JP2007061607A - 第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム - Google Patents

第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム Download PDF

Info

Publication number
JP2007061607A
JP2007061607A JP2006226681A JP2006226681A JP2007061607A JP 2007061607 A JP2007061607 A JP 2007061607A JP 2006226681 A JP2006226681 A JP 2006226681A JP 2006226681 A JP2006226681 A JP 2006226681A JP 2007061607 A JP2007061607 A JP 2007061607A
Authority
JP
Japan
Prior art keywords
probability
image
centerline
training images
esophagus
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Withdrawn
Application number
JP2006226681A
Other languages
English (en)
Inventor
Mikael Rousson
ルッソン ミカエル
Chenyang Xu
スー チェンヤン
Ying Bai
バイ イン
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 JP2007061607A publication Critical patent/JP2007061607A/ja
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/768—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using context analysis, e.g. recognition aided by known co-occurring patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

【課題】１つ以上のトレーニング画像を使用して、食道、大動脈及び左心房を含む画像データを処理するための新しい方法及びシステムを提供することである。
【解決手段】上記課題は、方法において、画像内の１つ以上の他のオブジェクトをセグメント化すること、１つ以上のトレーニング画像及び画像内の１つ以上の他のオブジェクトのセグメンテーションに基づいて画像内の第１のオブジェクトの中心線を決定すること、第１のオブジェクトの中心線に対する外側境界を生成することを含む、１つ以上のトレーニング画像を使用して第１のオブジェクト及び１つ以上の他のオブジェクトを含むことによって解決される。
【選択図】図５

Description

本発明は、１つ以上のトレーニング画像を使用して第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステムに関する。
本出願は２００５年８月３０日提出の米国仮出願第６０／７１２５７１号の利益を主張し、この仮出願は参照によりここに組み込まれている。
特に、本発明は医療画像におけるオブジェクトのセグメンテーションに関する。より特化すれば、本発明はベイズのアプローチを使用する食道のセグメンテーションに関連する。
左心房（ＬＡ）のカテーテルアブレーションは心房細動、発作の主要原因に対する標準的な治療方法となっている。近年、通常結果的に死をもたらす心房食道フィステル、左心房の後部壁のアブレーティングの合併症の発生の複数のレポートがあった。術前ＣＴは心房食道フィステルの低減されたリスクを有するアブレーションストラテジを考案するのに使用される左心房に対する食道の位置についての貴重な情報を提供することができるだろう。患者が一般的な麻酔下にはなく食道がアブレーションプロシージャの間に運動しうる状況では、抽出された食道形状及び前／後方向に沿ったこの食道の位置は、おそらくあまり正確でなくても、まだ医師のアブレーション決定を助けるのに役立ちうるであろう。この制限は直接インターベンショナルＣＴ（interventional CT）において食道を抽出する方法論を提供することによって低減されうるだろう。なぜならデータはこの場合プロシージャの間に収集され、従って食道運動の問題にはあまりならない傾向があるからである。
「標準的な」技術による食道のセグメンテーションは可能ではない。なぜなら、食道は少数のスライスにおいてのみ見えるからである。しかし、専門家はまだ良好な自信をもって食道の位置を推定することができる。これは、専門家が食道の可視部分のみに頼るのではなく、コンテクストすなわち周囲構造物にも頼るから可能なのである。図１に示されたように、食道のそれぞれの位置（その端点として１０１及び１０２）、左心房及び大動脈が良好に制約される。これを含めてハイレベルな知識がセグメンテーションのロバスト性及び信頼性を劇的に改善しうる。従って医療画像における食道をセグメント化するための改善された方法が必要とされる。
米国仮出願第６０／７１２５７１号 T.Kapur, "Model-based three-dimensional medical image segmentation." PhD thesis, MIT Artificial Intelligence Lab, 1999 H.Lombaert,Y.Sun,L.Grady, and C.Xu."A multilevel banded graph cuts method for fast image segmentation." in Proceedings of ICCV 2005.I.pp.259-265. IEEE (Bejing. China). Oct.2005 P.J.Besl and N.D.McKay. "A method for registration of 3-d shapes", IEEE Trans. Pattern Anal. Mach. Intell. 14(2).pp.239-256. 1992 D.Rueckert,L.I.Sonoda,C.Hayes,D.L.G.Hill.M.O.Leach,and D.J.Hawkes, "Non-rigid registration using free-form deformations: Application to breast mr images." IEEE Transactions on Medical Imaging 18(8),pp.712-721.1999 C.Chefd'hotel. "Geometric Methods in Computer Vision and Image Processing: Contributions and Applications." PhD thesis, Ecole Normale Suprieure de Cachan, April 2005 J.A.Sethian, "A fast marching level set method for monotonically advancing fronts." In Proceedings of the National Academy of Sciences, volume93, pages1591-1694,1996 Laurent D. Cohen and Ron Kimmel, "Global minimum for active contour models: A minimum path approach." International Journal of Computer Vision, 24(1):57-78, August 1997 M.Taron, N.Paragois,and M.-P.Jolly,"Border detection on short axis echocardiographic views using a region based ellipse-driven framework," in MICCAI(1),C.Barillot, D.R.Haynor and P.Hellier, eds., Lecture Notes in Computer Science 3216, pp.443-450. Springer, 2004
本発明の課題は、１つ以上のトレーニング画像を使用して、食道、大動脈及び左心房を含む画像データを処理するための新しい方法及びシステムを提供することである。
上記課題は、方法において、画像内の１つ以上の他のオブジェクトをセグメント化すること、
１つ以上のトレーニング画像及び画像内の１つ以上の他のオブジェクトのセグメンテーションに基づいて画像内の第１のオブジェクトの中心線を決定すること、
第１のオブジェクトの中心線に対する外側境界を生成することによって解決され、
さらに上記課題は、システムにおいて、プロセッサ、このプロセッサにおいて動作可能なアプリケーションソフトウェアを有し、このアプリケーションソフトウェアは次のことを行うためのものであり、すなわち、
１つ以上のトレーニング画像を使用して第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理し、この処理は次のことを含む、すなわち、
画像内の１つ以上の他のオブジェクトをセグメント化すること、
１つ以上のトレーニング画像及び画像内の１つ以上の他のオブジェクトのセグメンテーションに基づいて画像内の第１のオブジェクトの中心線を決定すること、
第１のオブジェクトの中心線に対する外側境界を生成することを含むことによって解決される。
本発明の１つのアスペクトは、１つ以上のトレーニング画像を使用して、食道、大動脈及び左心房を含む画像データを処理するための新しい方法及びシステムを提供する。
本発明の別のアスペクトによれば、本発明の方法は、１つ以上のトレーニング画像を使用して食道、大動脈及び左心房を含む画像を処理するために設けられており、この方法は、画像内の大動脈及び左心房をセグメント化すること、１つ以上のトレーニング画像及び画像内の大動脈及び左心房のセグメンテーションに基づいて画像内の食道の中心線を決定すること、及び、食道の中心線に対する外側境界を生成することを含む。
本発明のさらに別のアスペクトによれば、基準にレジスタされた１つ以上のトレーニング画像の大動脈及び左心房のレジスタされたセグメンテーションに対する１つ以上のトレーニング画像の食道の中心線に依存して、画像の要素が同一の基準にレジスタされた大動脈及び左心房の位置に対する食道の中心線の部分である第１の確率を決定し、食道の推定された中心線が１つ以上のトレーニング画像の強度ヒストグラムに対する強度ヒストグラムを有する第２の確率を決定し、第１の確率及び第２の確率を単一項に結合し、及び、この単一項を最適化する。
第１の確率は
と表現され、さらに、第２の確率は
と表現される。第１の確率及び第２の確率は
として結合される。
本発明の他のアスペクトによれば、エネルギ項
として第１の確率及び第２の確率の結合を表現する方法が提供され、この方法は食道の２つの端点を使用し、及び、エネルギ項を最小化するために２つの端点を使用して最短パスアルゴリズムを適用する。エネルギ項は食道内の検出されたエアホールに対して調整されうる。
本発明の更に別のアスペクトによれば、食道の外側境界を決定するための方法が提供され、この方法は次のことを含む、すなわち、一連の楕円のスライスとして食道の外側境界を定義すること、食道の中心線上に楕円の中心を初期設定すること、楕円の内側及び外側の強度尤度に基づいてエネルギ項として各スライスにおける楕円に対する領域ベースの規準を表現すること、隣接する楕円の間に正則化を加えること、各楕円の全てのエネルギ項を結合されたエネルギ表現に結合すること、及び、結合されたエネルギ表現を最小化することを含む。
１つ以上のトレーニング画像を使用して食道、大動脈及び左心房を含む画像を処理し、プロセッサ及びこのプロセッサにおいて動作可能なアプリケーションソフトウェアを含むシステムが本発明の１つのアスペクトによれば設けられる。このアプリケーションソフトウェアはここに記述される方法の全てを実施することができる。
非常に少数の研究が例えば画像データにおける異なる構造物間の空間的相関をモデル化することを考察してきた。１つはT.Kapur, "Model-based three-dimensional medical image segmentation." PhD thesis, MIT Artificial Intelligence Lab, 1999においてKapurにより導入された「距離モデル（"Distance Model"）」である。この参考文献では、著者は、もし１つのボクセルと構造物との間のユークリッド距離が与えられるならば、このボクセルが別の構造物に所属する条件確率をモデル化する。このモデルはＭＲ脳画像におけるいくつかの構造物のセグメンテーションのためにマルコフ確率場（Markov Random Field）ベースの組織分類子に結合される。このモデルは脳組織を分類するために適応され、食道に関連する構造物のセグメンテーションはより制約されたアプローチを必要とする。それは構造物間の距離に基づくのではなく、それらの相対的な位置に基づかなくてはならない。この目的のために、全ての関連画像が選択されたアンカー（anchor）又は一次構造物に従ってレジスタ（register）される必要がある。これは基準ベース（reference base）を提供し、この基準ベースにおいて二次構造物の位置が一次構造物に関して学習されうる。本発明では、アンカー構造物は左心房（ＬＡ）及び大動脈であり、他方で二次構造物は食道である。このモデリングの主な理由は一次構造物が二次構造物よりも容易に抽出されうることである。
食道の位置を確定することにおいて医師のアプローチを模倣しようと試みる方法が提示される。本発明のアスペクトであるセグメンテーションの方法は３つのフェーズを含む。（１）ＬＡ及び大動脈により定義される基準ベースにおいてトレーニングセットからの食道の相対的位置及び外観モデリング。（２）最短パスアルゴリズムを効率的に使用して食道中心線の自動的な抽出を可能にするフェーズ１のモデルを統合するための確率的定式化。（３）食道外側表面を抽出するための中心線の延長。より詳細なこれらのフェーズの記述は次に与える。
食道はＣＴ画像ではほとんど見えないが、大動脈及びＬＡのような隣接する構造物はクリアに見える。さらに、これら２つの構造物と食道の相対的位置は大いに相関している。既知の可視構造物をたよりにしてより多くの「隠れた」構造物を配置するエキスパートのように、本発明の１つのアスペクトであるこの方法は大動脈及びＬＡに関連して食道の相対的位置を学習する。この場合、この方法はア・プリオリにこの情報を使用して新しい画像をセグメント化する。
本発明の１つのアスペクトとしてここで提示される方法は食道の空間的情報だけでなく外観も学習する。この目的のために図示例として２０個のトレーニング画像のセットにおける３つの全ての構造物がラベリングされる。H.Lombaert,Y.Sun,L.Grady, and C.Xu."A multilevel banded graph cuts method for fast image segmentation." in Proceedings of ICCV 2005.I.pp.259-265. IEEE (Bejing. China). Oct.2005において提案されたセグメンテーション方法はＬＡ及び大動脈を抽出するために使用される。さらに、エキスパートが手動で食道をセグメント化するために使用された。
トレーニング画像は共通の基準にアライン（align）される必要がある。直接画像ベースのレジストレーションは断じて適切ではない。なぜなら、周囲構造物に対する食道の空間的分布が失われてしまうからである。それゆえ、基準構造物：大動脈及びＬＡに頼って各画像をレジスタすることが有利である。このゆえに、表面だけに基づくボクセル毎のレジストレーションが推定される必要がある。厳密な変換が最初に例えばP.J.Besl and N.D.McKay. "A method for registration of 3-d shapes, "IEEE Trans. Pattern Anal. Mach. Intell. 14(2).pp.239-256. 1992に記述されているようなＩｔｅｒａｔｉｖｅ Ｃｌｏｓｅｓｔ Ｐｏｉｎｔアルゴリズムを使用して推定される。密なノンリジッドなマッピングが、D.Rueckert,L.I.Sonoda,C.Hayes,D.L.G.Hill.M.O.Leach,and D.J.Hawkes, "Non-rigid registration using free-form deformations: Application to breast mr images." IEEE Transactions on Medical Imaging 18(8),pp.712-721.1999に記述されているようなＦｒｅｅ−Ｆｏｒｍ Ｄｅｆｏｒｍａｔｉｏｎモデルのような画像グリッドに基づくアプローチを利用して又はC.Chefd'hotel. "Geometric Methods in Computer Vision and Image Processing: Contributions and Applications." PhD thesis, Ecole Normale Suprieure de Cachan, April 2005に記述されているようなジオメトリックフロー推定（geometric flow estimation）によって得られる。Chefd'hotelによれば、本発明において取り上げられる問題の部分は画像ベースのレジストレーションの入力として役立つレベルセット関数により各表面を表すことによって解決される。
ＬＡのような複雑な構造物はそのジオメトリが患者間で比較的可変的な部分を含む（ＬＡに対する細い血管）。この可変性のために、これらの部分は他の器官の相対的位置を学習するための良好な基準として役に立たない。それゆえ、基準構造物のグローバルなジオメトリにたよることが有利である。この目的のために、レジストレーションの前の簡略化アルゴリズムが使用される。それは少数のモルフォロジカルオープニングから成る。図３はこのプロセスの例を示す。モルフォロジカルオープニングはグローバルな構造物の変化を限定するために使用される。図３では３０２が３０１の簡略化バージョンを示す。一度簡略化されると、各表面は前述のアルゴリズムによってセレクトされた基準にレジスタされる。各画像毎に、正確にＬＡ及び大動脈を基準画像のＬＡ及び大動脈にマッピングするワーピング（warping）が得られる。相応の食道セグメンテーションにこれらのワーピングを適用することは基準画像における食道の分布を与える。２０個の画像のセットにおいて得られる食道中心線の分布が図４に示されている。図４は基準大動脈及びＬＡにレジスタされた食道を示す。このレジストレーションは２つの周囲構造物の間のワーピングに基づいている。表面をレジスタするための周囲空間に依存して、密な変換フィールドが画像全体において得られ、この密な変換フィールドは手動でセグメント化された食道に適用され、この図に示されているような分布を提供する。この図で４０１及び４０２はレジスタされた食道の中心線を表す４０３及び４０４を有する２つの異なるビューイング（viewing）方向からのビューを提供する。フローダイアグラムが図２に提示され、アライメントプロシージャのステップを要約している。
空間モデル
Ｎ個のレジスタされた食道中心線のセット｛Ｃ１，．．．，ＣＮ｝が与えられると、ボクセルｘが新しい食道中心線に所属する確率の推定が所望される：ｐc（ｘ｜｛Ｃ１，．．．，ＣＮ｝）。構造物が独立していると仮定すると、次の表現が得られる：
様々な近似値がｐ（ｘ｜Ｃi）を定義するために選択されうる。ｘ∈Ｃiならばそれは１にセットされ、さもなければ０にセットされる。しかし、あまり唐突でない有利な選択は
であり、この場合Ｄ（ｘ、Ｃi）はｘとＣiとの間の最小ユークリッド距離である。他の近似値も考慮してよいのだが、この近似値はJ.A.Sethian, "A fast marching level set method for monotonically advancing fronts." In Proceedings of the National Academy of Sciences, volume93, pages1591-1694,1996に記述されているようなファスト・マーチング（Fast Marching）アルゴリズムを使用してＣiに対する距離関数を計算することにより非常に容易に推定されうるという良好な利点を有する。
外観モデル
食道内部の画像強度の分布も学習される。形状モデルの場合と同様に、トレーニングサンプル間の相関は存在しないと仮定される。強度値Ｉ（ｘ）の事後確率は
によって与えられる。分布ｐ（Ｉ｜Ｃi）を近似するためには、カーネル密度推定が食道の中心線に所属するボクセルのヒストグラムに適用される：
Ｋは
として定義されるガウシアンカーネルである。このモデルはヒストグラムのみに依存し、空間情報を取り入れない。このケースでは、この比較的シンプルなモデルは十分に食道の外観を捕捉する。というのも、その強度はエアホール（air holes）が棄却されているならば多かれ少なかれ均一であるからである。しかし、より精巧なモデルをより複雑な外観を有する構造物に対して導入することもできる。例えば、様々な指向フィルタ（orientated filters）のレスポンスが使用されうるか又は単に画像グラジエントが使用される。しかし、このようなモデルでは次のセクションで記述される最短パスアルゴリズムが適用できないことに気づかなくてはならない。
確率的最短パス−確率的モデル統合
次のステップは新しい食道の抽出における前述したモデルの統合である。確率的定式化を考察すると２つのモデルが新しい食道の確率を表現することを許容することが明白になる。目的は未知の食道の中心線を表す最も確からしい曲線Ｃを見つけ出すことである。ボクセルが独立していると仮定すると、これは
と表現される。各ファクタは全確率の定理を使用してトレーニングサンプルに関して表現される：
最初のファクタは式（１）により与えられ、第２項はベイズの規則によって書き換えられる：ｐ（Ｃi｜Ｉ（x））∝ｐ（Ｉ（ｘ）｜Ｃi）ｐ（Ｃi）。もし複数のトレーニング食道が同程度の確率をもつ（equiprobable）のならば、項ｐ（Ｃi）は定数であり、除去できる。式（２）の外観モデルにより制御される形状モデルの選択で終了する。
確率的最短パス−エネルギ定式化及び最短パスアルゴリズム
ｐ（Ｃ｜Ｉ）を最大化することはその負の対数を最小化することと等価である。これは曲線に沿った連続積分による上記の積の置換を許容する。すなわち、
である。
食道の２つの端点｛ｘ０，ｘ１｝が与えられると、最適解がLaurent D. Cohen and Ron Kimmel, "Global minimum for active contour models: A minimum path approach." International Journal of Computer Vision, 24(1):57-78, August 1997に記述されているような最短パスアルゴリズムによって得られる。このアプローチは次の２つのステップを含む：
１．Ｅ（Ｃ（ｘ０，ｘ））の値はファスト・マーチングアルゴリズムによりアイコナール方程式
を解くことによって推定される。
２．ｘ１からｘ０までのバックプロパゲーションが最適パスを与える。すなわち、
である。
この最短パスアプローチを使用して得られる結果は図８に示されている。図８は本発明の１つのアスペクトによる１つの中心線抽出の３つ異なるビュー８０１、８０２、８０３及び別の中心線抽出の３つの異なるビュー８０４、８０５、８０６を示す。明白なことは、グラウンドトルース（ground truth）は抽出された中心線と非常に近いことである。明瞭化のためにグラウンドトルースと抽出された中心線は８０１、８０４及び８０５では図示目的のために強調されている。濃いライン８０７は抽出された中心線であり、他方で点線８０８はグラウンドトルースである。明らかにこれら２つの線は中心線の大部分において一致しており、限定された距離に亘ってほんの少しだけ異なっている。同じことは図示例として線８０９及び８１０を有するビュー８０４にも当てはまる。
これまでは、食道の外観はトレーニングデータから得られるそのヒストグラムによってモデル化されてきた。これらのヒストグラムは全て図６に示されたヒストグラムに非常に類似している。１つのピークは１０５０あたりの強度において現れる。このモードは組織強度に相応する。図１で黒く見えるように、エアホールに相応する強度も存在する。これらのエアホールは通常は食道の非常に小さいパーセンテージを表し、ヒストグラムによっては十分に記述できない。この結果、間違った中心線抽出が生じうる。というのも、外観モデルはエアホールを含まないようにしようとするからである。この問題を解決するためにはエアホールを検出するための方法が提示され、従ってコスト関数を修正することによってフォローされる。抽出される中心線が実際の中心線に比較的近いと仮定すると、エアホールはそれに近いはずである。中心線の近傍の低強度（黒）を有するボクセルを検出し、全部のエアホールを得るために領域成長（region growing）アルゴリズムが使用される。このアプローチはヒューリスティックであるが、全てのテスト画像において良好な検出を与えることが分かっている。一度エアホールが検出されると、コスト関数は
によって修正される。
項ｐ（ｘ∈ＨＯＬＥ｜Ｉ（ｘ））は、ｘがエアホールに分類されるか否かに依存して１か又は０である。ｐ（ｘ｜Ｉ（ｘ），ｘ∈ＨＯＬＥ）は、非エアホールボクセルが中心線（ヒストグラムの最大値）にある最大確率にセットされている。少し平滑化を加えると、図７に示されたコスト関数が与えられる。図７は画像７０１において検出されたエアホール７０３及び７０４を有する元々のコスト関数の適用事例を示す。画像７０２はエアホールを除去し付加的な平滑化が加えられた修正されたコスト関数の適用事例を示す。
内側及び外側境界抽出
一度中心線が抽出されると、食道の内側及び外側境界をセグメント化することが可能となる。エアだけが食道内部にあると仮定すると、内側境界は有利な実施形態では前述のエアホール検出から得られる。第２の実施形態では、中心線の周囲の小さい黒い領域を捕捉する簡単な領域成長を適用することができる。外側境界だけが検出すべきものとして残る。この境界に対して比較的低い強度矛盾を仮定すれば、抽出はいくつかの従来知識によって束縛される必要がある。重要なことは食道の形状が患者間で類似していることである。とりわけ、その配向は主に垂直である。これによって表面抽出のためのロバストなスライスベースのアプローチを適用することが可能となる。適用されることになるモデルは各スライスにおいて定義される楕円のセットを含み、これらの楕円は正則化項（regularization term）に結合される。食道の断面積は正確には楕円形状を持たないが、楕円形状はそれでも非常に良好な近似であり、抽出を非常に効率的に（推定するパラメータが非常に少ない）かつロバストにする。M.Taron, N.Paragois,and M.-P.Jolly, "Border detection on short axis echocardiographic views using a region based ellipse-driven framework," in MICCAI(1),C.Barillot, D.R.Haynor and P.Hellier, eds., Lecture Notes in Computer Science 3216, pp.443-450. Springer, 2004で考察された楕円パラメタライゼーションが適用される。注意すべきは、Θ＝[ｘ０,ｙ０,α,λ,φ]は最適化空間を表し（中心、短及び長軸長、及び配向）、ＲΘ（θ）が楕円のパラメトリック表示を表し、FΘ（ｘ,ｙ）がその陰形式（implicit form）を表すことである。これは、M.Taron, N.Paragois, and M.-P.Jolly, "Border detection on short axis echocardiographic views using a region based ellipse-driven framework.," in MICCAI(1), C.Barillot, D.R.Haynor and P.Hellier, eds.,Lecture Notes in Computer Science 3216, pp.443-450. Springer, 2004に記述されているように楕円における領域ベースの規準を定義することを可能にし、各スライスｚに対して：
ここでＶin及びＶoutは（相応のヒストグラムから得られる）楕円内部の及び外部の強度対数尤度であり、Ｈはヘヴィサイド関数の正則化されたバージョンである。隣接する楕円の間に正則化を加えることは、全ての楕円に亘って定義される単一エネルギ項
を導く。
パラメータΘは勾配降下法を使用して推定される。各スライスｚに対して、
が得られる。ただし
である。
最適化は抽出された中心線上の相応のポイントに楕円の中心をセットすることによってスタートする。短及び長軸は両方とも５ｍｍにセットされる。最小化の間に全パラメータはアップデートされ、中心さえもアップデートされる。それゆえ、中心線も修正される。これは中心線を改善するのに役立つ。
ここで記述されるアプローチを確認するために、食道が手動で２０個の画像のデータセットにセグメント化された。アルゴリズムのパフォーマンスを測定するために、リーブ・ワン・アウト（leave-one-out）ストラテジが適用された。すなわち、従来のモデルが処理される１つの画像を除く全ての画像によって形成される。アルゴリズムへ与えられるただ１つの入力は中心線の端点の位置である（２クリック）。図８には中心線抽出において得られたいくつかの結果が示されている。これらの画像はエアホール除去の効果を示していない。エアホール除去は更なる改善として適用されるだろう。図１２は２０個の画像に対して得られる平均距離誤差をまとめた線図を示す（中間値）。結果の大部分は（２つのボクセルと３つのボクセルとの間の）非常に許容可能な誤差を提供するが、４つの抽出は１０ボクセルを越える誤差を与える。しかし、これはアルゴリズムの最初のステップでしかなく、これらの中心線は表面抽出の間にさらに改善される。
表面抽出は前述のセクションにおいて記述された楕円フィッティング（ellipse fitting）を含む。それは以前に抽出された中心線を初期設定として使用する。図９はグラウンドトルースと比較される３つの異なるビュー９０１、９０２及び９０３における表面抽出を示す。図示目的のために、ビュー９０１において差異が強調されている。グラウンドトルースは点線９０８によって強調されており、抽出された表面は濃い線９０７によって強調されている。濃い線だけが存在する場合には、グラウンドトルース及び抽出された表面の両方は一致している。同じ強調は本発明の１つのアスペクトによる別の表面抽出の３つのビュー９０４、９０５及び９０６を示している図１０においても図示目的のために適用されている。点線９１０はグラウンドトルースを示し、濃い線９０９は抽出された表面を強調する。抽出された表面がグラウンドトルースに非常に近いことが明らかである。複数のスライス１００１、１００２、１００３、１００４及び１００５が結果のより正確な理解のために図１１に提示されている。図示目的のために、グラウンドトルース及び抽出された表面は１００３に示されている。画像１００６はグラウンドトルースを提示し、１００７は抽出された表面を提示している。
これらの画像は表面抽出のパフォーマンスの良好な概要を既に示している。定量的確認として、ダイス類似度係数（Dice similarity coefficient）が抽出された表面と手動セグメンテーションとの間で計算される。それは
として定義され、ここでＳmanual及びＳautoは手動による食道表面及び抽出された食道表面であり、さらに｜｜はボリュームを表す。０．７より大きい値は通常は良好な一致と考えられる。
図１３は各画像において得られる値を示す。０．８０２５の平均値が得られた。これは本発明のアルゴリズムにとって非常に良好なスコアである。この第２のステップが中心線をどれほど改善したか判断することもできる。図１２は平均距離中心線誤差の古い値と新しい値を示している。今や全ての値は３ボクセルより下にあり、それらの大部分は１と２との間にある。
たった２つの端点を指定することによって食道のほぼ自動的なセグメンテーションが本発明の１つのアスペクトとして提示された。周囲構造物を形状及び外観モデルを構築するためのハイレベルな制約として利用することによって、このアプローチはノイズ及びデータ欠如に対してロバストであることが証明されている。従来の情報がベイズの定式化を使用する新しい食道のセグメンテーションのために統合される。これによって自動的に適正なモデルをセレクトすることが可能となる。端点が与えられれば、最短パスアルゴリズムがベイズの定式化に従って最適な食道を提供する。
ここに導入される現在の形状及び外観モデルは説明的な例であり、本発明の１つのアスペクトによって提供される。より一般的な形状及び外観モデルを紹介することができ、本発明の別のアスペクトとして考えられる。例えば１つの更に別の例は脊髄のセグメンテーションであり、脊椎をアンカー構造物として使用する。
図５は本発明のアスペクトによるステップを説明するフローダイアグラムを提供する。
図１４は本発明の１つのアスペクトに従って使用されうるコンピュータシステムを示す。このシステムにはディスプレイされるべき画像を表すデータ１２０１が提供される。それは従来の学習データも含みうる。本発明の方法を含む命令セット又はプログラム１２０２が提供され、プロセッサ１２０３においてデータと結合される。このプロセッサ１２０３はデータ１２０１に適用される１２０２の命令を処理することができ、結果的に得られる画像をディスプレイ１２０４に示す。このプロセッサは専用ハードウェア、ＧＰＵ、ＣＰＵ又は１２０２の命令を実行しうる他のいかなるコンピューティングデバイスでもよい。マウス又はトラックボールのような入力デバイス１２０５又は他の入力デバイスによってユーザはセグメンテーションプロセスを開始することができる。最終的に図１４に示されるようなシステムは画像セグメンテーションのためのインタラクティブシステムを提供する。もちろん、十分な処理パワーを有するコンピュータシステムを使用することが好ましいが、いかなるタイプのコンピュータシステムでも使用できる。ただ例としては、スタンドアロンＰＣ、マルチプロセッサＰＣ、メインフレームコンピュータ、並列処理コンピュータ又は他のタイプのコンピュータが使用されうる。要するに、本発明の１つのアスペクトによれば、一定のアスペクトにおいて食道の位置を確定する点で医師のアプローチを模倣する方法が提示された。本発明の１つのアスペクトであるセグメンテーションの方法は３つのフェーズを含む：（１）左心房及び大動脈により定義される基準ベースにおけるトレーニングセットからの食道の形状及び外観モデリング；（２）各々従来の知識を統合することによる食道中心線の自動抽出；（３）内側及び外側境界への中心線の延長。
この方法は以下のものを含む：
１．食道モデリング
（ａ）左心房及び大動脈は[５] H.Lombaert,Y.Sun,L.Grady, and C.Xu."A multilevel banded graph cuts method for fast image segmentation." in Proceedings of ICCV 2005.I.pp.259-265. IEEE (Bejing. China). Oct.2005に提示されているワンクリックセグメンテーションを使用して各トレーニング画像においてセグメント化される。
（ｂ）食道の中心線が手動で各トレーニング画像においてセグメント化される。
（ｃ）トレーニング画像は左心房及び大動脈に基づく共通基準にレジスタされる。
（ｄ）形状及び外観モデルが基準ベースにおいて食道のために形成される。
２．中心線抽出
（ａ）形状及び外観モデルを統合するベイズの定式化が食道中心線の抽出のために提案される。
（ｂ）最適解が最短パス技術を使用して得られる。
３．内側及び外側境界抽出
（ａ）推定された中心線から、１つの実施形態では、グロウアウト（grow-out）ストラテジが内側境界を見いだすために使用される。エアホールの検出も第２の実施形態において適用される。
（ｂ）もし食道の厚さに関する解剖学的情報が利用可能であるならば、それは同様に外側境界を推定するための束縛条件として取り込まれる。しかし、有利な実施形態では食道の外側境界は食道の推定された中心線及び外側境界を記述する一連の楕円スライスを利用する方法によって決定される。
ここで用語ピクセルについてのいかなる参考文献もボクセルについての参考文献であると考えられる。
以下の参考文献は本発明に一般的に関連する背景情報を提供しこれにより参照により取り込まれている：[１] C.Chefd'hotel. "Geometric Methods in Computer Vision and Image Processing: Contributions and Applications." PhD thesis, Ecole Normale Suprieure de Cachan, April 2005；[２] Laurent D. Cohen and Ron Kimmel, "Global minimum for active contour models: A minimum path approach." International Journal of Computer Vision, 24(1):57-78, August 1997；[３] J.A.Sethian, "A fast marching level set method for monotonically advancing fronts." In Proceedings of the National Academy of Sciences, volume93, pages1591-1694,1996；[４] T.Kapur, "Model-based three-dimensional medical image segmentation." PhD thesis, MIT Artificial Intelligence Lab, 1999；[５] H.Lombaert,Y.Sun,L.Grady, and C.Xu."A multilevel banded graph cuts method for fast image segmentation." in Proceedings of ICCV 2005.I.pp.259-265. IEEE (Bejing. China). Oct.2005；[６] P.J.Besl and N.D.McKay. "A method for registration of 3-d shapes," IEEE Trans. Pattern Anal. Mach. Intell. 14(2).pp.239-256. 1992；
[７]D.Rueckert,L.I.Sonoda,C.Hayes,D.L.G.Hill.M.O.Leach, and D.J.Hawkes, "Non-rigid registration using free-form deformations: Application to breast mr images." IEEE Transactions on Medical Imaging 18(8),pp.712-721.1999；[８] M.Taron, N.Paragois,and M.-P.Jolly,"Border detection on short axis echocardiographic views using a region based ellipse-driven framework," in MICCAI(1),C.Barillot, D.R.Haynor and P.Hellier, eds., Lecture Notes in Computer Science 3216, pp.443-450. Springer, 2004。
本発明の有利な実施形態に適用されるような本発明の基本的な新規な特徴が示され、記述され、指示されているが、図示された装置の形式及び詳細において及びその操作において様々な省略及び置換及び変更が本発明の精神から離れることなしに当業者によって行われうることが理解される。それゆえ、これに添付された請求項の範囲によってのみ指示されるように制限されるべきである。
食道、ＬＡ及び大動脈の相対的な位置を強調している画像の概略図を示す。 本発明の１つのアスペクトにより実施される一連のステップの線図を示す。 表面簡略化の例の概略図を示す。 基準大動脈及びＬＡにレジスタされた食道の例の概略図を示す。 本発明の１つのアスペクトによって実施される一連のステップの線図を示す。 平滑化ありの及び平滑化なしの食道ヒストグラムの例の線図を示す。 エアホール検出及び相応の新しいコスト関数の例の概略図を示す。 異なる視点における食道中心線抽出の２つの例の概略図を示す。 食道の表面抽出の第１の例の概略図を示す。 食道の表面抽出の第２の例の概略図を示す。 食道の表面抽出の異なる軸方向ビューを有する例の概略図を示す。 本発明の方法を適用した定量的結果を示す第１の線図を示す。 本発明の方法を適用した定量的結果を示す第２の線図を示す。 本発明の別のアスペクトによるここに記述されたステップを実施するために使用されるコンピュータシステムの線図である。
符号の説明
１０１ 端点
１０２ 端点
３０１ 基準構造物
３０２ ３０１の簡略化バージョン
４０１ レジスタされた食道
４０２ レジスタされた食道
４０３ レジスタされた食道の中心線
４０４ レジスタされた食道の中心線
７０１ 画像
７０２ 画像
７０３ 検出されたエアホール
７０４ 検出されたエアホール
８０１〜８０３ １つの中心線抽出の３つの異なるビュー
８０４〜８０６ 別の中心線抽出の３つの異なるビュー
８０７ 抽出された中心線
８０８ グラウンドトルース
８０９ グラウンドトルース
８１０ 抽出された中心線
９０１〜９０３ ３つの異なるビューにおける表面抽出
９０４〜９０６ 別の表面抽出の３つの異なるビュー
９０７ 抽出された表面
９０８ グラウンドトルース
９０９ 抽出された表面
９１０ グラウンドトルース
１００１〜１００５ スライス
１００６ グラウンドトルース
１００７ 抽出された表面
１２０１ データ
１２０２ 命令セット又はプログラム
１２０３ プロセッサ
１２０４ ディスプレイ
１２０５ 入力デバイス

Claims (18)

  1. １つ以上のトレーニング画像を使用して第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法であって、該方法は、
    画像内の前記１つ以上の他のオブジェクトをセグメント化すること、
    前記１つ以上のトレーニング画像及び画像内の前記１つ以上の他のオブジェクトのセグメンテーションに基づいて画像内の前記第１のオブジェクトの中心線を決定すること、
    前記第１のオブジェクトの中心線に対する外側境界を生成することを含む、１つ以上のトレーニング画像を使用して第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法。
  2. １つ以上のオブジェクトは第２のオブジェクト及び第３のオブジェクトである、請求項１記載の方法。
  3. 基準にレジスタされた１つ以上のトレーニング画像の第２のオブジェクト及び第３のオブジェクトのレジスタされたセグメンテーションに対する１つ以上のトレーニング画像の第１のオブジェクトの中心線に依存して、画像の要素が同一の基準にレジスタされた第２のオブジェクト及び第３のオブジェクトの位置に対する第１のオブジェクトの中心線の部分である第１の確率を決定すること、
    第１のオブジェクトの推定された中心線が前記１つ以上のトレーニング画像の強度ヒストグラムに対する強度ヒストグラムを有する第２の確率を決定すること、
    第１の確率及び第２の確率を単一項に結合すること、及び、
    前記単一項を最適化することをさらに含む、請求項２記載の方法。
  4. 第１の確率は
    であり、
    さらに、第２の確率は
    である、請求項３記載の方法
  5. 第１の確率及び第２の確率は
    として結合される、請求項４記載の方法。
  6. エネルギ項
    として第１の確率及び第２の確率の結合を表現すること、
    第１のオブジェクトの２つの端点を識別すること、及び、
    前記エネルギ項を最小化するために前記２つの端点を使用して最短パスアルゴリズムを適用することを含む、請求項５記載の方法。
  7. 第１のオブジェクトは食道であり、第２のオブジェクトは大動脈であり、第３のオブジェクトは左心房である、請求項２記載の方法。
  8. 食道内の検出されたエアホールに対してエネルギ項を調整することを含む、請求項７記載の方法。
  9. 第１のオブジェクトの外側境界を決定することは次のことを含む、すなわち、
    一連の楕円のスライスとして第１のオブジェクトの外側境界を定義すること、
    第１のオブジェクトの中心線上に楕円の中心を初期設定すること、
    楕円の内側及び外側の強度尤度に基づいてエネルギ項として各スライスにおける楕円に対する領域ベースの規準を表現すること、
    隣接する楕円の間に正則化を加えること、
    各楕円の全てのエネルギ項を結合されたエネルギ表現に結合すること、
    結合されたエネルギ表現を最小化することを含む、
    請求項１記載の方法。
  10. 画像データからの画像を処理するためのシステムは、次のものを有する、すなわち、
    プロセッサ、
    該プロセッサにおいて動作可能なアプリケーションソフトウェアを有し、このアプリケーションソフトウェアは次のことを行うためのものであり、すなわち、
    １つ以上のトレーニング画像を使用して第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理し、この処理は次のことを含む、すなわち、
    画像内の前記１つ以上の他のオブジェクトをセグメント化すること、
    前記１つ以上のトレーニング画像及び画像内の前記１つ以上の他のオブジェクトのセグメンテーションに基づいて画像内の前記第１のオブジェクトの中心線を決定すること、
    前記第１のオブジェクトの中心線に対する外側境界を生成することを含む、
    画像データからの画像を処理するためのシステム。
  11. １つ以上のオブジェクトは第２のオブジェクト及び第３のオブジェクトである、請求項１０記載のシステム。
  12. 基準にレジスタされた１つ以上のトレーニング画像の第２のオブジェクト及び第３のオブジェクトのレジスタされたセグメンテーションに対する１つ以上のトレーニング画像の第１のオブジェクトの中心線に依存して、画像の要素が同一の基準にレジスタされた第２のオブジェクト及び第３のオブジェクトの位置に対する第１のオブジェクトの中心線の部分である第１の確率を決定すること、
    第１のオブジェクトの推定された中心線が前記１つ以上のトレーニング画像の強度ヒストグラムに対する強度ヒストグラムを有する第２の確率を決定すること、
    第１の確率及び第２の確率を単一項に結合すること、及び、
    前記単一項を最適化することをさらに含む、請求項１１記載のシステム。
  13. 第１の確率は
    であり、
    さらに、第２の確率は
    である、請求項１２記載のシステム。
  14. 第１の確率及び第２の確率は
    として結合される、請求項１３記載のシステム。
  15. エネルギ項
    として第１の確率及び第２の確率の結合を表現すること、
    第１のオブジェクトの２つの端点を識別すること、及び、
    前記エネルギ項を最小化するために前記２つの端点を使用して最短パスアルゴリズムを適用することを含む、請求項１４記載のシステム。
  16. 第１のオブジェクトは食道であり、第２のオブジェクトは大動脈であり、第３のオブジェクトは左心房である、請求項１１記載のシステム。
  17. 食道内の検出されたエアホールに対してエネルギ項を調整することを含む、請求項１６記載のシステム。
  18. 第１のオブジェクトの外側境界を決定することは次のことを含む、すなわち、
    一連の楕円のスライスとして第１のオブジェクトの外側境界を定義すること、
    第１のオブジェクトの中心線上に楕円の中心を初期設定すること、
    楕円の内側及び外側の強度尤度に基づいてエネルギ項として各スライスにおける楕円に対する領域ベースの規準を表現すること、
    隣接する楕円の間に正則化を加えること、
    各楕円の全てのエネルギ項を結合されたエネルギ表現に結合すること、
    結合されたエネルギ表現を最小化することを含む、
    請求項１０記載のシステム。
JP2006226681A 2005-08-30 2006-08-23 第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム Withdrawn JP2007061607A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US71257105P 2005-08-30 2005-08-30
US11/481,992 US7773789B2 (en) 2005-08-30 2006-07-05 Probabilistic minimal path for automated esophagus segmentation

Publications (1)

Publication Number Publication Date
JP2007061607A true JP2007061607A (ja) 2007-03-15

Family

ID=37715751

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2006226681A Withdrawn JP2007061607A (ja) 2005-08-30 2006-08-23 第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム

Country Status (3)

Country Link
US (1) US7773789B2 (ja)
JP (1) JP2007061607A (ja)
DE (1) DE102006039919A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011167213A (ja) * 2009-02-10 2011-09-01 Toshiba Corp Ｘ線診断装置及び画像処理方法
JP2011177517A (ja) * 2010-03-03 2011-09-15 Medicsight Plc 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム
KR101090375B1 (ko) 2011-03-14 2011-12-07 동국대학교 산학협력단 자동 초기화를 기반으로 흉곽 변형 정도의 평가 인덱스 계산을 자동화한 ｃｔ 영상 분석의 자동화 방법, 기록 매체 및 장치
KR101097457B1 (ko) 2010-02-03 2011-12-23 한국전기연구원 자동 초기화를 기반으로 흉곽 변형 정도의 평가 인덱스 계산을 자동화한 ｃｔ 영상 분석의 자동화 방법，장치 및 기록매체
WO2012105281A1 (ja) * 2011-01-31 2012-08-09 日本電気株式会社 情報処理システム、情報処理方法、情報処理装置及びその制御方法とその制御プログラムを格納した記憶媒体
JP2017113420A (ja) * 2015-12-25 2017-06-29 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 画像処理装置、医用装置、およびプログラム

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008015293B4 (de) * 2008-03-20 2016-10-06 Siemens Healthcare Gmbh Verfahren zur Auswertung eines mit einer Bildaufnahmeeinrichtung aufgenommenen dreidimensionalen Bilddatensatzes
DE102008015292A1 (de) * 2008-03-20 2009-09-10 Siemens Aktiengesellschaft Verfahren zur Auswertung eines mit einer Bildaufnahmeeinrichtung aufgenommenen dreidimensionalen Bilddatensatzes
US8428688B2 (en) * 2008-11-10 2013-04-23 Siemens Aktiengesellschaft Automatic femur segmentation and condyle line detection in 3D MR scans for alignment of high resolution MR
US8787635B2 (en) * 2010-05-03 2014-07-22 Siemens Aktiengesellschaft Optimization of multiple candidates in medical device or feature tracking
JP6346445B2 (ja) * 2014-01-10 2018-06-20 キヤノン株式会社 処理装置、処理装置の制御方法、およびプログラム
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
KR20200144658A (ko) * 2019-06-19 2020-12-30 삼성전자주식회사 분류 장치 및 이의 동작 방법과 트레이닝 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7194117B2 (en) * 1999-06-29 2007-03-20 The Research Foundation Of State University Of New York System and method for performing a three-dimensional virtual examination of objects, such as internal organs
DE50001802D1 (de) * 1999-05-26 2003-05-22 Siemens Ag Mustererkennung mittels prüfung zusätzlicher merkmale nach teilverarbeitung
US6947784B2 (en) * 2000-04-07 2005-09-20 The General Hospital Corporation System for digital bowel subtraction and polyp detection and related techniques
US6973212B2 (en) * 2000-09-01 2005-12-06 Siemens Corporate Research, Inc. Graph cuts for binary segmentation of n-dimensional images from object and background seeds
US7463757B2 (en) * 2003-12-09 2008-12-09 Carestream Health, Inc. Tooth locating within dental images
CN1926573A (zh) * 2004-01-30 2007-03-07 思代软件公司 用于将主动表观模型应用于图像分析的系统和方法
US7526123B2 (en) * 2004-02-12 2009-04-28 Nec Laboratories America, Inc. Estimating facial pose from a sparse representation

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011167213A (ja) * 2009-02-10 2011-09-01 Toshiba Corp Ｘ線診断装置及び画像処理方法
KR101097457B1 (ko) 2010-02-03 2011-12-23 한국전기연구원 자동 초기화를 기반으로 흉곽 변형 정도의 평가 인덱스 계산을 자동화한 ｃｔ 영상 분석의 자동화 방법，장치 및 기록매체
JP2011177517A (ja) * 2010-03-03 2011-09-15 Medicsight Plc 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム
WO2012105281A1 (ja) * 2011-01-31 2012-08-09 日本電気株式会社 情報処理システム、情報処理方法、情報処理装置及びその制御方法とその制御プログラムを格納した記憶媒体
US9092851B2 (en) 2011-01-31 2015-07-28 Nec Corporation Information processing system, information processing method, information processing apparatus, control method therefor, and storage medium storing control program therefor
KR101090375B1 (ko) 2011-03-14 2011-12-07 동국대학교 산학협력단 자동 초기화를 기반으로 흉곽 변형 정도의 평가 인덱스 계산을 자동화한 ｃｔ 영상 분석의 자동화 방법, 기록 매체 및 장치
US8594409B2 (en) 2011-03-14 2013-11-26 Dongguk University Industry-Academic Cooperation Foundation Automation method for computerized tomography image analysis using automated calculation of evaluation index of degree of thoracic deformation based on automatic initialization, and record medium and apparatus
JP2017113420A (ja) * 2015-12-25 2017-06-29 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 画像処理装置、医用装置、およびプログラム

Also Published As

Publication number Publication date
US7773789B2 (en) 2010-08-10
DE102006039919A1 (de) 2007-03-01
US20070260135A1 (en) 2007-11-08

Similar Documents

Publication Publication Date Title
JP2007061607A (ja) 第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム
CN106108925B (zh) 用于医学图像中全身骨移除和血管可视化的方法和系统
Van Rikxoort et al. Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection
US9129417B2 (en) Method and system for coronary artery centerline extraction
Van Rikxoort et al. Automated segmentation of pulmonary structures in thoracic computed tomography scans: a review
Vandemeulebroucke et al. Automated segmentation of a motion mask to preserve sliding motion in deformable registration of thoracic CT
Li et al. Optimal surface segmentation in volumetric images-a graph-theoretic approach
Rusko et al. Fully automatic liver segmentation for contrast-enhanced CT images
US8582854B2 (en) Method and system for automatic coronary artery detection
JP4918048B2 (ja) 画像処理装置及び方法
EP2916738B1 (en) Lung, lobe, and fissure imaging systems and methods
Gao et al. Automatic segmentation of coronary tree in CT angiography images
JP5438029B2 (ja) 短軸遅延強調心臓ｍｒｉの自動三次元セグメント化
US20110158491A1 (en) Method and system for lesion segmentation
US8577104B2 (en) Liver lesion segmentation
US9042619B2 (en) Method and system for automatic native and bypass coronary ostia detection in cardiac computed tomography volumes
Furukawa et al. Automatic liver segmentation method based on maximum a posterior probability estimation and level set method
Zhu et al. Automatic delineation of the myocardial wall from CT images via shape segmentation and variational region growing
Chartrand et al. Semi-automated liver CT segmentation using Laplacian meshes
CN113327225A (zh) 用于提供气道信息的方法
Lee et al. Hybrid airway segmentation using multi-scale tubular structure filters and texture analysis on 3D chest CT scans
Özsavaş et al. Automatic segmentation of anatomical structures from CT scans of thorax for RTP
Tahoces et al. Deep learning method for aortic root detection
Rousson et al. Probabilistic minimal path for automated esophagus segmentation
Zhu et al. A complete system for automatic extraction of left ventricular myocardium from CT images using shape segmentation and contour evolution

Legal Events

Date Code Title Description
A300 Application deemed to be withdrawn because no request for examination was validly filed

Free format text: JAPANESE INTERMEDIATE CODE: A300

Effective date: 20091110