DE102008007231A1 - Robustes Gefäßbaummodellieren - Google Patents

Robustes Gefäßbaummodellieren Download PDF

Info

Publication number
DE102008007231A1
DE102008007231A1 DE102008007231A DE102008007231A DE102008007231A1 DE 102008007231 A1 DE102008007231 A1 DE 102008007231A1 DE 102008007231 A DE102008007231 A DE 102008007231A DE 102008007231 A DE102008007231 A DE 102008007231A DE 102008007231 A1 DE102008007231 A1 DE 102008007231A1
Authority
DE
Germany
Prior art keywords
vessel
cost
fronts
starting point
pixels
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
DE102008007231A
Other languages
English (en)
Other versions
DE102008007231B4 (de
Inventor
Mehmet Akif Gulsun
Huseyin Tek
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthcare GmbH
Original Assignee
Siemens Medical Solutions USA Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Medical Solutions USA Inc filed Critical Siemens Medical Solutions USA Inc
Publication of DE102008007231A1 publication Critical patent/DE102008007231A1/de
Application granted granted Critical
Publication of DE102008007231B4 publication Critical patent/DE102008007231B4/de
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G06T2207/20044—Skeletonization; Medial axis transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20168—Radial search
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30172—Centreline of tubular or elongated structure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

Ein Verfahren zum Extrahieren einer lokalen Zentrumsachsendarstellung eines Gefäßes, enthaltend: Platzieren eines ersten und zweiten Ausganspunkts in einem Bild, das das Gefäß enthält, wobei der erste und der zweite Ausgangspunkt nahe bei einem Anfang und einem Ende einer Mittellinie eines Gefäßes (1410) platziert sind; Darstellen des Bilds als diskreten Graph mit Knoten und Rändern, wobei der erste Ausgangspunkt ein Quellenpunkt ist und der zweite Ausgangspunkt ein Zielknoten (1420) ist, und Finden eines Minimumkostenpfads zwischen dem ersten und dem zweiten Ausgangspunkt durch Berechnen von Kosten von Rändern zwischen dem ersten und dem zweiten Ausgangspunkt, wobei die Kosten jedes Rands reziprok zu einem Vesselness-Maß des Rands (1430) sind.

Description

  • Technisches Gebiet
  • Die Erfindung betrifft das Gefäßbaummodellieren (Gefäßbaummodellbildung).
  • Die Segmentierung und Modellbildung von vaskulären Strukturen aus kontrastverbesserter (CE = Contrast Enhanced) Herzcomputertomographieangiographie (CTA = Computer Tomography Angiography)/Herzmagnetresonazangiograhie ((MRA = Magnetic Resonance Angiographie) ist oft eine notwendige Aufgabenstellung bei der Diagnose, Behandlungsplanung und Folgestudien. Während jüngste technologische Fortschritte in Bilderfassungsvorrichtungen, wie neue Multidetektor CT-Maschinen, eine Erhöhung der räumlichen Auflösung von Bilddaten erlaubt, ist eine genaue und zeitnahe Segmentierung und Modellierung von Blutgefäßen immer noch eine Herausforderung in vielen Anwendungen. Beispielsweise kann sich der Intensitätskontrast drastisch entlang von Gefäßen ändern; Gefäße können sich nahe heller Strukturen, wie beispielsweise Knochen oder andere Gefäße berühren; ein einzelner Gefäßbaum kann große und kleine Gefäße haben, auf Grund einer signifikanten Ausmaßänderung; und die lokale Gefäßstruktur kann von einer röhrenförmigen Form abweichen, auf Grund des Vorhandenseins von pathologischen Bedingungen, wie beispielsweise Stenose.
  • Es gibt eine breite Vielfalt von Gefäßsegmentierungs- und Modellierungsalgorithmen, die von einem Basisschwellenwerten (Thresholding oder Schwellenwert bilden) und Regionenwachsen bis zu komplexeren verformbaren Modelltechniken reichen, wie beispielsweise das Modellieren von Gefäßen direkt aus einem Bild heraus, beispielsweise ohne einen expliziten Segmentierungsschritt. Traditionell werden binäre Gefäßmasken durch einen Gefäßsegmentierungsalgorithmus erzeugt, der beispielsweise beschrieben ist in A. Chung und J. A. Noble; „Statistical 3D vessel segmentation using a Rician distibution"; in MICCAI, Seiten 82–89, 1999; K. Siddiqi und A. Vasilevskiy; „3d flux maximizing flows"; in International Workshop an Energy Minimizing Methods in Computer Vision, 2001; und D. Nain, A. Yezzi und G. Turk; „Vessel segmentation using a shape driven flow"; in MICCAI, 2004.
  • Mittellinienmodelle von binären Gefäßmasken können extrahiert werden durch Algorithmen des kürzesten Pfads, wie beispielsweise beschrieben in B. B. Avants und J. P. Williams; „An adaptive minimal path generation technique for vessel tracking in CTA/CE-MRA Volumenbildern. In "Medical Image Computing and Computer-Assisted Intervention"; MICCAI, Seiten 707–716, 2000; und T. Deschamps und L. Cohen. „Fast extraction of minimal paths in 3d images and applications to virtual endoscopy"; Medical Image Analysis, 5(4):281-299, 2001.
  • Alternativ können die Gefäßmittellinien direkt aus Bildern konstruiert werden, indem Vesselness (ein Vesselness-Maß) verwendet wird, wie beispielsweise beschrieben in T. M. Koller, G. Gerig und G. S. und D. Dettwiler; „Multiscale detection of curvilinear structures in 2-d and 3-d image data", in ICCV, Seiten 846–869, 1995; A. F. Frangi, W. J. Niessen; K. L. Vincken und M. A. Viergever, „Multiscale vessel enhancement filtering", in MICCAI, Seiten 82–89, 1989; und O. Wink, W. J. Niessen und M. A. Viergever, „Multiscale vessel tracking", IEEE Trans. In Medical Imaging, 23(1):130-133, 2004, medialness Filter, wie beschrieben in beispielsweise S. Aylward, S. Pizer, E. Bullitt und D. Eberly, „Intensity ridge and widths for 3d object segmentation and description", in IEEE Proc. Workshop MMBIA, Seiten 131–138, 1996; und S. Aylward und E. B. E. "Initialization, noise, singularities, and scale in height-ridge traversal for tubular objects centerline extraction", TMI, 21(2):61-75, 2002 oder superellipsoids, wie beschrieben beispielsweise J. A. Tyrell, E. di Tomaso, D. Fuje, R. Tong, K. Kozak, E. B. Brown, R. Jain und B. Roysam, „Robust 3-d modeling of vasculature imagery using superellipsoids", IEEE Transactions in Medical Imaging, 2006. Oberflächenmodelle können dann gewonnen werden aus der Skalierungsinformation, die in diesen Filtern enthalten ist.
  • Im Allgemeinen werden Gefäßoberflächenmodelle, sowie Mittellinienmodelle für die Visualisierung und Quantifizierung von vaskulären Strukturen benötigt. Traditionell wird eine Skalierungsinformation, die auf Mittellinien gespeichert ist, verwendet, um die Oberflächenmodelle zu rekonstruieren. In realen Anwendungen jedoch sind derartige Konstruktionen oft nicht genau genug, um Gefäßpathologien zu quantifizieren (messen), da sie aus Berechnungsgründen aus einfachen Modellen geschätzt werden. Insbesondere, da kleine Gefäße, wie Koronararterien eine genaue Oberflächenrekonstruktion bei Sub-Voxel-Level (Nebenvoxelniveau) benötigen.
  • Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung enthält ein Verfahren zum Berechnen eines Vesselness-Maß: Initialisieren einer Mehrzahl von Strahlen von einem Zentrumspunkt eines Gefäßes aus und Sammeln eines Intensitätsprofils des Gefäßes und eines Hintergrunds des Gefäßes entlang jedes Strahls; Modellieren jedes Intensitätsprofils durch Teilen des Intensitätsprofils in ein erstes, zweites und drittes Intervall, wobei das erste Intervall einen Intensitätswert innerhalb des Gefäßes darstellt, das zweite Intervall einen Intensitätswert außerhalb des Gefäßes darstellt, und das dritte Intervall einen Intensitätswert zwischen einer Grenze des Gefäßes und dem Hintergrund darstellt; für jeden Strahl, Gewinnen einer Differenz zwischen einem ursprünglich gemessenen Intensitätsprofil des Gefäßes und dem Hintergrund und dem entsprechenden modellierten Intensitätsprofil des ursprünglich gemessenen Intensitätsprofils, wobei die Differenz ein Passmaß des Strahls ist; und Summieren der Passmaße für jeden Strahl, wobei die Gesamtsumme das Vesselness-Maß ist.
  • Das Vesselnesss-Maß entlang eines Strahls ist nahe eines Zentrums des Strahls stark, fällt rapide nahe einer Grenze des Strahls ab und ist in einem nicht Gefäßbereich zwischen dem Strahl und einem anderen Strahl schwach. Das Gefäß ist beispielsweise ein Blutgefäß.
  • In einem Ausführungsbeispiel der vorliegenden Erfindung enthält ein Verfahren zum Extrahieren einer lokalen Mittelachsendarstellung des Gefäßes die Schritte: Platzieren eines ersten und eines zweiten Ausgangspunkts (Seed Point) in einem Bild, das ein Gefäß enthält, wobei der erste und der zweite Ausgangspunkt in der Nähe eines Beginns und eines Endes einer Mittellinie des Gefäßes platziert werden; Darstellen des Bilds als diskreten Graph, der Knoten und Ränder aufweist, wobei der erste Ausgangspunkt ein Quellenknoten ist, und der zweite Ausgangspunkt ein Zielknoten ist; und Finden eines kostengünstigsten Pfads (Minimum-Cost-Path) zwischen dem ersten und dem zweiten Ausgangspunkt, indem die Kosten von Rändern zwischen dem ersten und dem zweiten Ausgangspunkt berechnet werden, wobei die Kosten jedes Randes reziprok zu dem Vesselness-Maß des Randes sind.
  • Das Vesselness-Maß eines Randes wird orthogonal zu dem Rand. Fronten breiten sich schnell in Richtung eines Zentrums des Gefäßes aus und langsam in Richtung von Wänden des Gefäßes. Das Gefäß ist beispielsweise ein Blutgefäß.
  • In einem Ausführungsbeispiel der vorliegenden Erfindung enthält ein Verfahren für ein Gefäßbaummodellieren die Schritte: Berechnen von kostengünstigsten Wegen oder Pfaden von einer einzelnen Quelle, die in einem Gefäß eines Gefäßbaums lokalisiert ist; und Berechnen von Mittellinien des Gefäßbaums durch Verwenden einer akkumulativen Kostenkarte von kostengünstigsten Pfaden, wobei die Mittellinien den jeweiligen Gefäßen in dem Gefäßbaum entsprechen.
  • Das Berechnen der kostengünstigsten Pfade von einer einzelnen Quelle aus enthält die Schritte:
    Platzieren eines Ausgangspunkts in einem Bild, das den Gefäßbaum enthält; Darstellen des Bilds als einen diskreten Graph, der Knoten und Ränder enthält, wobei Kosten jedes Randes aus dem Vesselness-Maß des Randes berechnet werden; Starten einer kostengünstigsten Ausbreitung von dem Ausgangspunkt durch ein erstes Setzen von akkumulativen minimalen Kosten an dem Ausgangspunkt auf Null und auf Unendlich an jedem anderen Punkt in dem Graph; Darstellen von diskreten Fronten, die sich ausbreiten durch Minimieren eines akkumulierten Vesselness-Maßes, wobei die diskreten Fronten Pixel sind, die bereits untersuchte Pixel von Pixeln trennen, die noch nicht untersucht worden sind; Berechnen der kostengünstigsten Ausbreitung von der Quelle für eine erste Anzahl von Iterationen durch Berechnen von akkumulierenden minimalen Kosten und Setzen von Stopppunkten der diskreten Fronten als neue Quellen; und erneutes Berechnen von akkumulativen minimalen Kosten für jede neue Quelle durch Ausbreiten von Fronten von den neuen Quellen für eine zweite Anzahl von Iterationen, wobei, wenn die neu berechneten akkumulativen minimalen Kosten unterhalb eines ersten Schwellenwerts liegen, die kostengünstigste Ausbreitung gestoppt wird und Pixel, die den diskreten Fronten, die gestoppt worden sind, entsprechen, als Senken dargestellt werden.
  • Die erste Anzahl an Iterationen ist größer als die zweite Anzahl an Iterationen.
  • Das Berechnen von Mittellinien des Gefäßbaums durch Verwenden einer akkumulativen Kostenkarte der kostengünstigsten Pfade enthält die Schritte: Berechnen einer Distanz von dem ursprünglich platzierten Ausgangspunkt zu den Senken; Ordnen der Senken basierend auf ihren entsprechend berechneten Distanzen; Auswählen eines Pixels, das die größte Distanz hat, und Zurückverfolgen bis der ursprünglich platzierte Ausgangspunkt erreicht ist, oder bis ein vorher detektierter Pfad erreicht ist, um einen Mittellinienpfad zu Detektieren; Berechnen einer Distanz der detektierten Mittellinie und Zuordnen der detektierten Mittellinie zu ihrer entsprechenden Senke, Bestimmen eines Radius entlang der detektierten Mittellinie, die zu einem maximalen Vesselness-Maß entlang der detektierten Mittellinie korrespondiert; Setzen einer Herausragung des ausgewählten Pixels durch Teilen der Distanz der Mittellinie durch den Radius; Entfernen des ausgewählten Pixels von der geordneten Liste; und wenn die geordnete Liste leer ist, Auswählen von Pixeln, deren Herausragung größer als ein zweiter Schwellenwert ist, wobei die Mittellinien zwischen den ausgewählten Pixeln und dem ursprünglich platzierten Ausgangspunkt jeweiligen Gefäßen in dem Gefäßbaum entsprechen.
  • Das Gefäß ist ein Blutgefäß.
  • In einem Ausführungsbeispiel der vorliegenden Erfindung enthält ein System zum Berechnen eines Vesselness-Maßes: eine Speichervorrichtung zum Speichern eines Programms; einen Prozessor, der in der Verbindung ist mit der Speichervorrichtung, wobei der Prozessor mit dem Programm arbeitet, zum: Initialisieren einer Mehrzahl von Strahlen von einem Zentrumspunkts eines Gefäßes aus und Sammeln eines Intensitätsprofils des Gefäßes und eines Hintergrunds des Gefäßes entlang jedes Strahls; Modellieren jedes Intensitätsprofils, indem das Intensitätsprofil in ein erstes, zweites und ein drittes Intervall geteilt wird, wobei das erste Intervall einen Intensitätswert innerhalb des Vessels darstellt, das zweite Intervall einen Intensitätswert außerhalb des Gefäßes darstellt, und das dritte Intervall einen Intensitätswert zwischen einer Grenze des Gefäßes und dem Hintergrund darstellt; für jeden Strahl, Gewinnen einer Differenz zwischen einem ursprünglich gemessenen Intensitätsprofils des Gefäßes und des Hintergrunds und des entsprechenden modellierten Intensitätsprofils des ursprünglich gemessenen Intensitätsprofils, wobei die Differenz ein Passmaß des Strahls ist; und Summieren der Passmaße für jeden Strahl, wobei die Gesamtsumme das Vesselness-Maß ist.
  • Das Vesselness-Maß entlang eines Strahls ist stark nahe einem Zentrum des Strahls, fällt rapide ab nahe einer Grenze des Strahls und ist schwach in einem nicht Gefäßbereich zwischen dem Strahl und einem anderen Strahl.
  • In einem Ausführungsbeispiel der vorliegenden Erfindung enthält ein System zum Extrahieren einer Lokalzentrumsachsdarstellung eines Gefäßes: eine Speichervorrichtung zum Speichern eines Programms; einen Prozessor, der in Kommunikation mit der Speichervorrichtung ist, wobei der Prozessor mit dem Programm arbeitet zum: Platzieren eines ersten und zweiten Ausgangspunkts in einem Bild, das ein Gefäß enthält, wobei der erste und der zweite Ausgangspunkt nahe einem Beginn und einem Ende einer Mittellinie des Gefäßes platziert sind; Darstellen des Bilds als diskreten Graphen, der Knoten und Ränder aufweist, wobei der erste Ausgangspunkt ein Quellenknoten und der zweite Ausgangspunkt ein Zielknoten ist; und Finden eines kostengünstigsten Pfads zwischen dem ersten und dem zweiten Ausgangspunkt durch Berechnen von Kosten der Ränder zwischen dem ersten und dem zweiten Ausgangspunkt, wobei die Kosten jedes Randes reziprok zu einem Vesselness-Maß des Randes sind.
  • Das Vesselness-Maß eines Randes wird orthogonal zu dem Rand berechnet. Fronten breiten sich schnell in Richtung eines Zentrums des Gefäßes aus und langsam in Richtung von Wänden des Gefäßes.
  • In einem Ausführungsbeispiel der vorliegenden Erfindung enthält ein System zur Gefäßbaummodellierung: eine Speichervorrichtung zum Speichern eines Programms; einen Prozessor, der in Verbindung ist mit der Speichervorrichtung, wobei der Prozessor mit dem Programm arbeitet zum: Berechnen von kostengünstigsten Pfaden von einer einzelnen Quelle, die in einem Gefäß des Gefäßbaum lokalisiert ist; und Berechnen von Mittellinien des Gefäßbaums, indem eine akkumulative Kostenkarte von kostengünstigsten Pfaden verwendet wird, wobei die Mittellinien den entsprechenden Gefäßen in dem Gefäßbaum entsprechen.
  • Der Prozessor ist weiter mit dem Programm betreibbar, wenn die kostengünstigsten Pfade von einer einzelnen Quelle aus berechnet werden, zum: Platzieren eines Ausgangspunkts in einem Bild, das ein Gefäß enthält; Darstellen eines Bilds als diskreten Graph, der Knoten und Ränder aufweist, wobei Kosten jedes Randes aus einem Vesselness-Maß des Randes berechnet werden; Starten einer kostengünstigsten Ausbreitung von dem Ausgangspunkt durch ein erstes Setzen von akkumulativen minimalen Kosten an dem Ausgangspunkt auf Null und auf Unendlich an jedem anderen Punkt in dem Graph; Darstellen von diskreten Fronten, die sich ausbreiten durch Minimieren eines akkumulierten Vesselness-Maßes, wobei die diskreten Fronten Pixel sind, die bereits untersuchte Pixel, von Pixeln trennen, die noch nicht untersucht worden sind, Berechnen einer kostengünstigsten Ausbreitung von der Quelle für eine erste Anzahl von Iterationen durch Berechnen von akkumulativen minimalen Kosten und Setzen von Stopppunkten der diskreten Fronten als neue Quellen; und Neuberechnen der akkumulativen minimalen Kosten für jede neue Quelle durch Ausbreiten der Fronten von den neuen Quellen aus für eine zweite Anzahl von Iterationen, wobei, wenn die neu berechneten akkumulativen minimalen Kosten unterhalb eines ersten Schwellenwerts liegen, die kostengünstigste Ausbreitung gestoppt wird, und Pixel, die den diskreten Fronten, die gestoppt worden sind, entsprechen als Senken dargestellt werden.
  • Die erste Anzahl von Iterationen ist beispielsweise größer als die zweite Anzahl von Iterationen.
  • Der Prozessor ist ferner betreibbar mit dem Programm, wenn Mittellinien des Gefäßbaums berechnet werden unter Verwendung einer akkumulativen Kostenkarte der kostengünstigsten Pfade, zum: Berechnen einer Distanz von dem ursprünglich platzierten Ausgangspunkt zu den Senken; Ordnen der Senken basierend auf ihren entsprechenden berechneten Distanzen; Auswählen eines Pixels, das die größte Distanz hat, und Zurückverfolgen bis der ursprünglich platzierte Ausgangspunkt erreicht ist oder bis ein vorher detektierter Pfad erreicht ist, um einen Mittelli nienpfad zu detektieren; Berechnen einer Distanz der detektierten Mittellinie und Zuordnen der detektierten Mittellinie zu ihrer entsprechenden Senke; Bestimmen eines Radius entlang der detektierten Mittellinie, die zu einem maximalen Vesselness-Maß entlang der detektierten Mittellinie korrespondiert; Setzen einer Herausragung des ausgewählten Pixels durch Teilen der Distanz der Mittellinie durch den Radius; Entfernen des ausgewählten Pixels aus der geordneten Liste; und wenn die geordnete Liste leer ist, Auswählen von Pixeln, deren Herausragung größer als ein zweiter Schwellenwert ist, wobei die Mittellinien zwischen den ausgewählten Pixeln und dem ursprünglich platzierten Ausgangspunkt den entsprechenden Gefäßen in dem Gefäßbaum entsprechen.
  • Die vorangegangenen Merkmale sind für ein repräsentatives Ausführungsbeispiel und helfen beim Verständnis der Erfindung. Es soll verstanden werden, dass sie nicht als Einschränkungen der Erfindung betrachtet werden sollen, oder als Beschränkung auf Äquivalente zu den Ansprüchen. Folglich soll die Zusammenfassung der Merkmale bei der Bestimmung von Äquivalenten herangezogen werden. Zusätzliche Merkmale der Erfindung werden durch die folgende Beschreibung in Verbindung mit den beigefügten Zeichnungen und Ansprüchen offensichtlich.
  • 1 zeigt ein multiskalares Querschnittsgefäßmodelbilden gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
  • 2 zeigt Vesselness-(Filter)Antworten entlang zweier unterschiedlicher Strahlen gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
  • 3 zeigt eine Vesselness-Antwort eines Punkts, wenn Vesselness-Filter auf unterschiedliche Orientierungen angewendet werden gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
  • 4 verdeutlicht einen diskreten Graphen, wobei Vesselness-Filter orthogonal zu Rändern angewendet werden gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
  • 5 zeigt berechnete lokale Zentrumsachsmodelle zwischen zwei benutzerplatzierten Ausgangspunkten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
  • 6 verdeutlicht die Recheneffizienz eines Gefäßbaumextraktionsalgorithmus gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
  • 7 verdeutlicht einen Zweigentfernungsprozess gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
  • 8 verdeutlicht Mittellinienmodelle von zwei Koronararterien in Computertomographieangeograhpie (CTA) und einer Zerebralarterie in einem dreidimensionalen (3D) Röntgenbild gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
  • 9 zeigt zweidimensionale (2D) Gefäßquerschnittsgrenzen, die gemäß einem Ausführungsbeispiel der vorliegenden Erfindung gewonnnen werden;
  • 10 zeigt ein Mittellinien- und Querschnittsmodell und Oberflächenmodelle für periphere Arterien mit starken Klassifikationen in CTA gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
  • 11A, 11B zeigen Ergebnisse, die gewonnen werden von einem Durchführen des Gefäßbaummodellierens gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
  • 12 zeigt ein System, in das Ausführungsbeispiele der vorliegenden Erfindung implementiert werden können;
  • 13 zeigt ein Verfahren zum Berechnen eines Vesselness-Maßes aus einem 2D Querschnittsmodell eines Gefäßes gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
  • 14 zeigt ein Verfahren zum Extrahieren einer Lokaizentrumsachsendarstellung eines Gefäßes gemäß einem Ausführungsbeispiel der vorliegenden Erfindung; und
  • 15A und 15B verdeutlichen ein Verfahren für ein Gefäßbaummodellieren gemäß einem Ausführungsbeispiel der vorliegenden Erfindung.
  • Präsentiert wird hier ein robustes und genaues Verfahren zum Extrahieren einer Zentrumsachsdarstellung und von Oberflächenmodellen von Blutgefäßen in der kontrastverbesserten (CE)- Herzcomputertomographieangeograhpie (CTA = Computed Tomography Angiography)/Herzmagnetresonazangeographie (MRA = Magnetic Resonance Angiograhpy). In diesem Verfahren wird eine lokale Zentrumsachsendarstellung von Gefäßen konstruiert durch den kostengünstigsten Pfaddetektionsalgorithmus (Minimum-Kosten-Weg Detektionsalgorithmus). Die Kosten von Rändern eines diskreten Graph, der von dem Algorithmus verwendet wird, werden berechnet durch eine neue Vesselness-Filter Technik, die auf multiskalaren Querschnittsgefäßgrenzen und Intensitätsmodellen basiert. Eine vollständige Gefäßmittelliniendarstellung wird dann konstruiert durch das neue Verwenden der lokalen Modellierungstechnik, die eine Ausbreitung dazu zwingt auf den vaskulären Strukturen (Gefäßstrukturen) zu stehen. Das Verfahren konstruiert Mittellinienmodelle sehr schnell und genau. Zusätzlich ist das Verfahren in der Lage Mittellinienrepräsentationen von Bereichen zu konstruieren, wo Gefäße starke Pathologien enthalten, wie beispielsweise Stenose, ohne zusätzliche Benutzerinteraktionen und übermäßige Berechnungen. Zusätzlich zu den Mittelliniendarstellungen wird eine Gefäßoberflächenmodellierungstechnik eingeführt, die zweidimensionale (2D) Querschnittsgrenzsegmentierungen entlang Mittellinien verwendet. Die Genauigkeit des Verfahrens zum Extrahieren einer Zentrumsachsendarstellung und Oberflächenmodellen von Blutgefäßen ist für verschiedene Datensätze verdeutlicht, enthaltend unterschiendliche Typen von Gefäßen, wie Koronar-, Karotide (Halsschlagader)-, Peripher-, etc.
  • Vesselness-Maß aus 2D Querschnittsmodellen
  • In diesem Abschnitt wird eine neue Technik präsentiert (siehe 1310–1340 gemäß 13) zum Berechnen eines Vesselness-Maßes, das auf einem multiskalaren Querschnittsgefäßmodellieren basiert. Blutgefäße in CTA/MRA haben typischerweise kreisförmig/elliptische Formen in Querschnittsansichten, obwohl lokale Änderungen der Gefäße auf Grund des Vorhandenseins von benachbarten Gefäßen oder pathologischen Bedingungen nicht ungewöhnlich sind. Idealerweise enthält ein 2D Querschnittsgefäßprofil eine kreisrunde/elliptische helle Scheibe, umgeben von einem dunklen Ring (siehe (a) in 1). Gemäß der Erfindung verwendet das Vesselness-Maß diese Rundheitsannahme und das Intensitätsprofil. Speziell wird eine Anzahl von Strahlen von dem Zentrumspunkt initialisiert und die Intensitätsprofile entlang der Strahlen werden gesammelt. Typische Intensitätsprofile eines Gefäßes und dessen unmittelbarer Hintergrund entlang eines Strahls beginnend von dem Zentrum aus, ist in (b) von 1 gezeigt. Dieses eindimensionale (1D) Gefäßintensitätsmodell ist ferner unterteilt in drei Intervalle RI, RO, RB, wie genauer in (c) von 1 gezeigt. Speziell ist die innere Region eines Gefäßes entlang eines Strahls (RI) dargestellt durch eine helle Intensitätsregion, deren Größe von der Größe des Gefäßes abhängt. Ähnlich ist die äußere Region (RO) eines Gefäßes entlang eines Strahls dargestellt durch eine dunkle Intensitätsregion, deren Größe von dem Vorhandensein benachbarter Strukturen abhängt. Die Grenzregion zwischen dem Gefäß und dem Hintergrund (RB) ist beschrieben durch ein Gaußsches Profil.
  • Mathematisch kann das Gefäßmodell entlang eines Strahls wie folgt dargestellt werden:
    Figure 00100001
    wobei R der Radius ist, und IV und IO die Intensitätswerte sind, die jeweils das Innere und das Äußere eines Gefäßes darstellen. Die Intensitätsdaten I, die von einem Original CTA/MRA Datensatz entlang eines Strahls gewonnen werden, sollten zu dem Profil des 1D Intensitätsgefäßmodells V passen, wenn die beobachteten Daten I von einem Gefäß gewonnen werden. Speziell wird gemäß der Erfindung die Differenz zwischen dem gemessenen Intensitätsprofil I und dem Gefäßmodell V als Passmaß in den Vesselness-Kriterien verwendet.
  • Das Passmaß fi entlang eines Strahls ist gegeben durch
    Figure 00100002
    wobei f(x) = u(IV – I(x)), g(x) = u(I(x) – IO) und u(x) ist eine Schrittfunktion. y1, y2 und y3 sind Gewichtungen für die unterschiedlichen Intervalle. Klassifikationen werden nicht separat modelliert und sind innerhalb von Gefäßen über die Verwendung von f(x) enthalten. Ähnliche sind sehr dunkle Regionen, wie beispielsweise Luft in Lungen, in der Hintergrunddarstellung über g(x) enthalten. Dann ist das Vesselness-Maß VM(x, y, z) eines Punkts gegeben aus der Summierung derartiger Passmaße entlang aller Stahlen
    Figure 00100003
    wobei N die Gesamtanzahl an Strahlen ist.
  • Gemäß der Erfindung enthält das Gefäßintensitätsmodell zwei wichtige Werte, nämlich IV und IO. Diese Werte spielen eine wichtige Rolle bei der Genauigkeit des Vesselness-Maßes. Gemäß der Erfindung werden diese Werte lokal geschätzt mit großer Genauigkeit, indem 2D Querschnittsgrenzen in vielen Richtungen berechnet werden, wie beschrieben in beispielsweise H. AAAA, A. Ayvaci und D. Comaniciu, „Multi-scale vessel boundary detection", in Workshop of CVBIA, Seiten 388–398, 2005 (auf diese Druckschrift wird hier Bezug genommen), und unter Verwendung der Grenze, die die beste Passung auf einen elliptischen Fourier Deskriptor liefert, wie in 9 gezeigt. Es soll erwähnt werden, dass dieser Algorithmus 2D Grenzen detektiert und die Intensitäten des Gefäßes und dessen Umgebungen klassifiziert, durch ein Multi-Scan-Mean-Shift Filtern, wie beschrieben in beispielsweise D. Comaniciu und P. Meer, „Mean shift: A robust approach toward feature space analysis", IEEE Trans. PAMI, 24(5):603-619, 2002 (auf die Offenbarung wird hier Bezug genommen). Speziell erzeugt das Mean-Shift-Filtern ein diskontinuierliches bewahrendes Glätten, das dann IV und IO spezifiziert.
  • Die Technik zum Berechnen eines Vesselness-Maßes, die hier präsentiert wird, hat zwei Hauptbeiträge. Erstens sind ihre Antwortcharakteristiken sehr nahe an den Antwortcharakteristiken, die von einem idealen Vesselness-Filter erwartet werden können. Speziell gibt das vorgeschlagene Vesselness-Maß starke Antworten am Zentrum eines Gefäßes, die Antworten fallen rapide ab in Richtung Gefäßgrenzen und sehr kleine Antworten werden erhalten in nicht Gefäßbereichen (siehe (a) in 2). Darüber hinaus hat das Vorhandensein einer hellen Struktur keinen starken Einfluss auf die Antworten. Im Gegensatz zu Hessian basierten Techniken gibt der Ansatz gemäß der Erfindung eine sehr viel geringere Antwort zwischen zwei benachbarten Gefäßen, was eine bessere Trennung benachbarter Gefäße zur Folge hat über Segmentierungsalgorithmen unter Verwendung derartiger Maße (siehe (b) in 2). Zweitens erfordert die Technik gemäß der Erfindung kein Schätzen der Gefäßrichtung. Andere Techniken verwenden Eingenvektoren des Hessian, um die Gefäßrichtung zu bestimmen. Helle Strukturen nahe des Gefäßes, das von Interesse ist, können jedoch einen fehlerhaften Effekt auf die Richtung des Gefäßes haben, und folglich auf das Vesselness-Maß. Die Filtertechnik gemäß der Erfindung erzeugt sehr gute Antworten, wenn diese von orthogonalen Ebenen aus berechnet werden. Die Antwort fällt rapide ab, wenn sie von schrägen Ebenen aus berechnet werden (siehe (a) in 3), was in Übereinstimmung ist mit einem idealen Vesselness-Filter.
  • Lokale Zentrumsachse von einer graphbasierten Optimierung
  • In diesem Abschnitt wird ein Algorithmus präsentiert (siehe 1410–1430 gemäß 14) zum robusten und schnellen Extrahieren einer Lokalzentrumsachsendarstellung von Gefäßen. Diese lokale Technik wird dann verwendet als Basis für das Modellieren eines vollständigen Gefäßbaums. Speziell basiert der Ansatz auf einem graphbasierten kostengünstigsten Pfad (oder Frontausbreitungs-)Detektionsalgorithmus, der bezüglich einer Vesselness-Karte, die von dem Algorithmus gewonnen wird, arbeitet.
  • Es sei G = (N, E) ein diskreter Graph, wobei N und W jeweils Knoten und Ränder darstellen. Im Allgemeinen sind die kürzesten Wege gemäß Dijkstra sehr populär beim Finden des kostengünstigsten Pfads zwischen einer Quelle Ns und einem Ziel Ng. In diesem Abschnitt wird ein derartiger Algorithmus verwendet zum Berechnen von diskreten Pfaden, die als lokale Zentrumsachsdarstellung von Gefäßen in medizinischen Bildern vorgeschlagen werden. Die Optimierung erfolgt für diesen diskreten Graph G, wobei die Kosten von Rändern C(E) gewählt werden, um reziprok zu dem Vesselness-Maß zu sein, beispielsweise C(Eij) = 1,0/VM(Eij). Das Vesselness-Maß eines Graphrands wird orthogonal zu dem Rand berechnet, wie in 4 gezeigt.
  • Zusammenfassend gesagt breitet der Dijkstra Algorithmus (oder Frontausbreitungsalgorithmus) Fronten in dem diskreten Bereich aus und weist minimale kumulative Kostenmaßen den Knoten zu ϕ(N) und behält die Historie der Ausbreitung von der Quelle zu dem Ziel H(N), die bei der Konstruktion des kostengünstigsten Pfads verwendet wird. Die akkumulative Kostenkarte ϕ und H werden konstruiert durch eine explizite diskrete Frontausbreitung, wobei die Ausbreitung immer erfolgt von dem minimalen Wert zu dem Nachbarknoten. Beispielsweise sei angenommen, dass der Knoten Nj von einer Front besucht wird, die von dem Knoten Ni kommt, über den Rand zwischen diesen, Eij, wie in 4 gezeigt. Es sei erwähnt, dass alle nicht besuchten Knoten initialisiert werden als ϕ(Nj) = ∞. Wenn die Front an Ni geringere Kosten bringt für Nj, beispielsweise (ϕ(Nj) + C(Eij) < ϕ(Nj)), werden die kumulativen Kosten und die Historie bei Nj wie folgt aktualisiert: ϕ(Nj) = ϕ(Ni) + C(Eij) H(Nj) = Nj (3)und Nj eingefügt in die explizite Frontliste, wobei die Knoten gemäß ihrem kumulativen Kostenmaß ϕ sortiert sind. Diese explizite Frontausbreitung endet, wenn die Ausbreitung den Zielknoten Ng erreicht. Der kostengünstigste Pfad zwischen der Quelle und dem Ziel kann einfach aus der Historienkarte H bestimmt werden.
  • Der Hauptbeitrag dieses kostengünstigsten Pfadfindealgorithmus ist die Verwendung eines Vesselness-Maßes als Kosten von Rändern E und ihre orthogonale Berechnung zu den Rändern, ein Beispiel davon ist in 4 gezeigt. In der Tat ist diese orthogonale Berechnung der Schlüsselfaktor für die Genauigkeit und für die Recheneffizienz, da die Kosten, die für Gefäßquerschnitte erhalten werden, sehr klein sind. In anderen Worten, Fronten breiten sich auf Grund dieser Tatsache sehr viel schneller in Richtung Zentrum der Gefäße aus und sehr viel langsamer in Richtung Gefäßwände. In der Tat kann der Mittellinienextraktionsalgorithmus auch als ein Minimumkosten-Querschnittsebenenschätzalgorithmus angesehen werden. Bilder (a) und (b) gemäß 5 verdeutlichen die Mittellinien, die gewonnen werden zwischen zwei Ausgangspunkten von diesem Algorithmus. Speziell ist zu beachten, dass das Vorhandensein von einem benachbarten Gefäß nicht den Effekt der Zentrumsachsdarstellung beeinträchtigt.
  • Gefäßbaumextraktions- und Oberflächenmodellieren
  • Die meisten Mittellinienextraktionsalgorithmen sind designed, um mit einem lokalen Segment eines Gefäßes zu arbeiten, beispielsweise zwischen zwei Ausgangspunkten. Eine robuste und zeitnahe Konstruktion eines vollständigen Gefäßbaums ist jedoch immer noch eine Herausforderung. Die Hauptquelle dieses Problems stammt hauptsächlich von dem Vesselness-Maß. Die ideale Vesselness-Antwort sollte im Zentrum von Gefäßen sehr groß sein, sehr klein in Richtung Gefäßgrenzen und null außerhalb von Gefäßen. Es ist jedoch fast unmöglich derartige Vesselness-Filter zu designen. In der Realität geben gefäßlose Strukturen eine schwache aber relativ große Vesselness-Antwort. Der Minimierungsalgorithmus, der oben erwähnt wurde, akkumuliert die Vesselness-Maße während des Wachstumsprozesses. Zu Beginn breiten sich Fronten schneller innerhalb der Gefäße aus, aber diese Ausbreitung wird langsamer nach einer großen Anzahl von Iterationen, und die Fronten beginnen in Richtung Gefäßgrenzen zu wachen auf Grund der akkumulativen Natur des Algorithmus. Dies Erweiterung Richtung Gefäßwand und letztendlich außerhalb des Gefäßes wird signifikant, wenn sich ausbreitende Fronten Stenose oder Aneurysmen antreffen, wo das Vesselness-Maß abfällt. Das Bild (a) gemäß 6 verdeutlicht dies im Bezug auf Koronardaten.
  • Man beachte, dass der graphbasierte Minimierungsalgorithmus erfolgreich ist bei dem lokalen Erfassen der Zentrumsachse. Im Folgenden wird vorgeschlagen diesen Algorithmus iterativ zu verwenden bis ein gewünschter Gefäßbaum erfasst ist (siehe 1505–1575 gemäß 15A und 15B). Speziell werden Fronten explizit dazu gebracht, nach einem bestimmten Ausmaß von Ausbreitung, das dem Lokalmodellieren entspricht, zu terminieren. Die Ausbreitung startet neu von diesen gestoppten Voxel (Fronten) aus, nachdem ihre kumulativen Kostenmaße ϕ basierend auf einer lokalen Kostenberechnung neu eingestellt wurden. Idealerweise sollte die Ausbreitung nur von denjenigen Voxeln im Zentrum der Gefäße aus starten und ein minimales Wachstum sollte von den Voxeln erfolgen, die nahe den Gefäßgrenzen oder außerhalb der Grenzen sind. Das Klassifizieren der Fronten in zwei Klassen ist jedoch sehr schwierig und gefährlich. In der Tat kann ein Stoppen der Ausbreitung von bestimmten Voxeln aus ein Verpassen (Auslassen) verschiedener wichtiger Zweige zur Folge haben
  • In dem Ansatz gemäß der Erfindung werden das kumulative Kostenmaß von diskreten Fronten reinitialisiert durch Messen des Ausmaßes von Vesselness nahe diesen. Speziell startet eine temporäre individuelle Frontausbreitung von jedem dieser Frontvoxel nur in Richtung ihrer Ausbreitung, und die lokalen kumulativen Kosten ϕ0 werden berechnet durch Akkumulieren von Kosten in derartigen lokalen Ausbreitungen. Dann werden die akkumulativen Kostenmaße von Fronten initialisiert von diesen lokalen kumulativen Kosten, beispielsweise ϕ(Ni) = ϕ0(Ni), wobei Ni die gestoppten Fronten sind. Die Hauptidee hier ist die Zuordnung von sehr kleinen kumulativen Kostenmaßen zu den Voxeln, die im Zentrum der Gefäße sind, und die Zuordnung sehr viel höherer Werte für andere Voxel. Es soll erwähnt werden, dass wenn die Ausbreitung erneut von den gestoppten Fronten aus startet, es nicht erlaubt ist die vorherigen untersuchten Bereiche zu untersuchen. Dieser iterative lokale Minimum-Kosten-Pfaddetektionsalgorithmus wird wiederholt bis das Konvergenzkriterium erreicht ist. Man beachte, dass die temporäre Ausbreitung von Fronten für die Berechnung der lokalen kumulativen Kosten ϕ0 nicht notwendig ist, wenn sie nicht früher ausgebreitet worden sind. Dieser Fall tritt sehr oft auf und reduziert die Rechenzeit signifikant. In der gegenwärtigen Implementierung der Erfindung, wird das lokale kumulative Kostenmaß ϕ0 verwendet, das bei Beginn jeder neuen Ausbreitung gewonnen wird, um das Stoppkriterium zu bestimmen. Speziell, wenn arg mini(ϕ0(Ni)) größer als ein Schwellenwert ist, wird die Ausbreitung gestoppt. 6 vergleicht diesen iterativen Algorithmus (siehe (b) in 6) mit dem lokalen Algorithmus (siehe (a) in 6) nachdem dieselbe Anzahl von Iterationen durchlaufen ist.
  • Obwohl dieser iterative Minimierungsalgorithmus die kumulative Kostenkarte ϕ und die Historienkarte H konstruiert, detektiert er nicht explizit die Mittellinien von Gefäßbäumen, da es keine benutzerplatzierten Endpunkte gibt. Man beachte, dass es möglich ist, einen kostengünstigsten Pfad zwischen Frontpixeln und der Quelle zu detektieren (siehe (a) in 7). Die meisten dieser Pfade entsprechen den Diskontinuitäten der sich ausbreitenden Fronten. Es wird vorgeschlagen, dass die Bestimmung der korrekten Pfade von ihrer Herausragung abhängt. Die Herausragung eines Zweigs wird bestimmt aus der Größe des Zweigs und der Größe eines maximalen Vesselness-Filters entlang dieses Zweigs. Speziell wird zuerst eine Front bestimmt, die die maximale Distanz von der Quelle hat. Dieser erste Pfad wird als die diskrete Mittellinie markiert. Dann wird eine iterative diskrete Pfaddetektion angewendet für jeden Frontpunkt basierend auf dessen Abstand von der Quelle. Das Mittellinienverfolgen, das die Historienkarte H verwendet, stoppt, wenn das Verfolgen eine bereits detektierte Mittellinie erreicht. Dies ist in 7 dargestellt, speziell zeigt (a) in 7 die Fronten und ihre zugehörigen kostengünstigsten Pfade. Wie in (b) von 7 gezeigt, wird angenommen, dass ein Pfad Pi von der Front Ni mit dem Maximalabstandswert startet. Da die Pfade Pj und Pk später verfolgt werden, stoppen sie, wenn sie den Pfad Pi erreichen. In diesem Fall wird Pj behalten, da seine Länge sehr viel größer ist als seine maximale Skalierung. Der Pfad Pk wird jedoch zurückgeschnitten, da dessen Skalierung und Länge sehr ähnlich sind. Dieses Kriterium arbeitet sehr gut bei der Bestimmung von herausragenden Pfaden und beim Entfernen von Zweigen auf Grund der Diskontinuitäten auf den Fronten. 8 zeigt Mittellinienmodelle, die von diesem Algorithmus erhalten werden ((a) und (b)) in 8 zeigen zwei Koronararterien in CTA und (c) in 8 zeigt eine Zerebralarterie in einem 3D geröntgtem Bild. Die Ergebnisse in 8 wurden gewonnen über eine einzelne Ausgangspunktplatzierung. Der Algorithmus hat ungefähr 20 Sekunden auf einem 2,8 GHz PC gebraucht, um diese Mittellinienmodelle zu gewinnen.
  • Gefäßoberflächenmodellieren über 2D Querschnittsgrenzen
  • Die Zentrumsachsendarstellung ist für sich selbst genommen wichtig bei der Konstruktion einer kurvenmultiplanaren Rekonstruktionsvisualisierung (MPR = Mulitplanar Reconstruction), die in kritischen Anwendungen populär ist. Die Gefäßoberflächendarstellung zusätzlich zu den Mittellinien wird jedoch benötigt bei der Quantifizierung von Pathologien, Stentplanung und Folgestudien. Traditionell werden Gefäßoberflächenmodelle erzeugt durch die Skalierungsinformation, die in der Mittelliniendarstellung enthalten ist. In S. Aylward und E. B. E. „Initialization, Noise, Singularities and Scale in Height-Ridge Traversal for Tubular Object Centerline Extraction", TMI, 21(2):61-75,2002 wird beispielsweise jedem Mittellinienpunkt eine Skalarinformation zugeordnet, die dann verwendet wird, um die Gefäßgrenzen zu konstruieren. Ähnlich werden den Mittellinienpunkten gemäß der Erfindung ebenfalls einer Skalierung zugeordnet, die die maximale Vesselness-Antwort gibt. Diese Skalarinformation ist jedoch nicht genau genug, um vollständig die Gefäßoberflächenmodelle darzustellen, da sie designed sind, um recheneffizient zu sein, beispielsweise weniger genau. In dem Folgenden wird vorgeschlagen die Gefäßoberflächenmodelle mit Sub-Voxel 2D Querschnittsmodellen zu konstruieren.
  • Kürzlich ist ein robustes und genaues Verfahren für Gefäßquerschnittsgrenzen präsentiert worden, siehe H. AAAA, A. Ayvaci und D. Comaniciu, „Multi-Scale Vessel Boundary Detection", in Workshop of CVBIA, Seinen 388–398, 2005; und M. A. Gulsun und H. Tek, „3d Construction of Coronary Arteries", in International Workshop an Computer Vision for Intravascular and Intracardiac Imaging, MICCAI, 2006 (auf die Offenbarung wird hier Bezug genommen). Speziell werden die Querschnittsgrenzen genau und robust berechnet durch Verwendung eines Minimum Mean Cycle Optimierungsalgorithmus, wie beispielsweise beschrieben ist in I. Jermyn und H. Ishikawa, „Globally Optimal Regions and Boundaries as Minimum Ratio Cycles", IEEE Trans. PAMI, 23(10):1075-1088, 2001 (auf diese Offenbarung wird hier Bezug genommen), wodurch ein neuer zyklischer Graph betrieben wird. Die Hauptidee hinter dem Minimum Mean Cycle Algrorithmus ist das Finden eines Zyklus (Kontur) in einem Graph derart, dass dessen Durchschnittskosten minimiert werden. Die Durchschnittskosten eines Zyklus entsprechen der Division der Summe aller Randgewichtungen auf dem Zyklus durch ihre Länge, die Anzahl von Rändern auf dem Zyklus. Die Sub-Voxelgenauigkeit wird garantiert durch die Verwendung einer Kostenfunktion, die berechnet wird von den Multi-Scale Means Shift basierten Randantworten, wie sie beispielsweise beschrieben werden in D. Comaniciu und P. Meer, „Mean Shift: A Robust Approach toward Feature Space Analysis", IEEE Trans. PAMI, 24(5): 603-619, 200; und H. AAAA, A. Ayvaci und D. Comaniciu, „Multi-Scale Vessel Boundary Detection", in Workshop of CVBIA, Seiten 388–398, 2005. 9 verdeutlicht die Querschnittsgrenzdetektionsergebnisse von dem vorgeschlagenen Algorithmus für Koronargrenzen, karotide Arterien mit starken Verkalkungen.
  • 9 zeigt speziell die 2D Querschnittsgrenzen, die von dem Algorithmus gewonnen werden, der beschrieben ist in M. A. Gulsun und H. Tek, „3D Construction of Coronary Arteries", in International Workshop an Computer Vision for Intravascular and Intracardiac Imaging, MICCAI, 2006, für drei unterschiedliche Fälle: Koronar (siehe (a)), Verkalkung (siehe (b)) und Zweig (siehe (c)). Wie man sehen kann erzeugt dieser Algorithmus genaue Sub-Voxelergebnisse, selbst wenn die Voxel Rauschen enthalten, auf Grund von Pathologien, die in der Nähe von anderen hellen Strukturen sind.
  • Das Gefäßoberflächenkonstruktionsverfahren gemäß der Erfindung basiert auf dieser 2D Querschnittssegmentierung. Speziell werden genaue Sub-Voxelgefäßquerschnittsgrenzen an verschiedenen Orten eines gegebenen Mittellinienmodells konstruiert. Ein 3D Gefäßoberflächenmodell wird dann aus diesen 2D Konturen konstruiert. Speziell werden aufeinanderfolgende 2D Konturen verwendet, um die lokale Triangulationsoberfläche zu konstruieren, indem die entsprechenden Punkte jeder Kontur gefunden werden, beispielsweise Punkte, die einander am nahesten sind. Die Oberflächenmodelle, die von diesem vorgeschlagenen Algorithmus konstruiert werden, sind in 10 gezeigt. Speziell zeigt 10 die Mittellinien und Querschnittsmodelle in (a) und Oberflächenmodelle (b) für periphere Arterien mit starken Verkalkungen im Fall von CTA.
  • Validierungen und Diskussionen
  • Der Algorithmus gemäß der Erfindung ist erfolgreich für mehr als 50 Datensätze getestet worden für die Konstruktion von Koronarmodellen, Karotidmodellen, Aortamodellen und Peripherarterienmodellen. In den erfolgten Experimenten hat ein Benutzer oft einen einzelnen Ausgangspunkt an einer Arterie, die von Interesse ist, platziert, und der Algorithmus war in der Lage Ergebnisse in weniger als 30 Sekunden auf einem 2,8 GHz PC zu erzeugen. Beispielsweise hat es durchschnittlich 22 Sekunden für eine Mittellinienextraktion des linken Koronararterienbaums für 10 unterschiedliche Datensätze gedauert. Die 11A und 11B verdeutlichen einige Ergebnisse, die von dem Algorithmus gemäß der Erfindung gewonnen wurden.
  • In den 11A und 11B sind die Mittellinien und die segmentierten Gefäße in einem erweiterten Gefäßvisualisierungstool (Gefäßvisualisierungswerkzeug) gezeigt. Speziell vereinigt diese Visualisierung den Mittellinienbaum und die Intensitäten auf konstruierten Gefäßoberflächenmodellen (triangulare Maschenstruktur) mit den Originaldaten, mit der Einschränkung, dass die segmentierten Gefäße immer sichtbar sind. Dieser Typ von Visualisierung erlaubt es dem Benutzer die Gefäße sehr schnell zu lesen. Basierend auf den erfolgten Experimenten reduzieren die Fehler in Oberflächen- und Mittellinienmodellen signifikant die Qualität dieser Visualisierung. Durch Verwendung des Mittellinien- und Oberflächenmodells gemäß der Erfindung kann eine derartige Visualisierung in realen Anwendungen verwendet werden, ohne dass eine fehlerhafte Stenose erzeugt wird.
  • Bei den Visualisierungen gemäß den 11A und 11B werden die Computeroberflächenmodelle mit ihren Originalintensitäten mit den Originaldaten vereinigt, mit der Einschränkung, dass die segmentierten Gefäße immer sichtbar sind. Beispielsweise, in den 11A und 11B: (a) zeigt den Mittellinienbaum für eine Halsschlagader (Karotide); (b) zeigt die Fusion des Karotideoberflächenmodells mit den Originaldaten; (c) zeigt die Fusion der Koronaroberflächenmodelle beim Volumenwiedergeben nach einer Herzisolierung; (d) zeigt die Fusion von Koronaroberflächenmodellen beim Volumenwiedergeben nach einer Herzisolierung; (e) zeigt das Oberflächenmodell eines Koronarbaums enthaltend den Stent; (f) zeigt die Fusion von Intensitätswerten auf dieser Koronaroberfläche mit den Originaldaten; (g) zeigt das Oberflächenmodell einer Halsschlagader von MS-235 verbesserter MRA, die beides Arterien und Venen hervorhebt; und (h) zeigt die Binärmaske von Koronararterien.
  • Es ist eine Validierung durchgeführt worden für die Genauigkeit der Mittellinien und der Querschnittsgrenzen. Im Allgemeinen ist das Erzeugen einer Grundwahrheit für Mittellinienmodelle des Gefäßes schwierig und kann für einen Experten extrem zeitaufwändig sein. Um die Aufgabe des Experten zu vereinfachen ist ein manuelles Gefäßmittellinienerzeugungstool designed worden, bei dem der Benutzer zuerst einen Ausgangspunkt in dem Zentrum von Gefäßen platziert. Als zweites erzeugt das Tool orthogonale und tangentiale 2D Bilder, indem neu platzierte und vorher platzierte Ausgangspunkte verwendet werden. Drittens korrigiert der Expertenbenutzer den Ort von Ausgangspunkten, wenn sie nicht korrekt sind. Mit diesem Werkzeug (Tool) braucht ein Experte ungefähr 30 Minuten, um Mittellinien eines typischen Koronardatensatzes zu erzeugen. Bei den erfolgten Validierungen erzeugte ein Experte Mittellienienbäume für 20 Koronardatensätze, 3 Karotidedatensätze, 3 Peripherdatensätze und 2 Aortadatensätze. Der Algorithmus gemäß der Erfindung war in der Lage alle Hauptgefäßzweige in allen Experimenten zu erfassen. Bei der Koronarvalidierung war der Algorithmus in der Lage 95% der expertenkonstruierten Koronarbäume zu extrahieren. In allen anderen Datensätzen war dieses Verhältnis bei 100%. Zusätzlich zu der Anzahl an Zweigen, die extrahiert worden sind, sind die Orte der Mittellinien bezüglich des durchschnittlichen Radius der Gefäße verglichen worden. Der Algorithmus gemäß der Erfindung war sehr gut bei Aortenarterien, Karotidearterien und Peripherarterien, wo Durchschnittsfehler kleiner als 15% waren. Da die Koronararterien einen relativ kleinen Bereich belegen, war dieser Fehler bei ungefähr 20%, was oft weniger als einer Voxelgröße entspricht. Die Tabelle 1 verdeutlicht einige der Validierungsergebnisse in tatsächlichen Millimeter für 5 unterschiedlichen Datensätzen, die Pathologien enthalten. Speziell verdeutlicht die Tabelle 1 den Fehler in mm zwischen den berechneten und expertenkonstruierten Gefäßmittellinienbäumen für 5 unterschiedliche Patienten. Die Darstellung (x ± y); z beschreibt: x der Durchschnittsfehler, y die Standardabweichung und z der maximale Fehler.
    Patient 1 Patient 2 Patient 3 Patient 4 Patient 5
    Art des Gefäßes karotid koronar koronar koronar peripher
    pathologische Gegebenheiten Kalkablagerung Stent, Kalkablagerung nichts Plaque Kalkablagerung
    Fehler (0,5 ± 0,21); 1,08 (0,35 ± 0,17); 1,19 (0,38 ± 0,27); 1,67 (0,39 ± 0,22); 1,39 (0,64 ± 0,42); 3,59
  • Zusätzlich zu den Mittellinienvalidierungen sind die Querschnittsresultate mit expertenerzeugten Ergebnissen für Datensätze verglichen worden, die Koronararterien, Halsschlagarterien, Aortaarterien und Peripherarterien enthalten. Im Allgemeinen sind die Validierungsstudien der Querschnittsgrenzen von Koronararterien ziemlich schwierig. Speziell können sich die von dem Experten gezeichneten Konturen drastisch Ändern basierend auf Fenster/Pegel (Window/Level)-Einstellungen der Originalbilder. Zweitens ist beobachtet worden, dass die Konturen, die von zwei unterschiedlichen Experten gewonnen wurden, einige signifikante Fehler aufwiesen. In jedem Fall sind Validierungen von 2D Querschnittsgrenzen für 14 unterschiedliche Patientendaten vorgenommen worden: 8 Koronar, 2 Halsschlagadern, 2 Peripherarterie und 2 Aorta. Speziell sind für jeden Patienten die detektierten Konturen mit den expertengezeichneten Konturen an 20 unterschiedlichen Orten verglichen worden, oder ein Koronarzweig, der Orte mit hohem Kalzium, mit Stent und sehr kleine Durchmesser aufweist. In unseren Vergleichsexperimenten wird jede Kontur durch 48 Konturpunkte beschrieben. Ci soll einen Punkt auf der expertenerzeugten Kontur darstellen. Ähnlich sei der entsprechende Punkt auf der berechneten Kontur dargestellt durch C ^i. Die Distanz zwischen den entsprechenden Punkten, beispielsweise |Ci – C ^i| sei das Fehlermaß. Man hat herausgefunden, dass die durchschnittlichen Fehler für Koronargefäße in dem Bereich von 0,25 mm oder weniger als eine Voxelgröße sind. Der Durchschnitt des maximalen Fehlers ist 0,4 mm für diese Datensätze. Es wurden ebenfalls Stenosemessungen, die von dem Algorithmus gewonnen wurden, mit denjenigen verglichen, die von einem Experten stammten. Die Fehler, die gefunden wurden, waren relativ klein.
  • Das oben diskutierte stellt einen neuen Algorithmus dar zum Extrahieren einer Mittelachsdarstellung, sowie von Oberflächenmodellen für Blutgefäße. Die Genauigkeit des Algorithmus ist erfolgreich demonstriert worden für viele CE-CTA/MRA Datensätze. Basierend darauf wird erwartet, dass der Algorithmus erfolgreich bei der Diagnose, Behandlungsplanung und Folgestudien von vaskulären Strukturen verwendet wird.
  • Ein System, in welchem Ausführungsbeispiel der vorliegenden Erfindung implementiert werden können, wird jetzt beschrieben.
  • Wie in 12 gezeigt, enthält ein System 1200 eine Erfassungsvorrichtung 1205, einen Personal Computer (PC) 1210 und eine Benutzerkonsole 1215, die über ein drahtgebundenes oder drahtloses Netzwerk 1220 verbunden sind. Die Erfassungsvorrichtung 1205 kann eine CT Bildgebungsvorrichtung oder irgendeine andere dreidimensionale (3D) Hochauflösungsbildgebungsvorrichtung sein, wie beispielsweise Magnetresonanz (MR) Scanner oder Ultraschallscanner.
  • Der PC 1210, der ein tragbarer oder Laptopcomputer sein kann, ein medizinisches Diagnosebildgebungssystem oder eine PACS (Picture Archiving Communications System) Datenverwaltungsstation, enthält eine zentrale Verarbeitungseinheit (CPU) 1225 und einen Speicher 1230, die mit einer Eingabevorrichtung 1250 und einer Ausgabevorrichtung 1255 verbunden sind. Die CPU 1225 enthält ein robustes Gefäßbaummodellierungsmodul 1245, das Software enthält zum Ausführen von Verfahren gemäß Ausführungsbeispielen der vorliegenden Erfindung. Obwohl innerhalb der CPU 1225 gezeigt, kann das robuste Gefäßbaummodellierungsmodel 1245 außerhalb der CPU 1225 angeordnet sein.
  • Der Speicher 1230 enthält einen Zufallszugriffspeicher RAM 1235 und einen Nur-Lese-Speicher (ROM) 1240. Der Speicher 1230 kann eine Datenbank, ein Diskettenlaufwerk, ein Bandlaufwerk, etc. oder eine Kombination davon enthalten. Das RAM 1235 dient als Datenspeicher, der Daten speichert, die während der Ausführung eines Programms in der CPU 1225 verwendet werden, und wird als Arbeitsbereich verwendet. Der ROM 1240 dient als Programmspeicher zum Speichern eines Programms, das in der CPU 1225 ausgeführt wird. Die Eingabevorrichtung 1250 ist gebildet als beispielsweise eine Tastatur, eine Maus etc., und die Ausgabevorrichtung 1255 ist beispielsweise eine Flüssigkristallanzeige (LCD), eine Katodenstrahlröhren (CRT)-Anzeige, Drucker, etc.
  • Der Betrieb des Systems 1200 kann durch die Benutzerkonsole 1215 gesteuert werden, die eine Steuerung 1265, beispielsweise eine Tastatur und eine Anzeige 1260 enthält. Die Benutzerkonsole 1215 kommuniziert mit dem PC 1210 und der Erfassungsvorrichtung 1205, so dass Bilddaten, die von der Erfassungsvorrichtung 1205 gesammelt werden, durch den PC 1210 wiedergegeben und auf der Anzeige 1260 betrachtet werden können. Der PC 1210 kann konfiguriert sein, um Information zu bearbeiten und anzuzeigen, die von der Erfassungsvorrichtung 1205 geliefert wird, in Abwesenheit der Benutzerkonsole 1215, indem beispielsweise die Eingabevorrichtung 1250 oder die Ausgabevorrichtung 1255 verwendet werden, um bestimmte Aufgaben durchzuführen, indem die Steuerung 1265 und die Anzeige 1260 verwendet werden.
  • Die Benutzerkonsole 1215 kann ferner irgendein geeignetes Wiedergabesystem und/oder Werkzeug und/oder eine Anwendung sein, die digitale Bilddaten eines erfassten Bilddatensatzes (oder eines Teils davon) verarbeiten kann, um Bilder zu erzeugen und auf der Anzeige 1260 anzuzeigen. Spezieller kann das Bildwiedergabesystem eine Anwendung sein, die ein Wiedergeben und eine Visualisierung von medizinischen Bilddaten bereitstellt, und die auf einem Allzweckcomputer oder einem Spezialzweckcomputer (Workstation) ausgeführt werden kann. Der PC 1210 kann ebenfalls das oben genannte Bildwiedergabesystem und/oder das Werkzeug und/oder die Anwendung sein.
  • Es soll verstanden werden, dass die vorliegende Erfindung in verschiedenen Formen in Hardware, Software, Firmware, Spezialzweckprozessoren oder einer Kombination davon implementiert werden kann. Gemäß einem Ausführungsbeispiel kann die vorliegende Erfindung in Software implementiert werden, als Anwendungsprogramm, das auf einer Programmspeichervorrichtung verkörpert ist (beispielsweise auf einer Diskette, in einem RAM, CDROM, DVD, ROM und Flashshpeicher). Das Anwendungsprogramm kann auf eine Maschine hochgeladen und von dieser ausgeführt werden, die eine geeignete Architektur aufweist.
  • Es soll verstanden werden, dass, da gewisse Systemkomponenten und Verfahrensschritte in den beigefügten Figuren in Software implementiert werden können, die tatsächlichen Verbindungen zwischen den Systemkomponenten (oder Prozessschritten) abweichen können in Abhängigkeit von der Art und Weise, wie die vorliegende Erfindung programmiert ist. Durch die hier gegebenen Lehren der vorliegenden Erfindung ist ein Fachmann auf diesem Gebiet in der Lage diese und ähnliche Implementierungen oder Konfigurationen der vorliegenden Erfindung entsprechend abzuändern und anzupassen.
  • Es soll ferner verstanden werden, dass die obige Beschreibung nur beispielhafte Ausführungsformen darstellt. Um es für den Leser leichter zu machen ist die obige Beschreibung konzentriert worden auf ein repräsentatives Beispiel von möglichen Ausführungsformen, auf ein Beispiel, das die Prinzipien der Erfindung verdeutlicht. Die Beschreibung soll nicht abschließend alle möglichen Abwandlungen wiedergeben.
  • Es soll daher verstanden werden, dass die Erfindung nicht auf die speziell beschriebenen Ausführungsbeispiele beschränkt ist, da verschiedene Permutationen und Kombinationen des Vorangegangenen und Implementierungen möglich sind.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Nicht-Patentliteratur
    • - A. Chung und J. A. Noble; „Statistical 3D vessel segmentation using a Rician distibution"; in MICCAI, Seiten 82–89, 1999 [0003]
    • - K. Siddiqi und A. Vasilevskiy; „3d flux maximizing flows"; in International Workshop an Energy Minimizing Methods in Computer Vision, 2001 [0003]
    • - D. Nain, A. Yezzi und G. Turk; „Vessel segmentation using a shape driven flow"; in MICCAI, 2004 [0003]
    • - B. B. Avants und J. P. Williams; „An adaptive minimal path generation technique for vessel tracking in CTA/CE-MRA Volumenbildern. In "Medical Image Computing and Computer-Assisted Intervention"; MICCAI, Seiten 707–716, 2000 [0004]
    • - T. Deschamps und L. Cohen. „Fast extraction of minimal paths in 3d images and applications to virtual endoscopy"; Medical Image Analysis, 5(4):281-299, 2001 [0004]
    • - T. M. Koller, G. Gerig und G. S. und D. Dettwiler; „Multiscale detection of curvilinear structures in 2-d and 3-d image data", in ICCV, Seiten 846–869, 1995 [0005]
    • - A. F. Frangi, W. J. Niessen; K. L. Vincken und M. A. Viergever, „Multiscale vessel enhancement filtering", in MICCAI, Seiten 82–89, 1989 [0005]
    • - O. Wink, W. J. Niessen und M. A. Viergever, „Multiscale vessel tracking", IEEE Trans. In Medical Imaging, 23(1):130-133, 2004 [0005]
    • - S. Aylward, S. Pizer, E. Bullitt und D. Eberly, „Intensity ridge and widths for 3d object segmentation and description", in IEEE Proc. Workshop MMBIA, Seiten 131–138, 1996 [0005]
    • - S. Aylward und E. B. E. "Initialization, noise, singularities, and scale in height-ridge traversal for tubular objects centerline extraction", TMI, 21(2):61-75, 2002 [0005]
    • - J. A. Tyrell, E. di Tomaso, D. Fuje, R. Tong, K. Kozak, E. B. Brown, R. Jain und B. Roysam, „Robust 3-d modeling of vasculature imagery using superellipsoids", IEEE Transactions in Medical Imaging, 2006 [0005]
    • - H. AAAA, A. Ayvaci und D. Comaniciu, „Multi-scale vessel boundary detection", in Workshop of CVBIA, Seiten 388–398, 2005 [0044]
    • - D. Comaniciu und P. Meer, „Mean shift: A robust approach toward feature space analysis", IEEE Trans. PAMI, 24(5):603-619, 2002 [0044]
    • - S. Aylward und E. B. E. „Initialization, Noise, Singularities and Scale in Height-Ridge Traversal for Tubular Object Centerline Extraction", TMI, 21(2):61-75,2002 [0054]
    • - H. AAAA, A. Ayvaci und D. Comaniciu, „Multi-Scale Vessel Boundary Detection", in Workshop of CVBIA, Seinen 388–398, 2005 [0055]
    • - M. A. Gulsun und H. Tek, „3d Construction of Coronary Arteries", in International Workshop an Computer Vision for Intravascular and Intracardiac Imaging, MICCAI, 2006 [0055]
    • - I. Jermyn und H. Ishikawa, „Globally Optimal Regions and Boundaries as Minimum Ratio Cycles", IEEE Trans. PAMI, 23(10):1075-1088, 2001 [0055]
    • - D. Comaniciu und P. Meer, „Mean Shift: A Robust Approach toward Feature Space Analysis", IEEE Trans. PAMI, 24(5): 603-619, 200 [0055]
    • - H. AAAA, A. Ayvaci und D. Comaniciu, „Multi-Scale Vessel Boundary Detection", in Workshop of CVBIA, Seiten 388–398, 2005 [0055]
    • - M. A. Gulsun und H. Tek, „3D Construction of Coronary Arteries", in International Workshop an Computer Vision for Intravascular and Intracardiac Imaging, MICCAI, 2006 [0056]

Claims (21)

  1. Verfahren zum Berechnen eines Vesselness-Maßes, enthaltend: Initialisieren (1310) einer Mehrzahl von Strahlen von einem Zentrumspunkt eines Gefäßes aus und Sammeln eines Intensitätsprofils des Gefäßes und eines Hintergrunds des Gefäßes entlang jedes Strahls; Modellieren (1320) jedes Intensitätsprofils durch Teilen des Intensitätsprofils in ein erstes, zweites und drittes Intervall, wobei das erste Intervall einen Intensitätswert innerhalb des Gefäßes darstellt, das zweite Intervall einen Intensitätswert außerhalb des Gefäßes darstellt, und das dritte Intervall einen Intensitätswert zwischen einer Grenze des Gefäßes und des Hintergrunds darstellt; für jeden Strahl, Gewinnen (1330) einer Differenz zwischen einem ursprünglich gemessenen Intensitätsprofil des Gefäßes und des Hintergrunds und dem entsprechenden modellierten Intensitätsprofil des ursprünglich gemessenen Intensitätsprofils, wobei die Differenz ein Passmaß des Strahls ist; und Summieren (1340) der Passmaße für jeden Strahl, wobei die Gesamtsumme das Vesselness-Maß ist.
  2. Verfahren nach Anspruch 1, wobei das Vesselness-Maß entlang eines Strahls stark an einem Zentrum des Strahls ist, rapide nahe einer Grenze des Strahls abfällt und in einem nicht Gefäßbereich zwischen dem Strahl und einem anderen Strahl schwach ist.
  3. Verfahren nach Anspruch 1 oder 2, wobei das Gefäß ein Blutgefäß ist.
  4. Verfahren zum Extrahieren einer lokalen Zentrumsachsendarstellung eines Gefäßes, enthaltend Platzieren (1410) eines ersten und eines zweiten Ausgangspunkts in einem Bild, das ein Gefäß enthält, wobei der erste und der zweite Ausgangspunkt in der Nähe eines Beginns und eines Endes einer Mittellinie des Gefäßes sind; Darstellen (1420) des Bildes als diskreten Graph mit Knoten und Ränder, wobei der erste Ausgangspunkt ein Quellenknoten ist und der zweite Ausgangspunkt ein Zielknoten ist; und Finden (1430) eines kostengünstigsten Pfads zwischen dem ersten und dem zweiten Ausgangspunkt durch Berechnen von Kosten von Rändern zwischen dem ersten und dem zweiten Ausgangspunkt, wobei die Kosten jedes Rands reziprok zu dem Vesselness-Maß des Rands sind.
  5. Verfahren nach Anspruch 4, wobei das Vesselness-Maß eines Rands orthogonal zu dem Rand berechnet wird.
  6. Verfahren nach Anspruch 4 oder 5, wobei Fronten sich schnell in Richtung Zentrum des Gefäßes und langsam in Richtung Wände des Gefäßes ausbreiten.
  7. Verfahren nach einem der Ansprüche 4 bis 6, wobei das Gefäß ein Blutgefäß ist.
  8. Verfahren zur Gefäßbaummodellierung, enthaltend Berechnen von kostengünstigen Pfaden von einer einzelnen Quelle, die in einem Gefäß eines Gefäßbaums lokalisiert ist; und Berechnen von Mittellinien des Gefäßbaums durch Verwenden einer akkumulativen Kostenkarte der kostengünstigen Pfade, wobei die Mittellinien der jeweiligen Gefäße in dem Gefäßbaum entsprechen.
  9. Verfahren nach Anspruch 8, wobei das Berechnen der kostengünstigsten Pfade von einer einzelnen Quelle aufweist: Platzieren (1505) eines Ausgangspunkts in einem Bild, das den Gefäßbaum enthält; Darstellen (1510) des Bilds als einen diskreten Graph mit Knoten und Rändern, wobei Kosten jedes Rands von einem Vesselness-Maß des Rands berechnet werden; Starten (1515) einer kostengünstigsten Ausbreitung von dem Ausgangspunkt, indem zuerst akkumulative minimale Kosten an dem Ausgangspunkt auf Null und auf unendlich an jedem anderen Punkt in dem Graph gesetzt werden; Darstellen (1520) von diskreten Fronten, die sich ausbreiten, durch Minimieren eines akkumulierten Vesselness-Maßes, wobei die diskreten Fronten Pixel sind, die bereits untersuchte Pixel von Pixeln trennen, die noch nicht untersucht worden sind; Berechnen (1525) der kostengünstigste Ausbreitung von der Quelle für eine erste Anzahl von Iterationen durch Berechnen von akkumulativen minimalen Kosten und Setzen von Stoppunkten der diskreten Fronten als neue Quellen; und erneutes Berechnen (1535) von akkumulativen minimalen Kosten für jede neue Quelle durch Ausbreiten von Fronten von den neuen Quellen gemäß einer zweiten Anzahl von Iterationen, wobei wenn die neu berechneten akkumulativen minimalen Kosten unterhalb eines ersten Schwellenwerts sind, die kostengünstigste Ausbreitung gestoppt wird, und Pixel, die den diskreten Fronten entsprechen, die gestoppt worden sind, als Senken dargestellt werden.
  10. Verfahren nach Anspruch 9, wobei die erste Anzahl an Iterationen größer als die zweite Anzahl an Iterationen ist.
  11. Verfahren nach Anspruch 10, wobei das Berechnen der Mittellinien des Gefäßbaums durch Verwenden einer akkumulativen Kostenkarte von kostengünstigsten Pfaden aufweist: Berechnen (1540) einer Distanz von dem ursprünglich platzierten Ausgangspunkt zu den Senken; Ordnen (1545) der Senken basierend auf ihren entsprechenden berechneten Abständen; Auswählen (1500) eines Pixels, der die größte Distanz aufweist, und Zurückverfolgen bis der ursprünglich platzierte Ausgangspunkt erreicht ist oder bis ein vorher detektierter Pfad erreicht wird, um den Mittellinienpfad zu detektieren; Berechnen (1555) einer Distanz der detektierten Mittellinie und Zuordnen der detektierten Mittellinie zu ihrer entsprechenden Senke; Bestimmen (1560) eines Radius entlang der detektierten Mittellinie, die zu einem maximalen Vesselness-Maß entlang der detektierten Mittellinie gehört; Setzen (1565) einer Herausragung des ausgewählten Pixels durch Teilen der Distanz der Mittellinie durch den Radius; Entfernen (1570) des ausgewählten Pixels von der geordneten Liste; und wenn die geordnete Liste leer ist, Auswählen (1575) von Pixeln, deren Herausragung größer als ein zweiter Schwellenwert ist, wobei die Mittellinien zwischen den ausgewählten Pixeln und dem ursprünglich platzierten Ausgangspunkt jeweiligen Gefäßen in dem Gefäßbaum entsprechen.
  12. Verfahren nach einem der Ansprüche 8 bis 11, wobei das Gefäß ein Blutgefäß ist.
  13. System zum Berechnen eines Vesselness-Maßes, enthaltend: eine Speichervorrichtung (1230) zum Speichern eines Programms; einen Prozessor (1225), der mit der Speichervorrichtung (1230) in Verbindung steht, wobei der Prozessor mit dem Programm betreibbar ist zum: Initialisieren einer Mehrzahl von Strahlen von einem Zentrumspunkt eines Gefäßes aus und Sammeln eines Intensitätsprofils des Gefäßes und eines Hintergrunds des Gefäßes entlang jedes Strahls; Modellieren jedes Intensitätsprofils durch Teilen des Intensitätsprofils in ein erstes, zweites und drittes Intervall, wobei das erste Intervall einen Intensitätswert innerhalb des Gefäßes darstellt, das zweite Intervall einen Intensitätswert außerhalb des Gefäßes darstellt, und das dritte Intervall einen Intensitätswert zwischen einer Grenze des Gefäßes und dem Hintergrund darstellt; für jeden Strahl, Gewinnen einer Differenz zwischen einem ursprünglich gemessenen Intensitätsprofil des Gefäßes und des Hintergrunds und dem entsprechenden modellierten Intensitätsprofil des ursprünglich gemessenen Intensitätsprofils, wobei die Differenz ein Passmaß des Strahls ist; und Summieren der Passmaße für jeden Strahl, wobei die Gesamtsumme das Vesselness-Maß ist.
  14. System nach Anspruch 13, wobei das Vesselness-Maß entlang eines Strahls in der Nähe eines Zentrums des Strahls stark ist, rapide an einer Grenze des Strahls abfällt und in einem Nicht-Gefäßbereich zwischen dem Strahl und einem anderen Strahl schwach ist.
  15. System zum Extrahieren einer lokalen Zentrumsachsendarstellung eines Gefäßes, enthaltend: eine Speichervorrichtung (1230) zum Speichern eines Programms; einen Prozessor (1225), der in Verbindung steht mit der Speichervorrichtung (1230), wobei der Prozessor mit dem Programm arbeitet zum: Platzieren eines ersten und zweiten Ausgangspunkts in einem Bild, das ein Gefäß enthält, wobei der erste und der zweite Ausgangspunkt in der Nähe eines Anfangs und eines Endes einer Mittellinie des Gefäßes platziert sind; Darstellen des Bilds als einen diskreten Graph mit Knoten und Rändern, wobei der erste Ausgangspunkt ein Quellenknoten und der zweite Ausgangspunkt ein Zielknoten ist; und Finden eines kostengünstigsten Pfads zwischen dem ersten und dem zweiten Ausgangspunkt durch Berechnen von Kosten von Rändern zwischen dem ersten und dem zweiten Ausgangspunkt, wobei die Kosten jedes Rands reziprok zu einem Vesselness-Maß des Rands sind.
  16. System nach Anspruch 15, wobei das Vesselness-Maß eines Rands senkrecht zu dem Rand berechnet wird.
  17. System nach Anspruch 15 oder 16, wobei Fronten sich schnell in Richtung Zentrum des Gefäßes und langsam in Richtung Wände des Gefäßes ausbreiten.
  18. System für ein Gefäßbaummodellieren, mit: einer Speichervorrichtung (1230) zum Speichern eines Programms; einem Prozessor (1225), der mit der Speichervorrichtung (1230) in Verbindung ist, wobei der Prozessor mit dem Programm arbeitet zum: Berechnen von kostengünstigsten Pfaden von einer einzelnen Quelle, die in einem Gefäß eines Gefäßbaums lokalisiert ist; und Berechnen von Mittellinien des Gefäßbaums, indem eine akkumulative Kostenkarte von kostengünstigsten Pfaden verwendet wird, wobei die Mittellinien den jeweiligen Gefäßen in dem Gefäßbaum entsprechen.
  19. System nach Anspruch 18, wobei der Prozessor ferner mit dem Programm betreibbar ist, wenn die kostengünstigsten Pfade von einer einzelnen Quelle berechnet werden, zum: Platzieren eines Ausgangspunkts in einem Bild, das den Gefäßbaum enthält; Darstellen des Bilds als diskreten Graph mit Knoten und Rändern, wobei Kosten jedes Rands berechnet werden aus einem Vesselness-Maß des Rands; Starten einer kostengünstigsten Ausbreitung von dem Ausgangspunkt, indem zuerst akkumulative minimale Kosten an dem Ausgangspunkt auf Null und an allen anderen Punkten in dem Graph auf Unendlich gesetzt werden; Darstellen von diskreten Fronten, die sich ausbreiten, indem ein akkumuliertes Vesselness-Maß minimiert wird, wobei die diskreten Fronten Pixel sind, die bereits untersuchte Pixel von Pixeln trennt, die noch nicht untersucht worden sind; Berechnen der Minimumkostenausbreitung von der Quelle für eine erste Anzahl von Iterationen, indem akkumulative minimale Kosten berechnet werden, und Setzen von Stoppunkten der diskreten Fronten als neue Quellen; und erneutes Berechnen der akkumulativen minimalen Kosten für jede neue Quelle, indem die Fronten von den neuen Quellen gemäß einer zweiten Anzahl von Iterationen ausgebreitet werden, wobei, wenn die neu berechneten akkumulativen minimalen Kosten unter einem ersten Schwellenwert sind, die kostengünstigste Ausbreitung gestoppt wird, und Pixel, die den diskreten Fronten, die gestoppt worden sind, entsprechen, als Senken dargestellt werden.
  20. System nach Anspruch 19, wobei die erste Anzahl an Iterationen größer als die zweite Anzahl an Iterationen ist.
  21. System nach Anspruch 19 oder 20, wobei der Prozessor ferner betreibbar ist mit dem Programm, wenn die Mittellinien des Gefäßbaums berechnet werden durch Verwenden einer akkumulativen Kostenkarte von kostengünstigsten Pfaden, zum: Berechnen einer Distanz von dem ursprünglich platzierten Ausgangspunkt zu den Senken; Ordnen der Senken basierend auf ihren entsprechenden berechneten Distanzen; Auswählen eines Pixels, das die größte Distanz aufweist, Zurückverfolgen bis der ursprünglich platzierte Ausgangspunkt erreicht ist oder bis ein vorher detektierter Pfad erreicht ist, um einen Mittellinienpfad zu detektieren; Berechnen einer Distanz der detektierten Mittellinie und Zuordnen der detektierten Mittellinie zu ihrer entsprechenden Senke; Bestimmen eines Radius entlang der detektierten Mittellinie, die einem maximalem Vesselness-Maß entlang der detektierten Mittellinie entspricht; Setzen einer Herausragung des ausgewählten Pixels durch Teilen des Abstands der Mittellinie durch den Radius; Entfernen der ausgewählten Pixel von der geordneten Liste; und wenn die geordnete Liste leer ist, Auswählen von Pixeln, deren Herausragung größer als ein zweiter Schwellenwert ist, wobei die Mittellinien zwischen den ausgewählten Pixeln und dem ursprünglich platzierten Ausgangspunkt den jeweiligen Gefäßen in dem Gefäßbaum entsprechen.
DE102008007231A 2007-02-06 2008-02-01 Verfahren und System zum Berechnen eines Vesselness-Maßes und Gefäßbaummodellierung mittels dieses Vesselness-Maßes Expired - Fee Related DE102008007231B4 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US88833207P 2007-02-06 2007-02-06
US60/888,332 2007-02-06
US11/838,279 2007-08-14
US11/838,279 US7953266B2 (en) 2007-02-06 2007-08-14 Robust vessel tree modeling

Publications (2)

Publication Number Publication Date
DE102008007231A1 true DE102008007231A1 (de) 2008-08-14
DE102008007231B4 DE102008007231B4 (de) 2011-01-05

Family

ID=39597777

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102008007231A Expired - Fee Related DE102008007231B4 (de) 2007-02-06 2008-02-01 Verfahren und System zum Berechnen eines Vesselness-Maßes und Gefäßbaummodellierung mittels dieses Vesselness-Maßes

Country Status (2)

Country Link
US (1) US7953266B2 (de)
DE (1) DE102008007231B4 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202017002625U1 (de) 2017-05-16 2017-05-29 Ziehm Imaging Gmbh Röntgensystem mit einem Kegelstrahl-C-Bogen-Röntgengerät zum Erzeugen eines in der Zentralschicht vollständigen 3D-Datensatzes zur Volumenrekonstruktion
DE102017004705A1 (de) 2017-05-16 2018-11-22 Ziehm Imaging Gmbh Verfahren zum Erzeugen eines in der Zentralschicht vollständigen 3D-Datensatzes zur Volumenrekonstruktion und Röntgensystem mit einem Kegelstrahl-C-Bogen-Röntgengerät zur Durchführung des Verfahrens

Families Citing this family (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070249912A1 (en) * 2006-04-21 2007-10-25 Siemens Corporate Research, Inc. Method for artery-vein image separation in blood pool contrast agents
US20100201786A1 (en) * 2006-05-11 2010-08-12 Koninklijke Philips Electronics N.V. Method and apparatus for reconstructing an image
DE102009006416B3 (de) * 2009-01-28 2010-08-26 Siemens Aktiengesellschaft Verfahren und Verzweigungs-Ermittlungseinrichtung zur Ermittlung einer Verzweigungsstelle sowie einer Mittellinie innerhalb eines Hohlorgans nebst zugehörigem Computerprogramm
DE102009006414B3 (de) * 2009-01-28 2010-09-09 Siemens Aktiengesellschaft Verfahren und Mittellinien-Ermittlungseinrichtung sowie Bildbearbeitungseinrichtung und Computerprogramm zur Ermittlung einer Mittellinie eines Abschnitts eines Hohlorgans
US9679389B2 (en) * 2009-05-19 2017-06-13 Algotec Systems Ltd. Method and system for blood vessel segmentation and classification
US10217238B2 (en) * 2009-05-20 2019-02-26 Algotec Systems Ltd. Soft tissue segmentation using a bone atlas
US20110052028A1 (en) * 2009-08-26 2011-03-03 Algotec Systems Ltd. Method and system of liver segmentation
US8934686B2 (en) * 2009-11-26 2015-01-13 Algotec Systems Ltd. User interface for selecting paths in an image
WO2011069120A1 (en) * 2009-12-03 2011-06-09 Cedars-Sinai Medical Center Method and system for plaque characterization
JP5839822B2 (ja) * 2010-05-17 2016-01-06 株式会社東芝 画像処理装置及びｘ線ｃｔ装置
MY152058A (en) * 2010-06-21 2014-08-15 Univ Putra Malaysia A method of constructing at least one 3 dimensional image
US9119540B2 (en) 2010-09-16 2015-09-01 Siemens Aktiengesellschaft Method and system for non-invasive assessment of coronary artery disease
CN102129686B (zh) * 2011-03-24 2013-02-20 西北工业大学 一种基于体素级轮廓粗定位的亚体素表面检测方法
US8761474B2 (en) * 2011-07-25 2014-06-24 Siemens Aktiengesellschaft Method for vascular flow pattern analysis
US10162932B2 (en) 2011-11-10 2018-12-25 Siemens Healthcare Gmbh Method and system for multi-scale anatomical and functional modeling of coronary circulation
CN102521873B (zh) * 2011-11-22 2014-03-05 中国科学院深圳先进技术研究院 血管的建模方法
US8983809B2 (en) 2011-12-06 2015-03-17 Siemens Aktiengesellschaft Method and system for patient-specific hemodynamic assessment of virtual stent implantation
US9129417B2 (en) * 2012-02-21 2015-09-08 Siemens Aktiengesellschaft Method and system for coronary artery centerline extraction
US10373700B2 (en) 2012-03-13 2019-08-06 Siemens Healthcare Gmbh Non-invasive functional assessment of coronary artery stenosis including simulation of hyperemia by changing resting microvascular resistance
US9135699B2 (en) 2012-03-15 2015-09-15 Siemens Aktiengesellschaft Method and system for hemodynamic assessment of aortic coarctation from medical image data
WO2013166592A1 (en) 2012-05-09 2013-11-14 Laboratoires Bodycad Inc. Segmentation of magnetic resonance imaging data
JP6228202B2 (ja) * 2012-08-13 2017-11-08 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 管状構造追跡
CN103871043B (zh) * 2012-12-12 2015-03-18 上海联影医疗科技有限公司 一种血管提取方法
US10052031B2 (en) 2013-03-04 2018-08-21 Siemens Healthcare Gmbh Determining functional severity of stenosis
US9495756B2 (en) * 2013-04-09 2016-11-15 Laboratoires Bodycad Inc. Multi-scale active contour segmentation
CA2908716C (en) 2013-04-09 2021-03-16 Laboratoires Bodycad Inc. Concurrent active contour segmentation
JP6201255B2 (ja) * 2013-04-11 2017-09-27 ザイオソフト株式会社 医用画像処理システムおよび医用画像処理プログラム
US9629563B2 (en) 2013-09-04 2017-04-25 Siemens Healthcare Gmbh Method and system for functional assessment of renal artery stenosis from medical images
WO2015048178A2 (en) 2013-09-25 2015-04-02 Heartflow, Inc. Systems and methods for visualizing elongated structures and detecting branches therein
US9700219B2 (en) 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
US20150201907A1 (en) * 2014-01-21 2015-07-23 Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence Computer aided diagnosis for detecting abdominal bleeding with 3d ultrasound imaging
EP3140757B1 (de) 2014-05-05 2020-06-24 Siemens Healthcare GmbH Verfahren und system zur nichtinvasiven funktionellen beurteilung von koronararterienstenose anhand von strömungsberechnungen bei modellen basierend auf erkrankten patienten und hypothetisch normalen anatomischen modellen
US9595089B2 (en) 2014-05-09 2017-03-14 Siemens Healthcare Gmbh Method and system for non-invasive computation of hemodynamic indices for coronary artery stenosis
US9747525B2 (en) 2014-06-16 2017-08-29 Siemens Healthcare Gmbh Method and system for improved hemodynamic computation in coronary arteries
US10130266B2 (en) 2014-06-30 2018-11-20 Siemens Healthcare Gmbh Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis
US9888968B2 (en) 2014-07-22 2018-02-13 Siemens Healthcare Gmbh Method and system for automated therapy planning for arterial stenosis
US10152651B2 (en) * 2014-10-31 2018-12-11 Toshiba Medical Systems Corporation Medical image processing apparatus and medical image processing method
US10872698B2 (en) 2015-07-27 2020-12-22 Siemens Healthcare Gmbh Method and system for enhancing medical image-based blood flow computations using physiological measurements
JP6745875B2 (ja) * 2015-09-29 2020-08-26 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 圧力又は流量測定及び血管造影法からの流量、抵抗又は圧力の推定
DE102015220768A1 (de) 2015-10-23 2017-04-27 Siemens Healthcare Gmbh Verfahren, Vorrichtung und Computerprogramm zur visuellen Unterstützung eines Behandlers bei der Behandlung eines Zielgebietes eines Patienten
KR101697880B1 (ko) * 2015-12-29 2017-01-19 서울대학교산학협력단 적응적 임계값 영상분할을 이용한 ct 영상 동맥경화반 용적 측정방법 및 장치
US10210612B2 (en) * 2016-03-10 2019-02-19 Siemens Healthcare Gmbh Method and system for machine learning based estimation of anisotropic vessel orientation tensor
US10206646B2 (en) * 2016-03-10 2019-02-19 Siemens Healthcare Gmbh Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields
US10115039B2 (en) 2016-03-10 2018-10-30 Siemens Healthcare Gmbh Method and system for machine learning based classification of vascular branches
US10971271B2 (en) 2016-04-12 2021-04-06 Siemens Healthcare Gmbh Method and system for personalized blood flow modeling based on wearable sensor networks
EP3461253B1 (de) * 2016-05-16 2023-08-09 Cathworks Ltd. Auswahl von blutgefässpfaden aus bildern
US9767557B1 (en) 2016-06-23 2017-09-19 Siemens Healthcare Gmbh Method and system for vascular disease detection using recurrent neural networks
WO2018001099A1 (zh) 2016-06-30 2018-01-04 上海联影医疗科技有限公司 一种血管提取方法与系统
IL298488B1 (en) * 2016-09-23 2024-04-01 Curemetrix Inc Mapping breast artery calcification and prediction of heart disease
CN106875375B (zh) * 2016-12-28 2019-07-30 浙江工业大学 一种基于管状特征跟踪的三维血管中轴线提取方法
CN110546684B (zh) * 2017-04-05 2022-09-02 西门子医疗有限公司 时变数据的定量评估
WO2019025270A1 (en) 2017-08-01 2019-02-07 Siemens Healthcare Gmbh NON-INVASIVE EVALUATION AND THERAPY GUIDANCE FOR CORONAROPATHY IN DIFFUSE AND TANDEM INJURIES
CN110998744B (zh) 2017-08-01 2024-04-05 西门子医疗有限公司 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导
US10762637B2 (en) 2017-10-27 2020-09-01 Siemens Healthcare Gmbh Vascular segmentation using fully convolutional and recurrent neural networks
US10258304B1 (en) 2017-11-29 2019-04-16 Siemens Healthcare Gmbh Method and system for accurate boundary delineation of tubular structures in medical images using infinitely recurrent neural networks
US11871995B2 (en) 2017-12-18 2024-01-16 Hemolens Diagnostics Sp. Z O.O. Patient-specific modeling of hemodynamic parameters in coronary arteries
US11389130B2 (en) 2018-05-02 2022-07-19 Siemens Healthcare Gmbh System and methods for fast computation of computed tomography based fractional flow reserve
EP3564963A1 (de) 2018-05-02 2019-11-06 Siemens Healthcare GmbH System und verfahren zur schnellen berechnung der auf computertomografie basierenden fraktionierten strömungsreserve
RS64846B1 (sr) 2019-01-11 2023-12-29 Hemolens Diagnostics Spolka Z Ograniczona Odpowiedzialnoscia Modelovanje hemodinamskih parametara u koronarnim arterijama specifično za pacijenta
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
CN113034425B (zh) * 2019-12-25 2024-05-28 阿里巴巴集团控股有限公司 数据处理方法、设备及存储介质
US11969280B2 (en) 2020-01-07 2024-04-30 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
WO2021141921A1 (en) 2020-01-07 2021-07-15 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US20220392065A1 (en) 2020-01-07 2022-12-08 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US20230289963A1 (en) 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2708166A1 (fr) * 1993-07-22 1995-01-27 Philips Laboratoire Electroniq Procédé de traitement d'images numérisées pour la détection automatique de sténoses.
EP0668570B1 (de) * 1994-02-16 2001-09-26 Koninklijke Philips Electronics N.V. Bildverarbeitungsverfahren zur örtlichen Bestimmung des Zentrums und der Objekte, die sich gegen einen Hintergrund abheben, und Vorrichtung zur Durchführung des Verfahrens
DE69724906T2 (de) * 1996-10-16 2004-07-22 Koninklijke Philips Electronics N.V. Numerisches Bildverarbeitungsverfahren zur automatischen Extraktion bandförmiger Objekte
US5935076A (en) * 1997-02-10 1999-08-10 University Of Alabama In Huntsville Method and apparatus for accurately measuring the transmittance of blood within a retinal vessel
CA2405772A1 (en) * 2000-04-07 2001-10-18 Daniel Fritsch Systems and methods for tubular object processing
US6947040B2 (en) 2001-10-23 2005-09-20 Siemens Corporate Research, Inc. Vessel detection by mean shift based ray propagation
US7983446B2 (en) * 2003-07-18 2011-07-19 Lockheed Martin Corporation Method and apparatus for automatic object identification
GB2414357A (en) * 2004-05-18 2005-11-23 Medicsight Plc Nodule boundary detection
US7627173B2 (en) * 2004-08-02 2009-12-01 Siemens Medical Solutions Usa, Inc. GGN segmentation in pulmonary images for accuracy and consistency
US7773787B2 (en) 2005-04-19 2010-08-10 Siemens Medical Solutions Usa, Inc. Method and apparatus for detecting blood vessel boundaries using multi-scale mean-shift ray propagation

Non-Patent Citations (18)

* Cited by examiner, † Cited by third party
Title
A. Chung und J. A. Noble; "Statistical 3D vessel segmentation using a Rician distibution"; in MICCAI, Seiten 82-89, 1999
A. F. Frangi, W. J. Niessen; K. L. Vincken und M. A. Viergever, "Multiscale vessel enhancement filtering", in MICCAI, Seiten 82-89, 1989
B. B. Avants und J. P. Williams; "An adaptive minimal path generation technique for vessel tracking in CTA/CE-MRA Volumenbildern. In "Medical Image Computing and Computer-Assisted Intervention"; MICCAI, Seiten 707-716, 2000
D. Comaniciu und P. Meer, "Mean Shift: A Robust Approach toward Feature Space Analysis", IEEE Trans. PAMI, 24(5): 603-619, 200
D. Comaniciu und P. Meer, "Mean shift: A robust approach toward feature space analysis", IEEE Trans. PAMI, 24(5):603-619, 2002
D. Nain, A. Yezzi und G. Turk; "Vessel segmentation using a shape driven flow"; in MICCAI, 2004
H. AAAA, A. Ayvaci und D. Comaniciu, "Multi-Scale Vessel Boundary Detection", in Workshop of CVBIA, Seinen 388-398, 2005
H. AAAA, A. Ayvaci und D. Comaniciu, "Multi-scale vessel boundary detection", in Workshop of CVBIA, Seiten 388-398, 2005
I. Jermyn und H. Ishikawa, "Globally Optimal Regions and Boundaries as Minimum Ratio Cycles", IEEE Trans. PA<?page 10?>MI, 23(10):1075-1088, 2001
J. A. Tyrell, E. di Tomaso, D. Fuje, R. Tong, K. Kozak, E. B. Brown, R. Jain und B. Roysam, "Robust 3-d modeling of vasculature imagery using superellipsoids", IEEE Transactions in Medical Imaging, 2006
K. Siddiqi und A. Vasilevskiy; "3d flux maximizing flows"; in International Workshop an Energy Minimizing Methods in Computer Vision, 2001
M. A. Gulsun und H. Tek, "3d Construction of Coronary Arteries", in International Workshop an Computer Vision for Intravascular and Intracardiac Imaging, MICCAI, 2006
O. Wink, W. J. Niessen und M. A. Viergever, "Multiscale vessel tracking", IEEE Trans. In Medical Imaging, 23(1):130-133, 2004
S. Aylward und E. B. E. "Initialization, Noise, Singularities and Scale in Height-Ridge Traversal for Tubular Object Centerline Extraction", TMI, 21(2):61-75,2002
S. Aylward und E. B. E. "Initialization, noise, singularities, and scale in height-ridge traversal for tubular objects centerline extraction", TMI, 21(2):61-75, 2002
S. Aylward, S. Pizer, E. Bullitt und D. Eberly, "Intensity ridge and widths for 3d object segmentation and description", in IEEE Proc. Workshop MMBIA, Seiten 131-138, 1996
T. Deschamps und L. Cohen. "Fast extraction of minimal paths in 3d images and applications to virtual endoscopy"; Medical Image Analysis, 5(4):281-299, 2001
T. M. Koller, G. Gerig und G. S. und D. Dettwiler; "Multiscale detection of curvilinear structures in 2-d and 3-d image data", in ICCV, Seiten 846-869, 1995

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202017002625U1 (de) 2017-05-16 2017-05-29 Ziehm Imaging Gmbh Röntgensystem mit einem Kegelstrahl-C-Bogen-Röntgengerät zum Erzeugen eines in der Zentralschicht vollständigen 3D-Datensatzes zur Volumenrekonstruktion
DE102017004705A1 (de) 2017-05-16 2018-11-22 Ziehm Imaging Gmbh Verfahren zum Erzeugen eines in der Zentralschicht vollständigen 3D-Datensatzes zur Volumenrekonstruktion und Röntgensystem mit einem Kegelstrahl-C-Bogen-Röntgengerät zur Durchführung des Verfahrens

Also Published As

Publication number Publication date
US20080187199A1 (en) 2008-08-07
DE102008007231B4 (de) 2011-01-05
US7953266B2 (en) 2011-05-31

Similar Documents

Publication Publication Date Title
DE102008007231B4 (de) Verfahren und System zum Berechnen eines Vesselness-Maßes und Gefäßbaummodellierung mittels dieses Vesselness-Maßes
DE102008046859B4 (de) 3D Segmentierung von allgemeiner Läsion in CT
DE102007018763B4 (de) Verfahren zur Arterien-Venen-Bildseparation in Blutpoolkontrastmitteln
US9262827B2 (en) Lung, lobe, and fissure imaging systems and methods
Cheng et al. Accurate vessel segmentation with constrained B-snake
DE102005036875B4 (de) System und Verfahren zur 3-D Visualisierung eines Lungenpaars und der Lungenperfusion oder -dichte
DE102008023283B4 (de) Verfahren und System zur Segmentierung von schlauchförmigen Strukturen in 3D-Bildern
DE102006034358A1 (de) System und Verfahren zur Segmentierung der Koronararterie von Herz-CT-Volumen
DE69917829T2 (de) Bildverarbeitungsverfahren mit multidimensionalen Bildsegmentationsstufen und medizinische Vorrichtung die diese verwendet
DE102004043694B4 (de) Verfahren zur Segmentierung anatomischer Strukturen aus 3D-Bilddaten unter Nutzung topologischer Information
DE102007018077A1 (de) Dreidimensionales (3D) Modellieren von Koronararterien
DE60319288T2 (de) Verfahren und vorrichtung zum identifizieren von pathologien in gehirnbildern
DE112005001755T5 (de) System und Verfahren zur Baummodell-Visualisierung zur Erkennung von Lungenembolie
DE10249320A1 (de) Gefäss-Detektion durch Strahlausbreitung auf der Grundlage der mittleren Abweichung
DE102006017113A1 (de) Verfahren und Vorrichtung zum Detektieren von Gefäßgrenzen
DE10296836T5 (de) System zur Modellierung statischer und dynamischer dreidimensioner anatomischer Strukturen durch 3D-Modelle
DE102004030084B4 (de) Computerimplementiertes Verfahren zur Segmentation von Lungenknoten
DE102008032432A1 (de) Koregistrierung und Analyse von multi-modalen, in unterschiedlichen Geometrien erhaltenen Bildern
DE102005040438A1 (de) Verfahren und Vorrichtung zur Embolieanalyse
DE102009006636A1 (de) Verfahren zur Ermittlung einer 2D-Kontur einer in 3D-Bilddaten abgebildeten Gefäßstruktur
DE102005010578A1 (de) Lokale Watershed-Operatoren für die Bildsegmentierung
DE102008002912A1 (de) Vorrichtung und Verfahren zur Identifizierung von Okklusionen
DE112005001741T5 (de) System und Verfahren zur Baumprojektion zur Erkennung von Lungenembolie
Szymczak et al. Coronary vessel trees from 3d imagery: a topological approach
DE102005047329A1 (de) Bereichskonkurrenz-Segmentierungsverfahren mittels lokaler Wasserscheiden-Operatoren

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
R020 Patent grant now final

Effective date: 20110405

R081 Change of applicant/patentee

Owner name: SIEMENS HEALTHCARE GMBH, DE

Free format text: FORMER OWNER: SIEMENS MEDICAL SOLUTIONS USA, INC., MALVERN, PA., US

R082 Change of representative
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee