FR2832832A1 - Procede de detection et de caracterisation automatique de nodules dans une image tomographique et systeme d'imagerie medicale par tomodensimetrie correspondant - Google Patents
Procede de detection et de caracterisation automatique de nodules dans une image tomographique et systeme d'imagerie medicale par tomodensimetrie correspondant Download PDFInfo
- Publication number
- FR2832832A1 FR2832832A1 FR0115187A FR0115187A FR2832832A1 FR 2832832 A1 FR2832832 A1 FR 2832832A1 FR 0115187 A FR0115187 A FR 0115187A FR 0115187 A FR0115187 A FR 0115187A FR 2832832 A1 FR2832832 A1 FR 2832832A1
- Authority
- FR
- France
- Prior art keywords
- image
- interest
- nodule
- ellipsoid
- nodules
- 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.)
- Withdrawn
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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
Pour la détection et la caractérisation automatique de nodules dans une image tomographique d'une zone anatomique d'un patient, on segmente l'image pour identifier dans cette dernière une région d'intérêt, et l'on traite l'image segmentée pour identifier le nodule.Au cours de l'étape de traitement, on modélise un ellipsoïde inscrit dans la région d'intérêt pour décider que les éléments d'image inscrits dans cet ellipsoïde correspondent par un nodule, et, pour chaque zone de la région d'intérêt s'étendant en dehors de l'ellipsoïde, on identifie les éléments d'image n'appartenant pas au nodule en fonction de critères de morphologie mathématique.
Description
<Desc/Clms Page number 1>
Procédé de détection et de caractérisation automatique de nodules dans une image tomographique et système d'imagerie médicale par tomodensimétrie correspondant.
La présente invention concerne un procédé de détection et de caractérisation automatique de nodules dans une image tomographique d'une zone anatomique d'un patient, ainsi qu'un système d'imagerie médicale par tomodensimétrie permettant la mise en oeuvre d'un tel procédé de détection.
Une application particulièrement intéressante d'un tel procédé se situe dans le domaine de l'imagerie médicale, et en particulier en cancérologie, notamment pour la détection précoce de cancers du poumon, par détection et caractérisation précoce de nodules pulmonaires.
En effet, la détection précoce des nodules a une influence directe sur le taux de survie des patients, à une échéance de cinq ans.
En effet, à ce jour, pour une détection précoce, le taux de survie à cinq ans peut atteindre, voire dépasser 80 %, alors que pour une détection tardive, le taux de survie chute à environ 10 %.
Il est généralement admis que les cellules d'une tumeur maligne ont une croissance globalement exponentielle. Ainsi, une technique de détection de cancers consiste à surveiller l'accroissement d'une lésion suspecte. Une technique permettant la mise en oeuvre de cette méthode consiste à déterminer et à surveiller l'évolution de la taille des nodules pulmonaires.
Historiquement, cette surveillance s'effectue en utilisant des images à deux dimensions et à évaluer la taille du nodule en utilisant un système métrique à deux coordonnées.
Comme on le conçoit, une amélioration consiste à examiner les nodules en utilisant une image tomographique du poumon, c'est-à-dire une image à trois dimensions. Cette méthode d'imagerie médicale permet d'examiner un organe à l'aide de rayons X, plan par plan, en mesurant à l'aide de détecteurs les différences de densité d'absorption des rayons X par les tissus biologiques. Des informations en
<Desc/Clms Page number 2>
provenance de ces détecteurs sont traitées par un calculateur pour reconstituer, en trois dimensions, l'image de l'organe examiné.
Ainsi, l'imagerie tomographique constitue un outil procurant une aide précieuse pour la détection précoce des cancers.
Néanmoins, les nodules sont généralement associés à un champ vasculaire, voire à la paroi de l'organe examinée. Il est donc nécessaire, avant traitement, d'identifier précisément le nodule. Ceci est généralement effectué en entrant manuellement des paramètres discriminants permettant d'extraire de l'image un objet d'intérêt.
Au vue de ce qui précède, l'invention se propose de fournir un procédé permettant une extraction automatique des nodules dans une image tomographique d'une zone anatomique d'un patient.
Ainsi, selon l'invention, un tel procédé comprend une segmentation de l'image pour identifier dans cette dernière une région d'intérêt et un traitement de l'image segmentée pour identifier le nodule.
Selon un aspect de ce procédé, au cours de l'étape de traitement, on modélise un ellipsoïde inscrit dans la région d'intérêt, on décide que les éléments d'image inscrits dans cet ellipsoïde correspondent à un nodule et, pour chaque zone de la région d'intérêt s'étendant en dehors de l'ellipsoïde, on identifie les éléments d'image n'appartenant pas au nodule en fonction de critères de morphologie mathématique.
Selon un mode de mise en oeuvre de ce procédé, on procède à l'élaboration d'un champ de distance Euclidien par rapport au pourtour de la région d'intérêt segmentée, on détermine les éléments d'image ayant localement la plus grande valeur de distance et l'on positionne le centre de l'ellipsoïde sur un élément d'image ayant la plus grande valeur de distance.
Selon une caractéristique avantageuse de ce procédé, ledit ellipsoïde est constitué par une sphère délimitée par le plus grand volume sphérique ayant ledit centre et inscrit dans l'élément d'intérêt.
Selon une autre caractéristique de ce procédé, on procède à une transformation de distance géodésique de manière à créer, à partir
<Desc/Clms Page number 3>
dudit centre, des surfaces géodésiques s'étendant respectivement à des distances croissantes par rapport à ce dernier et délimitées chacune par un ensemble d'éléments d'image inscrits dans l'élément d'intérêt et équidistants du centre.
De préférence, au cours de l'étape d'identification des éléments d'image n'appartenant pas au nodule, on procède à un traitement séparé de chaque surface géodésique située en dehors de ladite sphère de manière à déterminer si les éléments d'images qui la constituent correspondent au moins en partie à un nodule.
Au cours du traitement de chaque surface géodésique, on procède avantageusement à une analyse discriminante à partir d'au moins un critère morphologique choisi parmi la distance la séparant du centre de la sphère, la connectivité des éléments d'image d'une surface géodésique avec les précédentes, et la distance euclidienne maximale sur cet élément d'image.
Selon un autre caractéristique de ce procédé, l'étape initiale de segmentation est réalisée par segmentation morphologique, en particulier par extraction de lignes de partage des eaux.
Selon un autre mode de mise en oeuvre avantageux, on procède à un filtrage préalable au cours duquel on élabore un volume dans lequel s'inscrit une partie de l'image susceptible d'englober un nodule, ladite étape de segmentation étant réalisée sur les éléments d'image dudit volume.
Selon une caractéristique de ce mode de mise en oeuvre, l'étape de filtrage est réalisée par seuillage de valeurs numériques associées aux éléments d'image.
En variante, ladite étape de seuillage est réalisée par segmentation morphologique, en particulier par extraction de lignes de partage des eaux.
Pour procéder à l'élaboration du volume, on élabore par exemple un histogramme de variables booléennes d'identification de ladite partie d'image susceptible d'englober un nodule, les variables booléennes étant issues du filtrage des valeurs numériques respectivement associées à des éléments d'image s'étendant à partir du
<Desc/Clms Page number 4>
point sélectionné selon un ensemble de directions, ledit volume étant élaboré à partir desdites variables booléennes.
Selon encore un autre mode de mise en oeuvre, préalablement à l'étape de segmentation, on procède en outre à une étape de détection de la paroi d'un organe de la zone anatomique examinée, on élabore un masque à partir de la paroi détectée, et l'on applique le masque à l'image tomographique.
Au cours de l'étape de détection de la paroi de l'organe, on modélise par exemple un volume à contour s'appliquant contre la paroi interne de l'organe dans l'organe, puis on filtre le contour dudit volume pour en extraire les éléments d'image n'appartenant pas à ladite paroi.
L'invention a également pour objet un programme d'ordinateur destiné à être chargé dans la mémoire interne d'un calculateur, caractérisé en ce qu'il comporte un ensemble de codes d'instruction adaptés pour la mise en oeuvre d'un procédé tel que défini ci-dessus.
Selon l'invention, il est également proposé un système d'imagerie médicale par tomodensimétrie, comprenant un émetteur de rayons X, des moyens de détection correspondants aptes à mesurer les différences de densité d'absorption des rayons X par les tissus d'une zone anatomique examinée et un calculateur de traitement des signaux issus des moyens de détection pour l'élaboration d'une image de ladite zone anatomique, le calculateur comportant des moyens de segmentation d'image pour identifier dans cette dernière une région
d'intérêt, et des moyens de traitement de l'image segmentée pour ZD l'identification de nodules présents dans cette dernière.
d'intérêt, et des moyens de traitement de l'image segmentée pour ZD l'identification de nodules présents dans cette dernière.
Selon un aspect de ce système, le calculateur comporte en outre des moyens pour modéliser un ellipsoïde inscrit dans la région d'intérêt, pour décider que les éléments d'image inscrits dans cet ellipsoïde correspondent a un nodule et des moyens d'analyse par morphologie mathématique pour identifier dans chaque zone de la région d'intérêt s'étendant en dehors de l'ellipsoïde, les éléments d'image n'appartenant pas au nodule.
<Desc/Clms Page number 5>
D'autres buts, caractéristiques et avantages de l'invention ressortiront de la description suivante, donnée uniquement à titre d'exemple non limitatif, et faite en référence aux dessins annexés, sur lesquels : - la figure 1 est une vue schématique en perspective d'un système d'imagerie médicale par tomodensimétrie conforme à l'invention ; - la figure 2 illustre la structure générale d'un calculateur du système d'imagerie de la figure 1 ;
- la figure 3 est une image radiographique obtenue au moyen du système de la figure 1, montrant la sélection d'une zone suspecte ; - la figure 4 montre l'image obtenue à l'issu de l'étape de segmentation par extraction de lignes de partage des eaux ; - la figure 5 montre un champ de distance illustrant l'étape de transformation de distance Euclidienne ; - la figure 6 montre un champ de valeurs de distance géodésiques obtenu à l'issu de l'étape de transformation de distance géodésique ; - les figures 7 et 8 sont des images obtenues au moyen du système d'imagerie de la figure 1, à l'issu de l'étape d'identification des éléments d'image n'appartenant pas au nodule, montrant respectivement un nodule identifié et un arbre vasculaire extrait de l'image segmentée ; - la figure 9 illustre les principales phases d'un procédé de détection automatique de nodules pulmonaires mises en oeuvre au moyen du système d'imagerie médicale et du calculateur des figures 1 et 2 ; - les figures 10 et 11 sont des images radiographiques illustrant un mode de mise en oeuvre permettant une identification de nodules pleuraux.
- la figure 3 est une image radiographique obtenue au moyen du système de la figure 1, montrant la sélection d'une zone suspecte ; - la figure 4 montre l'image obtenue à l'issu de l'étape de segmentation par extraction de lignes de partage des eaux ; - la figure 5 montre un champ de distance illustrant l'étape de transformation de distance Euclidienne ; - la figure 6 montre un champ de valeurs de distance géodésiques obtenu à l'issu de l'étape de transformation de distance géodésique ; - les figures 7 et 8 sont des images obtenues au moyen du système d'imagerie de la figure 1, à l'issu de l'étape d'identification des éléments d'image n'appartenant pas au nodule, montrant respectivement un nodule identifié et un arbre vasculaire extrait de l'image segmentée ; - la figure 9 illustre les principales phases d'un procédé de détection automatique de nodules pulmonaires mises en oeuvre au moyen du système d'imagerie médicale et du calculateur des figures 1 et 2 ; - les figures 10 et 11 sont des images radiographiques illustrant un mode de mise en oeuvre permettant une identification de nodules pleuraux.
Sur la figure 1, on a représenté une vue schématique en perspective d'un système d'imagerie médicale par tomodensimétrie conforme à l'invention, désigné par la référence numérique générale 10.
<Desc/Clms Page number 6>
Dans l'application considérée, il est destiné à la détection de nodules pulmonaires pour la détection précoce de cancers.
Comme on le voit sur cette figure 1, le système d'imagerie 10 comporte essentiellement une table d'examen 12, sur laquelle vient prendre place un patient à examiner, et un système d'imagerie 14 par tomodensimétrie assurant, comme cela est classique, l'émission de rayons X vers une zone anatomique du patient, la détection des densités d'absorption des rayons X par les tissus biologiques examinés, et le traitement de ces informations au moyen d'un calculateur, pour l'élaboration d'une image en trois dimensions d'un organe, en l'espèce les poumons d'un patient.
A cet effet, le système d'imagerie 14 comporte un émetteur de rayons X 16 porté par un carrousel de manière à être entraîné autour de la zone anatomique à examiner, et des moyens de détection 18 correspondants, assurant une mesure des différences de densité d'absorption des rayons X par les tissus biologiques examinés, en récupérant les rayons X issus de l'émetteur 16 et en convertissant ces rayons X en signaux électroniques.
Une unité centrale 20, schématiquement représentée, récupère les informations issues des moyens de détection 18 en vue de reconstruire une image en trois dimensions du ou des organes examinés, à partir des coupes axiales successives, typiquement de 1 à 10 mm d'épaisseur.
L'unité centrale 20 est associée à une interface homme/machine (non représentée), permettant, d'une part, l'entrée de données et, d'autre part, la visualisation des images ainsi formées, par l'intermédiaire d'un dispositif d'affichage.
En outre, l'unité centrale de traitement 20 comporte au moins un microprocesseur associé à au moins une mémoire, dans laquelle sont chargés tous les moyens logiciels adaptés pour le traitement des signaux issus des moyens de détection 18, pour la formation d'images à partir de coupes axiales successives, et pour le traitement de l'image ainsi formée pour la détection des nodules pulmonaires.
<Desc/Clms Page number 7>
En se référant à la figure 2, ces moyens logiciels sont constitués par un ensemble de modules logiciels assurant, d'une part, la reconstruction de l'image, et, d'autre part, la détection proprement dite des nodules.
On voit en effet, sur cette figure 2, que l'unité centrale 20 comporte, stocké en mémoire, un premier module logiciel 22, de type classique, assurant un traitement des informations issues des moyens de détection 18 pour la formation d'une image en trois dimensions du ou des organes examinés.
Ces moyens logiciels sont constitués par un ensemble de codes d'instructions de type classique. Ils ne seront donc pas décrits en détail par la suite.
On notera néanmoins que, comme mentionné précédemment, ils permettent la reconstruction d'une image en trois dimensions à partir de coupes axiales successives de l'organe, de 1 à 10 mm d'épaisseur, comme cela est connu en soi dans le domaine de l'imagerie médicale par tomodensimétrie.
Cette image est directement présentée à un opérateur au moyen du dispositif d'affichage.
Dans de telles images, les nodules pulmonaires sont relativement difficiles à identifier et à détecter, en particulier en raison du grand nombre d'informations fournies par de telles images.
Dès lors, l'unité centrale est en outre pourvue d'un étage logiciel 24, assurant une détection automatique des nodules pulmonaires dans l'image présentée à l'opérateur.
Comme on le voit sur la figure 2, cet étage logiciel 24 comporte un premier module 26 assurant un filtrage préalable de l'image, à partir d'un point sélectionné par un opérateur, en utilisant une technique de segmentation préalable, de manière à élaborer un volume dans lequel s'inscrit une partie de l'image susceptible d'englober un nodule.
De préférence, et comme visible sur la figure 3, cette étape d'identification préalable est, de préférence, effectuée sur la base d'une image à deux dimensions, l'opérateur sélectionnant un point
<Desc/Clms Page number 8>
d'une zone Z considérée comme suspecte au moyen d'un curseur représenté par une croix X, laquelle zone suspecte correspond à une partie de l'image susceptible d'englober un nodule.
Comme cela sera décrit en détail par la suite, en réponse à une telle sélection, l'unité centrale 20 élabore un volume V dans lequel s'inscrit la totalité de cette partie d'image Z, le traitement de l'image est essentiellement effectué sur ce volume suspect.
A cet effet, le premier module logiciel 26 incorpore des moyens de filtrage assurant un traitement des niveaux de densité relative de chaque voxel, et ce dans un ensemble de directions prédéterminées, de préférence dans toutes les directions, de manière à déterminer quelle partie d'image appartient à un objet suspect, c'est-àdire un objet constitué d'un nodule, d'un arbre vasculaire associé et, le cas échéant, de la paroi pulmonaire,..., et celles qui n'appartiennent pas à un tel objet, c'est-à-dire celles qui correspondent au fond de l'image.
Ces moyens de traitement peuvent être constitués par des moyens de seuillage des valeurs de densité relative associées à chaque élément d'image. Ainsi, par exemple, on fixe un seuil égal à-332 HU (unité Hounsfield).
On pourrait également, en variante, utiliser une segmentation morphologique, par exemple une technique dite de la ligne de partage des eaux ou LPE, également connue sous l'abréviation WSL en anglais, qui sera décrite plus en détails par la suite.
Les moyens de filtrage sont en outre associés à des moyens de mémorisation permettant l'élaboration d'un histogramme, dans lequel sont stockées, pour l'ensemble des voxels s'étendant dans toutes les directions à partir du point sélectionné, les variables booléennes issues du filtrage, par seuillage ou par segmentation morphologique, lesquelles variables booléennes indiquent si l'élément d'image correspondant appartient ou non à une partie d'image susceptible d'englober un objet suspect.
<Desc/Clms Page number 9>
Le premier module logiciel 26 est associé à un deuxième module logiciel 28 comprenant des moyens de segmentation proprement dits de l'image numérique.
La fonction essentielle de ce module est de procéder à un traitement d'image approprié pour identifier un élément d'intérêt dans l'image délivrée par l'étage logiciel amont ou, en d'autres termes, extraire le fond de l'image.
De préférence, ce module de segmentation comporte des moyens de segmentation morphologiques. Avantageusement, on utilise la technique d'extraction de ligne de partage des eaux LEP, laquelle utilise une information de gradients de luminance pour déterminer les contours en trois dimensions qui sont décrits par une discontinuité de luminance dans les données volumétriques.
Une telle technique est constituée par une technique de morphologie mathématique classique, à la portée d'un homme du métier. Elle est décrite en particulier dans le document Morphological Segmentation , de F, Meyer et S. Beucher, paru dans la Revue Journal of Visual Communication and Image Representation , Volume I, n01, septembre 1990, pages 21-46. Elle ne sera donc pas décrite en détail par la suite.
Cependant, pour mieux comprendre cette morphologie mathématique et, plus particulièrement, cette technique LPE, il peut être judicieux de se représenter la fonction de luminance comme un relief, les points des images à niveaux de gris apparaissant d'autant plus clairs qu'ils sont plus élevés. Il en est de même pour le gradient de cette fonction de luminance.
Dans ce relief, les lignes de crête du gradient correspondent aux frontières des régions à segmenter. Une image peut alors être considérée comme une juxtaposition de bassins au fond desquels se trouve un minimum local.
Si l'on procède à une inondation progressive du relief à partir des minima locaux, on peut, à chaque fois que les eaux issues de deux minima locaux adjacents se rencontrent, construire une digue le long de la ligne de crête correspondant à cette ligne de rencontre, de façon
<Desc/Clms Page number 10>
que les eaux issues des deux bassins distincts correspondants ne se mélangent pas.
Comme cela sera décrit en détail par la suite, et en se référant à la figure 4, l'image segmentée issue du traitement réalisé par ce deuxième module logiciel se présente essentiellement sous la forme d'un nodule et d'un arbre vasculaire V'qui lui est associé.
En se référant à nouveau à la figure 2, l'étage logiciel 24 comporte en outre un module 30 de transformation de distance réalisant un calcul de champ de distance Euclidien pour chaque voxel de l'image segmentée, par rapport au pourtour de la région d'intérêt.
Ce module a essentiellement pour rôle de permettre une modélisation d'un ellipsoïde, en l'espèce une sphère une sphère, à l'intérieur de l'élément d'intérêt et, en particulier, la plus grande sphère inscrite dans l'élément d'intérêt.
On obtient, pour chaque tranche, le champ de distance visible sur la figure 5.
Ce troisième module logiciel 30 est associé à un module de transformation de distance géodésique 32.
Ce quatrième module assure, comme cela sera décrit par la suite, la création de surfaces géodésiques s'étendant respectivement à des distances croissantes par rapport au centre de la plus grande sphère inscrite dans l'élément d'intérêt, et délimitées chacune par un ensemble de voxels inscrits dans cet élément d'intérêt et équidistant du centre.
On obtient, à l'issu du traitement effectué par ce quatrième module 32 logiciel, pour chaque tranche axiale d'image, un champ de valeurs de distances géodésiques, pour chaque voxel de la région d'intérêt.
Enfin, un cinquième module logiciel 34 procède à une analyse séparée de chaque surface géodésique située en dehors de la sphère précédemment modélisée, de manière à déterminer si les voxels qui la constituent correspondent ou non, au moins en partie, à un nodule.
On notera que ce cinquième module logiciel est constitué par r un module d'analyse discriminante assurant, par exemple, la détection
<Desc/Clms Page number 11>
d'une variation brusque de critères morphologiques, tels que la distance séparant chaque voxel du centre de la sphère, la connectivité des voxels d'une surface géodésique avec les précédentes, c'est-à-dire la différence de niveau de densité relative entre des voxels adjacents, et le distance euclidienne maximale sur l'ensemble des voxels d'une couche donnée, pour effectuer une discrimination entre le nodule et les vaisseaux qui lui sont associés.
En d'autres termes, ce module logiciel procède à l'extraction des voxels correspondant aux vaisseaux ainsi identifiés.
On obtient alors les images visibles sur les figures 7 et 8, qui correspondent respectivement aux nodules ainsi identifiés et aux vaisseaux extraits de l'image.
Enfin, l'étage logiciel 24 incorpore un sixième module logiciel 36 servant à déterminer le volume du nodule, selon des techniques classiques.
On va maintenant décrire en référence à la figure 9, les principales phases du procédé de détection automatique de nodules dans une image tomographique conforme à l'invention, utilisant le système d'imagerie médicale qui vient d'être décrit.
Au cours d'une première phase 38 de ce procédé, l'utilisateur sélectionne une zone suspecte, c'est-à-dire une zone de l'image tomographique dont l'opérateur estime qu'elle englobe un nodule.
Lors de l'étape 40 suivante, il est procédé à une segmentation préalable de l'image en trois dimensions de manière à, comme indiqué précédemment, identifier les parties de l'image susceptibles d'englober un nodule, en élaborant un histogramme regroupant, pour chaque direction à partir d'un point sélectionné par l'opérateur, les voxels et les variables booléennes qui leur sont respectivement associées et qui sont obtenues par filtrage des valeurs de densité relatives. On procède alors, à partir de cet histogramme, à l'élaboration d'un volume suspect V.
De préférence, pour procéder au calcul de cet histogramme, on utilise une fonction de filtrage avec hystérésis, de manière à éviter l'apparition d'erreurs de discontinuité ou de segmentation.
<Desc/Clms Page number 12>
Comme visible sur la figure 3, à l'issu de cette étape 40, on a élaboré un volume V dans lequel s'inscrit une partie de l'image, c'est- à-dire une zone de l'image qui englobe un nodule, du fond, des vaisseaux, et, le cas échéant, la paroi du poumon.
Lors de l'étape 42 suivante, on procède à une segmentation proprement dite de l'image pour identifier dans cette dernière une région d'intérêt, c'est-à-dire à réaliser une discrimination entre, d'une part, un nodule, des vaisseaux, et la paroi du poumon, et, d'autre part, le fond.
Comme indiqué précédemment, la segmentation mise en oeuvre au cours de cette étape 42 est réalisée par segmentation morphologique, en particulier par extraction de lignes de partage des eaux.
On obtient alors l'image visible sur la figure 4, laquelle correspond à une image en trois dimensions d'un nodule N et des vaisseaux V'qui lui sont associés.
Lors de l'étape 44 suivante, le calculateur 20 procède à une modélisation d'un ellipsoïde qui s'inscrit dans la région d'intérêt, de manière à décider que les voxels inscrits dans cette dernière correspondront à un nodule.
Pour ce faire, et comme décrit précédemment en référence à la figure 5, il est procédé à l'élaboration d'un champ de distance Euclidien par rapport au pourtour de la région d'intérêt. Ainsi, on associe aux voxels situés sur le pourtour de la région d'intérêt une valeur numérique nulle, et aux voxels situés à la plus grande distance du pourtour, une valeur numérique élevée.
On décide alors que le voxel ayant la valeur de distance la plus élevée constitue le centre de l'ellipsoïde. Cet ellipsoïde est constitué par une sphère.
Dans ce cas, cette sphère est choisie comme étant la plus grande des sphères ayant comme centre le point précédemment mentionné et qui soit inscrite dans la région d'intérêt.
Lors de l'étape 46 suivante, le calculateur 20 procède à une phase de transformation de distance géodésique, de manière à créer des
<Desc/Clms Page number 13>
surfaces géodésiques inscrites chacune dans l'élément d'intérêt et constituées chacune par un ensemble de voxels équidistants du centre.
Comme représenté sur la figure 6, ces surfaces géodésiques S sont créées à partir du centre et s'étendent à distance croissante par rapport à ce dernier. Elles sont formées en affectant à chaque voxel de chaque surface géodésique, une même valeur numérique de distance géodésique.
Comme on le conçoit, les surfaces géodésiques situées à l'intérieur de la plus grande sphère inscrite dans l'élément d'intérêt sont généralement elles-mêmes constituées par des sphères, les surfaces géodésiques s'étendant en dehors de cette dernière étant formées par des surfaces sensiblement concaves, lesquelles peuvent être partiellement ou non inclues ou non dans un vaisseau ou dans un nodule.
Le calculateur identifie alors les voxels inscrits dans la plus grande sphère comme correspondant à un nodule et procède à un traitement séparé de chaque surface géodésique située en dehors de la sphère, de manière à déterminer si les voxels qui la constituent correspondent ou non à un nodule.
Comme indiqué précédemment, cette étape est essentiellement effectuée en détectant un accroissement brusque de critères morphologiques, tels que la connectivité des voxels et la distance les séparant du centre de la sphère.
On procède alors, lors de l'étape 48 suivante, à un affichage en trois dimensions du nodule ainsi identifié et à un calcul de son volume.
On notera enfin que l'invention qui vient d'être décrite permet une détection de nodules pleuraux, c'est-à-dire de nodules s'étendant à partir de la paroi d'un poumon.
Dans ce cas, pour la mise en oeuvre de la détection de tels nodules, précédemment à l'étape de segmentation 42 ci-dessus mentionnée, on procède à une détection de la paroi du poumon, on élabore un masque à partir de cette paroi détectée et l'on applique le
<Desc/Clms Page number 14>
masque à l'image tomographique du poumon, de manière à en extraire la paroi pulmonaire.
Pour ce faire, par exemple, on fait croître dans le poumon un volume à contour fermé jusqu'à ce que ce dernier s'applique contre la paroi P du poumon.
La forme ainsi obtenue est alors simplifiée de manière à supprimer les vaisseaux, les nodules, en utilisant un outil morphologique. Après extraction de la paroi du poumon, le nodule est alors traité à l'aide de la technique précédemment mentionnée (figures 10 et 11).
Claims (16)
1. Procédé de détection et de caractérisation automatique de nodules (N) dans une image tomographique d'une zone anatomique d'un patient, comprenant une segmentation de l'image pour identifier dans cette dernière une région d'intérêt (N, V) et un traitement de l'image segmentée pour identifier le nodule (N), caractérisé en ce qu'au cours de l'étape de traitement, on modélise un ellipsoïde inscrit dans la région d'intérêt, on décide que les éléments d'image inscrits dans cet ellipsoïde correspondent à un nodule et, pour chaque zone de la région d'intérêt s'étendant en dehors de l'ellipsoïde, on identifie les éléments d'image n'appartenant pas au nodule en fonction de critères de morphologie mathématique.
2. Procédé selon la revendication 1, caractérisé en ce qu'on procède à l'élaboration d'un champ de distance Euclidien par rapport au pourtour de la région d'intérêt segmentée, on détermine les éléments d'image ayant localement la plus grande valeur de distance et l'on positionne le centre de l'ellipsoïde sur un élément d'image ayant la plus grande valeur de distance.
3. Procédé selon la revendication 2, caractérisé en ce que ledit ellipsoïde est constitué par une sphère délimitée par le plus grand volume sphérique ayant ledit centre et inscrit dans l'élément d'intérêt.
4. Procédé selon l'une des revendications 2 et 3, caractérisé en ce que l'on procède à une transformation de distance géodésique de manière à créer, à partir dudit centre, des surfaces géodésiques (S) s'étendant respectivement à des distances croissantes par rapport à ce dernier et délimitées chacune par un ensemble d'éléments d'image inscrits dans l'élément d'intérêt et équidistants du centre.
5. Procédé selon la revendication 4, caractérisé en ce qu'au cours de l'étape d'identification des éléments d'image n'appartenant pas au nodule, on procède à un traitement séparé de chaque surface géodésique (S) située en dehors de ladite sphère de manière à déterminer si les éléments d'images qui la constituent correspondent au moins en partie à un nodule.
<Desc/Clms Page number 16>
6. Procédé selon la revendication 5, caractérisé en ce qu'au cours du traitement de chaque surface géodésique, on procède à une analyse discriminante à partir d'au moins un critère morphologique choisi parmi la distance la séparant du centre de la sphère, la connectivité des éléments d'image de la surface géodésique avec les précédentes et la distance euclidienne maximale sur cet élément d'image.
7. Procédé selon l'une quelconque des revendications 1 à 6, caractérisé en ce que l'étape de segmentation est réalisée par segmentation morphologique, en particulier par extraction de lignes de partage des eaux (LPE).
8. Procédé selon l'une quelconque des revendications 1 à 7, caractérisé en ce que préalablement à l'étape de segmentation, on procède à un filtrage préalable au cours de laquelle on élabore un volume (V) dans lequel s'inscrit une partie de l'image susceptible d'englober un nodule, ladite étape de segmentation étant réalisée sur les éléments d'image dudit volume.
9. Procédé selon la revendication 8, caractérisé en ce que l'étape de filtrage est réalisée par seuillage de valeurs numériques associées aux éléments d'image.
10. Procédé selon la revendication 8, caractérisé en ce que ladite étape de seuillage est réalisée par segmentation morphologique, en particulier par extraction de lignes de partage des eaux (LPE).
11. Procédé selon l'une quelconque des revendications 8 à 10, caractérisé en ce que, à partir d'un point sélectionné (X), on élabore un histogramme de variables booléennes d'identification de ladite partie d'image susceptible d'englober un nodule (N), les variables booléennes étant issues du filtrage des valeurs numériques respectivement associées à des éléments d'image s'étendant à partir du point sélectionné selon un ensemble de directions, ledit volume (V) étant élaboré à partir desdites variables booléennes.
12. Procédé selon l'une quelconque des revendications 1 à 11, caractérisé en ce que préalablement à l'étape de segmentation, on procède en outre à une étape de détection de la paroi (P) d'un organe
<Desc/Clms Page number 17>
de la zone anatomique examinée, on élabore un masque à partir de la paroi détectée, et l'on applique le masque à l'image tomographique.
13. Procédé selon la revendication 12, caractérisé en ce qu'au cours de l'étape de détection de la paroi de l'organe, on modélise un volume à contour s'appliquant contre la paroi interne de l'organe dans l'organe, puis on filtre le contour dudit volume pour en extraire les éléments d'image n'appartenant pas à ladite paroi.
14. Programme d'ordinateur destiné à être chargé dans la mémoire interne d'un calculateur, caractérisé en ce qu'il comporte un ensemble de codes d'instruction adaptés pour la mise en oeuvre d'un procédé selon l'une quelconque des revendications 1 à 13, lorsqu'il est exécuté au sein du calculateur.
15. Utilisation d'un procédé selon l'une quelconque des revendications 1 à 13 pour la détection et la caractérisation de nodules pulmonaires.
16. Système d'imagerie médicale par tomodensimétrie, comprenant un émetteur de rayons X (16), des moyens de détection (18) correspondants aptes à mesurer les différences de densité d'absorption des rayons X par les tissus d'une zone anatomique examinée et un calculateur (20) de traitement des signaux issus des moyens de détection (18) pour l'élaboration d'une image de ladite zone anatomique, le calculateur (20) comportant des moyens (28) de segmentation d'image pour identifier dans cette dernière une région d'intérêt et des moyens (30,32, 34,36) de traitement de l'image segmentée pour l'identification de nodules présents dans cette dernière, caractérisé en ce que le calculateur (20) comporte en outre des moyens (30) pour modéliser un ellipsoïde inscrit dans la région d'intérêt pour décider que les éléments d'image inscrits dans cet ellipsoïde correspondent à un nodule et des moyens (32,34) d'analyse par morphologie mathématique pour identifier dans chaque zone de la région d'intérêt s'étendant en dehors de l'ellipsoïde, les éléments d'image n'appartenant pas au nodule.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR0115187A FR2832832A1 (fr) | 2001-11-23 | 2001-11-23 | Procede de detection et de caracterisation automatique de nodules dans une image tomographique et systeme d'imagerie medicale par tomodensimetrie correspondant |
US10/302,135 US7295870B2 (en) | 2001-11-23 | 2002-11-22 | Method for the detection and automatic characterization of nodules in a tomographic image and a system of medical imaging by tomodensimetry |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR0115187A FR2832832A1 (fr) | 2001-11-23 | 2001-11-23 | Procede de detection et de caracterisation automatique de nodules dans une image tomographique et systeme d'imagerie medicale par tomodensimetrie correspondant |
Publications (1)
Publication Number | Publication Date |
---|---|
FR2832832A1 true FR2832832A1 (fr) | 2003-05-30 |
Family
ID=8869726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR0115187A Withdrawn FR2832832A1 (fr) | 2001-11-23 | 2001-11-23 | Procede de detection et de caracterisation automatique de nodules dans une image tomographique et systeme d'imagerie medicale par tomodensimetrie correspondant |
Country Status (2)
Country | Link |
---|---|
US (1) | US7295870B2 (fr) |
FR (1) | FR2832832A1 (fr) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030105395A1 (en) * | 2001-12-05 | 2003-06-05 | Li Fan | Vessel-feeding pulmonary nodule candidate generation |
GB2451367B (en) * | 2004-05-20 | 2009-05-27 | Medicsight Plc | Nodule Detection |
US7684602B2 (en) * | 2004-11-18 | 2010-03-23 | Siemens Medical Solutions Usa, Inc. | Method and system for local visualization for tubular structures |
US8892188B2 (en) | 2005-02-11 | 2014-11-18 | Koninklijke Philips N.V. | Identifying abnormal tissue in images of computed tomography |
US7809174B2 (en) * | 2005-03-21 | 2010-10-05 | General Electric Company | Method and system for segmentation of computed tomography image data |
US20070116357A1 (en) * | 2005-11-23 | 2007-05-24 | Agfa-Gevaert | Method for point-of-interest attraction in digital images |
US8224057B2 (en) * | 2007-10-18 | 2012-07-17 | Siemens Aktiengesellschaft | Method and system for nodule feature extraction using background contextual information in chest x-ray images |
CN101502420B (zh) * | 2008-02-05 | 2013-05-22 | Ge医疗系统环球技术有限公司 | 图像处理方法和设备 |
US8115784B2 (en) * | 2008-11-26 | 2012-02-14 | General Electric Company | Systems and methods for displaying multi-energy data |
US8442309B2 (en) * | 2009-06-04 | 2013-05-14 | Honda Motor Co., Ltd. | Semantic scene segmentation using random multinomial logit (RML) |
US8854042B2 (en) | 2010-08-05 | 2014-10-07 | Life Services, LLC | Method and coils for human whole-body imaging at 7 T |
WO2012106580A2 (fr) | 2011-02-04 | 2012-08-09 | The Regents Of The University Of California | Procédés et appareil pour une détection et une imagerie radiologiques assistées par ordinateur |
CA2884167C (fr) * | 2012-09-13 | 2020-05-12 | The Regents Of The University Of California | Systeme et procede de detection automatisee de nodules pulmonaires dans des images medicales |
US10191128B2 (en) | 2014-02-12 | 2019-01-29 | Life Services, LLC | Device and method for loops-over-loops MRI coils |
US10281534B2 (en) | 2014-03-20 | 2019-05-07 | Life Services, LLC | Tissue-slice MRI coil and rotation mechanism |
US10288711B1 (en) | 2015-04-30 | 2019-05-14 | Life Services, LLC | Device and method for simultaneous TX/RX in strongly coupled MRI coil loops |
US10827948B1 (en) | 2015-11-25 | 2020-11-10 | Life Services, LLC | Method and apparatus for multi-part close fitting head coil |
US10324146B2 (en) | 2016-01-12 | 2019-06-18 | Life Services, LLC | Method and apparatus for multi-part body coil |
US10102665B2 (en) * | 2016-12-30 | 2018-10-16 | Biosense Webster (Israel) Ltd. | Selecting points on an electroanatomical map |
DE102020201928A1 (de) * | 2020-02-07 | 2021-08-12 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren zur Deformationskorrektur |
US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
US11749401B2 (en) * | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
CN112837316B (zh) * | 2021-03-16 | 2024-01-12 | 深圳市瑞沃德生命科技有限公司 | 聚团细胞识别方法及其装置 |
CN114187252B (zh) * | 2021-12-03 | 2022-09-20 | 推想医疗科技股份有限公司 | 图像处理方法及装置、调整检测框的方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6088473A (en) * | 1998-02-23 | 2000-07-11 | Arch Development Corporation | Method and computer readable medium for automated analysis of chest radiograph images using histograms of edge gradients for false positive reduction in lung nodule detection |
US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5779634A (en) | 1991-05-10 | 1998-07-14 | Kabushiki Kaisha Toshiba | Medical information processing system for supporting diagnosis |
EP0616290B1 (fr) | 1993-03-01 | 2003-02-05 | Kabushiki Kaisha Toshiba | Système de traitement d'informations médicales pour assistance diagnostique |
DE69434131T2 (de) * | 1993-05-05 | 2005-11-03 | Koninklijke Philips Electronics N.V. | Vorrichtung zur Segmentierung von aus Texturen bestehenden Bildern |
US5790690A (en) | 1995-04-25 | 1998-08-04 | Arch Development Corporation | Computer-aided method for automated image feature analysis and diagnosis of medical images |
US6141437A (en) | 1995-11-22 | 2000-10-31 | Arch Development Corporation | CAD method, computer and storage medium for automated detection of lung nodules in digital chest images |
US6909797B2 (en) | 1996-07-10 | 2005-06-21 | R2 Technology, Inc. | Density nodule detection in 3-D digital images |
US6630937B2 (en) | 1997-10-30 | 2003-10-07 | University Of South Florida | Workstation interface for use in digital mammography and associated methods |
US6138045A (en) | 1998-08-07 | 2000-10-24 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
US6693962B1 (en) * | 1999-02-01 | 2004-02-17 | Thomson Licensing S.A. | Process to extract regions of homogeneous texture in a digital picture |
US20020177551A1 (en) | 2000-05-31 | 2002-11-28 | Terman David S. | Compositions and methods for treatment of neoplastic disease |
US6902935B2 (en) * | 1999-12-15 | 2005-06-07 | Medispectra, Inc. | Methods of monitoring effects of chemical agents on a sample |
AU2001256992A1 (en) | 2000-04-07 | 2001-10-23 | Stephen R. Aylward | Systems and methods for tubular object processing |
US7274810B2 (en) * | 2000-04-11 | 2007-09-25 | Cornell Research Foundation, Inc. | System and method for three-dimensional image rendering and analysis |
US20020028008A1 (en) | 2000-09-07 | 2002-03-07 | Li Fan | Automatic detection of lung nodules from high resolution CT images |
EP1356419B1 (fr) * | 2000-11-22 | 2014-07-16 | MeVis Medical Solutions AG | Interface graphique utilisateur servant a afficher des informations anatomiques |
US20020094119A1 (en) | 2001-01-18 | 2002-07-18 | Velayudhan Sahadevan | High resolution digitized image analysis of chest x-rays for diagnosis of difficult to visualize evolving very ealrly stage lung cancer, pnumoconiosis and pulmonary diseases |
US20020164061A1 (en) * | 2001-05-04 | 2002-11-07 | Paik David S. | Method for detecting shapes in medical images |
US20030072479A1 (en) | 2001-09-17 | 2003-04-17 | Virtualscopics | System and method for quantitative assessment of cancers and their change over time |
US6985612B2 (en) * | 2001-10-05 | 2006-01-10 | Mevis - Centrum Fur Medizinische Diagnosesysteme Und Visualisierung Gmbh | Computer system and a method for segmentation of a digital image |
US6766043B2 (en) * | 2001-11-23 | 2004-07-20 | R2 Technology, Inc. | Pleural nodule detection from CT thoracic images |
-
2001
- 2001-11-23 FR FR0115187A patent/FR2832832A1/fr not_active Withdrawn
-
2002
- 2002-11-22 US US10/302,135 patent/US7295870B2/en not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
US6088473A (en) * | 1998-02-23 | 2000-07-11 | Arch Development Corporation | Method and computer readable medium for automated analysis of chest radiograph images using histograms of edge gradients for false positive reduction in lung nodule detection |
Non-Patent Citations (1)
Title |
---|
ARMATO S G ET AL: "THREE-DIMENSIONAL APPROACH TO LUNG NODULE DETECTION IN HELICAT CT", PROCEEDINGS OF THE SPIE, SPIE, BELLINGHAM, VA, US, vol. 3661, 22 February 1999 (1999-02-22), pages 553 - 559, XP008002236 * |
Also Published As
Publication number | Publication date |
---|---|
US20030167001A1 (en) | 2003-09-04 |
US7295870B2 (en) | 2007-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
FR2832832A1 (fr) | Procede de detection et de caracterisation automatique de nodules dans une image tomographique et systeme d'imagerie medicale par tomodensimetrie correspondant | |
Murugesan et al. | A hybrid deep learning model for effective segmentation and classification of lung nodules from CT images | |
CA2884167C (fr) | Systeme et procede de detection automatisee de nodules pulmonaires dans des images medicales | |
John et al. | Multilevel thresholding based segmentation and feature extraction for pulmonary nodule detection | |
JP6031454B2 (ja) | 撮像データにおける潜在異常を特定する方法及び装置並びに医用画像へのその応用 | |
FR2902218A1 (fr) | Procede de traitement d'images de tomosynthese pour une detection de signes radiologiques | |
Yan et al. | Marker‐controlled watershed for lymphoma segmentation in sequential CT images | |
FR2897461A1 (fr) | Dispositif de rayonnement x et procede de traitement d'images | |
JP2003225231A (ja) | 肺疾患検出のための方法及びシステム | |
FR2838542A1 (fr) | Procede et appareil pour fournir des metriques d'image mammographique a un clinicien. | |
EP1381997A2 (fr) | Methode et systeme de detection automatique de nodules pulmonaires a partir d'images de tomodensitometrie haute resolution (tdm-hr) multicoupe | |
FR2905256A1 (fr) | Procede d'obtention d'une image de tomosynthese | |
FR2897182A1 (fr) | Procede de traitement d'images de projection en tomosynthese pour une detection de signes radiologiques | |
FR2963976A1 (fr) | Procede de traitement d'images pour la determination de zones suspectes dans une matrice tissulaire, et son utilisation pour la navigation 3d a travers la matrice tissulaire | |
US7480401B2 (en) | Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data | |
FR2909207A1 (fr) | Procede de visualisation tridimensionnelle d'images de tomosynthese en mammographie. | |
EP0348434A1 (fr) | Procede de representation d'images de vues d'un objet. | |
CA2585465A1 (fr) | Systeme et dispositif de logiciel, et procede de segmentation d'une image | |
CN111899850A (zh) | 医学影像的信息处理方法、显示方法及可读存储介质 | |
FR2921177A1 (fr) | Procede de traitement d'images anatomiques en volume et systeme d'imagerie mettant en oeuvre ce procede | |
CN111563876B (zh) | 一种医学影像的获取方法、显示方法 | |
US6891922B2 (en) | Methods and apparatus for the classification of nodules | |
FR2881255A1 (fr) | Procede d'elaboration d'une image renale | |
EP3551041A1 (fr) | Dispositif de visualisation d'un organe interne d'un patient ainsi qu'un procede de visualisation associe | |
Mastouri et al. | A morphological operation-based approach for Sub-pleural lung nodule detection from CT images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
ST | Notification of lapse |