JP2016505298A - 空間コンテキストに基づく三次元イメージにおける多物体の自動的なセグメンテーション - Google Patents
空間コンテキストに基づく三次元イメージにおける多物体の自動的なセグメンテーション Download PDFInfo
- Publication number
- JP2016505298A JP2016505298A JP2015545879A JP2015545879A JP2016505298A JP 2016505298 A JP2016505298 A JP 2016505298A JP 2015545879 A JP2015545879 A JP 2015545879A JP 2015545879 A JP2015545879 A JP 2015545879A JP 2016505298 A JP2016505298 A JP 2016505298A
- Authority
- JP
- Japan
- Prior art keywords
- model
- cartilage
- data processing
- processing system
- bone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30008—Bone
-
- 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
- G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
この段階において初期形状が変形され、各メッシュポイント
空間座標xを有する各ボクセルごとに、システムは複数のベースフィーチャを構築することができ、それらは3つの部分集合に分類可能である。強度フィーチャは、ボクセル強度およびその傾斜度をそれぞれ含む:
本願の実施形態によれば、多経路反復型の分類プロセスを利用して、多物体のセグメンテーションの問題に対するセマンティックコンテキストを自動的に引き出すことができる。この場合、各経路ごとに、生成された確率マップが利用されて、次の経路の分類性能をブースティングするために、コンテキストが埋め込まれたフィーチャを抽出する。
各経路における分類後、確率マップが生成され、これを利用して、以下で定義するセマンティックコンテキストフィーチャが抽出される:
多経路反復型分類が実施された後、システムは4つのクラスすなわち背景と大腿骨軟骨と脛骨軟骨と膝蓋骨軟骨の確率を利用して、エネルギー関数を構築することができ、マルチラベルのグラフカットを実行して、平滑性拘束条件によりセグメンテーション結果を精密化することができる。適用可能なグラフカット処理については、Y. Boykov, O. VekslerおよびR. Zabih,によるFast Approximate Energy Minimization via Graph Cuts, IEEE Transactions on Pattern Analysis and Machine Intelligence, 23(11): 1222 - 1239, Nov. 2001において説明されており、この文献はここで参照したことにより本願に取り込まれるものとする。たとえばBoykovが説明しているグラフカットに基づく処理によれば、伸長運動およびスワップ運動に関する局所的極小値が効率的にみつけられる。これらの運動によって、任意の大きさの集合のピクセルのラベルを同時に変更することができる。このようなプロセスによれば、大域的極小値の既知の係数内でラベリングがみつけられ、汎用的なエネルギー関するが扱われる。これらのプロセスによって、不連続性保存エネルギーの重要なケースが許容される。
ただし、ζl(x)≠l(y)は、l(x)とl(y)が異なるラベルのときに値1をとり、l(x)=l(y)のときに値0をとる。Pl(x)(x)は、ラベルl(x)に応じて、値PF(x)、PT(x)、PP(x)、または1−PF(x)−PT(x)−PP(x)をとる。λとσは2つのパラメータであって、λによりデータエネルギー対平滑エネルギーのウェイトが指定される一方、σによりイメージのノイズが表される。
Claims (20)
- 磁気共鳴(MR)イメージにおける骨と軟骨の分類方法であって、
未分類の骨と軟骨の部位を含むMRイメージ検査モデルを、データ処理システムにおいて受け取るステップと、
骨または軟骨として分類されるべき前記検査モデルのエリアを含む、前記検査モデルの検査ボリュームを、前記データ処理システムが決定するステップと、
前記検査ボリュームが、動的形状モデルの平均形状および形状変動スペースと一致するように、前記データ処理システムが前記検査モデルを変更するステップと、
前記検査ボリュームを前記動的形状モデルの前記平均形状および前記形状変動スペースにフィットさせることにより、前記データ処理システムが前記検査ボリュームの、骨エリアと軟骨エリアへの初期分類を形成するステップと、
前記動的形状モデルに関して前記検査ボリュームの境界を精密化することにより、前記データ処理システムが前記検査ボリュームの、骨エリアと軟骨エリアへの精密化分類を形成するステップと、
前記MRイメージ検査モデルを、前記精密化分類に従い骨エリアと軟骨エリアに対応する種々のエリアにセグメンテーションするステップと
を含むことを特徴とする、
磁気共鳴(MR)イメージにおける骨と軟骨の分類方法。 - 骨と軟骨の既知のエリアを含む複数のトレーニングボリュームを受け取るステップと、
コヒーレントポイントドリフト(CPD)プロセスを実施して、個々のトレーニングボリュームにそれぞれ対応する複数の対応メッシュを生成するステップと、
主成分分析(PCA)を実施して、前記複数の対応メッシュから主成分分析モデルを生成するステップと、
前記主成分分析モデルから前記動的形状モデルを生成するステップと
を含む、請求項1に記載の方法。 - 前記コヒーレントポイントドリフトプロセスは、前記トレーニングボリュームにおいてポイントセットの記録を実施するステップを含む、
請求項2に記載の方法。 - 前記検査モデルを変更するステップは、前記検査モデルの並進、回転およびスケーリングを含むモデル変形を前記検査モデルに適用するステップを含む、
請求項1から3のいずれか1項に記載の方法。 - 前記データ処理システムは、マージナル空間学習による姿勢推定を利用して、前記検査モデルの変更に必要とされる推定された並進、回転およびスケーリングを生じさせる、
請求項1から4のいずれか1項に記載の方法。 - 前記動的形状モデルに関して前記検査ボリュームの境界を精密化するステップは、ランダムウォークプロセスを実施するステップを含む、
請求項1から5のいずれか1項に記載の方法。 - 前記MRイメージ検査モデルを骨エリアと軟骨エリアに対応する種々のエリアにセグメンテーションする前記ステップは、前記MRイメージ検査モデルを、膝蓋骨エリア、膝蓋骨軟骨エリア、大腿骨エリア、大腿骨軟骨エリア、脛骨エリア、および脛骨軟骨エリアにセグメンテーションするステップを含む、
請求項1から6のいずれか1項に記載の方法。 - 前記データ処理システムは、前記種々のエリアに対応するセグメンテーションデータを、前記MRイメージ検査モデルに注釈として付ける、
請求項1に記載の方法。 - 前記データ処理システムは、前記MRイメージ検査モデルを表示し、前記イメージ検査モデルにおける種々のエリアを表す、
請求項3に記載の方法。 - 磁気共鳴(MR)イメージにおける骨と軟骨の分類方法であって、
複数のボクセルによって表された未分類の骨と軟骨の部位を含むMRイメージ検査モデルを、データ処理システムが受け取るステップと、
第1経路のランダムフォレスト分類器を利用して、前記データ処理システムが第1の分類プロセスを実施し、前記検査モデルの各ボクセルを、大腿骨軟骨、脛骨軟骨、膝蓋骨軟骨、または背景のうちの1つとして分類する第1経路確率マップを生成するステップと、
第2経路のランダムフォレスト分類器を利用して、前記データ処理システムが第2の分類プロセスを実施し、前記第1経路確率マップの各ボクセルを、大腿骨軟骨、脛骨軟骨、膝蓋骨軟骨、または背景のうちの1つとして分類する第2経路確率マップを生成するステップと、
前記第2経路確率マップに対応し各ボクセルの分類を表す分類データを、前記MRイメージ検査モデルと関連させて、前記データ処理システムに記憶するステップと、
各ボクセルの分類に対応するMRイメージ検査モデルの部位を示した前記MRイメージ検査モデルを表示するステップと、
を含むことを特徴とする、
磁気共鳴(MR)イメージにおける骨と軟骨の分類方法。 - データ処理システムにおいて、
プロセッサと、
アクセス可能な記憶装置とが設けられており、
前記データ処理システムは、
未分類の骨と軟骨の部位を含むMRイメージ検査モデルを受け取り、
骨または軟骨として分類すべき前記検査モデルのエリアを含む、前記検査モデルの検査ボリュームを決定し、
前記検査ボリュームが動的形状モデルの平均形状および形状変動スペースと一致するように、前記検査モデルを変更し、
前記検査ボリュームの、骨エリアと軟骨エリアへの初期分類を形成し、
前記動的形状モデルに関して前記検査ボリュームの境界を精密化することにより、前記検査ボリュームの、骨エリアと軟骨エリアへの精密化分類を形成し、
前記MRイメージ検査モデルを、前記精密化分類に従い骨エリアと軟骨エリアに対応する種々のエリアにセグメンテーションする
ように構成されていることを特徴とする、
データ処理システム。 - 前記データ処理システムはさらに、
骨と軟骨の既知のエリアを含む複数のトレーニングボリュームを受け取り、
コヒーレントポイントドリフト(CPD)プロセスを実施して、個々のトレーニングボリュームにそれぞれ対応する複数の対応メッシュを生成し、
主成分分析(PCA)を実施して、前記複数の対応メッシュから主成分分析モデルを生成し、
前記主成分分析モデルから前記動的形状モデルを生成する
ように構成されている、
請求項11に記載のデータ処理システム。 - 前記コヒーレントポイントドリフトプロセスは、前記トレーニングボリュームにおけるポイントセット記録の実施を含む、
請求項12に記載のデータ処理システム。 - 前記検査モデルの変更において、前記検査モデルの並進、回転およびスケーリングを含むモデル変形を前記検査モデルに適用する、
請求項11から13のいずれか1項に記載のデータ処理システム。 - 前記データ処理システムは、マージナル空間学習による姿勢推定を利用して、前記検査モデルの変更に必要とされる推定された並進、回転およびスケーリングを生じさせる、
請求項11から14のいずれか1項に記載のデータ処理システム。 - 前記動的形状モデルに関する前記検査ボリュームの境界の精密化において、ランダムウォークプロセスを実施する、
請求項11から15のいずれか1項に記載のデータ処理システム。 - 骨エリアと軟骨エリアに対応する種々のエリアへの前記MRイメージ検査モデルのセグメンテーションにおいて、前記MRイメージ検査モデルを、膝蓋骨エリア、膝蓋骨軟骨エリア、大腿骨エリア、大腿骨軟骨エリア、脛骨エリア、および脛骨軟骨エリアにセグメンテーションする、
請求項11から16のいずれか1項に記載のデータ処理システム。 - 前記データ処理システムは、前記種々のエリアに対応するセグメンテーションデータを、前記MR検査イメージモデルに注釈として付ける、
請求項11に記載のデータ処理システム。 - 前記データ処理システムは、前記MRイメージ検査モデルを表示し、前記MRイメージ検査モデルにおける種々のエリアを表す、
請求項13に記載のデータ処理システム。 - データ処理システムにおいて、
プロセッサと、
アクセス可能な記憶装置とが設けられており、
前記データ処理システムは、
複数のボクセルによって表された未分類の骨と軟骨の部位を含むMRイメージ検査モデルを受け取り、
第1経路のランダムフォレスト分類器を利用して第1の分類プロセスを実施し、前記検査モデルの各ボクセルを、大腿骨軟骨、脛骨軟骨、膝蓋骨軟骨、または背景のうちの1つとして分類する第1経路確率マップを生成し、
第2経路のランダムフォレスト分類器を利用して第2の分類プロセスを実施し、前記第1経路確率マップの各ボクセルを、大腿骨軟骨、脛骨軟骨、膝蓋骨軟骨、または背景のうちの1つとして分類する第2経路確率マップを生成し、
前記第2経路確率マップに対応し各ボクセルの分類を表す分類データを、前記MRイメージ検査モデルと関連させて記憶し、
各ボクセルの分類に対応するMRイメージ検査モデルの部位を示した前記MRイメージ検査モデルを表示する
ように構成されていることを特徴とする、
データ処理システム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261734280P | 2012-12-06 | 2012-12-06 | |
US61/734,280 | 2012-12-06 | ||
US13/776,184 US9218524B2 (en) | 2012-12-06 | 2013-02-25 | Automatic spatial context based multi-object segmentation in 3D images |
US13/776,184 | 2013-02-25 | ||
PCT/US2013/073614 WO2014089455A2 (en) | 2012-12-06 | 2013-12-06 | Automatic spatial context based multi-object segmentation in 3d images |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016505298A true JP2016505298A (ja) | 2016-02-25 |
JP6005297B2 JP6005297B2 (ja) | 2016-10-12 |
Family
ID=50881019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015545879A Active JP6005297B2 (ja) | 2012-12-06 | 2013-12-06 | 磁気共鳴(mr)イメージにおける骨と軟骨の分類方法、および、データ処理システム |
Country Status (5)
Country | Link |
---|---|
US (1) | US9218524B2 (ja) |
EP (1) | EP2929509B1 (ja) |
JP (1) | JP6005297B2 (ja) |
CN (1) | CN104956397B (ja) |
WO (1) | WO2014089455A2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018023773A (ja) * | 2016-08-05 | 2018-02-15 | キャノンメディカルシステムズ株式会社 | 医用画像処理装置及びx線ct装置 |
JP2018138071A (ja) * | 2017-02-24 | 2018-09-06 | 富士フイルム株式会社 | マッピング画像生成装置、方法およびプログラム |
CN110827294A (zh) * | 2019-10-31 | 2020-02-21 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶区域确定方法及装置 |
JP2021504830A (ja) * | 2017-12-01 | 2021-02-15 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 画像内のオブジェクトをセグメント化するためのセグメンテーションシステム |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9495752B2 (en) * | 2012-09-27 | 2016-11-15 | Siemens Product Lifecycle Management Software Inc. | Multi-bone segmentation for 3D computed tomography |
US10912571B2 (en) | 2013-03-15 | 2021-02-09 | Howmedica Osteonics Corporation | Generation of a mating surface model for patient specific cutting guide based on anatomical model segmentation |
EP3107477B1 (en) | 2014-01-27 | 2018-07-04 | Materialise N.V. | Prediction of shapes |
US9367924B2 (en) * | 2014-05-06 | 2016-06-14 | Siemens Aktiengesellschaft | Method and system for segmentation of the liver in magnetic resonance images using multi-channel features |
US9710880B2 (en) * | 2014-07-03 | 2017-07-18 | Siemens Product Lifecycle Management Software Inc. | User-guided shape morphing in bone segmentation for medical imaging |
WO2016007518A1 (en) * | 2014-07-07 | 2016-01-14 | The Regents Of The University Of California | Automatic segmentation and quantitative parameterization of brain tumors in mri |
JP6482250B2 (ja) * | 2014-11-20 | 2019-03-13 | キヤノン株式会社 | 画像処理装置、画像処理方法、およびプログラム |
KR102361733B1 (ko) * | 2014-11-28 | 2022-02-11 | 삼성전자주식회사 | 3d cta영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치 |
US10037603B2 (en) * | 2015-05-04 | 2018-07-31 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
CN107709930B (zh) * | 2015-06-18 | 2021-08-31 | 宝马股份公司 | 用于表示地图要素的方法和装置以及用于定位车辆/机器人的方法和装置 |
WO2017076618A1 (en) * | 2015-11-02 | 2017-05-11 | Koninklijke Philips N.V. | Method for tissue classification, computer program product and magnetic resonance imaging system |
US9801601B2 (en) | 2015-12-29 | 2017-10-31 | Laboratoires Bodycad Inc. | Method and system for performing multi-bone segmentation in imaging data |
US9898858B2 (en) * | 2016-05-18 | 2018-02-20 | Siemens Healthcare Gmbh | Human body representation with non-rigid parts in an imaging system |
JP6687894B2 (ja) * | 2016-05-20 | 2020-04-28 | 富士ゼロックス株式会社 | クラス推定装置及びプログラム |
US10726608B2 (en) | 2016-11-23 | 2020-07-28 | 3D Systems, Inc. | System and method for real-time rendering of complex data |
CN108205805B (zh) * | 2016-12-20 | 2020-06-02 | 北京大学 | 锥束ct图像间体素稠密对应的自动建立方法 |
US10706554B2 (en) | 2017-04-14 | 2020-07-07 | Adobe Inc. | Three-dimensional segmentation of digital models utilizing soft classification geometric tuning |
EP3398551A1 (en) | 2017-05-03 | 2018-11-07 | Stryker European Holdings I, LLC | Methods of pose estimation of three-dimensional bone models in surgical planning a total ankle replacement |
US10813614B2 (en) * | 2017-05-24 | 2020-10-27 | Perkinelmer Health Sciences, Inc. | Systems and methods for automated analysis of heterotopic ossification in 3D images |
US11903691B2 (en) * | 2017-07-18 | 2024-02-20 | Siemens Healthineers Ag | Combined steering engine and landmarking engine for elbow auto align |
US11302008B2 (en) * | 2018-03-30 | 2022-04-12 | Perkinelmer Health Sciences, Inc. | Systems and methods for automated detection and segmentation of vertebral centrum(s) in 3D images |
CN108805203A (zh) * | 2018-06-11 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 图像处理及对象再识别方法、装置、设备和存储介质 |
US11257214B2 (en) | 2018-12-03 | 2022-02-22 | Regents Of The University Of Minnesota | Two-stage variational image segmentation of medical images using fracture mechanics |
EP3828768A1 (en) | 2019-11-28 | 2021-06-02 | Digital Orthopaedics | Method for modeling a bone |
EP3866107A1 (en) * | 2020-02-14 | 2021-08-18 | Koninklijke Philips N.V. | Model-based image segmentation |
EP4391908A1 (en) * | 2021-08-25 | 2024-07-03 | MedX Spa | Automated quantitative joint and tissue analysis and diagnosis |
CN115861571B (zh) * | 2023-01-18 | 2023-04-28 | 武汉大学 | 语义感知的三角网模型建筑物实体重建方法 |
CN116452755B (zh) * | 2023-06-15 | 2023-09-22 | 成就医学科技(天津)有限公司 | 一种骨骼模型构建方法、系统、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010000349A (ja) * | 2008-06-04 | 2010-01-07 | Siemens Ag | 制約されたマージナル空間学習を使用して3d解剖学的オブジェクトを検出するための方法およびシステム |
JP2012160178A (ja) * | 2011-01-31 | 2012-08-23 | Seiko Epson Corp | オブジェクト認識デバイス、オブジェクト認識を実施する方法および動的アピアランスモデルを実施する方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8556983B2 (en) * | 2001-05-25 | 2013-10-15 | Conformis, Inc. | Patient-adapted and improved orthopedic implants, designs and related tools |
US7239908B1 (en) * | 1998-09-14 | 2007-07-03 | The Board Of Trustees Of The Leland Stanford Junior University | Assessing the condition of a joint and devising treatment |
US7764838B2 (en) * | 2004-09-14 | 2010-07-27 | Siemens Medical Solutions Usa, Inc. | System and method for extracting an object of interest from an image using a robust active shape model |
CN101150983B (zh) * | 2005-01-28 | 2015-01-07 | 加州大学董事会 | 利用核磁共振(nmr)谱评估组织疼痛和退化特征的系统及方法 |
US7831078B2 (en) * | 2006-07-24 | 2010-11-09 | Siemens Medical Solutions Usa, Inc. | System and method for statistical shape model based segmentation of intravascular ultrasound and optical coherence tomography images |
WO2008034845A2 (en) * | 2006-09-19 | 2008-03-27 | Nordic Bioscience Imaging A/S | Pathology indicating measure related to cartilage structure and automatic quantification thereof |
EP2385791B1 (en) * | 2008-08-12 | 2014-03-12 | Wyeth Pharmaceuticals Inc. | Morphometry of the human hip joint and prediction of osteoarthritis |
US8411986B2 (en) * | 2009-04-13 | 2013-04-02 | Flashfoto, Inc. | Systems and methods for segmenation by removal of monochromatic background with limitied intensity variations |
US8422754B2 (en) * | 2011-02-15 | 2013-04-16 | Siemens Aktiengesellschaft | Medical imaging system |
KR101842043B1 (ko) * | 2011-07-22 | 2018-03-26 | 삼성전자주식회사 | 초음파 영상 분석 장치 및 방법 |
CA2845044C (en) * | 2011-08-12 | 2023-03-28 | Jointvue, Llc | 3-d ultrasound imaging device and methods |
WO2013155300A1 (en) * | 2012-04-11 | 2013-10-17 | The Trustees Of Columbia University In The City Of New York | Techniques for segmentation of organs and tumors and objects |
US9971959B2 (en) * | 2013-03-15 | 2018-05-15 | Nvidia Corporation | Performing object detection operations via a graphics processing unit |
-
2013
- 2013-02-25 US US13/776,184 patent/US9218524B2/en active Active
- 2013-12-06 JP JP2015545879A patent/JP6005297B2/ja active Active
- 2013-12-06 EP EP13811103.4A patent/EP2929509B1/en active Active
- 2013-12-06 CN CN201380072420.4A patent/CN104956397B/zh active Active
- 2013-12-06 WO PCT/US2013/073614 patent/WO2014089455A2/en active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010000349A (ja) * | 2008-06-04 | 2010-01-07 | Siemens Ag | 制約されたマージナル空間学習を使用して3d解剖学的オブジェクトを検出するための方法およびシステム |
JP2012160178A (ja) * | 2011-01-31 | 2012-08-23 | Seiko Epson Corp | オブジェクト認識デバイス、オブジェクト認識を実施する方法および動的アピアランスモデルを実施する方法 |
Non-Patent Citations (3)
Title |
---|
JPN6016005240; CHEN Yen-wei et al.: 'Statistical atlases of human anatomy and computer assisted diagnostic system' 2010 2nd International Conference on Software Engineering and Data Mining (SEDM) , 20100623, pp.700-705, IEEE * |
JPN6016005242; GRADY Leo: 'Random Walks for Image Segmentation' IEEE Transactions on Pattern Analysis and Machine Intelligence Vol.28, No.11, 200611, pp.1768-1783, IEEE * |
JPN7016000297; FRIPP Jurgen et al.: 'Automatic segmentation of the bone and extraction ofthe bone-cartilage interface from magnetic reson' PHYSICS IN MEDICINE AND BIOLOGY , 20070226, pp.1617-1631, IOP PUBLISHING * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018023773A (ja) * | 2016-08-05 | 2018-02-15 | キャノンメディカルシステムズ株式会社 | 医用画像処理装置及びx線ct装置 |
JP2018138071A (ja) * | 2017-02-24 | 2018-09-06 | 富士フイルム株式会社 | マッピング画像生成装置、方法およびプログラム |
US10580136B2 (en) | 2017-02-24 | 2020-03-03 | Fujifilm Corporation | Mapping image generation device, method, and program |
JP2021504830A (ja) * | 2017-12-01 | 2021-02-15 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 画像内のオブジェクトをセグメント化するためのセグメンテーションシステム |
JP7208994B2 (ja) | 2017-12-01 | 2023-01-19 | コーニンクレッカ フィリップス エヌ ヴェ | 画像内のオブジェクトをセグメント化するためのセグメンテーションシステム |
CN110827294A (zh) * | 2019-10-31 | 2020-02-21 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶区域确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104956397A (zh) | 2015-09-30 |
WO2014089455A3 (en) | 2014-08-21 |
JP6005297B2 (ja) | 2016-10-12 |
EP2929509A2 (en) | 2015-10-14 |
WO2014089455A2 (en) | 2014-06-12 |
EP2929509B1 (en) | 2017-06-14 |
CN104956397B (zh) | 2017-03-22 |
US20140161334A1 (en) | 2014-06-12 |
US9218524B2 (en) | 2015-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6005297B2 (ja) | 磁気共鳴(mr)イメージにおける骨と軟骨の分類方法、および、データ処理システム | |
Bi et al. | Synthesis of positron emission tomography (PET) images via multi-channel generative adversarial networks (GANs) | |
Seifert et al. | Hierarchical parsing and semantic navigation of full body CT data | |
Donner et al. | Global localization of 3D anatomical structures by pre-filtered Hough Forests and discrete optimization | |
Poudel et al. | Evaluation of commonly used algorithms for thyroid ultrasound images segmentation and improvement using machine learning approaches | |
US8588495B2 (en) | Systems and methods for computer aided diagnosis and decision support in whole-body imaging | |
Oghli et al. | Automatic fetal biometry prediction using a novel deep convolutional network architecture | |
Zhou | Medical image recognition, segmentation and parsing: machine learning and multiple object approaches | |
Mahapatra | Cardiac MRI segmentation using mutual context information from left and right ventricle | |
CN106062782B (zh) | 针对基于图集的配准的无监督的训练 | |
Wang et al. | Semantic context forests for learning-based knee cartilage segmentation in 3D MR images | |
Wels et al. | Multi-stage osteolytic spinal bone lesion detection from CT data with internal sensitivity control | |
Ammari et al. | A review of approaches investigated for right ventricular segmentation using short‐axis cardiac MRI | |
Zografos et al. | Hierarchical multi-organ segmentation without registration in 3D abdominal CT images | |
Bi et al. | Multiple instance learning of pulmonary embolism detection with geodesic distance along vascular structure | |
Gomathi et al. | A computer aided diagnosis system for lung cancer detection using support vector machine | |
Ridhma et al. | Review of automated segmentation approaches for knee images | |
Anji Reddy et al. | Breast cancer identification and diagnosis techniques | |
Ebrahimkhani et al. | Automated segmentation of knee articular cartilage: Joint deep and hand-crafted learning-based framework using diffeomorphic mapping | |
Birkbeck et al. | Robust segmentation of challenging lungs in CT using multi-stage learning and level set optimization | |
Zhou | Introduction to medical image recognition, segmentation, and parsing | |
Zhou et al. | Landmark detection and multiorgan segmentation: representations and supervised approaches | |
Kurzendorfer et al. | Random forest based left ventricle segmentation in LGE-MRI | |
García Ocaña et al. | Medical image detection using deep learning | |
Hum et al. | Literature reviews |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151221 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20151221 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20160108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160215 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160513 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160808 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160906 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6005297 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |