bereich zu bewegen. Die Röhre 3 kann verschiedene Positionen einnehmen, die sich hinsichtlich einer Neigung zwischen zwei Extrempositionen unterscheiden. Diese beiden Positionen sind beispielsweise zu einer Ebene der Säule 2 symmetrisch.
Der Detektor 4 ist beispielsweise ein elektronischer Detektor. Der Detektor 4 ist mit dem vertikalen Support 2a der Röhre 3 bezüglich der Hauptemissionsrichtung D gegenüberliegend verbunden, um den Röntgenstrahl 6 aufzunehmen.
Der vertikale Support 2a ist mit einer Brustauflage 8 versehen, auf die eine Patientin ihre Brust legt. Die Brustauflage liegt über dem Detektor 4. Der Detektor ist unterhalb der Brustauflage 8 angeordnet. Der Detektor 4 erfasst die Röntgenstrahlen, die durch die Brust der Patientin gelaufen sind.
Außerdem muss die Brust der Patientin aus Gründen der Stabilität und der Bildqualität während der Radiografie komprimiert werden. Es werden verschiedene komprimierende Kräfte aufgebracht. Diese Kräfte werden über ein Kompressionspad 9 appliziert, die die Brust auf die Brustauflage 8 in Abhängigkeit von der Art der Untersuchung drücken. Zu diesem Zweck weist der vertikale Support 2a ein verschiebbares Pad 9 auf, das in der Lage ist, die Brust manuell oder motorgetrieben zu komprimieren. Das Pad 9 ist aus einem röntgentransparenten Material, wie beispielsweise Kunststoff, ausgebildet. Der Vertialsupport 2a trägt deshalb die folgenden Elemente vertikal von oben nach unten: Die Röntgenröhre 3, das Pad 9, die Brustauflage 8 und den Detektor.
Während das Pad 9, die Patientenbrust, die Auflage 8 und der Detektor 4 im Gebrauch fixiert sind, kann die Röntgenröhre 3 verschiedene Raumpositionen in Bezug auf diese Anordnung einnehmen.
In einer Variante kann der Detektor 4 mobil sein und gleichzeitig mit der Röntgenröhre 3 verschiedene Positionen um die Brust herum einnehmen. In diesem Fall ist der Detektor 4 nicht länger mit der Brustauflage 8 fest verbunden. Der Detektor 4 kann flach oder gekrümmt sein. Er kann gedreht und/oder translatorisch bewegt werden.
Nachdem der Detektor 3 den Röntgenstahl 6 aufgenommen hat, der einen Teil des Körpers des Patienten durchlaufen hat, gibt er elektrische Signale ab, die der Energie der empfangenen Röntgenstrahlen entsprechen. Die elektrischen Signale müssen dann mittels eines externen Bus 11 an eine Steuerlogikeinheit 10 übergeben werden. Diese elektrischen Signale ermöglichen es der Steuerlogikeinheit 10, ein 2D-Bild zu erzeugen, das dem Teil des analysierten Körpers entspricht. Dieses Bild kann mittels eines Schirms der Steuerlogikeinheit 10 angezeigt oder ausgedruckt werden.
In einem Bespiel weist die Steuerlogikeinheit 10 einen Mikroprozessor 12, einen Programmspeicher 14, ein Datenspeicher 15, einen Displayschirm 16, eine Tastatur 17 und ein Ausgabe-/Eingabe-Interface 18 auf. Der Mikroprozessor 12, der Programmspeicher 14, der Datenspeicher 15, der mit der Tastatur 17 versehene Schirm 16 und das Eingangs-/Ausgangs-Interface 18 sind durch einen internen Bus 19 miteinander verbunden.
In der Praxis wird, wenn davon gesprochen wird, dass die Einrichtung eine Maßnahme ausführt, diese Maßnahme von einem Mikroprozessor der Einrichtung ausgeführt, der durch Arbeitsanweisungen gesteuert wird, die in einem Programmspeicher der Einrichtung abgelegt sind. Die Steuerlogikeinheit 10 ist eine solche Einrichtung. Die Steuerlogikeinheit 10 wird häufig in Form einer integrierten Schaltung ausgeführt.
Der Programmspeicher 14 ist in verschiedene Zonen eingeteilt, wobei jede Zone entsprechend den enthaltenen Arbeitsanweisungen eine Funktion der Einrichtung erfüllt. In Abhängigkeit von Ausführungsformen der Erfindung hat der Speicher 14 eine Zone 20 mit Arbeitsanweisungen zur Festlegung des Wegs der Röhre 3 und zur Steuerung der Aussendung einer Vielzahl von Bildprojektionen entlang dieses Weges. Der Speicher 14 hat eine Zone 21 mit Arbeitsanweisungen zur Ausführung der Verarbeitung der Projektionsbilder zur Korrektur von Artefakten in Folge der Akquisitionsgeometrie.
Der Speicher 14 weist eine Zone 22 und Arbeitsanweisungen auf, um in jedem Projektionsbild fragliche radiologische Auffälligkeiten mittels erzeugter Marker zu lokalisieren. Der Speicher 14 enthält eine Zone 23, die Arbeitsanweisungen enthält, um einen Satz möglicher Kandidatenpartikel für jeden Marker fraglicher radiologischer Auffälligkeiten festzulegen. Der Speicher 14 weist eine Zone 24, die Arbeitsanweisungen enthält, um die programmierte Fuzzy-Logik zu implementieren.
Diese programmierte Fuzzy-Logik bestimmt für jedes Kandidatenpartikel einen Mitgliedschaftsgrad in jeder Mitgliedschaftsklasse, die als 2D-Klasse bezeichnet wird, in Bezug auf einen Typ einer radiologischen Auffälligkeit, wobei jede Klasse vorher festgelegt ist. Der Mitgliedschaftsgrad wird als eine Funktion der Attribute jedes Kandidatenpartikels bestimmt.
Der Speicher 14 hat eine Zone 25, die Arbeitsanweisungen enthält, um für jede angenommene radiologische Auffälligkeit ein 2D-Fuzzy-Partikel festzulegen, der durch den Satz von Kandidatenpartikeln bestimmt wird, sowie deren entsprechenden Mitgliedschaftgrad. Der Speicher 14 weist eine Zone 26 auf, die Arbeitsanweisungen enthält, um eine Aggregation der 2D-Fuzzy-Partikel jedes Projektionsbilds zu implementieren. Bei einer bevorzugten Ausführungsform ist die Aggregation eine Operation, während derer Informationen zu einem Voxel eines digitalen Volumens zugeordnet wird, das durch die Akquisitionsgeometrie erhalten werden. Diese Information wird von den Pixeln erhalten, die diesem Voxel in verschiedenen Bildprojektionsbildern entsprechen.
Die Aggregation liefert 3D-Fuzzy-Partikel, die einer Kombination der 2D-Fuzzy-Partikel in jedem Projektionsbild entsprechen.
Der Speicher 14 hat eine Zone 27 mit Arbeitsanweisungen zur Verarbeitung der 3D-Fuzzy-Partikel des digitalen Volumens zur Extraktion der die 3D-Fuzzy-Partikel charakterisierenden Attribute aus diesen. Der Speicher 14 weist eine Zone 28 mit Arbeitsanweisungen auf, um die extrahierten Attribute an einen Klassifizierer zu übertragen, um den 3D-Fuzzy-Partikeln einen Vertrauens- oder Verlässlichkeitsgrad zuzuordnen. Dieser Verlässlichkeitsgrad ist der Läsionsgrad, der den 3D-Fuzzy-Partikeln zugeordnet werden kann, damit diese eine wirkliche radiologische Auffälligkeit sind.
Bei einer bevorzugten Ausführungsform und für den Rest der Beschreibung ist ein Partikel eine Kontur einer radiologischen Auffälligkeit. Es versteht sich, dass das Partikel außerdem eine mit der radiologischen Auffälligkeit verbundene Komponente sein kann. Eine verbundene Komponente ist die Kontur und der Pixelsatz der in und an der Kontur vorhanden ist.
Wenn das Partikel eine Kontur ist, gibt die Aggregation der Fuzzy-Partikel Fuzzy-Oberflächen. Wenn das Partikel eine verbundene Komponente ist, ergibt die Aggregation der Fuzzy-Partikel Fuzzy-Volumina.
Die Steuerlogikeinheit 10 setzt fort, in dem sie mit der Röhre 3 eine Serie von Aufnahmen durchführt. Die Brust, und somit der Detektor, werden somit während aufeinander folgender Aufnahmen bestrahlt. Bei diesen Strahlenexpositionen nimmt der Fokus der Röntgenröhre Positionen ein, die in unterschiedlichen Winkeln liegen können. In einem die Erfindung nicht beschränkenden Beispiel ist geplant, dass die Winkelaufteilung gleich 60° plus minus 30° relativ zur Medianrichtung der Bestrahlung und im Wesentlichen rechtwinklig bezüglich der Mammografieeinrichtung ist.
Bei dieser Verteilung wird eine gewisse Anzahl von Strahlen 6 akquiriert, beispielsweise 9, 11, 13 oder andere von der gewünschten Präzision abhängende Zahlen. In dem Bespiel nach 1 ist die Anzahl von Strahlen 9. Somit werden alle Strahlen 6 in einem einzelnen Scan akquiriert. Jeder Strahl 6 repräsentiert eine radiografische Projektionsansicht.
2 veranschaulicht Mittel zur Implementierung des erfindungsgemäßen Verfahrens. Bei dieser Implementation der Erfindung wird das Bildverarbeitungsverfahren auf jeden Teil der Bilddaten angewendet, die das jeweilige Projektionsbild repräsentieren. Diese Bilddatenteile werden von dem digitalen Detektor direkt an die Steuerlogikeinheit gegeben. Auf der Basis der Bilddatenteile wird das Verarbeitungsverfahren genutzt, um Elemente zu lokalisieren, die radiologische Auffälligkeiten bilden könnten. Die fraglichen radiologischen Auffälligkeiten können Mikrokalzifikationen oder Opazitäten sein.
In 2 emittiert die Röntgenröhre 3 in Schritt 100 die Röntgenstrahlung, die auf einem vorbestimmten Weg durch die Brust der Patientin geht, um mehrere Projektionsbilder aufzunehmen. Der Detektor 4 akquiriert die Röntgenbilddaten, die die Projektionsbilder repräsentieren. Die Steuerlogikeinheit verarbeitet jeden Teil der Röntgenbilddaten individuell.
In Schritt 101 wendet die Steuerlogikeinheit an jedem Teil der Röntgenbilddaten eine Vorverarbeitungsoperation an. In diesem Vorverarbeitungsschritt 101 eliminiert die Steuerlogikeinheit vorhandene Artefakte, die in erster Linie durch die Akquisitionsgeometrie und zweitens durch die Detektion der Kontur der Brust entstanden sind.
Die Artefakte, die durch die Akquisitionsgeometrie verursacht worden sind, gehen, kurz gesagt, auf die Akquisition der Vielzahl von Projektionsbildern zurück. Tatsächlich beschreiben die Platten des Kollimators der Röhre die gleiche Trajektorie wie die Röntgenröhre. Folglich ist die angulare Apertur, die die Detektorfläche festlegt, auf die der Strahl projiziert wird, nicht länger mit dem Detektor koplanar. Somit ist die Trajektorie des Fokus der Röntgenröhre nicht homothetisch mit der Position des Detektors. Dies führt zu einer Trapezdeformation des Expositionsfelds und erzeugt Artefakte entlang der Kontur der akquirierten Bilddaten.
Die Steuerlogikeinheit repositioniert jedes der Bilddatenteile in dem interessierenden Bereich (ROI), d.h. der Region des Bildes, die die Brust der Patientin enthält. Für jeden Bilddatenteil definiert sie dann einen interessierenden Bereich mit einem Minimum von Artefakten, indem vorheriges Wissen über die Akquisitionsgeometrie genutzt wird.
Der Schritt 101 ist dazu eingerichtet, das erfindungsgemäße Bildverarbeitungsverfahren ausschließlich auf in dem interessierenden Bereich liegende Elemente anzuwenden, die radiologische Auffälligkeiten bilden könnten. Dies vermindert die Verarbeitungszeit und verhindert Fehldetektionen in Bereichen, die Artefakte enthalten. Der Schritt 101 wird dazu genutzt, die Teile der Bilddaten, die von dem Detektor kommen, zu Bilddatenteilen zu konvertieren, die zur nachfolgenden Verarbeitung genutzt werden können.
Bei diesem Vorverarbeitungsschritt 101 können die Datenteile gefiltert werden, um den Rauscheinfluss zu mindern. Dieser Schritt 101 wird im Wesentlichen von der Akquisitionseinrichtung durchgeführt und kann deshalb zwischen verschiedenen Versionen vorhandener Tomosyntheseakquisitionseinrichtungen variieren.
Bei einer Variante kann es passieren, dass die Steuerlogikeinheit keine Bilddatenvorverarbeitung in Schritt 101 vornimmt und direkt zum Schritt 102 übergeht.
In Schritt 102 wendet die Steuerlogikeinheit auf jeden vorverarbeitenden Bilddatenteil eine binäre Maske an, um die Brust von dem Hintergrund zu separieren. Jeder erhaltene Bilddatenteil wird dann in ein Kontrastbild konvertiert, das für jeden Pixel und für jeden Bilddatenteil definiert ist. Die Konversion wird durch eine Mexikanerhut-Waveletfilterung erhalten. Diese Filterung wird in 3 beschrieben. Die Steuerlogikeinheit erzeugt Marker, um alle Pixel zu markieren, die fragliche oder vermutlich radiologische Auffälligkeiten enthalten. Sie extrahiert eine Karte der Marker, die die fraglichen radiologischen Auffälligkeiten zur nachfolgenden Bearbeitung repräsentiert.
In dem Schritt 103 bestimmt die Steuerlogik den Satz möglicher Kandidatenkonturen, die jeder fraglichen radiologischen Auffälligkeit der vorverarbeiteten Bilddatenteile zuzuordnen sind. Bei einer bevorzugten Ausführungsform werden die Kandidatenkonturen durch aufeinander folgende Schwellen bestimmt. Jede Schwelle definiert eine Kandidatenkontur. Dieser Schritt 103 soll in 3 beschrieben werden.
In Schritt 104 berechnet die Steuerlogikeinheit mittels Fuzzy-Logik-Beschreibung für jede mögliche Kandidatenkontur jedes Markers einen Mitgliedschaftsgrad in Bezug auf ein Kriterium einer vordefinierten Klasse. Im Falle radiologischer Auffälligkeiten, wie beispielsweise Mikrokalzifikationen, kann das Kriterium die Größe der Oberfläche, der Kontrastgradient oder jedes andere Attribut sein, das die Mikrokalzifikationen charakterisieren könnte. In dem Fall radiologischer Auffälligkeiten, wie beispielsweise Opazitäten, kann das Kriterium die Dichte der Opazität sein.
In dem Schritt 105 definiert die Steuerlogik eine Fuzzy-Kontur, die jeder der Auffälligkeiten der Karte von jedem der Teile der vorverarbeiteten Bilddaten zugeordnet wird. Diese Fuzzy-Kontur wird durch einen Satz von Kandidatenkonturen sowie deren entsprechende Mitgliedschaftsgrade gebildet. 3 veranschaulicht die Bestimmung des Satzes möglicher Kandidatenkonturen für eine gegebene Auffälligkeit. Die 4a und 4b zeigen jeweils die Bestimmung des Grads der Mitgliedschaft einer Kontur in der Klasse der Mikrokalzifikationen in Bezug auf ein Kriterium. Der Datenspeicher 15 der 1 veranschaulicht eine schematische Ansicht der verschiedenen Schritte der Beschreibung der Fuzzy-Logik. Die verschiedenen Schritte sollen weiter unten in der Beschreibung der 3, 4a und 4b beschrieben werden.
Nach der Durchführung der gesonderten Detektionsoperationen in jedem der Teile der Bilddaten führt die Steuerlogikeinheit den Schritt 106 aus. Der Schritt 106 besteht aus einer Aggregation der Fuzzy-Konturen jedes der Bildteildaten in dem digitalen Volumen.
Beim Stand der Technik wird die digitale Volumenrekonstruktion an den Bilddatenteilen oder den radiologischen Werten durchgeführt. Dann wird bei der Erfindung in dem digitalen Volumen eine Aggregation der Fuzzy-Konturen fraglicher radiologischer Auffälligkeiten jedes Bilddatenteils durchgeführt.
Diese Aggregation im digitalen Volumen nimmt auf die Akquisitionsgeometrie Rücksicht, die in Schritt 107 gegeben ist, wie in Schritt 104 veranschaulicht ist.
In dem Schritt 108 erzeugt die Aggregation des Schritts 106 eine Fuzzy-Oberfläche für jede der angenommenen radiologischen Auffälligkeiten. Jede Fuzzy-Oberfläche ist eine mögliche Kombination der Kandidatenkonturen durch die Projektionsbilder. Jede Fuzzy-Oberfläche wird durch einen Satz von Oberflächenkandidaten sowie deren entsprechende Mitgliedschaftsgerade in einer vordefinierten Klasse bestimmt, die als 3D-Klasse bezeichnet wird. Jede Kandidatenoberfläche ist eine mögliche Kombination der Kandidatenkonturen durch die Projektionsbilder. Der Grad der Mitgliedschaft in jeder als 3D-Klasse bezeichneten Mitgliedschaftsklasse wird in Bezug auf einen Typ einer radiologischen Auffälligkeit durch eine Fuzzy-Logik Beschreibung bestimmt. Die Steuerlogikeinheit schätzt jede der Fuzzy-Oberflächen ein. Sie extrahiert Attribute dieser Fuzzy-Oberflächen.
Wenn die radiologische Auffälligkeit eine Opazität ist, übermittelt die Steuerlogikeinheit die Attribute direkt in Schritt 109 an den Klassifizierer.
Wenn die radiologische Auffälligkeiten eine Mikrokalzifikation ist, führt die Steuerlogikeinheit den Schritt 110 durch. In dem Schritt 110 bestimmt die Steuerlogikeinheit, ob die Fuzzy-Oberflächen eine Gruppierung in einem Cluster bilden. In jedem ermittelten Cluster extrahiert die Steuerlogikeinheit die Attribute. Die Schritte 108 und 110 sind in den 6a bis 6c veranschaulicht.
In dem Schritt 111 berechnet die Steuerlogikeinheit einen Konfidenzgrad. Dieser Konfidenzgrad wird als eine Funktion der Attribute in jedem Cluster oder für jede Fuzzy-Oberfläche berechnet, wie beispielsweise der Oberfläche, der Form, der Anzahl der in dem Cluster vorhandenen Fuzzy-Oberflächen sowie dem Grad der Mitgliedschaft der Kandidatenoberflächen, die es bilden. Die Attribute der Cluster der Fuzzy-Oberflächen werden an einen vorbestimmten Klassifizierer gesendet, der den Konfidenzgrad der radiologischen Auffälligkeit ausgibt, die durch die Fuzzy-Oberfläche jedes Clusters repräsentiert wird.
Je größer das Maß ist, mit dem der Konfidenzgrad an ein bestätigtes radiologisches Signal (bzw. eine Auffälligkeit) erinnert, oder dieses auch nicht tut, desto höher ist der erhaltene Konfidenzgrad und desto näher liegt es an 1 bzw. 0. Dieser Konfidenzgrad kann außerdem durch Erlernung einer Bilderbasis erhalten werden, in der die radiologischen Auffälligkeiten markiert worden sind, indem beispielsweise ein Entscheidungsbaum, ein neuronales Netzwerk oder ähnliche Maschinen mit Unterstützungsvektoren verwendet werden.
In dem Schritt 112 werden die in Schritt 110 identifizierten Cluster oder die Fuzzy-Oberflächen an einem Wiedergabeschirm angezeigt. Die Wiedergabe wird durchgeführt, indem graphische Marker in dem Bild platziert werden oder indem die Graustufe der erfassten Cluster oder Fuzzy-Oberflächen modifiziert wird, was zur Verbesserung der Ergebnisevidenz führt.
3 veranschaulicht die Bestimmung eines Satzes möglicher Konturen einer möglichen radiologischen Auffälligkeit. Die Steurerlogikeinheit bestimmt zunächst die möglichen radiologischen Auffälligkeiten in jedem Teil von Bilddaten, in dem Marker erzeugt werden. Diese Marker spezifizieren die Position (x, y) der möglichen radiologischen Auffälligkeiten.
Um dies zu vollbringen, extrahiert die Steuerlogikeinheit eine Karte möglicher radiologischer Auffälligkeiten für jeden Teil der Bilddaten. Diese Extraktion wird durch eine Filterung durchgeführt, die dazu eingerichtet ist, streng auf das Vorliegen von Strukturen mit einer gegebenen Größe zu reagieren.
Bei einer bevorzugten Ausführungsform wird diese Extraktion durch Wavelet-Filterung erhalten. Diese Wavelet-Filterung ist ein Verfahren, das dazu verwendet wird, den Inhalt von Teilen der Bilddaten zu interpretieren. Die Steuerlogikeinheit nutzt Wavelet-Filter der Größe oder Ordnung S zur Berechnung des Kontrasts
Diese Wavelet-Filterung gestattet die Anwendung eines Maßstabs oder einer Skala S auf jeden Teil der Bilddaten, um die Pixel auszuwählen, die ein Intensitätsniveau zeigen, das größer als der Maßstab S ist. Dies macht es möglich, nur diejenigen Pixel zu behalten, die in den gefilterten Bilddatenteilen eine ausreichende Intensität haben. Beim Bestimmen des Maßstabs S zieht die Steuerlogik außerdem den Umstand in Betracht, dass die bei der Filterung verlorene Information in nachfolgenden Stufen des Algorithmus nicht wieder gewonnen werden kann.
Deshalb wendet die Steuerlogikeinheit einen Detektionsalgorithmus auf jeden Teil der Bilddaten an, um die Pixel zu extrahieren deren Intensität größer als der Maßstab S ist.
Um dies zu tun, führt die Steuerlogikeinheit (mit dem gewählten Wafelet-Filter) eine Konvolution (= Faltung) jedes Bilddatenteils durch. Dies betont die Strukturen einer gegebenen Größe in den Bilddatenteilen. Dies wird mittels eines Ansatzes verschiedener Abstufungen durchgeführt, um die Variationen zu erklären, die in der Größe der radiologischen Auffälligkeiten vorausgesehen werden.
In jedem der resultierenden Bilddatenteile wird beispielsweise mit dem Maßstab S ein Maximumoperator kombiniert. Diese Kombination dient der Reduktion des Einflusses des Rauschens auf das Minimum und der Extraktion lediglich der Filterantwort.
Um eine Karte der angenommenen radiologischen Auffälligkeiten zu erzeugen, wird das Konvolutionsergebnis mit der lokalen Variation des Niveaus des Hintergrundrauschens verglichen. Die sich ergebenden Pixel werden examiniert, um verbundene Zonen herauszufinden. Die verbundenen Pixel werden dann als mögliche radiologische Auffälligkeiten markiert. Tatsächlich nutzt die Steuerlogikeinheit die Filteranordnung zur Extraktion einer Karte möglicher radiologischer Auffälligkeiten.
In einer bevorzugten Ausführungsform wendet die Steuerlogikeinheit die Fuzzy-Logik-Verarbeitung auf Marker an, die in jeder Position verbundener Pixel erzeugt werden, die höhere Intensitäten aufweisen. Die Benutzung der Marker reduziert die Komplexität der Verarbeitung der Fuzzy-Logik. Außerdem optimiert sie die Leistungsfähigkeit des Algorithmus und mindert die Ausführungszeit für diesen Algorithmus.
In einer Variante kann die Steuerlogikeinheit die Verarbeitung auf jedes Pixel und jeden Teil der Bilddaten anwenden und somit eine Maximalmenge von Information behalten.
Aus den erzeugten Markern erzeugt die Steuerlogikeinheit eine Fuzzy-Kontur für jede Auffälligkeit. Dies wird separat für jeden Teil der Bilddaten durchgeführt.
3 gibt in einem gegebenen Teil von Bilddaten eine Ansicht eines Verarbeitungsmodus eines Markers M einer möglichen radiologischen Auffälligkeit, wobei alle anderen Marker jedes Teils von Bilddaten in gleicher Weise verarbeitet werden.
Die Steuerlogikeinheit ermittelt einen Satz möglicher Kandidatenkonturen des Markers M, in dem bei einem bevorzugten Ausführungsbeispiel ein Verfahren aufeinander folgender Schwellen S1 bis S10 angewendet wird. Die Steuerlogikeinheit wendet die aufeinander folgenden Schwellen S1 bis S10 auf die Marker M an. In dem Beispiel nach 3 sind 10 aufeinander folgende Schwellen S1 bis S10 vorhanden. Sie werden beispielsweise durch 10 Graustufen repräsentiert. Jede Schwelle S1 bis S10 hat einen Bereich von Pixelintensitäten, der von denen der anderen verschieden ist. Bei einer bevorzugten Ausführungsform hat die Schwelle S1 einen Pixelintensitätsbereich der höher ist als der Pixelintensitätsbereich der Schwelle S2 und so weiter und so fort.
Die Anzahl der Schwellen sowie der Bereich der Pixelintensität jeder Schwelle wird gemäß dem Ergebnistyp gewählt, der erhalten werden soll.
Jeder Marker M wird separat verarbeitet. Von dem Marker M erzeugt die Steuerlogikeinheit eine erste Linkkontur C1 die den Marker M umgibt und durch eine erste Schwelle S1 definiert ist. Die Steuerlogikeinheit erzeugt eine Zweitkontur C2 die durch die zweite Schwelle S2 definiert ist. Die Steuerlogikeinheit erzeugt somit entsprechend für jede Schwelle S1 bis S10 eine Kontur C1 bis C10, die den Marker M umgibt.
Die Steuerlogikeinheit wendet die aufeinander folgenden Schwellen S1 bis S10 auf den Marker M an. An jeder Schwelle verifiziert sie, dass eine der folgenden beiden Bedingungen nicht erfüllt ist: Bedingung 1: A(C) ≤ A_max wobei A(C) die Oberfläche der Kontur und A_max die maximal zulässige Oberfläche für eine radiologische Auffälligkeit repräsentieren, und Bedingung 2: I(ρ, C) ≥ I(ρ)_max – ΔI_max
Mit I(ρ, C) als Repräsentant für die Intensität des Pixels unterhalb der Kontur C in der angenommenen radiologischen Auffälligkeiten ρ, I(ρ)_max als Repräsentant für die maximale Pixelintensität der angenommenen radiologischen Auffälligkeit ρ ΔI_max und als Repräsentant der maximalen Variation der Intensität, die in einer einzelnen angenommenen radiologischen Auffälligkeit zulässig ist.
Die Steuerlogikeinheit erfasst die Schwelle, die die maximale Kandidatenkontur vorgibt, sobald sie die Bedingung 1 und die Bedingung 2 antrifft. Der Marker M kann keine Kontur haben, die größer ist als die maximale Kandidatenkontur. In dem Beispiel nach 3 trifft die Steuerlogikeinheit beide Konditionen 1 und 2 an der Schwelle S6 an. Folglich ist die dem Marker M zugeordnete Kandidatenkontur die Kontur C6.
Der Satz von Kandidatenkonturen C1 bis C6 und deren Mitgliedschaftsgrad definiert eine Fuzzy-Kontur des Markers M. Die Bestimmung deren Mitgliedschaftsgrad ist in den 4a und 4b veranschaulicht.
Um den Mitgliedschaftsgrad jeder Kandidatenkontur zu bestimmen, ermittelt die Steuerlogikeinheit für jede Kandidatenkontur die Attribute die sie charakterisieren.
Diese Attribute können der Oberflächeninhalt, der Umfang, der Kontrast, die Länge die Morphologie, die Intensität, die Homogenität sowie die Textur der Kontur sein. Die Morphologie, die Information über die Form der Kontur liefert, kann durch das Feret-Verhältnis gegeben sein, das das Verhältnis zwischen der größten Weite und der kleinsten Weite der Kontur ist. Diese Morphologie kann durch das Verhältnis zwischen der externen Kontur, die hier durch die Kontur c6 repräsentiert ist, und der inneren Kontur gegeben werden, die hier durch die Kontur c1 repräsentiert wird.
Vorheriges Wissen über die Konturen der radiologischen Auffälligkeit wird in einem Fuzzy-Beschreibungssatz konvertiert. Wenn die radiologische Auffälligkeit eine Mikrokalzifikation ist, wird vorhandenes Wissen wie folgt zusammengefasst: Die radiologischen Auffälligkeiten sind klein und haben einen hohen Kontrastpunkt. Diese beiden Kriterien sind der Ausdruck der Beschreibung eines Fuzzy-Satzes bei der Verwendung von zwei Attributen, die als Oberfläche und als Kontrastgradient bezeichnet werden, wie insbesondere in den 4a und 4b veranschaulicht ist. Die 4a und 4b veranschaulichen entsprechend eine Funktion eines Kriteriums F1 und F2, das eine 2D-Mikrokalzifikationsklasse charakterisiert.
Die beiden Kriteriumsfunktionen F1 und F2 drücken entsprechend den Grad der Mitgliedschaft einer angenommenen Mikrokalzifikationskandidatenkontur in einer Mikrokalzifikation auf, die als eine Funktion der Oberfläche und des Kontrastgradienten dieser Kontur vordefiniert ist.
Sollte die radiologische Auffälligkeit eine Opazität sein, wird das vorherige Wissen wie folgt zusammengefasst: Die radiologischen Auffälligkeiten haben eine hohe Dichte.
Die in der vordefinierten 2D-Klasse einer radiologischen Auffälligkeiten charakterisierenden Kriterien können von den oben zitierten Kriterien verschieden sein.
Für jede Kandidatenkontur C1 bis C6 berechnet die Steuerlogik einen Mitgliedschaftsgrad als eine Funktion ihrer Attribute in Bezug auf die vordefinierten Kriterien der 2D-Klasse.
Der Grad der Mitgliedschaft charakterisiert sowohl die Helligkeit als auch die Form der Kontur. Je heller und runder die Kontur ist, desto höher ist der Grad der Mitgliedschaft.
Die Steuerlogikeinheit bestimmt für jeden Marker jedes Bilddatenteils eine Fuzzy-Kontur mit einem Satz von Kandidatenkonturen und deren entsprechenden Mitgliedschaftsgraden.
In einem Bespiel kann die Logikeinheit zur Reduktion der Komplexität des Algorithmus und der Ausführungszeit die Fuzzy-Konturen mit der vorbestimmten Schwelle vergleichen. Diese Schwelle kann als eine Funktion der Größe, Form und/oder des Kontrastgradienten einer vordefinierten radiologischen Auffälligkeit gewählt werden. In diesem Fall kann die logische Steuereinheit die Fuzzy-Konturen, die über dieser Schwelle liegen, als wahrscheinliche radiologische Auffälligkeit interpretieren. Die Steuerlogikeinheit eliminiert dann alle Fuzzy-Konturen unterhalb dieser Schwelle von der Karte der Marker.
Nach Durchführung separater Detektionsoperationen an jedem Teil der Bilddaten, führt die Steuerlogikeinheit in dem digitalen Volumen der Fuzzy-Konturen jedes Datenteils eine Aggregation durch, wobei die Akquisitionsgeometrie berücksichtigt wird. Diese Aggregation liefert ein digitales Volumen von Fuzzy-Oberflächen.
Diese Aggregation wird in dem digitalen Volumen durch eine Kombination der Information durchgeführt, die für ein Voxel in jeder Mappe von Markern gesammelt worden ist, wie aus 5 ersichtlich ist.
5 veranschaulicht eine Ausführungsform der Aggregation der Fuzzy-Konturen jedes Projektionsbilds. Die Aggregation wird dazu verwendet, die Fuzzy-Konturen jedes Projektionsbild mit einer Fuzzy-Oberfläche des digitalen Volumens zu verbinden bzw. verlinken. Die Fuzzy-Oberflächen sind eine mögliche Kombination der Fuzzy-Konturen der Projektionsbilder. Die Fuzzy-Oberflächen werden durch einen Satz von Kandidatenoberflächen gebildet. Jede Kandidatenoberfläche ist eine mögliche Kombination von Kandidatenkonturen der Projektionsbilder. Die Fuzzy-Oberflächen werden durch einen Satz von Kandidatenoberflächen gebildet. Jede Kandidatenoberfläche ist eine mögliche Kombination von Kandidatenkonturen der Projektionen.
Diese Kombination kann durch eine Gleichung wie folgt ausgedrückt werden:
wobei I(x_v, y_v, z_v) die Intensität der Pixel an der Position (x_v, y_v, z_v) repräsentiert, I(x_k, y_kl) den Pixel der k-ten Karte von N Karten von Markern repräsentiert die der Position (x_v, y_v, z_v) entspricht, und wobei Ψ den Aggregationsoperator repräsentiert, der diese Gleichung erbringt.
Dieser Aggregationsoperator kann ein Operator wie beispielsweise eine Summe, ein Maximum, ein Mittelwert oder jeder andere Typ von Operator sein, wie beispielsweise ein statistischer Befehl. Bei einer bevorzugten Ausführungsform wird zur Aggregation der Information in den verschiedenen Karten der Marker für ein gegebenes Voxel der Summenoperator verwendet.
Der Umstand, dass die Röntgenröhre mobil ist und Röntgenstrahlen auf einen unbeweglichen Detektor wirft, ruft Probleme mit Artefakten hervor, die der Akquisitionsgeometrie einer Projektionsserie inhärent sind. Tatsächlich werden in Abhängigkeit von dem Akquisitionswinkel Teile der Brust außerhalb der aktiven Fläche des Detektors projiziert. Dies führt zu einer Situation, wo die Anzahl der Projektionen bei der Konstruktion des digitalen Volumens nicht konstant ist. Um einen gültigen Vergleich zwischen verschiedenen fraglichen radiologischen Auffälligkeiten zu erhalten, berücksichtigt die Steuerlogikeinheit diese Einschränkung, wenn sie die Fuzzy-Konturen der verschiedenen Projektionsbilder aggregiert.
Sobald die Fuzzy-Konturen aller Karten von Markern aggregiert worden sind, analysiert die Steuerlogikeinheit die sich ergebenden Fuzzy-Flächen in dem digitalen Volumen.
Für jede Kandidatenoberfläche bestimmt die logische Einheit einen Mitliedschaftsgrad in einer vordefinierten 3D-Klasse anhand von Kriterien, die diese Klasse definieren.
Um den Mitgliedschaftsgrad für jede Kandidatenoberfläche zu bestimmen, bestimmt die Steuerlogikeinheit die Attribute, die sie charakterisieren.
Vorhandenes Wissen über die Oberflächen der radiologischen Auffälligkeiten wird in einen Fuzzy-Beschreibungssatz konvertiert. In Abhängigkeit von wenigstens einer Funktion eines Kriteriums, das eine vordefinierte 3D-Klasse einer radiologischen Auffälligkeit definiert, wird der Mitgliedschaftsgrad jeder Kandidatenoberfläche als eine Funktion der Attribute bestimmt, die sie charakterisieren.
Der Satz von Kandidatenoberflächen mit deren entsprechenden Mitgliedschaftsgraden definiert die Fuzzy-Oberfläche.
Wenn die radiologische Auffälligkeit eine Opazität ist, extrahiert die Steuerlogikeinheit die Attribute jeder Fuzzy-Oberfläche. Für jede Fuzzy-Oberfläche überträgt sie sowohl die sie charakterisierenden Attribute als auch den Satz von Kandidatenoberflächen mit deren entsprechenden Mitgliedschaftsgraden in einem vordefinierten Klassifizierer.
Der Zweck des Klassifizierers ist unter anderem, eine sehr präzise Entscheidung über jede Fuzzy-Oberfläche als eine Funktion der Attribute zu liefern, die sie charakterisiert.
Ein solcher Klassifizierer gibt Information über das Vorliegen einer radiologischen Auffälligkeit aus oder kann sogar die Wahrscheinlichkeit über die Bösartigkeit eines Tumors bei einer gegebenen Schlussfolgerung liefern. Diese Klassifizierer können ein präziser Entscheidungsbaum, ein Fuzzy-Entscheidungsbaum, der präzise Werte nutzt, ein Fuzzy-Entscheidungsbaum, der Fuzzy-Werte nutzt, ein neuronales Netzwerk oder eine Vektorunterstützungsmaschine sein.
Die Entscheidung ist an jeder Fuzzy-Oberfläche durch den zugeordneten Konfidenzgrad definiert. Nach Erhalt dieser Entscheidung zeigt die Steuerlogikeinheit die Fuzzy-Oberflächen, wobei der ihnen zugeordnete Konfidenzgrad berücksichtigt wird.
Bei einem bevorzugten Beispiel erhöht die Steuerlogikeinheit bei der Wiedergabe die Intensität des Kontrasts der Fuzzy-Oberfläche relativ zu der Intensität ihrer unmittelbaren Umgebung. Diese Erhöhung hängt von dem Konfidenzgrad ab. Dies macht es möglich, die Fuzzy-Oberflächen mehr zu betonen, bei denen die Wahrscheinlichkeit, dass sie radiologische Auffälligkeiten bilden, am größten ist.
Das letzte Präsentationsbild, in dem die Fuzzy-Oberflächen überhöht worden sind, wird auf einem Wiedergabeschirm zur Ansicht durch einen Arzt angezeigt.
Wenn die radiologische Auffälligkeit eine Mirkokalzifikation ist, ermittelt die Steuerlogik eine Clustergruppierung der Fuzzy-Oberflächen. Eine Betriebsart zur Ermittlung der Clustergruppierung ist in den 6a bis 6c veranschaulicht.
6a veranschaulicht die Fuzzy-Oberflächen des digitalen Volumens. Diese Fuzzy-Oberflächen sind in dem digitalen Volumen durch 3D-Marker indiziert, die durch die Steuerlogikeinheit erzeugt worden sind. Diese Marker, die eine graphische Anmerkung darstellen, werden in dem Schwerpunkt der Fuzzy-Oberflächen angeordnet. Die Steuerlogikeinheit extrahiert die 3D-Marker, die als Eingaben für den Clustererfassungsschritt dienen.
In einer Variante kann die Steuerlogikeinheit lediglich die Marker extrahieren, deren Fuzzy-Oberflächen in dem digitalen Volumen ein hohes Kontrastniveau haben.
Somit erzeugt die Steuerlogikeinheit eine graphische Repräsentation mit 3D-Markern V1 bis V12. Diese graphische Repräsentation der 3D-Marker V1 bis V12 ist die Basis der Datenstruktur, auf der jede nachfolgende Verarbeitung zur Detektion der Cluster basiert. Dieser Graph repräsentiert den Satz von Markern V1 bis V12 und deren Relativpositionen in dem 3D-Bild. Die Steuerlogikeinheit kann nach Extraktion der Marker die Clusterung der Fuzzy-Oberflächen ermitteln.
6b veranschaulicht einen Modus zur Bestimmung von Clustern. Zur Bestimmung der Gruppierung in einem Cluster von 3D-Markern misst die Steuerlogikeinheit die Abstände jedes der 3D-Marker V1 bis V12 zu jedem anderen 3D-Marker V1 bis V12. Um dies zu vollbringen, verbindet sie jedes Paar von 3D-Markern durch eine Kante, deren innerer Wert (Länge) dem räumlichen Abstand des Paars der 3D-Marker entspricht.
6c veranschaulicht einen Kantenwichtungsmodus. Wenn die 3D-Marker miteinander verbunden sind, werden nur die signifikantesten zur Bildung von Clustern von Kandidatenpartikeln behalten. Die Steuerlogikeinheit wendet verschiedene Kriterien zur Implementierung der Wichtung der Kanten an. In dem Beispiel nach 6c basiert die Kantenwichtungsentscheidung nur auf einem Wert der Länge der Kanten. Dieser Wert wird durch die Differenz zwischen den Positionen zweier 3D-Marker berechnet, die durch deren entsprechende Kanten verbunden sind.
Die Steuerlogikeinheit wendet auf den Wert der Kanten eine Schwelle an, um die inadäquaten Kanten zu eliminieren. Diese Schwelle kann in einem Beispiel gleich zwei Zentimeter oder sogar fünf Zentimeter sein. Zwei 3D-Marker werden als einander nahe angesehen, wenn ihre Verbindungskantenlänge unter dieser Schwelle liegt.
Folglich ordnet die Steuerlogikeinheit für einen ersten 3D-Marker V1, der derart nahe an einem zweiten 3D-Marker V2 liegt, eine erste Clustergruppierung A1 zu. Sie ordnet die gleiche erste Gruppierung von Cluster A1 allen anderen 3D-Markern V3 bis V12 zu, die nahe an dem ersten 3D-Marker V1 liegen. Dann ordnet sie außerdem die erste Gruppierung von Cluster A1 allen anderen 3D-Markern V3 bis V12 zu, die nahe an dem zweiten 3D-Marker V2 liegen, und so weiter und so fort. Somit ist die erste Gruppierung von Clustern A1 gebildet.
In der gleichen Weise ermittelt die Steuerlogikeinheit eine zweite Gruppierung von Clustern A2 durch Analyse der anderen 3D-Marker, die nicht Teil der ersten Gruppierung von Clustern A1 sind. Somit bestimmt sie alle Gruppierungen von Clustern, die in dem digitalen Volumen vorhanden sind.
In dem Beispiel der 6c bestimmt die Steuerlogikeinheit somit eine erste Gruppierung von Clustern A1, die durch die 3D-Marker V1 bis V6 gebildet sind, wobei eine zweite Gruppe von Clustern A2 durch die 3D-Marker V7 bis V9 gebildet ist. Der 3D-Marker V12 wird von der Steuerlogik keinem Clustern zugeordnet, weil sie davon ausgeht, dass ein Clustern von wenigstens drei einander nahen 3D-Markern gebildet wird. Ähnlich werden die 3D-Marker V10 und V11, die einander nahe sind, nicht als eine Clustergruppierung angesehen.
Nachdem die Clustergruppierungen bestimmt worden sind, ermittelt die Steuerlogikeinheit den Konfidenzgrad dieser Cluster. Der Konfidenzgrad wird als eine Funktion der Attribute der Cluster ermittelt. Die Steuerlogikeinheit extrahiert eine gewisse Anzahl von Attributen, die das Cluster charakterisieren, so dass die letztendliche Entscheidung getroffen wird (ob es ein Cluster auf einem Cluster ist).
Diese Attribute können die Morphologie der Cluster und/oder der Abstand zwischen den 3D-Markern und/oder die Anzahl der Fuzzy-Oberflächen sein, die in dem Cluster und/oder den Attributen sowie dem Satz von Kandidatenflächen vorhanden sind, sowie deren entsprechende Mitgliedschaftsgrade einer in dem Cluster vorhandenen Fuzzy-Oberfläche.
Die Steuerlogikeinheit sendet den Klassifizierer der aus dem Cluster extrahierten Attribute. Der Klassifizierer liefert Information über das Vorliegen einer radiologischen Auffälligkeit oder kann sogar eine Aussage über die Wahrscheinlichkeit eines bösartigen Tumors an einer gegebenen Konklusion liefern.
Der Zweck des Klassifizierens liegt unter anderem darin, eine sehr präzise Entscheidung für jedes Cluster in Abhängigkeit von den Attributen des korrespondierenden Clusters zu liefern.
Nachdem die Entscheidung über jedes Cluster erhalten worden ist, gibt die Steuerlogikeinheit die Cluster visuell wieder, indem sie die ihnen zugeordnete Entscheidung berücksichtigt.
In einem bevorzugten Beispiel erhöht die Steuerlogikeinheit während der Wiedergabe die Intensität des Kontrasts des Clusters in Bezug auf die Intensität der unmittelbaren Umgebung. Diese Erhöhung hängt von dem Konfidenzgrad ab. Dies macht es möglich, die Cluster spezieller hervorzuheben, bei denen die Wahrscheinlichkeit, dass sie eine radiologische Auffälligkeit bilden, am größten ist.
Die schlussendliche Wiedergabe des Bilds, in dem die Fuzzy-Oberflächen hervorgehoben worden sind, erfolgt auf dem Wiedergabeschirm zur Ansicht durch einen Arzt.
Bei einem Bildverarbeitungsverfahren, das zur Fassung radiologischer Signale in einer Serie von 3D-Daten benutzt wird, wird ein Algorithmus vorgeschlagen, der es möglich macht, die Position der radiologischen Auffälligkeiten in einem digitalen Volumen durch Marker zu indizieren. Der Algorithmus macht es außerdem möglich, automatisch zwischen malignen Elementen und benignen Elementen zu unterscheiden. Zu diesem Zweck nutzt der Algorithmus einen Fuzzy-Logikansatz zur Bewältigung der Zweideutigkeiten in dem Bild. Außerdem wird der Algorithmus direkt auf die radiografischen Projektionsbilder angewendet.

Claims

Verfahren zur Verarbeitung von Bildern einer Röntgeneinrichtung, bei dem: verschiedene radiografische Projektionen eines Körpers erzeugt werden, ein 3D-Bild des Körpers rekonstruiert wird, in diesem 3D-Bild Strukturen, die radiologische 3D-Auffälligkeiten sein könnten, mit einem zugeordneten Konfidenzgrad lokalisiert werden, womit fragliche radiologische 3D-Auffälligkeiten erhalten werden, wobei in jedem Projektionsbild ein Satz von 2D-Kandidatenpartikeln bestimmt wird, die Projektionen der fraglichen radiologischen 3D-Auffälligkeiten entsprechen, wobei mittels einer Fuzzy-Logik-Beschreibung jedem der Kandidatenpartikel ein Mitgliedschaftsgrad in den 2D-Mitgliedschaftsklassen eines Satzes von Mitgliedschaftsklassen zugeordnet wird, wobei jede Mitgliedschaftsklasse auf einen Typ radiologischer Auffälligkeiten bezogen ist, wobei jede Klasse vorläufig bestimmt wird, wobei in einer betrachteten Klasse durch den Satz von 2D-Kandidatenpartikeln und durch deren entsprechenden Mitgliedschaftsgrad ein 2D-Fuzzy-Partikel gebildet wird, wobei in jedem Projektionsbild eine Aggregation der 2D-Fuzzy-Partikel vorgenommen wird, um in einem digitalen Volumen 3D-Fuzzy-Partikel zu erhalten, wobei aus jedem 3D-Fuzzy-Partikel eine Attributinformation extrahiert wird, wobei aus dem erhaltenen Satz von Attributeinzelinformationen ein Konfidenzgrad für jede radiologische Auffälligkeit ermittelt wird, wobei die Bestimmung des Konfidenzgrades die folgenden Schritte enthält: – es wird die Gruppierung in ein Cluster von 3D-Fuzzy-Partikeln gemessen, – aus den gemessenen Cluster werden Attribute extrahiert, – die gemessenen Cluster sowie deren entsprechende Attribute werden an einen Klassifizierer übertragen, wobei dieser Klassifizierer als Ausgangssignal einen Konfidenzgrad jedes Clusters liefert, wobei die Messung der Gruppierung in einem Cluster von 3D-Fuzzy-Partikeln die folgenden Schritte enthält: – es werden die Abstände von 3D-Fuzzy-Partikeln zu anderen 3D-Fuzzy-Partikeln gemessen, – jeder Abstand wird mit einer vorbestimmten Schwelle verglichen, – alle Abstände, die größer als die Schwellen sind, werden eliminiert, – aus wenigstens drei Fuzzy-Partikeln, für die die Abstände voneinander nicht eliminiert worden sind, wird ein Cluster gebildet.
Verfahren nach Anspruch 1, wobei der Kandidatenpartikel, der der fraglichen radiologischen Auffälligkeit zuzuordnen ist, durch Anwenden aufeinander folgender Schwellenwerte ermittelt wird, für jede Schwelle ein Kandidatenpartikel definiert wird, der die fragliche radiologische Auffälligkeit charakterisiert.
Verfahren nach Anspruch 2, wobei die aufeinander folgenden Schwellen aufeinander folgenden Graustufen entsprechen.
Verfahren nach Anspruch 2, wobei die Bestimmung des Kandidatenpartikels die folgenden Schritte umfasst: wenn die Oberfläche des Kandidatenpartikels kleiner oder gleich einer vorbestimmten Maximalfläche ist und wenn der Kontrast des Kandidatenpartikels größer oder gleich als eine vorbestimmte Maximalkontrastintensität minus der zulässigen Maximalvariation der Kontrastintensität ist, dann ist dieser Kandidatenpartikel der Maximalpartikel, der der fraglichen radiologischen Auffälligkeit zuordenbar ist.
Verfahren nach Anspruch 1, wobei jeder 3D-Fuzzy-Partikel durch einen Satz von 3D-Kandidatenpartikeln und deren entsprechende Mitgliedschaftsgrade gebildet wird, jeder 3D-Kandidatenpartikel durch eine Aggregationsoperation aus den durch Projektionen gewonnenen 2D-Kandidatenpartikeln ist, jedem 3D-Kandidatenpartikel durch eine Fuzzy-Logik-Beschreibung ein Mitgliedschaftsgrad in jeder der 3D-Mitgliedschaftsklassen eines Satzes von 3D-Mitgliedschaftsklassen zugeordnet wird, wobei die Mitgliedschaftsklasse einem Typ einer radiologischen Auffälligkeit zugeordnet ist, wobei jede Klasse vorbestimmt ist.
Verfahren nach Anspruch 1, wobei die Bestimmung des Konfidenzgrads folgenden Schritt enthält: der 3D-Fuzzy-Partikel sowie seine Attribute werden an einen vorbestimmten Klassifizierer übertragen.
Verfahren nach Anspruch 1, wobei durch eine Kandidatenkontur der radiologischen Auffälligkeit ein Kandidatenpartikel definiert wird, aus dem Satz möglicher Kandidatenkonturen und deren entsprechenden Mitgliedschaftsgraden eine Fuzzy-Kontur gebildet wird, die Aggregation der Fuzzy-Konturen in jedem Projektionsbild in dem digitalen Volumen Fuzzy-Oberflächen liefert.
Verfahren nach Anspruch 1, wobei ein Kandidatenpartikel durch eine verbundene Komponente der radiologischen Auffälligkeit, wie etwa die Kandidatenkontur sowie die Pixel, definiert ist, die in und an der Kontur vorhanden sind, durch den Satz möglicher verbundener Kandidatenkomponenten und deren entsprechende Mitgliedschaftsgrade eine verbundene Fuzzy-Komponente gebildet wird, die Aggregation der verbundenen Fuzzy-Komponente in jedem Projektionsbild in dem digitalen Volumen Fuzzy-Volumina liefert.
Verfahren nach Anspruch 1, wobei der Klassifizierer ein präziser Entscheidungsbaum und/oder ein Fuzzy-Entscheidungsbaum unter Nutzung präziser Werte und/oder ein Fuzzy-Entscheidungsbaum unter Nutzung von Fuzzy-Werten und/oder ein neuronales Netzwerk und/oder eine Vektorsupportmaschine ist.
Verfahren nach Anspruch 1, wobei die Projektionsbilder vorverarbeitet werden, um die Artefakte zu eliminieren, die erstens durch die Akquisitionsgeometrie und zweitens durch die Detektion der Kontur des Körpers verursacht werden.
Verfahren nach Anspruch 1, wobei die 3D-Fuzzy-Partikel und/oder die Cluster durch eine Vergrößerung von deren Kontrastintensität im Verhältnis zu der Intensität ihrer unmittelbaren Umgebung in Abhängigkeit von ihrem Konfidenzgrad wiedergegeben werden.
Verfahren nach Anspruch 1, wobei die 3D-Fuzzy-Partikel und/oder die Cluster durch die Position der Marker wiedergeben werden.
Röntgeneinrichtung mit einem Bildverarbeitungsverfahren nach einem der Ansprüche 1 bis 12.