DE112004001463T5 - Verfahren und System zur Verwendung von Strukturtensoren zum Erkennen von Lungenknoten und Dickdarmpolypen - Google Patents

Verfahren und System zur Verwendung von Strukturtensoren zum Erkennen von Lungenknoten und Dickdarmpolypen Download PDF

Info

Publication number
DE112004001463T5
DE112004001463T5 DE112004001463T DE112004001463T DE112004001463T5 DE 112004001463 T5 DE112004001463 T5 DE 112004001463T5 DE 112004001463 T DE112004001463 T DE 112004001463T DE 112004001463 T DE112004001463 T DE 112004001463T DE 112004001463 T5 DE112004001463 T5 DE 112004001463T5
Authority
DE
Germany
Prior art keywords
image
tensor
texture
point
eigenvalues
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.)
Ceased
Application number
DE112004001463T
Other languages
English (en)
Inventor
Pascal Cathier
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 Medical Solutions USA Inc
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 DE112004001463T5 publication Critical patent/DE112004001463T5/de
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30028—Colon; Small intestine
    • 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
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)

Abstract

Verfahren zum Identifizieren kugelförmiger Objekte in einem digitalen Bild, wobei das besagte Bild eine Vielzahl von 3D-Oberflächenpunkten umfasst, wobei das besagte Verfahren die folgenden Schritte umfasst:
Berechnen, an jedem Punkt in einem Bereich des Bildes, eines Gradienten des Bildes;
Berechnen eines elementaren Strukturtensors an jedem Punkt in dem Bereich des Bildes;
Bestimmen eines Strukturtensors für jeden Punkt in dem Bereich des Bildes;
Ermitteln der Eigenwerte der Strukturtensoren; und
Analysieren der besagten Eigenwerte, um die Spherizität einer Struktur in dem besagten Bild zu bestimmen.

Description

  • Die vorliegende Patentanmeldung beansprucht Priorität gegenüber "Use of structure tensor for lung nodule and colon polyp detection", vorläufige US-Patentanmeldung Nr. 60/494,647 von Pascal Cathier, die am 13. August 2003 eingereicht wurde und deren Inhalt in die vorliegende Patentanmeldung durch Querverweis einbezogen wird.
  • Hintergrund der Erfindung
  • Die diagnostisch anspruchsvollen Informationen, die aus Daten erhältlich sind, welche von gegenwärtigen Abbildungssystemen gewonnen wurden, ermöglichen die Erkennung potentieller Probleme in früheren und besser behandelbaren Stadien. In Anbetracht der umfangreichen Menge an detaillierten Daten, die von Abbildungssystemen gewonnen werden können, müssen verschiedene Algorithmen entwickelt werden, um Bilddaten effizient und genau zu verarbeiten. Mit Hilfe von Computern werden Fortschritte bei der Bildverarbeitung im Allgemeinen an digitalen oder digitalisierten Bildern erzielt.
  • Zu den digitalen Erfassungssystemen zum Erzeugen digitaler Bilder gehören digitale Röntgenradiographie, Computertomographie- ("CT"-) Bildgebung, Magnetresonanztomographie- ("MRT"-) oder Kernspintomographie-Bildgebung, Ultraschall- ("US"-) und nuklearmedizinische Abbildungsverfahren, wie etwa Positronemissionstomographie ("PET") und Single-Photon-Emissionscomputertomographie ("SPECT"). Digitale Bilder können auch aus analogen Bildern erzeugt werden, zum Beispiel durch Scannen analoger Bilder wie etwa typischer Röntgenaufnahmen zu einer digitalisierten Form. Für einen Menschen wie etwa einen Arzt ist es jedoch im Allgemeinen schwierig und mühsam, die große Datenmenge in digitalen Bildern ohne zusätzliche Hilfsmittel zu interpretieren. Systeme der computergestützten Diagnose (Computer-aided diagnosis, "CAD") spielen eine entscheidende Rolle bei der Unterstützung des Menschen, insbesondere bei der Visualisierung, Segmentierung, Erkennung, Registrierung und Auswertung medizinischer Pathologien.
  • Digitale Bilder werden aus einem Array von numerischen Werten erzeugt, die eine Eigenschaft repräsentieren (wie etwa eine Grauskala oder eine Stärke eines Magnetfeldes), welche mit einem anatomischen Positionspunkt verknüpfbar sind, der durch eine bestimmte Position im Array bezeichnet wird. Die Menge der anatomischen Positionspunkte umfasst den Bereich des Bildes. In zweidimensionalen digitalen Bildern oder Scheibenschnitten werden die diskreten Array-Positionen als Pixel bezeichnet. Dreidimensionale digitale Bilder können aus gestapelten Scheibenschnitten durch verschiedene in der Technik bekannte Konstruktionsverfahren hergestellt werden. Die 3D-Bilder bestehen aus diskreten Volumenelementen, die auch als Voxel bezeichnet werden und aus Pixeln aus den 2D-Bildern zusammengesetzt sind. Die Eigenschaften der Pixel oder Voxel können verarbeitet werden, um verschiedene Eigenschaften hinsichtlich der Anatomie eines Patienten zu ermitteln, zu dem diese Pixel oder Voxel gehören.
  • Nachdem anatomische Regionen und Strukturen konstruiert und durch Analysieren von Pixeln und/oder Voxeln ausgewertet worden sind, kann eine nachfolgende Verarbeitung und Analyse mit Auswertung regionaler charakteristischer Eigenschaften und Merkmale auf relevante Bereiche angewendet werden, um somit sowohl die Genauigkeit als auch die Effizienz des Abbildungssystems zu verbessern.
  • Eine der kritischeren CAD-Aufgaben beinhaltet das Screening und die Früherkennung verschiedener Arten von Krebs aus Volumendaten (z.B. CT-Volumendaten). Zum Beispiel ist Lungenkrebs die häufigste Todesursache unter allen Krebsarten in den USA und weltweit. Ein Patient, bei dem Lungenkrebs diagnostiziert wurde, hat durchschnittlich eine Fünf-Jahre-Überlebensrate von nur 14 %. Andererseits, wenn Lungenkrebs im Stadium I diagnostiziert wurde, erhöht sich die erwartete Fünf-Jahre-Überlebensrate des Patienten drastisch auf einen Wert zwischen 60 und 70 Prozent. Bei anderen Krebsarten wie Dickdarmkrebs war ebenfalls eine Abnahme der Mortalität als Ergebnis von Früherkennung und Entfernung von Krebstumoren zu verzeichnen. Die Pathologien haben normalerweise eine kugelförmige oder halbkugelförmige geometrische Gestalt. In vielen Fällen hängen diese kugelförmigen Pathologien an linearen oder stückweise linearen Flächen. Leider erkennen die existierenden Verfahren charakteristische Symptome verschiedener Krebsarten im Allgemeinen nicht vor den fortgeschrittenen Stadien der Krankheit. Daher besteht ein primäres Ziel bei der Weiterentwicklung des präventiven Krebs-Screenings darin, für eine frühere Erkennung der charakteristischen Symptome zu sorgen.
  • Zusammenfassung der Erfindung
  • Gemäss einem Aspekt der Erfindung wird ein Verfahren zum Identifizieren kugelförmiger Objekte in einem digitalen Bild bereitgestellt. Das Bild umfasst eine Vielzahl von 3D-Oberflächenpunkten. Das Verfahren umfasst das Berechnen, an jedem Punkt in einem Bereich des Bildes, eines Gradienten des Bildes; das Berechnen eines elementaren Strukturtensors an jedem Punkt in dem Bereich des Bildes; das Bestimmen eines Strukturtensors für jeden Punkt in dem Bereich des Bildes; das Ermitteln der Eigenwerte der Strukturtensoren; und das Berechnen eines Isotropiemaßes für jeden Strukturtensor, wobei das besagte Isotropiemaß durch das Verhältnis eines kleinsten Eigenwertes des besagten Strukturtensors zu einem größten Eigenwert des besagten Strukturtensors definiert ist, wobei ein kugelförmiges Objekt einem Isotropiemaß von eins entspricht.
  • Gemäss einem anderen Aspekt der Erfindung wird eine von einem Computer lesbare Programmspeichereinrichtung bereitgestellt, die physisch ein Programm von durch den Computer ausführbaren Anweisungen zum Durchführen der Verfahrensschritte zum Identifizieren kugelförmiger Objekte in einem digitalen Bild verkörpert. Das Bild umfasst eine Vielzahl von Intensitätswerten, die einem Bereich von Punkten in einem dreidimensionalen Raum entsprechen. Das Verfahren umfasst das Berechnen, an jedem Punkt in dem Bereich, eines Gradienten des Bildes; das Berechnen eines elementaren Strukturtensors an jedem Punkt in dem Bereich des Bildes; das Bestimmen eines Strukturtensors für jeden Punkt in dem Bereich des Bildes; das Ermitteln der Eigenwerte der Strukturtensoren; und das Berechnen eines Isotropiemaßes, das durch Dividieren eines kleinsten Eigenwertes durch einen größten Eigenwert definiert ist, wobei das Isotropiemaß für ein kugelförmiges Objekt gleich eins ist.
  • Gemäss einem weiteren Aspekt der Erfindung wird ein Verfahren zum Identifizieren kugelförmiger Objekte in einem digitalen Bild bereitgestellt, wobei das Bild eine Vielzahl von Intensitäten umfasst, die einem Bereich von Punkten in einem dreidimensionalen Raum entsprechen. Das Verfahren umfasst das Falten des Bildes mit einer Ableitung eines Gaußschen Kerns G mit einer Standardabweichung σG, um einen Gradienten des Bildes an jedem Punkt des Bildes zu berechnen, wobei σG klein im Verhältnis zur Größe des Bildes ist, das Multiplizieren des Gradienten für jeden Punkt des Bildes mit seiner Transponierten, um einen elementaren Strukturtensor zu berechnen, das Falten des elementaren Strukturtensors für jeden Punkt mit einem Gaußschen Kern mit einer Standardabweichung σT, um einen Strukturtensor zu bestimmen, wobei σT der Größe des Objektes entspricht, das gesucht wird, das Durchführen einer Householder-QL-Zerlegung jedes Strukturtensors, um seine Eigenwerte zu ermitteln, und das Berechnen eines Isotropiemaßes für jeden Strukturtensor. Das Isotropiemaß ist durch das Verhältnis eines kleinsten Eigenwertes des Strukturtensors zu einem größten Eigenwert des Strukturtensors definiert, wobei ein kugelförmiges Objekt einem Isotropiemaß von eins entspricht.
  • Was die Brust betrifft, kann man daran interessiert sein, Knötchen zu erkennen, welche innerhalb des dunklen Lungenbereiches als weiße Kugeln oder Halbkugeln erscheinen. Was den Dickdarm betrifft, kann man daran interessiert sein, Polypen zu erkennen, welche als am Dickdarm anhaftende runde Strukturen erscheinen. Verfahren, die den Strukturtensor benutzen, können auf ein breites Spektrum von Abbildungsverfahren angewendet werden, einschließlich Computertomographie (CT), Magnetresonanztomographie (MRT), Ultraschall (US) und Positronemissionstomographie (PET). Gemäß einem anderen Aspekt können diese Verfahren auch verwendet werden, um auf eine symmetrische Weise Löcher zu erkennen.
  • Kurzbeschreibung der Zeichnungen
  • 1 zeigt ein Flussdiagramm einer bevorzugten Ausführungsform der Erfindung.
  • 2 zeigt einen Strukturtensor entlang einer Wand eines Volumenbildes.
  • 3 zeigt einen Strukturtensor, der auf einem Polypen zentriert ist.
  • 4 zeigt ein beispielhaftes Computersystem zum Implementieren einer bevorzugten Ausführungsform der Erfindung.
  • Ausführliche Beschreibung der bevorzugten Ausführungsform
  • Nachfolgend werden der Veranschaulichung dienende Ausführungsformen der Erfindung beschrieben. Im Interesse der Klarheit werden in dieser Patentbeschreibung nicht alle Merkmale einer wirklichen Implementierung beschrieben. Natürlich ist klar, dass bei der Entwicklung einer solchen wirklichen Ausführungsform zahlreiche implementierungsspezifische Entscheidungen getroffen werden müssen, um die spezifischen Ziele der Entwickler zu erreichen, wie etwa die Einhaltung systembezogener und unternehmensbezogener Einschränkungen, welche sich von einer Implementierung zur anderen unterscheiden werden. Außerdem ist leicht einzusehen, dass ein solcher Entwicklungsaufwand komplex und zeitaufwendig sein könnte, jedoch trotzdem eine Routinearbeit für diejenigen Fachleute sein würde, die von dieser Beschreibung profitieren.
  • Obwohl die Erfindung verschiedene Modifikationen und andere Formen zulässt, wurden in den Zeichnungen beispielhaft verschiedene Ausführungsformen derselben dargestellt, und diese werden hier ausführlich beschrieben. Selbstverständlich ist jedoch mit der hier gegebenen Beschreibung spezifischer Ausführungsformen nicht beabsichtigt, die Erfindung auf die beschriebenen speziellen Formen einzuschränken, sondern die Erfindung soll im Gegenteil alle Modifikationen, Äquivalente und Alternativen mit umfassen, die dem Geist der Erfindung entsprechen und in ihrem Schutzbereich, der durch die beigefügten Patentansprüche definiert ist, enthalten sind.
  • Die vorliegende Erfindung stellt Systeme und Verfahren bereit, die zu einer effizienten und genauen Erkennung von Knötchen aus zwei- und dreidimensionalen digitalen Bildern, insbesondere Thoraxaufnahmen, in der Lage sind. Obwohl ein Bild als eine Funktion aus R3 in R angesehen werden kann, sind die Verfahren der Erfindung nicht auf solche Bilder beschränkt und können auf Bilder mit beliebiger Dimension angewendet werden, z.B. ein zweidimensionales Bild oder ein dreidimensionales Volumen. Die vorliegende Erfindung wird vorzugsweise auf einem Computersystem wie etwa einem Personalcomputer der Pentium®-Klasse realisiert, auf dem Computersoftware ausgeführt wird, welche den Algorithmus der vorliegenden Erfindung implementiert. Der Computer enthält einen Prozessor, einen Speicher und verschiedene Ein-/Ausgabemittel. Eine Reihe von digitalen Bildern, die ein Thoraxvolumen darstellen, wird in den Computer eingegeben. Die Begriffe "digital" und "digitalisiert", die hier verwendet werden, beziehen sich auf Bilder oder Volumina, je nachdem, was zutrifft, in einem digitalen oder digitalisierten Format, die über ein digitales Erfassungssystem oder durch Umwandlung ausgehend von einem analogen Bild erfasst wurden.
  • Die hier beschriebenen Verfahren und Systeme können für Organe oder anatomische Regionen angepasst werden, zu denen unter anderem das Herz, das Gehirn, das Rückenmark-, Dickdarm-, Leber- und Nierensystem gehören. Die Softwareanwendung und der Algorithmus, die hier beschrieben sind, können zweidimensionale und dreidimensionale Renderings und Bilder eines Organs oder Organsystems verwenden. Zu Zwecken der Veranschaulichung werden Lungen- und Dickdarmsysteme beschrieben. Es ist jedoch zu beachten, dass das Verfahren für eine beliebige Anwendung aus einer Vielzahl anderer Anwendungen, die den Fachleuten bekannt sind, verwendet werden kann.
  • Vor dem Berechnen eines Strukturtensors kann ein Bild vorverarbeitet werden, z.B. um das Gesamtergebnis des Prozesses zu verbessern. Dies ist hilfreich beim Lokalisieren einer Struktur, die für die weitere Analyse von Interesse ist, und für die anfängliche Zentrierung der weiter unten beschriebenen Gaußschen Kerne. Eine hohe Genauigkeit der Algorithmen ist für eine erfolgreiche Erkennung von Knötchen entscheidend, und eine Vorverarbeitung verringert im Allgemeinen die Komplexität des Bereiches der zu schätzenden Funktion. Eine Vorverarbeitung ist im Allgemeinen effizienter, wenn sie auf bekannten Merkmalen dessen beruht, was abgebildet wird. Zum Beispiel sollte ein natürliches Lungenbild räumlich glatt und in der Amplitude streng positiv sein. Beispiele von Vorverarbeitungsverfahren sind verschiedene Glättungs-, morphologische und Regularisierungsverfahren.
  • Gemäss einer bevorzugten Ausführungsform der Erfindung kann ein Bild analysiert werden, indem die Isotropie seines Strukturtensors gemessen wird, um kugelförmige Objekte zu identifizieren. Es wird nun auf 1 Bezug genommen; der Gradient eines Bildes ist ein dreidimensionaler Vektor, der aus den partiellen Ableitungen des Bildes entlang der kanonischen Achsen gebildet wird:
    Figure 00090001
  • In der Praxis wird ein Bild nur an diskreten Punkten abgetastet und unterliegt einem Rauschen. Bei einer bevorzugten Ausführungsform kann im Schritt 101 ein Gradient eines Bildes an jedem Punkt im Bereich des Bildes geschätzt werden, indem das Bild mit einer Gaußschen Ableitung gefaltet wird:
    Figure 00090002
    wobei G ein diskreter normalisierter, D-dimensionaler Gauss'scher Kern mit einer Standardabweichung σG ist,
    Figure 00090003
    und der Operator * eine Faltung bezeichnet. Die Standardabweichung ist normalerweise im Vergleich zur Gesamtgröße des Bildes recht klein, z.B. maximal 3 Voxel.
  • Ein elementarer Strukturtensor kann im Schritt 102 als eine 3x3-Matrix definiert werden, die aus dem Bild erhalten wird, indem der Gradient des Bildes mit seiner Transponierten multipliziert wird:
    Der Strukturtensor ist eine 3x3-Matrix, welche abgeleitet werden kann, indem im Schritt 103 die elementaren Strukturtensoren mit einem räumlichen Filter gefaltet werden, dessen Größe einem Objekt entspricht, das gesucht wird. Ein bevorzugtes räumliches Filter ist ein Gauss'scher Kern: T = Gσ·T1.
  • Sigma kann hierbei recht groß sein und ist lose mit der Größe des Objekts, das gesucht wird, verknüpft. Es können auch andere Faltungskerne verwendet werden, doch der Gaußsche Kern ist der bevorzugte. Die 3 Eigenwerte des Strukturtensors können im Schritt 104 mit einem beliebigen in der Technik bekannten Verfahren berechnet werden. Ein solches verfahren ist die Householder-QL-Zerlegung.
  • Die Isotropie des Bildes kann abgeleitet werden, indem im Schritt 105 der kleinste Eigenwert durch den größten dividiert wird. Das Isotropiemaß ist gleich eins, wenn alle Eigenwerte gleich sind, d.h. wenn der Strukturtensor kugelförmig und somit vollkommen isotrop ist. In allen anderen Situationen ist es kleiner als eins. Isotrope Regionen werden dann extrahiert, indem Stellen zurückbehalten werden, wo die Isotropie größer als ein gewisser Schwellwert ist.
  • Dieses Verfahren kann angewendet werden, um kugelförmige Strukturen zu erkennen. Beispiele solcher Strukturen sind Lungenknötchen und Dickdarmpolypen, obwohl diese Ausführungsform der Erfindung nicht nur auf diese Strukturen beschränkt ist. Das Isotropiemaß kann zwischen diesen Strukturen und normalen Strukturen wie etwa Lungen- oder Dickdarmwänden, welche nicht isotrop sind, diskriminieren, wie in den 2 und 3 dargestellt ist. Ferner können die hier vorgestellten Verfahren verwendet werden, um Löcher in einer Struktur zu erkennen, da ein Loch eine Region des Bildes ist, die durch niedrige Intensitätswerte repräsentiert wird, im Gegensatz zu den hohen Intensitätswerten, welche Polypen oder Knötchen charakterisieren.
  • Selbstverständlich kann die vorliegende Erfindung in verschiedenen Formen von Hardware, Software, Firmware, Sonderprozessen oder einer Kombination davon implementiert werden. Bei einer Ausführungsform kann die vorliegende Erfindung softwaremäßig als ein Anwendungsprogramm implementiert werden, das physisch auf einer computerlesbaren Programmspeichereinrichtung enthalten ist. Das Anwendungsprogramm kann auf eine Maschine, die irgendeine geeignete Architektur umfasst, hochgeladen und von dieser ausgeführt werden.
  • Es wird nun auf 4 Bezug genommen; gemäß einer Ausführungsform der vorliegenden Erfindung kann ein Computersystem 401 zum Implementieren der vorliegenden Erfindung unter anderem eine Zentraleinheit (CPU) 402, einen Speicher 403 und eine Ein-/Ausgabe- (E/A-) Schnittstelle 404 umfassen. Das Computersystem 401 ist im Allgemeinen über die E/A-Schnittstelle 404 mit einem Display 405 und verschiedenen Eingabevorrichtungen 406 wie etwa einer Maus und einer Tastatur verbunden. Zu den unterstützenden Vorrichtungen können Vorrichtungen wie etwa ein Cache, Stromversorgungen, Taktschaltungen und ein Kommunikationsbus gehören. Der Speicher 403 kann ein Direktzugriffsspeicher (Random Access Memory, RAM), ein Nur-Lese-Speicher (Read Only Memory, ROM), ein Plattenlaufwerk, ein Bandlaufwerk usw. oder eine Kombination davon sein. Die vorliegende Erfindung kann als eine Routine 407 implementiert sein, welche im Speicher 403 gespeichert ist und von der Zentraleinheit 402 ausgeführt wird, um das Signal von der Signalquelle 408 zu verarbeiten. Das Computersystem 401 selbst ist ein universelles Computersystem, das zu einem Spezialzweck-Computersystem wird, wenn es die Routine 407 der vorliegenden Erfindung ausführt.
  • Das Computersystem 401 enthält außerdem ein Betriebssystem und Mikrobefehlscode. Die verschiedenen Prozesse und Funktionen, die hier beschrieben sind, können entweder Teil des Mikrobefehlscodes oder Teil des Anwendungsprogramms sein (oder eine Kombination davon), welches über das Betriebssystem ausgeführt wird. Zusätzlich können verschiedene andere Peripheriegeräte an die Computerplattform angeschlossen sein, wie etwa eine zusätzliche Datenspeichereinrichtung und eine Druckvorrichtung.
  • Da einige der das System bildenden Komponenten und der Verfahrensschritte, die in den beigefügten Abbildungen dargestellt sind, softwaremäßig implementiert sein können, können sich ferner selbstverständlich die tatsächlichen Verbindungen zwischen den Systemkomponenten (oder den Prozessschritten) unterscheiden, in Abhängigkeit von der Art und Weise, wie die vorliegende Erfindung programmiert ist. Anhand der hier dargelegten Lehren der vorliegenden Erfindung ist ein Durchschnittsfachmann in der Lage, diese und ähnliche Implementierungen oder Konfigurationen der vorliegenden Erfindung in Erwägung zu ziehen.
  • Die oben beschriebenen speziellen Ausführungsformen dienen nur der Veranschaulichung, da die Erfindung modifiziert und auf andere, jedoch äquivalente Weisen in die Praxis umgesetzt werden kann, die für Fachleute, die von den hier dargelegten Lehren profitieren, offensichtlich sind. Ferner sind für die hier dargelegten Einzelheiten von Konstruktion und Gestaltung keine Einschränkungen beabsichtigt, außer denen, die in den nachfolgenden Patentansprüchen beschrieben sind. Es ist daher offensichtlich, dass die oben beschriebenen speziellen Ausführungsformen abgeändert oder modifiziert werden können und alle solche Variationen als im Schutzbereich der Erfindung enthalten und ihrem Geist entsprechend angesehen werden. Dementsprechend wird der Schutz beansprucht, der in den untenstehenden Patentansprüchen dargelegt ist.
  • Zusammenfassung
  • Es wird ein Verfahren zum Erkennen von räumlichen Objekten in digitalen Bildern vorgeschlagen. Die Bilder umfassen eine Reihe von dreidimensionalen Oberflächenpunkten. Das Verfahren umfasst:
    Berechnen (101) eines Gradienten des Bildes in jedem der Bildpunkte;
    Berechnen (102) einen elementaren Strukturtensors in jedem der Bildpunkte;
    Bestimmen (103) eines Strukturtensors in jedem der Bildpunkte;
    Auffinden (104) der Eigenwerte des Strukturtensors in jedem der Bildpunkte; und
    Berechnen (105) eines Isotropiemasses für jeden der Strukturtensoren, wobei das Isotropiemass als das Verhältnis vom kleinsten Eigenwert des Strukturtensors zum grössten Eigenwert des Strukturtensors definiert ist, und wobei das räumliche Objekt mit diesem Isotropiemass etwa gleich zur Einheit korrespondiert.

Claims (16)

  1. Verfahren zum Identifizieren kugelförmiger Objekte in einem digitalen Bild, wobei das besagte Bild eine Vielzahl von 3D-Oberflächenpunkten umfasst, wobei das besagte Verfahren die folgenden Schritte umfasst: Berechnen, an jedem Punkt in einem Bereich des Bildes, eines Gradienten des Bildes; Berechnen eines elementaren Strukturtensors an jedem Punkt in dem Bereich des Bildes; Bestimmen eines Strukturtensors für jeden Punkt in dem Bereich des Bildes; Ermitteln der Eigenwerte der Strukturtensoren; und Analysieren der besagten Eigenwerte, um die Spherizität einer Struktur in dem besagten Bild zu bestimmen.
  2. Verfahren nach Anspruch 1, wobei der Gradient des Bildes durch Falten des Bildes mit einer Ableitung eines Gaußschen Kerns G mit einer Standardabweichung σG geschätzt wird, wobei σG klein im Verhältnis zur Größe des Bildes ist.
  3. Verfahren nach Anspruch 1, wobei der elementare Strukturtensor durch Multiplizieren des Gradienten eines Bildes mit seiner Transponierten definiert werden kann.
  4. Verfahren nach Anspruch 1, wobei der Strukturtensor durch Falten des elementaren Strukturtensors mit einem Gauss'schen Kern mit einer Standardabweichung σT bestimmt werden kann, wobei σT der Größe des Objektes entspricht, das gesucht wird.
  5. Verfahren nach Anspruch 1, wobei die Eigenwerte durch Durchführen einer Householder-QL-Zerlegung ermittelt werden.
  6. Verfahren nach Anspruch 1, wobei die Eigenwerte durch Dividieren eines kleinsten Eigenwertes durch einen größten Eigenwert analysiert werden, um ein Isotropiemaß zu berechnen, wobei das Isotropiemaß für ein kugelförmiges Objekt gleich eins ist.
  7. Verfahren nach Anspruch 1, wobei das Bild vorverarbeitet wird.
  8. Verfahren zum Identifizieren kugelförmiger Objekte in einem digitalen Bild, wobei das besagte Bild eine Vielzahl von Intensitäten umfasst, die einem Bereich von Punkten in einem dreidimensionalen Raum entsprechen, wobei das besagte Verfahren die folgenden Schritte umfasst: Falten des Bildes mit einer Ableitung eines Gauss'schen Kerns G mit einer Standardabweichung σG, um einen Gradienten des Bildes an jedem Punkt des Bildes zu berechnen, wobei σG klein im Verhältnis zur Größe des Bildes ist; Multiplizieren des Gradienten für jeden Punkt des Bildes mit seiner Transponierten, um einen elementaren Strukturtensor zu berechnen; Falten des elementaren Strukturtensors für jeden Punkt mit einem Gauss'schen Kern mit einer Standardabweichung σT, um einen Strukturtensor zu bestimmen, wobei σT der Größe des Objektes entspricht, das gesucht wird; Durchführen einer Householder-QL-Zerlegung jedes Strukturtensors, um seine Eigenwerte zu ermitteln; und Berechnen eines Isotropiemaßes für jeden Strukturtensor, wobei das besagte Isotropiemaß durch das Verhältnis eines kleinsten Eigenwertes des besagten Strukturtensors zu einem größten Eigenwert des besagten Strukturtensors definiert ist, wobei ein kugelförmiges Objekt einem Isotropiemaß von eins entspricht.
  9. Verfahren nach Anspruch 8, wobei das Bild vorverarbeitet wird.
  10. Programmspeichereinrichtung, die von einem Computer lesbar ist, die physisch ein Programm von durch den Computer ausführbaren Anweisungen zum Durchführen der Verfahrensschritte zum Identifizieren kugelförmiger Objekte in einem digitalen Bild verkörpert, wobei das besagte Bild eine Vielzahl von Intensitätswerten umfasst, die einem Bereich von Punkten in einem dreidimensionalen Raum entsprechen, wobei das besagte Verfahren die folgenden Schritte umfasst: Berechnen, an jedem Punkt in dem Bereich, eines Gradienten des Bildes; Berechnen eines elementaren Strukturtensors an jedem Punkt in dem Bereich des Bildes; Bestimmen eines Strukturtensors für jeden Punkt in dem Bereich des Bildes; Ermitteln der Eigenwerte der Strukturtensoren; und Analysieren der besagten Eigenwerte, um die Spherizität einer Struktur in dem besagten Bild zu bestimmen.
  11. Computerlesbare Programmspeichereinrichtung nach Anspruch 10, wobei die Verfahrensschritte ferner das Schätzen des Gradienten durch Falten des Bildes mit einer Ableitung eines Gaußschen Kerns G mit einer Standardabweichung σG umfassen, wobei σG klein im Verhältnis zur Größe des Bildes ist.
  12. Computerlesbare Programmspeichereinrichtung nach Anspruch 10, wobei die Verfahrensschritte ferner das Definieren des elementaren Strukturtensors durch Multiplizieren des Gradienten eines Bildes mit seiner Transponierten umfassen.
  13. Computerlesbare Programmspeichereinrichtung nach Anspruch 10, wobei die Verfahrensschritte ferner das Bestimmen des Strukturtensors durch Falten des elementaren Strukturtensors mit einem Gaußschen Kern mit einer Standardabweichung σT umfassen, wobei σT der Größe des Objektes entspricht, das gesucht wird.
  14. Computerlesbare Programmspeichereinrichtung nach Anspruch 10, wobei die Verfahrensschritte ferner das Durchführen einer Householder-QL-Zerlegung zum Ermitteln der Eigenwerte des Strukturtensors umfassen.
  15. Computerlesbare Programmspeichereinrichtung nach Anspruch 10, wobei die Verfahrensschritte ferner das Berechnen eines Isotropiemaßes umfassen, das durch Dividieren eines kleinsten Eigenwertes durch einen größten Eigenwert definiert ist, wobei das Isotropiemaß für ein kugelförmiges Objekt gleich eins ist.
  16. Computerlesbare Programmspeichereinrichtung nach Anspruch 10, wobei die Verfahrensschritte ferner das Vorverarbeiten des Bildes umfassen.
DE112004001463T 2003-08-13 2004-08-11 Verfahren und System zur Verwendung von Strukturtensoren zum Erkennen von Lungenknoten und Dickdarmpolypen Ceased DE112004001463T5 (de)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US49464703P 2003-08-13 2003-08-13
US60/494,647 2003-08-13
US10/915,047 US20050036691A1 (en) 2003-08-13 2004-08-10 Method and system for using structure tensors to detect lung nodules and colon polyps
US10/915,047 2004-08-10
PCT/US2004/026023 WO2005020153A1 (en) 2003-08-13 2004-08-11 Method and system for using structure tensors to detect lung nodules and colon polyps

Publications (1)

Publication Number Publication Date
DE112004001463T5 true DE112004001463T5 (de) 2006-07-06

Family

ID=34138904

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112004001463T Ceased DE112004001463T5 (de) 2003-08-13 2004-08-11 Verfahren und System zur Verwendung von Strukturtensoren zum Erkennen von Lungenknoten und Dickdarmpolypen

Country Status (5)

Country Link
US (1) US20050036691A1 (de)
JP (1) JP4733636B2 (de)
CN (1) CN1836258B (de)
DE (1) DE112004001463T5 (de)
WO (1) WO2005020153A1 (de)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7480412B2 (en) * 2003-12-16 2009-01-20 Siemens Medical Solutions Usa, Inc. Toboggan-based shape characterization
US20060209063A1 (en) * 2004-10-12 2006-09-21 Jianming Liang Toboggan-based method for automatic detection and segmentation of objects in image data
US7853062B2 (en) * 2005-09-13 2010-12-14 Siemens Medical Solutions Usa, Inc. System and method for polyp detection in tagged or non-tagged stool images
JP4891637B2 (ja) * 2006-03-14 2012-03-07 オリンパスメディカルシステムズ株式会社 画像解析装置
US20110276314A1 (en) * 2010-05-05 2011-11-10 General Electric Company Method for Calculating The Sphericity of a Structure
EP3290922A1 (de) 2013-08-07 2018-03-07 Alexion Pharmaceuticals, Inc. Biomarkerproteine für das atypische hämolytische urämische syndrom (ahus)
WO2015083065A1 (en) * 2013-12-06 2015-06-11 Koninklijke Philips N.V. Bone segmentation from image data
US10635917B1 (en) * 2019-01-30 2020-04-28 StradVision, Inc. Method and device for detecting vehicle occupancy using passenger's keypoint detected through image analysis for humans' status recognition

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6310278A (ja) * 1986-07-01 1988-01-16 Toshiba Corp 三次元画像のパラメ−タ計測方式
WO1997028845A1 (en) * 1996-02-09 1997-08-14 Mayo Foundation For Medical Education And Research Radiotherapy treatment using medial access transformation
US5987094A (en) * 1996-10-30 1999-11-16 University Of South Florida Computer-assisted method and apparatus for the detection of lung nodules
US6240201B1 (en) * 1998-07-24 2001-05-29 Arch Development Corporation Computerized detection of lung nodules using energy-subtracted soft-tissue and standard chest images
US6275605B1 (en) * 1999-01-18 2001-08-14 Eastman Kodak Company Method for adjusting the tone scale of a digital image
KR100671098B1 (ko) * 1999-02-01 2007-01-17 주식회사 팬택앤큐리텔 모양정보를 이용한 멀티미디어 데이터의 검색 방법 및 장치
US6262708B1 (en) * 1999-06-16 2001-07-17 Sun Microsystems, Inc. Techniques for displaying complex characters
US6549646B1 (en) * 2000-02-15 2003-04-15 Deus Technologies, Llc Divide-and-conquer method and system for the detection of lung nodule in radiological images
JP2001338279A (ja) * 2000-05-30 2001-12-07 Mitsubishi Electric Corp 三次元形状計測装置
US6766043B2 (en) * 2001-11-23 2004-07-20 R2 Technology, Inc. Pleural nodule detection from CT thoracic images
US7355597B2 (en) * 2002-05-06 2008-04-08 Brown University Research Foundation Method, apparatus and computer program product for the interactive rendering of multivalued volume data with layered complementary values
US20040086161A1 (en) * 2002-11-05 2004-05-06 Radhika Sivaramakrishna Automated detection of lung nodules from multi-slice CT image data
US7034531B1 (en) * 2003-01-09 2006-04-25 The General Hospital Corporation Diffusion MRI using spherical shell sampling
US20060173324A1 (en) * 2003-03-13 2006-08-03 Koninklijke Philips Electronics N.V. 3d imaging system and method for signaling an object of interest in a volume of data
CN100530237C (zh) * 2003-09-22 2009-08-19 美国西门子医疗解决公司 管结构的局部可视化技术的自动定向的方法及系统

Also Published As

Publication number Publication date
CN1836258A (zh) 2006-09-20
JP4733636B2 (ja) 2011-07-27
JP2007502465A (ja) 2007-02-08
US20050036691A1 (en) 2005-02-17
CN1836258B (zh) 2013-01-02
WO2005020153A1 (en) 2005-03-03

Similar Documents

Publication Publication Date Title
DE102005036412B4 (de) Verbesserte GGN-Segmentierung in Lungenaufnahmen für Genauigkeit und Konsistenz
DE112004000381B4 (de) Verfahren zur Bereitstellung einer automatischen 3D-Läsionssegmentierung und von Läsionsmessungen
DE112005000927B4 (de) Verfahren zur Netz-zu-Bild-Registrierung unter Anwendung von Raycasting
DE69801562T2 (de) Selbst segmentierung/konturgewinnungsverfahren zur verwendung bei planung einer bestrahlungstherapiebehandlung
DE102005036875B4 (de) System und Verfahren zur 3-D Visualisierung eines Lungenpaars und der Lungenperfusion oder -dichte
DE112020004049T5 (de) Krankheitserkennung aus spärlich kommentierten volumetrischen medizinischen bildern unter verwendung eines faltenden langen kurzzeitgedächtnisses
DE10255525B4 (de) Automatisierte Lungenknotensegmentierung mittels dynamischer Programmierung und auf EM basierender Klassifizierung
DE112005002190T5 (de) Volumetrische Tumorsegmentierung mithilfe eines gemeinsamen Raum-Intensitäts-Likelihood-Verhältnistest
DE102007046582A1 (de) System und Verfahren zum Segmentieren von Kammern eines Herzens in einem dreidimensionalen Bild
DE10353883A1 (de) Verfahren und Einrichtung zum Messen Krankheits-relevanter Gewebeveränderungen
DE112014000611T5 (de) Verfahren und Vorrichtung zum Erzeugen eines abgeleiteten Bildes unter Verwendung von Bildern verschiedener Typen
DE112005001741T5 (de) System und Verfahren zur Baumprojektion zur Erkennung von Lungenembolie
DE102004030084B4 (de) Computerimplementiertes Verfahren zur Segmentation von Lungenknoten
EP3287914A1 (de) Ermittlung von ergebnisdaten auf basis von medizinischen messdaten aus verschiedenen messungen
DE102007003259A1 (de) System und Verfahren zur Klassifizierung lokaler Lungenstrukturen für computergestützte Knötchenerfassung
DE102006049193A1 (de) System und Verfahren zum Verfolgen von Rippenhinterteilen in Brust CT Volumina
DE102006002914A1 (de) Mehrdimensionale Segmentierung basierend auf adaptiven begrenzenden Kasten- und Ellipsoid-Modellen
DE112004001464B4 (de) Verfahren zum Analysieren von lokalen Mustern in Krümmungsverteilungen
DE112019004300T5 (de) Ähnlichkeitsbestimmungsvorrichtung, ähnlichkeitsbestimmungsverfahren und ähnlichkeitsbestimmungsprogramm
DE102005048524A1 (de) Verfahren und System zur Erkennung anatomischer Formen in einem CAD-System
DE112004001691T5 (de) Verfahren und System zur automatischen Ausrichtung von lokalen Visualisierungstechniken für vaskuläre Strukturen
DE112004001463T5 (de) Verfahren und System zur Verwendung von Strukturtensoren zum Erkennen von Lungenknoten und Dickdarmpolypen
DE10255527B4 (de) Erzeugung von Kandidaten für gefäßassoziierte Pulmonalknoten
US7397938B2 (en) Method and system for fast normalized cross-correlation between an image and a Gaussian for detecting spherical structures
DE112016005742T5 (de) Datenverarbeitungsverfahren für Computertomographie

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law

Ref document number: 112004001463

Country of ref document: DE

Date of ref document: 20060706

Kind code of ref document: P

8131 Rejection