JP2019194906A - データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法 - Google Patents

データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法 Download PDF

Info

Publication number
JP2019194906A
JP2019194906A JP2019125125A JP2019125125A JP2019194906A JP 2019194906 A JP2019194906 A JP 2019194906A JP 2019125125 A JP2019125125 A JP 2019125125A JP 2019125125 A JP2019125125 A JP 2019125125A JP 2019194906 A JP2019194906 A JP 2019194906A
Authority
JP
Japan
Prior art keywords
image
reconstruction
images
anatomy
correction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2019125125A
Other languages
English (en)
Other versions
JP6878509B2 (ja
Inventor
ジェイ. グラディー レオ
J Grady Leo
ジェイ. グラディー レオ
シャープ マイケル
Sharpe Michael
シャープ マイケル
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.)
HeartFlow Inc
Original Assignee
HeartFlow 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 HeartFlow Inc filed Critical HeartFlow Inc
Publication of JP2019194906A publication Critical patent/JP2019194906A/ja
Application granted granted Critical
Publication of JP6878509B2 publication Critical patent/JP6878509B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/003Reconstruction from projections, e.g. tomography
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/003Reconstruction from projections, e.g. tomography
    • G06T11/005Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/003Reconstruction from projections, e.g. tomography
    • G06T11/006Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • G06T7/0014Biomedical image inspection using an image reference approach
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30101Blood vessel; Artery; Vein; Vascular
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00Image generation
    • G06T2211/40Computed tomography
    • G06T2211/404Angiography
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00Image generation
    • G06T2211/40Computed tomography
    • G06T2211/424Iterative
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00Image generation
    • G06T2211/40Computed tomography
    • G06T2211/436Limited angle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

【課題】データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法を提供する。【解決手段】方法は、標的となる解剖学的組織に関連する複数の画像の取得、プロセッサを利用した、複数の画像から特定された標的となる解剖学的組織の位置特定された解剖学的組織の区分と、複数の画像から特定された局所的な画像領域との間の1つ以上の関連の決定、標的となる解剖学的組織の画像取得情報に基づく初期画像再構成の実行、画像取得情報及び1つ以上の決定された関連に基づく、初期画像再構成の更新または新規画像再構成の生成を含む。【選択図】図2−2

Description

関連出願
本出願は、各々参照により本明細書に援用されている2014年3月28日出願の米国仮特許出願第61/972,056号の利益を主張する2014年6月27日出願の米国特許出願第14/291,465号の優先権を主張するものである。
本開示の様々な実施形態は全体として、医用撮像及び関連方法に関する。より具体的には、本開示の特定の実施形態はデータ及びモデルを用いた画像再構成及び/または補正のためのシステム及び方法に関する。
利用可能な多くの医用撮像手段から明らかであるように、医用撮像及び画像からの解剖学的組織の抽出は重要である。いくつかの撮像技術は、より良好な画像を作成するための未処理の取得データ上の再構成及び画像補正を含む。再構成及び補正は、画像内のノイズを低減し、不完全なデータの影響を正し、及び/または画像を最適化するために利用されてもよい。画像再構成及び/または補正を用いる一般的な形式の医用撮像は、コンピュータ断層撮影法(CT)スキャン、磁気共鳴画像法(MR)、超音波、単一光子放射型コンピュータ断層撮影法(SPECT)、及びポジトロン放射形断層撮影法(PET)を含む。再構成及び補正の高品質化を実現するために利用されるある機構は、標的再構成/補正画像に関する事前情報を利用することがある。事前情報は通常、参照画像からの画像平滑性または画像パッチに関する推定の形式を取る。
参照画像は、しばしば利用可能であり、事前情報を取得するために利用される。参照画像は少なくとも標的となる解剖学的組織の一部を含んでもよく、参照画像の部分が、解剖学的組織のモデルを標的となる解剖学的組織と関連させるために利用され得る。たとえば参照画像は、理想化された画像、標的となる解剖学的組織に関連する(たとえば、標的となる解剖学的組織が患者の解剖学的部分を含んでもよい)患者の画像、他の患者の解剖学的部分の画像などであってもよい。画像は、何度もまたは様々な条件において収集されてもよく、様々なレベルの関連性または特定の標的となる解剖学的組織との類似性を有してもよい。
参照画像の画像パッチとしての利用は、参照画像の利用が断片的であることを意味する場合があり、及び/または、問題があると特定された画像の領域のみに対して応用されてもよい。参照画像が画像パッチとしての利用に好適であるか否かの評価ができない場合がある。さらに参照画像の画像パッチとしてのみの利用は、画像の部分が問題であると特定されない限り、画像または画像の様々な部分は参照画像との比較により利益を受ける機会がない場合があることを意味し得る。
したがって、参照画像及び関連する解剖学的モデルに基づいて画像を再構成し補正するためのシステム及び方法が必要とされる。
本開示の特定の態様にしたがって、システム及び方法が画像再構成及び補正のために開示される。医用画像の再構成のある方法は、標的となる解剖学的組織に関連する複数の画像を取得し、プロセッサを利用した、複数の画像から特定される標的となる解剖学的組織の位置特定された解剖学的組織の区分と複数の画像から特定される局所的な画像領域との間の1つ以上の関連を決定し、標的となる解剖学的組織の画像取得情報に基づく初期画像再構成を実行し、ならびに画像取得情報及び1つ以上の決定された関連に基づく初期画像再構成の更新すること、または新規画像再構成を生成すること、を含む。
別の実施形態によると、医用画像再構成のためのシステムは、画像再構成及び補正のための命令を記憶するデータ記憶装置と、標的となる解剖学的組織に関連する複数の画像を取得し、プロセッサを利用した、複数の画像から特定される標的となる解剖学的組織の位置特定された解剖学的組織の区分と、複数の画像から特定される局所的な画像領域との間の1つ以上の関連を決定し、標的となる解剖学的組織の画像取得情報に基づく初期画像再構成を実行し、ならびに画像取得情報及び1つ以上の決定された関連に基づく初期画像再構成を更新すること、または新規画像再構成を生成すること、のために構成されたプロセッサを含む。
さらに別の実施形態によると、医用画像再構成のためのコンピュータ実行可能プログラム命令を含むコンピューターシステム上で利用するための非一時的なコンピュータ可読媒体が提供される。方法は、標的となる解剖学的組織の解剖学的組織に関連する複数の画像を取得し、プロセッサを利用した、複数の画像から特定される標的となる解剖学的組織の位置特定された解剖学的組織の区分と、複数の画像から特定される局所的な画像領域との間の1つ以上の関連を決定し、標的となる解剖学的組織の画像取得情報に基づく初期画像再構成を実行し、ならびに画像取得情報及び1つ以上の決定された関連に基づく初期画像再構成を更新すること、または新規画像再構成を生成することが含まれる。
本明細書は、例えば、以下の項目も提供する。
(項目1)
標的となる解剖学的組織に関連する複数の画像を取得し、
プロセッサを利用した、前記複数の画像から特定された前記標的となる解剖学的組織の位置特定された解剖学的組織の区分と、前記複数の画像から特定された局所的な画像領域との間の1つ以上の関連を決定し、
前記標的となる解剖学的組織の画像取得情報に基づく初期画像再構成を実行し、
前記画像取得情報及び前記1つ以上の決定された関連に基づく、前記初期画像再構成を更新すること、または新規画像再構成を生成すること、
を含む、医用画像再構成のコンピュータ実装方法。
(項目2)
前記決定ステップは、
前記標的となる解剖学的組織の位置特定された解剖学的組織を、前記複数の画像のそれぞれにおいて決定し、
前記複数の画像のそれぞれの前記位置特定された解剖学的組織を、1つ以上の前記決定された区分に細分化すること、
をさらに含む、項目1に記載の方法。
(項目3)
前記決定ステップは、
前記複数の画像のそれぞれにおける前記標的となる解剖学的組織の位置特定された解剖学的組織の決定された区分のそれぞれに対応する局所的な画像領域を決定すること、
をさらに含む、項目2に記載の方法。
(項目4)
前記1つ以上の関連に基づく、1つ以上の局所的な画像領域に関連する1つ以上の事前画像を決定し、
前記1つ以上の決定された事前画像に基づく、前記初期画像再構成を更新すること、または新規画像再構成を生成すること、
をさらに含む、項目2に記載の方法。
(項目5)
前記それぞれの位置特定された解剖学的組織に関連する局所的な画像領域のモデルであって、前記それぞれの位置特定された解剖学的組織における前記1つ以上の区分に関連する前記画像のそれぞれの前記局所的な領域に基づく前記モデルを生成し、
前記生成されたモデルに基づく、前記初期画像再構成を更新すること、または新規画像再構成を生成すること、
をさらに含む、項目1に記載の方法。
(項目6)
前記初期画像再構成内での解剖学的組織を位置特定及び細分化し、
位置特定されかつ細分化された解剖学的組織の、前記複数の画像から特定された、前記標的となる解剖学的組織を位置特定された解剖学的組織と整合し、
位置特定されかつ細分化された解剖学的組織の、前記複数の画像から特定された前記標的となる解剖学的組織の位置特定された解剖学的組織との前記整合に基づく、1つ以上の領域のための事前画像を決定すること、
をさらに含む、項目1に記載の方法。
(項目7)
最後の画像再構成が収束するまでの、前記決定された事前画像に基づく、前記初期画像再構成を更新すること、または新規画像再構成を生成すること、
をさらに含む、項目6に記載の方法。
(項目8)
前記位置特定された解剖学的組織が冠状動脈樹、臓器の一部、またはその組み合わせである、項目1に記載の方法。
(項目9)
医用画像再構成のための命令を記憶するデータ記憶装置と、
標的となる解剖学的組織に関連する複数の画像を取得し、
プロセッサを利用した、前記複数の画像から特定された前記標的となる解剖学的組織の位置特定された解剖学的組織の区分と、前記複数の画像から特定された局所的な画像領域との間の1つ以上の関連を決定し、
前記標的となる解剖学的組織の画像取得情報に基づく初期画像再構成を実行し、
前記画像取得情報及び前記1つ以上の決定された関連に基づく、前記初期画像再構成を更新すること、または新規画像再構成を生成すること、
を含む方法を実行するための前記命令を実行するよう構成されたプロセッサと、
を含む、画像再構成のためのシステム。
(項目10)
前記少なくとも1つのコンピューターシステムは、
前記複数の画像のそれぞれにおける前記標的となる解剖学的組織の位置特定された解剖学的組織を決定し、
前記複数の画像のそれぞれの前記位置特定された解剖学的組織の、1つ以上の前記決定された区分に細分化すること、
のためにさらに構成された、項目9に記載のシステム。
(項目11)
前記少なくとも1つのコンピューターシステムは、
前記複数の画像のそれぞれにおける前記標的となる解剖学的組織の位置特定された解剖学的組織の決定された区分のそれぞれに対応する局所的な画像領域を決定すること、
のためにさらに構成された、項目10に記載のシステム。
(項目12)
前記少なくとも1つのコンピューターシステムは、
前記1つ以上の関連に基づく、1つ以上の局所的な画像領域に関連する1つ以上の事前画像を決定し、
前記1つ以上の決定された事前画像に基づく、前記初期画像再構成を更新すること、または新規画像再構成を生成すること、
のためにさらに構成された、項目10に記載のシステム。
(項目13)
前記少なくとも1つのコンピューターシステムは、
前記それぞれの位置特定された解剖学的組織に関連する局所的な画像領域のモデルであって、前記それぞれの位置特定された解剖学的組織における前記1つ以上の区分に関連する前記画像のそれぞれの前記局所的な領域に基づく前記モデルを生成し、
前記生成されたモデルに基づく、前記初期画像再構成を更新すること、または新規画像再構成を生成すること、
のためにさらに構成された、項目9に記載のシステム。
(項目14)
前記少なくとも1つのコンピューターシステムは、
前記初期画像再構成内での解剖学的組織を位置特定及び細分化し、
位置特定されかつ細分化された解剖学的組織を、前記複数の画像から特定された前記標的となる解剖学的組織の位置特定された解剖学的組織と整合し、
位置特定されかつ細分化された解剖学的組織の、前記複数の画像から特定された前記標的となる解剖学的組織の位置特定された解剖学的組織との前記整合に基づく、1つ以上の領域のための事前画像を決定すること、
のためにさらに構成された、項目9に記載のシステム。
(項目15)
前記少なくとも1つのコンピューターシステムは、
最後の画像再構成が収束するまでの、前記決定された事前画像に基づく、前記初期画像再構成を更新すること、または新規画像再構成を生成すること、
を行うようにさらに構成された、項目14に記載のシステム。
(項目16)
前記位置特定された解剖学的組織が冠状動脈樹、臓器の一部、またはその組み合わせである、項目9に記載のシステム。
(項目17)
医用画像再構成の方法を実行するためのコンピュータ実行可能プログラム命令を含むコンピューターシステム上で利用するための非一時的なコンピュータ可読媒体であって、
前記方法は、
標的となる解剖学的組織に関連する複数の画像を取得し、
プロセッサを利用した、前記複数の画像から特定された前記標的となる解剖学的組織の位置特定された解剖学的組織の区分と、前記複数の画像から特定された局所的な画像領域との間の1つ以上の関連を決定し、
前記標的となる解剖学的組織の画像取得情報に基づく初期画像再構成を実行し、
前記画像取得情報及び前記1つ以上の決定された関連に基づく、前記初期画像再構成を更新すること、または新規画像再構成を生成すること、
を含む、前記非一時的なコンピュータ可読媒体。
(項目18)
前記方法は、
前記複数の画像のそれぞれにおける前記標的となる解剖学的組織の位置特定された解剖学的組織を決定し、
前記複数の画像のそれぞれの前記位置特定された解剖学的組織を、1つ以上の前記決定された区分に細分化すること、
をさらに含む、項目17に記載の非一時的なコンピュータ可読媒体。
(項目19)
前記方法は、
前記複数の画像のそれぞれにおける前記標的となる解剖学的組織の位置特定された解剖学的組織の決定された区分のそれぞれに対応する局所的な画像領域を決定すること、
をさらに含む、項目18に記載の非一時的なコンピュータ可読媒体。
(項目20)
前記方法は、
前記1つ以上の関連に基づく、1つ以上の局所的な画像領域に関連する1つ以上の事前画像を決定し、
前記1つ以上の決定された事前画像に基づく、前記初期画像再構成を更新すること、または新規画像再構成を生成すること、
をさらに含む、項目18に記載の非一時的なコンピュータ可読媒体。
開示される実施形態のさらなる目的と利点が、以下の説明において部分的に記載され、かつ説明から部分的に明らかになるか、または開示される実施形態の実施により学ぶことができる。開示される実施形態の目的及び利点は、添付請求項に具体的に記載されている要素及び組み合わせによって実現、達成される。
包括的な説明と以下の詳細な説明はともに、請求項に記載の開示される実施形態の例示及び例示のみのであって制限的なものではないことが理解されるべきである。
本明細書に組み込まれ、その一部を構成する添付図面は様々な例示的な実施形態を示し、説明とともに開示される実施形態の原理の説明に役立つ。
本開示の例示的な実施形態による、画像再構成及び/または補正のための例示的なシステム及びネットワークのブロック図である。 本開示の例示的な実施形態による、画像再構成及び/または補正のためのトレーニングフェーズ及び作成フェーズの例示的な概要のブロック図である。 本開示の例示的な実施形態による、画像再構成及び/または補正のトレーニングフェーズのための例示的な方法のブロック図である。 本開示の例示的な実施形態による、位置特定された解剖学的組織に関連する画像領域のモデルの構築のための、また医用画像の再構成及び/または補正のトレーニングフェーズにおける利用のための、例示的な方法のブロック図である。 (図2C)本開示の例示的な実施形態による、医用画像の再構成の作成フェーズの例示的な方法のブロック図である。(図2D)本開示の例示的な実施形態による、収束画像再構成の作成のための、また医用画像の再構成の作成フェーズにおける利用のための、例示的な方法のブロック図である。 本開示の例示的な実施形態による、医用画像の補正の作成のための作成フェーズの例示的な方法のブロック図である。 図3A及び図3Bは、本開示の例示的な実施形態による、画像の再構成の反復のための例示的なトレーニング方法のブロック図である。 図3A及び図3Bは、本開示の例示的な実施形態による、画像の再構成の反復のための例示的なトレーニング方法のブロック図である。 図4A及び図4Bは、本開示の例示的な実施形態による、再構成の作成のための例示的な方法のブロック図である。 図4A及び図4Bは、本開示の例示的な実施形態による、再構成の作成のための例示的な方法のブロック図である。
ここで、本発明の例示的な実施形態が詳細に参照され、その実施例は添付図面に示されている。可能な限り、図面を通して同一または同様の部分を指すために同一の参照番号が利用される。
上述のように、医用画像再構成及び/または補正のための画像パッチとしての参照画像の利用は、構成画像の欠点を補うための参照画像の一部の利用を含んでもよい。しかし参照画像は構成画像の他の部分にほとんど、またはまったく影響を与えない可能性がある。このように、本開示は、データならびに標的となる解剖学的組織参照画像を画像パッチ以上のものとして利用するためのモデルを用いた画像再構成及び補正のためのシステム及び方法に関する。すなわち本開示は、画像再構成及び/または補正、解剖学的区分と参照画像から利用可能な画像領域との間の関連に組み込むことによる、画像再構成及び/または補正の改善に関する。
本開示は、事前情報を利用して、標的となる解剖学的組織の画像の再構成及び/または補正のための新規手法に関する。ここで、事前情報は、画像領域から抽出されるかまたは画像領域において特定される解剖学的特徴などの、標的再構成/補正画像に関する、参照画像領域と標的となる解剖学的組織の部分との間の関連を含む。ある実施形態において、本開示は、画像の補正方法及び画像再構成方法において利用するためのトレーニングフェーズ及び作成(及び/または利用フェーズ)の両方を含んでもよい。ある実施形態において、画像再構成及び画像補正の両方のためのトレーニングフェーズは、一連の既知のまたは知ることができる、解剖学的組織と画像レンダリングとの間の関連の発展を含んでもよい。たとえば、一般に、トレーニングフェーズは、画像群の受信、各画像において示される解剖学的部分(たとえば、画像ごとの位置特定された解剖学的組織)の情報の受信または入力、及び位置特定された解剖学的組織のそれぞれの部分に関連する画像領域のモデルの構築を含んでもよい。トレーニングフェーズからの出力は、画像領域に関連する一連の解剖学的区分を含んでもよい。
一般に、再構成のための作成フェーズは、より正確及び/またはより優れた情報に基づく画像再構成を作成するために、たとえば特定の患者または個人などの特定の標的となる解剖学的組織のための画像取得情報と併せた(トレーニングフェーズからの)画像領域に関連する一連の解剖学的区分の利用を含んでもよい。ある実施形態において、画像再構成は取得画像及び/または画像取得情報に基づいてもよく、画像補正は任意の画像情報に基づいてもよい。画像補正のための作成フェーズはその後、補正画像を出力するための画像情報に加えた画像領域に関連する一連の解剖学的区分の利用を含んでもよい。
次に図を参照すると、図1Aは、データ及びモデルを用いた画像再構成ならびに補正のためのシステム及びネットワークの例示的な環境のブロック図を示す。特に図1Aは、1つ以上のコンピュータ、サーバ、及び/または手持ち式モバイル装置を通じて任意にインターネットなどの電子ネットワーク100に接続されてもよい複数の医師102及び第三者プロバイダ104を示す。医師102及び/または第三者プロバイダ104は、1つ以上の患者の心臓、血管、及び/または臓器画像の画像を作成あるいは入手してもよい。医師102及び/または第三者プロバイダ104はまた、年齢、既往歴、血圧、血液粘度などの特定患者に関する情報の任意の組み合わせを取得してもよい。医師102及び/または第三者プロバイダ104は電子ネットワーク100を介して、心臓/血管/臓器画像及び/または特定患者に関する情報をサーバーシステム106に送信してもよい。サーバーシステム106は、医師102及び/または第三者プロバイダ104から受信された画像及びデータを記憶するための記憶装置を含んでもよい。また、サーバーシステム106は、記憶装置内に記憶された画像及びデータを処理するための処理装置を含んでもよい。代わりにまたはさらに、本開示(または本開示のシステム及び方法の部分)のデータ及びモデルを用いた画像再構成及び補正は、ローカル処理装置(たとえば、ラップトップ)上で外部サーバまたはネットワークなしに行われてもよい。
図1Bは本開示の例示的な実施形態による、画像再構成及び補正のための例示的なトレーニングフェーズ及び例示的な作成フェーズの概要110の図である。ある実施形態において、画像再構成及び/または補正のためのシステム及び方法は、トレーニングフェーズ111及び作成フェーズ121を含んでもよい。一般にトレーニングフェーズ111は、解剖学的区分と画像領域との間の関連の生成を含んでもよい。作成フェーズ121はその後一般的に、再構成内の領域のための事前画像、または画像補正の場合には、事前に提供された画像を決定するために関連を利用してもよい。
ある実施形態において、トレーニングフェーズ111は、画像113の入力の受信及び既知の解剖学的組織115を用いて開始されてもよい。画像113は、任意の既知の医用撮像診断法(たとえば、CT、MR、SPECTなど)からの画像を含んでもよい。解剖学的組織115は、ヒトの解剖学的組織の2−D、3−D、または他の形状モデルであってもよい。すなわち、画像113は解剖学的組織115の表現を含んでもよく、及び/または解剖学的組織115は画像113においてレンダリングされた解剖学的組織のいくつかの部分の形状を示すかもしくは表現してもよい。たとえば解剖学的組織115は、画像113において示される(または示されると予想される)解剖学的組織、予想される解剖学的組織などのモデルを含んでもよい。画像113と解剖学的組織115との間でレンダリングされる一般的な解剖学的組織のモデル及び/または画像113及び解剖学的組織115の両方における関心領域は、画像113の各々の内部において「位置特定された解剖学的組織」と称されてもよい。ある実施形態において、関連する画像113及び解剖学的組織115は、画像が作成フェーズにおいて再構成され、及び/または補正されるのと同一の個人から入手されてもよい。場合によっては、ある個人または患者が、関連する画像113及び解剖学的組織115の複数の組またはすべての組の源であってもよい。場合によっては、関連する画像113と解剖学的組織115の各組が異なる個人または患者から入手されてもよい。画像113の入力及び解剖学的組織115を考慮すると、トレーニングフェーズ111はその後、解剖学的組織115の部分と画像113の領域との間の関連付けを行うステップ117を含んでもよい。以下に特に詳細に示す通り、ステップ117は、領域または画像113のサブセットの特定、領域または解剖学的組織115の組のサブセットの特定、及び領域または画像113のサブセットの領域または解剖学的組織115のサブセットとの関連付けを含んでもよい。トレーニングフェーズ111はこのように、解剖学的組織115の部分と画像113の領域との間の一連の関連を含む出力119を作成する。
出力119が、例示的な作成フェーズ121への入力として利用されてもよい。ここで、再構成エンジン123及び補正エンジン125が、特定の個人または患者の再構成及び/または補正画像の作成において利用するために、出力119に基づいて事前画像を決定してもよい。たとえば再構成エンジン123は、特定の患者のための解剖学的組織の領域の画像取得情報127を受信してもよい。再構成エンジン123は、出力119から決定された事前画像に加えて画像取得情報127を利用して再構成129を作成してもよい。補正エンジン125は画像補正のために、画像情報131を受信してもよい。補正エンジン125はその後、画像情報131及び出力119から決定された画像補正に基づいて画像補正133を作成してもよい。
図2A及び2Bは、図1Bのトレーニングフェーズ111の例示的な実施形態のフローチャートを示す。図2C〜2Eは、画像再構成及び画像補正のための例示的な作成フェーズのフローチャートを示す。図3A及び3Bは、心臓及び腹部画像にそれぞれ応用されるようなトレーニングフェーズの例示的な実施形態のフローチャートを示す。図4A及び4Bは、それぞれ心臓及び腹部画像のための作成フェーズの例示的な実施形態のフローチャートを示し、図3Aからのトレーニングフェーズが図4Aの作成フェーズのための入力を提供してもよく、図3Bのトレーニングフェーズが図4Bの作成フェーズに関連してもよい。
図2Aは例示的な実施形態による、医用画像の再構成及び補正の両方のための解剖学的組織の部分に関連する画像領域のモデルの作成のための例示的なトレーニングフェーズのブロック図である。ある実施形態においては、画像再構成における作成手順及び画像補正における作成手順はいくつかの点において異なる場合があるが、トレーニングフェーズのための手順は場合によっては、画像再構成及び画像補正の両方と同一であってもよい。再構成及び補正に依拠する画像領域のモデルは、同様に生成されてもよい。すなわち、画像再構成及び補正のための画像領域のモデルはいずれも、一連の既知のまたは解剖学的区分と対応する画像領域との間に作成された関連を含むかまたは、それに基づいてもよい。一連の関連は、解剖学的組織の一部の表現である画像領域の理解を表してもよく、またいくつかの実施形態においては、解剖学的組織の部分を有する人物の特定に関する理解を表してもよい。トレーニングフェーズは、画像群に基づいて画像と解剖学的組織との関係のモデルを発展させてもよい。このように、トレーニングフェーズから発展した画像領域のモデルは、解剖学的組織の部分に関連して予想される画像領域の基礎を形成し、それによって画像再構成及び補正のガイダンスを提供してもよい。図2Bはある実施形態による、図2Aの方法の特定のステップの実施形態を示す。図2Aは、画像領域と解剖学的組織との間の関連のモデルの構築のための例示的かつ詳細なステップを含む、
図2Cは例示的な実施形態による、画像再構成のための例示的な作成フェーズのステップを示す。図2Dは、図2Cの方法の特定の例示的なステップの実施形態を示す。図2Cは、図2Cの方法によって出力される画像再構成を作成するために収束までに繰り返されてもよい特定のステップを含む。図2Eは、画像補正のための作成フェーズを含む。図2Cにおけるステップは、図2Eのためのステップが必ずしも取得画像に基づく必要がない点を除いては、図2Eの方法のステップと類似していてもよい。むしろ図2Eは画像補正について示しているため、画像はすでに利用可能であってもよく、独立したステップとして取得及び/または作成する必要はない。
上述のように図2Aは本開示の例示的な実施形態による、医用画像の再構成または補正のためのトレーニングフェーズの例示的な方法200のブロック図である。方法200は、医師102及び/または第三者プロバイダ104から電子ネットワーク100を介して受信された情報、画像、及びデータに基づき、サーバーシステム106によって行われてもよい。図2Aの方法は、画像群の受信を含んでもよい(ステップ201)。画像群は、標的となる解剖学的組織、たとえば、1つ以上の個人の解剖学的特徴を含んでもよいかまたはそれに関連してもよい。標的となる解剖学的組織は、分析を受け得る、及び/または分析のために利用され得る任意の画像及び/または画像の部分であってもよい。ある実施形態において、画像は電子記憶装置において記憶され、入力され、及び/または受信されてもよい。
ある実施形態においては、方法200はさらに、画像内に反映される解剖学的組織の位置特定された解剖学的組織モデルの、画像群ごとの受信または入力を含んでもよい(ステップ203)。たとえば位置特定された解剖学的組織は、検証または分析される解剖学的組織の一部を含んでもよい。たとえば標的となる解剖学的組織は患者の心臓を含んでもよく、位置特定された解剖学的組織は冠状動脈樹の位置特定されたモデルを含んでもよい。ある実施形態において、画像内の位置特定された解剖学的組織が電子記憶装置上で受信されてもよい。
次にステップ205は、位置特定された解剖学的組織の部分に関連する画像領域のモデルの構築を含んでもよい。ある実施形態においては、モデルは計算装置を利用して構築されてもよい。モデルの例示的な構築方法が図2Bにさらに記載される。一連の関連する解剖学的区分及び画像領域がモデルを考慮して作成されてもよい。このような一連の関連する解剖学的区分及び画像領域は電子記憶装置に出力されてもよい(ステップ207)。
図2Bは本開示の例示的な実施形態による、医用画像の再構成または補正のためのトレーニングフェーズにおける、位置特定された解剖学的組織のそれぞれの/対応する部分に関連する画像領域のモデルの構築のための例示的な方法220のブロック図である。ある実施形態において方法220は、画像領域と位置特定された解剖学的組織の部分(たとえば、区分)との間の関連をモデル化するステップ205を実行する1つの方法である。方法220は、医師102及び/または第三者プロバイダ104から電子ネットワーク100を介して受信された情報、画像、及びデータに基づいて、サーバーシステム106により実行されてもよい。すなわち、画像領域のモデルは、計算装置を利用して構築されてもよい。
ある実施形態においてステップ221は、画像内の標的となる解剖学的組織のための区分の大きさ及び/またはタイプの決定を含んでもよい。たとえば区分は、位置特定された解剖学的組織の全体を含む単一の構成要素であってもよい。あるいは、区分は画像に対して極めて小さくてもよい。ステップ221は、区分の大きさにおける精度の決定を含んでもよい。いくつかの実施形態において、区分の大きさは静的または動的であってもよい。たとえばステップ221は、画像解像度、感度などの観点からの区分の大きさの調整を含んでもよい。
ある実施形態において方法220はさらに、画像及び収集群(たとえば、ステップ201において受信された画像群)において位置特定された解剖学的組織ごとの、位置特定された解剖学的組織を1つ以上の区分へと細分化するステップ223を含んでもよい。たとえば区分は、収集群を通じて画像全体及び位置特定された解剖学的組織に渡って均一化されてもよい。別の実施例において、区分は解剖学的組織の局所的な領域に応じて変化してもよい。
ある実施形態においてステップ225は、画像の局所的な領域の、解剖学的組織の1つ以上の区分との関連付けを含んでもよい。すなわち画像の領域は位置特定された解剖学的組織または位置特定された解剖学的組織の1つ以上の区分に関連するため、直接特定されない場合がある。ステップ225は、同一の位置特定された解剖学的組織に対応する区分に関連して画像の局所的な領域を認識することができるように、画像の領域と1つ以上の区分との間の関連付けを行ってもよい。ある実施形態においてステップ227は、(たとえばステップ201からの)画像群において別の画像が利用可能であるか否かを決定するための選択肢を含んでもよい。収集群の中により多くの画像が残る場合、方法により、画像内で位置特定された解剖学的組織を継続的に区分し(ステップ223)、画像の局所的な領域を1つ以上の区分と関連付け(ステップ225)てもよい。収集群内のすべての画像がステップ223及び225を経由する場合、ステップ229において細分化の結果及び画像の関連が処理されてもよい。ある実施形態においてステップ229は、1つ以上の区分に関連する画像の一連の局所的な領域の組み合わせまたは統合を含んでもよい。そのセットの統合においてステップ229は、解剖学的組織のそれぞれの部分に関連する画像領域のモデルを構築してもよい。
図2Cは本開示の例示的な実施形態による、医用画像の再構成の作成のための例示的な方法240のブロック図である。方法240は、医師102及び/または第三者プロバイダ104から電子ネットワーク100を介して受信された情報、画像及びデータに基づき、サーバーシステム106によって行われてもよい。ある実施形態において方法240は、たとえば方法200などの(方法220を含む)トレーニングフェーズからの出力に基づいてもよい。
ある実施形態において方法240は、たとえば電子記憶装置上で画像取得情報を受信するステップ241を含んでもよい。ある実施形態においてステップ243は、ステップ241からの取得情報に基づく初期画像再構成の実行を含んでもよい。再構成は、当業者に知られている任意の再構成方法を利用して行われてもよい。ステップ245は、一連の関連する解剖学的区分及び関連する画像領域の(たとえばトレーニングフェーズの方法200のステップ207からの)受信を含んでもよい。一連の関連する解剖学的区分及び関連する画像領域は電子記憶装置上で受信されてもよい。
次にステップ247のために、収束再構成は、(たとえばステップ245からの)一連の解剖学的区分及び関連する画像領域と併せて初期再構成を利用して作成されてもよい。収束再構成の作成のための例示的なステップが、図2Dにおいて見られてもよい。その後、方法240はさらに、収束画像再構成の、たとえば電子記憶装置及び/またはディスプレイへの出力(ステップ249)を含んでもよい。
図2Dは本開示の例示的な実施形態による、(たとえばステップ247の)収束画像再構成の作成のための例示的な方法260のブロック図である。すなわち、方法260のステップは画像が収束するまで繰り返され、このようにして画像再構成(たとえば収束再構成)を形成してもよい。方法260は、医師102及び/または第三者プロバイダ104から電子ネットワーク100を介して受信された情報、画像及びデータに基づき、サーバーシステム106によって実行されてもよい。
一般に、図2Dの方法260は、解剖学的組織の初期画像再構成内での位置特定、位置特定された解剖学的組織の細分化、ならびに画像取得情報及び事前画像を利用した画像再構成の実行を含んでもよい。ここで、再構成は、トレーニングフェーズにおいて発展する区分と画像領域との間の予想される関連に基づく。ある実施形態においてステップ261は、たとえばステップ243からの初期画像再構成などの画像再構成内での解剖学的組織の位置特定を含んでもよい。たとえば画像再構成からのステップ261は、画像の一部である解剖学的組織の決定及び分析のための解剖学的組織の特定を含んでもよい。その後ステップ263は、位置特定された解剖学的組織の1つ以上の区分への細分化を含んでもよい。ある実施形態において、区分は均一化されてもよく、一方で別の実施形態において、区分は位置特定された解剖学的組織に渡って変化してもよい。さらに別の実施形態において、ステップ263のための位置特定された解剖学的組織の区分は、トレーニングフェーズにおいて定義された区分(たとえばステップ223)によって異なってもよい。ステップ265は、画像再構成内の1つ以上の領域のための事前画像の決定を含んでもよい。ここで、事前画像は、トレーニングフェーズからの(たとえばステップ207からの)一連の関連する解剖学的区分及び画像領域に基づいてもよい。ある実施形態において、ステップ207からのセットはステップ245からの入力であってもよい。ある実施形態においては、ステップ267はその後、(たとえばステップ241からの)取得情報及び(たとえばステップ265からの)事前画像を利用した画像再構成の実行を含んでもよい。
ステップ267からのこの画像再構成から、ステップ261〜267がその後、収束まで繰り返される。たとえば方法260はステップ267の再構成が入力として利用されるように繰り返されてもよく、ステップ267からの再構成内の解剖学的組織が位置特定され(たとえばステップ261)、この解剖学的組織が細分化され(たとえば、ステップ263)、事前画像が再構成内の領域から発見され(及び/または更新され)(たとえば、ステップ265)、そして新規の(及び/または更新された)画像再構成は、取得情報及び発見された/更新された事前画像から作成される。つまり方法260は、方法240において概要を示した入力からの画像再構成の作成の1つの方法を提供してもよい。収束時に、ステップ247は収束を記録し、収束再構成を決定し、及び/または受信してもよい。
上述のように、作成及び再構成のための方法240(及び方法260)は画像の補正方法と類似してもよい。方法は類似してもよいが、画像補正からの作成フェーズと再構成の作成フェーズとの間の逸脱について以下により詳細に説明する。
図2Eは本開示の例示的な実施形態による、医用画像の補正の作成のための例示的な方法280のブロック図である。方法280は、医師102及び/または第三者プロバイダ104から電子ネットワーク100を介して受信された情報、画像及びデータに基づいて、サーバーシステム106により実行されてもよい。ある実施形態において、補正の作成方法280は、補正が利用可能な画像の改善である再構成の作成方法240と異なってもよい。したがってある実施形態において、方法280は画像を取得するかまたは初期画像を作成するステップを含まない。むしろ、ステップ281は画像取得情報を受信するステップ241とは対照的に、画像情報の受信時に開始されてもよい。ある実施形態においてステップ281は、たとえば電子記憶装置上での画像情報の受信を含んでもよい。ステップ283は、一連の関連する解剖学的区分及び関連する画像領域がトレーニングフェーズに基づいて受信されてもよい点でステップ245に類似してもよい。また、この一連の関連する解剖学的区分及び関連する画像領域は電子記憶装置から受信されてもよい。
方法280は補正を含むため、画像はすでに利用可能であり、初期画像を生成するステップ(たとえばステップ243)は不要である場合がある。ある実施形態において画像補正を実行するステップ285は、補正されている画像内での解剖学的組織の位置特定、位置特定された解剖学的組織の1つ以上の区分への細分化、一連の関連する解剖学的区分及び(たとえばステップ283からの)画像領域の、画像内の1つ以上の領域の事前画像としての利用、ならびに(たとえばステップ281からの)画像情報及び(たとえばステップ283からの)事前画像を利用した画像補正の実行、を含んでもよい。その後ステップ287は、補正画像の、たとえば電子記憶装置及び/またはディスプレイへの出力を含んでもよい。
図3A、3B、4A及び4Bは、図2A〜2Eにおいて示される例示的な方法の特定の実施形態または応用に関する。たとえば図3A及び図3Bはそれぞれ様々な実施形態による、例示的なトレーニングフェーズの心臓及び腹部画像の反復再構成方法を示す。図3Aはさらに、トレーニングフェーズの心臓画像補正方法のための基礎を提供してもよい。図4A及び4Bはそれぞれ、例示的な作成フェーズの心臓及び腹部画像の反復再構成方法を含む。図4Aはさらに、作成フェーズの心臓画像補正方法のための基礎を提供してもよい。いくつかの実施形態において、冠状動脈モデル及び関連する画像領域の図3Aのトレーニングフェーズからの出力は、図4Aにおいて示されるように、心臓画像再構成作成フェーズのための入力に役立つ場合がある。同様に、表面メッシュモデル及び関連する画像領域の図3Bからの出力が、図4Bの作成フェーズからの収束画像再構成の作成のために利用されてもよい。心臓及び腹部画像のための実施形態が個別の実施形態として提示されるが、応用される方法は同時に様々な解剖学的部分を含む再構成及び/または補正へと組み合わせられてもよい。
図3Aは様々な実施形態による、特に心臓画像の反復再構成のための例示的な方法300のブロック図である。方法300については、心臓画像はCT画像及び/またはMR画像を含んでもよい。ある実施形態においてステップ301Aは、心臓CT画像群の、たとえば電子記憶装置上での入力または受信を含んでもよい。心臓CT画像の作成のための反復再構成により、より少ないサンプルを取得し、完全なCT画像を再構成するための事前情報を利用することで、より低い放射線量での心臓CTの作成が可能になる場合がある。別の実施形態は、心臓MR画像群を、たとえば電子記憶装置上で入力するかまたは受信するステップ301Bを含んでもよい。心臓MR画像の作成については、部分的なまたは並行の再構成により、より少ないサンプルを取得し、完全なMR画像を再構成するための事前情報を利用することで、より短い時間での取得が可能になる。
ある実施形態においてステップ303は、画像ごとの、その画像内で位置特定された冠状動脈樹のモデルの、たとえば電子記憶装置上での入力または受信を含んでもよい。冠状動脈樹モデルは、離散点においてサンプリングされる血管の中心線を含んでもよい。ステップ305は、1つ以上の中心線に沿った1つ以上のポイントに関連する画像領域のモデルの構築を含んでもよい。たとえば収集群における画像ごとに、画像の形状(たとえば正方形または長方形の)領域は、モデル内の各中心線ポイントに関連してもよい。ある場合には、形状領域は5mmの3D形状領域であってもよい。モデルにおける中心線ポイントの関連付けのための画像領域の大きさは、少なくとも、画像、中心線ポイントの密度、処理能力などに応じて、静的及び/または動的であってもよい。ある実施形態において、モデルを構築するステップ305は、計算装置によって実行されてもよい。最後のステップ307は、一連の冠状動脈モデル及び関連する画像領域の、たとえば電子記憶装置への出力を含んでもよい。
ある実施形態において、心臓CT画像の画像補正のためのトレーニングフェーズは、心臓CT画像の反復再構成のためのトレーニングフェーズに類似してもよい。画像補正は、改善された画質及び説明力による、事前情報の利用方法であってもよい。可能性のある特異点は、任意の心臓CT画像群の入力ではなく、高品質な心臓CT画像群の(たとえば電子記憶装置上の)入力であってもよい。画像補正のためのトレーニングフェーズは、高品質な心臓画像の基礎を利用した画像の改善に重点を置いてもよいが、反復再構成は、一連の冠状動脈モデル及び特定の患者のための関連する画像領域を提供してもよい。心臓CT画像の画像補正のための残りのステップは、ある例示的な実施形態における、反復再構成のためのステップとの類似性を含んでもよい。たとえば画像補正はまた、(高品質な心臓CT画像群の)画像ごとに、その画像内で位置特定された装置冠状動脈樹のモデルの、電子記憶上での入力を含んでもよい。冠状動脈樹モデルは、離散点においてサンプリングされる血管の中心線を含んでもよい。計算装置はその後、たとえば画像の5mmの3−D形状(たとえば長方形の)領域のモデル内の各中心線ポイントの関連付けによる、中心線に関連する画像領域のモデルを構築するために利用されてもよい。その後、一連の冠状動脈モデル及び関連する画像領域が電子記憶装置に出力されてもよい。
図3Bはある実施形態による、腹部CT画像の反復再構成のための例示的な方法320のブロック図である。反復再構成により、たとえばより少ないサンプルを取得し、完全なCT画像を再構成するための事前情報を利用することで、より低い放射線量での腹部CT画像の作成が可能となる場合がある。ある実施形態においてステップ321Aは、腹部CT画像群の、たとえば電子記憶装置上での入力または受信を含んでもよい。代わりにまたはさらに、ステップ321Bは、腹部MR画像の、おそらく同様に電子記憶装置における入力または受信を含んでもよい。ステップ323は画像ごとに、画像内で位置特定された腹部臓器(たとえば、肝臓、腎臓、脾臓、胆嚢など)のモデルの(たとえば電子記憶装置上での)入力を含んでもよい。臓器モデルは、離散点においてサンプリングされる表面メッシュを含んでもよい。ある実施形態において、ステップ325は、表面メッシュポイントに関連する画像領域のモデルの構築を含んでもよい。たとえば、ステップ325は収集群における画像ごとに、画像の形状領域の、モデル内の各表面メッシュポイントとの関連付けを含んでもよい。ある場合には、形状領域は、モデルの5mmの長方形の3−D領域であってもよい。ある実施形態において計算は、ステップ325を実行するために利用されてもよい。ステップ327は、一連の表面メッシュモデル及び関連する領域の、たとえば電子記憶装置への出力を含んでもよい。
図4A及び図4Bは例示的な実施形態による、再構成の作成のための例示的な方法を含む。図4Aにおいて示される方法は、若干の修正により、画像補正の作成の例示的な方法として役立ってもよい。図4Aはある実施形態による、心臓画像の反復再構成の作成のための例示的な方法400のブロック図である。たとえばステップ401Aは、心臓CT画像取得情報の、たとえば電子記憶装置上での入力を含んでもよい。代わりに入力は、心臓MR画像取得情報の、たとえば電子記憶装置上での入力(ステップ401B)を含んでもよい。たとえば、取得情報は、1つ以上のコイルによって取得されるk空間における一連のラインを含んでもよい。その後ステップ403Aは、取得情報及び任意の既知の反復CT再構成技術を利用した初期心臓CT画像再構成の実行(たとえば、ステップ401Aからの入力)を含んでもよい。類似のステップ403Bは、(心臓CT画像取得情報ではなく)心臓MR画像取得情報の入力に関連してもよい。ここで、ステップ403Bは(たとえばステップ401Bからの)取得情報及び任意の既知の、並行した/部分的なMR再構成技術を利用した初期心臓MR画像再構成の実行を含んでもよい。ある実施形態においてステップ405は、トレーニングフェーズからの(たとえば電子記憶装置上での)、一連の冠状動脈モデル及び関連する画像領域の入力を含んでもよい。
ステップ405に続き、ステップ407は、画像再構成内での、たとえば当業者に知られた任意の技術を利用した冠状動脈樹の中心線の位置特定を含んでもよい。ステップ409はその後、画像内に見られる冠状動脈樹の中心線ポイントのそれぞれの、ステップ403から入力された、冠状動脈モデル群内の0以上の冠状動脈樹の中心線ポイントへの整合を含んでもよい。整合は、冠状動脈樹の中心線ポイントと収集群内の各ポイントとの間の類似性を示し得るメトリック(メトリクス)を計算するための任意のグラフマッチング技術を利用して行われてもよい。例示的なメトリクスは、スペクトル対応、最小編集距離などを含む。ある場合には、スペクトル対応は、2つの一連の特徴(たとえば、メッシュ、形、数、ポイント、頂点など)の一貫性の発見、形状の整合または対応のためのスペクトル法を含んでもよい。最小編集距離は、あるポイントを別のポイントに、特に冠状動脈樹の中心線ポイントを収集群における各ポイントへと変更する最も少数の演算を含んでもよい。ある場合には、ステップ407はさらに、類似性を示すメトリック(メトリクス)のための閾値の決定を含んでもよい。このようにして、整合ポイントが0以上の整合ポイントを含み得る、整合ポイント群が作成されてもよい。
ある実施形態においてステップ411は、中心線ポイントごとの局所的な事前画像の決定を含んでもよい。すなわち各中心線ポイントは、特定のポイントに対して局所的である事前画像を有してもよい。局所的な事前画像は、特定の解剖学的関心対象を含む事前画像であってもよい。ある実施形態において局所的な事前画像は、整合ポイント群における0以上の整合ポイントに関連する画像領域のマージによって決定されてもよい。中心線ポイントのための整合ポイントがまったく存在しない場合には、ポイントが関連する局所的な事前画像を有しない場合がある。
ある実施形態において、マージはいくつかの方法を介して実現されてもよい。ある例では、マージには関連する画像領域の平均化が必要となる可能性がある。マージの別の方法は、関連する画像領域の加重平均化の実行を含んでもよい。たとえば重みは、関連するポイントの類似性メトリックまたは関連する画像領域がもともと記された画像の事前決定された画質によって決定されてもよい。マージの追加的な方法は、現在の画像再構成における中心線ポイントに対して局所的である画像領域との類似性が最も大きい、関連する画像領域の選択を含んでもよい。さらに別のマージ方法は、現在の画像再構成における中心線ポイントに対して局所的である画像領域に最も整合する、関連する画像領域の疎線形組み合わせを含んでもよい。
次にステップ413は、取得情報及び事前画像を利用した画像再構成の実行を含んでもよい。たとえばステップ413は、現在の再構成内での事前画像のブレンディングを含んでもよい。ある場合には、このようなブレンディングは、事前画像と再構成画像との間のαチャンネルの応用を含んでもよい。別の例においては、ステップ413は、最適化に基づいた反復再構成方法のための、再構成画像と局所的な事前画像との間の差異に不利益を生じさせる可能性のある、最適化への余分なタームの追加を含んでもよい。ステップ415は、ステップ407〜413の反復処理の収束の決定を含んでもよい。たとえばステップ415は、差異が事前決定された閾値未満である場合、(たとえば、すべてのボクセルにおける強度値の間の2乗平均差の計算による)2連続の反復時の再構成画像と、収束との間の差異の測定を含んでもよい。その後ステップ417は、収束画像再構成の、たとえば電子記憶装置及び/またはディスプレイへの出力を含んでもよい。ある実施形態において、ステップ415を通じたステップ403A及び/または403Bは、計算装置を利用して実行されてもよい。
心臓CT画像の画像補正は、初期ステップが心臓CT画像取得情報ではなく心臓CT画像の入力を含む場合を除いて、特定の点において方法400に類似してもよい。ある例においては、心臓CT画像は電子記憶装置上に入力されてもよい。上述のように、補正と再構成との間の入力の区別は、画像が補正のためにすでに利用可能であるためである可能性がある。さらに、画像及び/または再構成はすでに利用可能である可能性があるためステップ403Aは、画像補正のためには不要である場合がある。また、画像補正は本質的に利用可能な画像をすでに含んでいる可能性があるため、画像補正は必ずしも初期画像再構成の実行を含まない。すなわち画像補正の作成は、心臓CT画像の電子記憶装置上での入力または受信を含んでもよい。そして、画像補正の作成は、その後ステップ403と同様にトレーニングフェーズからの(たとえば、電子記憶装置上での)一連の冠状動脈モデル及び関連する画像領域の入力を含んでもよい。
次に、ステップが(たとえばステップ403Aからの)画像再構成ではなく入力心臓CT画像上で実行される場合を除いて、ステップ407〜415と類似するステップが収束まで繰り返されてもよい。たとえば画像補正のためのステップ407に類似のステップは、任意の既知の技術を利用した、冠状動脈樹の中心線の入力された心臓CT画像内での位置特定を含んでもよい。ステップ409に類似の補正ステップは、冠状動脈モデル群からの0以上の冠状動脈樹の中心線ポイントの、補正のために入力された画像内に見られる冠状動脈樹の中心線ポイントのそれぞれへの整合を含んでもよい。メトリックはその後、画像における冠状動脈樹の中心線ポイントのそれぞれとモデル群における各ポイントとの間の類似性を示すために計算されてもよい。このような計算は、任意の既知のグラフマッチング技術を利用して行われてもよい。例示的なメトリクスは、スペクトル対応、最小編集距離などを含む。ある実施形態において、類似性メトリックのための閾値が決定されてもよい。その後、整合ポイント群が類似性メトリックに基づいて作成されてもよく、整合ポイント群が0以上の整合ポイントを含んでもよい。
ステップ411に類似の(たとえば、局所的な事前画像を決定するための)マージが、画像再構成ではなく現在の入力心臓CT画像を利用して行われてもよい。たとえば、画像補正処理における中心線ポイントごとの局所的な事前画像の決定は、0以上の整合ポイントに関連する画像領域のマージを含んでもよい。中心線ポイントのために0整合ポイントが存在する場合、そのポイントは少なくとも入力CT画像及び入力された一連の冠状動脈モデルに基づいて、関連する局所的な事前情報を有していない可能性がある。マージ方法は、関連する画像領域の平均化、関連する画像領域の加重平均化(関連するポイントの類似性メトリック及び/または関連する画像領域がもともと記された画像(たとえば、入力心臓CT画像)の事前決定された画質によって重みが決定される)の実行、現在の画像(たとえば、入力されたまたはマージされた画像)における中心線ポイントに対して局所的である画像領域との類似性が最も大きい、関連する画像領域の選択、現在の画像における中心線ポイントに対して局所的な画像領域に整合させるための関連する画像領域の疎線形組み合わせ、などを含む。
(ステップ413と同様の)画像補正の実行は、(たとえば、事前画像と画像との間のαチャンネルの応用による)現在の画像における事前画像のブレンディングなどの画像情報及び事前画像の利用を含んでもよい。最適化に基づいた画像補正方法のために、余分なタームが、画像と局所的な事前画像との間の差異に不利益を生じさせる最適化に追加されてもよい。ある実施形態において、差異が事前決定された閾値未満である場合、(たとえば、すべてのボクセルにおける強度値の間の2乗平均差の計算による)2連続の反復時の補正画像と収束との間の差異の測定により、反復処理の収束が決定されてもよい。その後、方法は、収束補正画像の(たとえば電子記憶装置及び/またはディスプレイへの)出力を含んでもよい。
図4Bはある実施形態による、腹部画像の反復再構成の作成のための例示的な方法420のブロック図である。たとえばステップ421は、腹部CT画像取得情報の、たとえば電子記憶装置上での入力を含んでもよい。ステップ423は、トレーニングフェーズからの(たとえば電子記憶装置上での)、一連の臓器モデル及び関連する画像領域の入力を含んでもよい。その後、たとえば取得情報及び任意の既知の反復CT再構成技術を利用して、初期腹部CT画像再構成が行われてもよい(ステップ425)。
このような情報が取得されると、ステップ427〜433は収束まで繰り返されてもよい。ある実施形態においてステップ427は、画像再構成内での臓器の位置特定を含んでもよい。このステップは、任意の既知の技術を利用して実行されてもよい。次にステップ429は、画像内に見られる臓器表面メッシュポイントのそれぞれの0以上の、臓器メッシュモデル群における臓器表面メッシュポイントへの整合を含んでもよい。整合は、臓器表面メッシュポイントと収集群における各ポイントとの間の類似性を示すメトリックを計算するための任意のグラフマッチング技術を利用して行われてもよい。上述のように、例示的なメトリクスは、スペクトル対応、最小編集距離などを含む。ステップ429はさらに、0以上の整合ポイントを含み得る整合ポイント群が作成されるような、類似性メトリックの閾値の決定を含んでもよい。ステップ431は、0以上の整合ポイントに関連する画像領域のマージによる、たとえば表面メッシュポイントごとの局所的な事前画像の決定を含んでもよい。表面メッシュポイントが0整合ポイントに対応する場合、ステップ431は、メッシュポイントが関連する局所的な事前情報を有しない場合があることの決定を含んでもよい。マージ方法は、たとえば、関連する画像領域の平均化、関連するポイントの類似性メトリックまたは関連する画像領域を提供した画像の事前決定された画質に重みが基づく、関連する画像領域の加重平均化の決定、現在画像再構成における臓器表面メッシュに対して局所的である画像領域との類似性が最も大きい、関連する画像領域の選択、及び/または、現在の画像再構成における表面メッシュポイントに対して局所的である画像領域に最も整合する、関連する画像領域の疎線形組み合わせ、などの上述の方法を含んでもよい。ステップ433は、(たとえば、事前画像と再構成画像との間のαチャンネルの応用などを利用した、事前画像の現在の再構成とのブレンディングによる、及び/または、再構成画像と局所的な事前画像との間の差異に不利益を生じさせる最適化への余分なタームの追加による、最適化に基づいた反復再構成方法のための)取得情報及び事前画像を利用した画像再構成の実行を含んでもよい。ステップ435は、反復処理の収束の決定を含んでもよい。たとえばステップ435は、差異が事前決定された閾値未満である場合、(たとえば、すべてのボクセルにおける強度値の間の2乗平均差の計算による)2連続の反復時の再構成画像と、収束との間の差異の測定を含んでもよい。ステップ437は、収束画像再構成の、たとえば電子記憶装置及び/またはディスプレイへの出力を含んでもよい。ある実施形態において、ステップ427〜433は収束まで繰り返されてもよく、ステップ425〜433は計算装置を利用して実行されてもよい。
画像再構成及び/または補正を作成するための解剖学的区分に関連する一連の画像領域の準備において記される方法は、様々な形式の医用撮像に応用されてもよい。ある実施形態において、方法はトレーニングフェーズ及び作成フェーズを含んでもよい。トレーニングフェーズは、特定患者に関する情報がそれに対して評価されてもよいような「予想される」一連の情報を形成する、画像領域と解剖学的区分との間の一連の関連の作成を含んでもよい。作成フェーズは、トレーニングフェーズによって提供される関連に基づく画像再構成及び/または補正の作成を含んでもよい。
開示される本発明の明細書及び実施を考慮すると、本発明の他の実施形態が当業者には明らかとなるであろう。明細書及び実施例は、以下の特許請求の範囲に示される本発明の範囲及び趣旨を有する例示のみとして見なされるものとする。

Claims (1)

  1. 明細書に記載された発明。
JP2019125125A 2014-03-28 2019-07-04 データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法 Active JP6878509B2 (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201461972056P 2014-03-28 2014-03-28
US61/972,056 2014-03-28
US14/291,465 2014-05-30
US14/291,465 US8917925B1 (en) 2014-03-28 2014-05-30 Systems and methods for data and model-driven image reconstruction and enhancement

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2016558722A Division JP6581104B2 (ja) 2014-03-28 2015-03-25 データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法

Publications (2)

Publication Number Publication Date
JP2019194906A true JP2019194906A (ja) 2019-11-07
JP6878509B2 JP6878509B2 (ja) 2021-05-26

Family

ID=51493459

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2016558722A Active JP6581104B2 (ja) 2014-03-28 2015-03-25 データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法
JP2019125125A Active JP6878509B2 (ja) 2014-03-28 2019-07-04 データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2016558722A Active JP6581104B2 (ja) 2014-03-28 2015-03-25 データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法

Country Status (4)

Country Link
US (6) US8917925B1 (ja)
EP (2) EP3467779A1 (ja)
JP (2) JP6581104B2 (ja)
WO (1) WO2015148616A1 (ja)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9336457B2 (en) * 2012-12-06 2016-05-10 Siemens Medical Solutions Usa, Inc. Adaptive anatomical region prediction
EP2994904A4 (en) 2013-05-10 2017-01-18 Stenomics, Inc. Modeling and simulation system for optimizing prosthetic heart valve treatment
US9092743B2 (en) 2013-10-23 2015-07-28 Stenomics, Inc. Machine learning system for assessing heart valves and surrounding cardiovascular tracts
US8917925B1 (en) 2014-03-28 2014-12-23 Heartflow, Inc. Systems and methods for data and model-driven image reconstruction and enhancement
JP6679709B2 (ja) 2015-07-17 2020-04-15 ハートフロー, インコーポレイテッド 造影剤分布予測及び測定を使用してプラーク及び/または狭窄性病変の重症度を評価するシステム及び方法
GB2557559B (en) * 2015-10-06 2021-09-15 Synaptive Medical Inc Method, system and apparatus for image-guided insertion of implant devices
US10674986B2 (en) 2016-05-13 2020-06-09 General Electric Company Methods for personalizing blood flow models
WO2017199246A1 (en) 2016-05-16 2017-11-23 Cathworks Ltd. Vascular selection from images
IL263065B1 (en) 2016-05-16 2024-04-01 Cathworks Ltd Vascular evaluation system
CN109313816B (zh) 2016-05-24 2023-11-14 皇家飞利浦有限公司 深度增强的断层合成重建
US10504621B2 (en) * 2016-12-28 2019-12-10 Canon Medical Systems Corporation Medical image processing apparatus, medical imaging apparatus and image archiving apparatus
CN110337673B (zh) 2017-01-05 2023-10-20 通用电气公司 基于深度学习的在断层摄影重建中估计数据的方法和系统
US10559079B2 (en) * 2017-05-19 2020-02-11 Uih America, Inc. System and method for image reconstruction
CN107392976A (zh) * 2017-07-31 2017-11-24 上海联影医疗科技有限公司 数据处理方法、装置及设备
CN107274428B (zh) * 2017-08-03 2020-06-30 汕头市超声仪器研究所有限公司 基于仿真和实测数据的多目标三维超声图像分割方法
WO2019071249A1 (en) 2017-10-06 2019-04-11 Emory University METHODS AND SYSTEMS FOR DETERMINING HEMODYNAMIC INFORMATION FOR ONE OR MORE ARTERIAL SEGMENTS
US11871995B2 (en) 2017-12-18 2024-01-16 Hemolens Diagnostics Sp. Z O.O. Patient-specific modeling of hemodynamic parameters in coronary arteries
WO2019134879A1 (en) * 2018-01-03 2019-07-11 Koninklijke Philips N.V. Full dose pet image estimation from low-dose pet imaging using deep learning
US10475216B2 (en) 2018-02-26 2019-11-12 General Electric Company Imaging system and method using learned phase acquisition to acquire images
WO2019183584A1 (en) * 2018-03-23 2019-09-26 Memorial Sloan Kettering Cancer Center Deep encoder-decoder models for reconstructing biomedical images
EP3843627A4 (en) 2018-08-31 2022-05-25 QT Imaging, Inc. MACHINE LEARNING APPLICATION TO ITERATIVE AND MULTIMODALITY IMAGE RECONSTRUCTION
CN109615674B (zh) * 2018-11-28 2020-09-18 浙江大学 基于混合损失函数3d cnn的动态双示踪pet重建方法
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
CN110211111A (zh) * 2019-05-31 2019-09-06 上海联影医疗科技有限公司 一种血管提取的方法、装置、图像处理设备及存储介质
US11969280B2 (en) 2020-01-07 2024-04-30 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
AU2021205821A1 (en) 2020-01-07 2022-07-21 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US20220392065A1 (en) 2020-01-07 2022-12-08 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US20240127433A1 (en) * 2021-02-22 2024-04-18 The Johns Hopkins University Methods and related aspects for classifying lesions in medical images
CN113256753B (zh) * 2021-06-30 2021-10-29 之江实验室 基于多任务学习约束的pet图像感兴趣区域增强重建方法
CN113724177B (zh) * 2021-09-07 2023-12-15 北京大学深圳医院 肺结节信息融合方法、装置、设备及其存储介质
US20230169702A1 (en) 2021-11-29 2023-06-01 Heartflow, Inc. Systems and methods for processing electronic images for physiology-compensated reconstruction
US20230165544A1 (en) 2021-11-29 2023-06-01 Heartflow, Inc. Systems and methods for processing electronic images using user inputs
US20230289963A1 (en) 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007069144A2 (en) * 2005-12-14 2007-06-21 Koninklijke Philips Electronics N.V. Method and device for relating medical 3d data image viewing planes to each other
JP4421203B2 (ja) * 2003-03-20 2010-02-24 株式会社東芝 管腔状構造体の解析処理装置
JP2013198763A (ja) * 2005-04-15 2013-10-03 Toshiba Corp 医用画像処理装置
JP5520378B2 (ja) * 2009-08-07 2014-06-11 ユーシーエル ビジネス ピーエルシー 2つの医用画像を位置合わせするための装置および方法

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6106466A (en) * 1997-04-24 2000-08-22 University Of Washington Automated delineation of heart contours from images using reconstruction-based modeling
US7904187B2 (en) * 1999-02-01 2011-03-08 Hoffberg Steven M Internet appliance system and method
US7346381B2 (en) * 2002-11-01 2008-03-18 Ge Medical Systems Global Technology Company Llc Method and apparatus for medical intervention procedure planning
US7796790B2 (en) 2003-10-17 2010-09-14 Koninklijke Philips Electronics N.V. Manual tools for model based image segmentation
US7522779B2 (en) 2004-06-30 2009-04-21 Accuray, Inc. Image enhancement method and system for fiducial-less tracking of treatment targets
JP4160573B2 (ja) 2005-04-05 2008-10-01 モレックス インコーポレーテッド 電子部品接続用コネクタ及び電子部品接続用端子
DE102005036998B4 (de) * 2005-08-05 2014-11-20 Siemens Aktiengesellschaft Vorrichtung zur automatischen Detektion von Auffälligkeiten in medizinischen Bilddaten
US7764817B2 (en) * 2005-08-15 2010-07-27 Siemens Medical Solutions Usa, Inc. Method for database guided simultaneous multi slice object detection in three dimensional volumetric data
US7889898B2 (en) * 2005-09-16 2011-02-15 Siemens Medical Solutions Usa, Inc. System and method for semantic indexing and navigation of volumetric images
RU2413245C2 (ru) 2005-11-10 2011-02-27 Конинклейке Филипс Электроникс Н.В. Обработка изображений позитронно-эмиссионной томографии с использованием анатомической маски режима списка
JP5377310B2 (ja) * 2006-08-29 2013-12-25 コーニンクレッカ フィリップス エヌ ヴェ 胸部ct撮像における心運動アーチファクトの削減
US9275190B2 (en) * 2007-04-23 2016-03-01 Siemens Aktiengesellschaft Method and system for generating a four-chamber heart model
US8600131B2 (en) * 2008-07-07 2013-12-03 The Johns Hopkins University Advanced cost functions for image registration for automated image analysis: multi-channel, hypertemplate and atlas with built-in variability
US8700127B2 (en) * 2009-01-29 2014-04-15 University Of Virginia Patent Foundation Motion-attenuated contrast-enhanced cardiac magnetic resonance imaging system and method
US9412044B2 (en) * 2009-06-09 2016-08-09 Siemens Aktiengesellschaft Method of compensation of respiratory motion in cardiac imaging
US8391603B2 (en) 2009-06-18 2013-03-05 Omisa Inc. System and method for image segmentation
CN102028482B (zh) * 2009-09-30 2012-11-14 同方威视技术股份有限公司 人体检查图像处理方法和人体检查设备
US8761860B2 (en) * 2009-10-14 2014-06-24 Nocimed, Llc MR spectroscopy system and method for diagnosing painful and non-painful intervertebral discs
US8520920B2 (en) * 2009-11-11 2013-08-27 Siemens Corporation System for dynamically improving medical image acquisition quality
US9087400B2 (en) * 2009-12-17 2015-07-21 Koninklijke Philips N.V. Reconstructing an object of interest
JP5584006B2 (ja) * 2010-03-31 2014-09-03 富士フイルム株式会社 投影画像生成装置、投影画像生成プログラムおよび投影画像生成方法
US8526691B2 (en) * 2010-06-09 2013-09-03 Siemens Aktiengesellschaft System and method for passive medical device navigation under real-time MRI guidance
JP5868052B2 (ja) * 2010-07-21 2016-02-24 シーメンス アクチエンゲゼルシヤフトSiemens Aktiengesellschaft 包括的な患者固有の心臓のモデリング方法およびシステム
US8712124B2 (en) 2011-06-21 2014-04-29 General Electric Company Artifact removal in nuclear images
US10595807B2 (en) * 2012-10-24 2020-03-24 Cathworks Ltd Calculating a fractional flow reserve
US10210956B2 (en) * 2012-10-24 2019-02-19 Cathworks Ltd. Diagnostically useful results in real time
US8949487B1 (en) * 2013-07-29 2015-02-03 Western Digital Technologies, Inc. Data transmission from data storage device
US9471987B2 (en) * 2013-08-09 2016-10-18 Siemens Healthcare Gmbh Automatic planning for medical imaging
US8917925B1 (en) * 2014-03-28 2014-12-23 Heartflow, Inc. Systems and methods for data and model-driven image reconstruction and enhancement
US9934566B2 (en) * 2015-07-14 2018-04-03 Siemens Healthcare Gmbh 3-D vessel tree surface reconstruction method
US10206646B2 (en) * 2016-03-10 2019-02-19 Siemens Healthcare Gmbh Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields
US9767557B1 (en) * 2016-06-23 2017-09-19 Siemens Healthcare Gmbh Method and system for vascular disease detection using recurrent neural networks
US10140733B1 (en) * 2017-09-13 2018-11-27 Siemens Healthcare Gmbh 3-D vessel tree surface reconstruction

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4421203B2 (ja) * 2003-03-20 2010-02-24 株式会社東芝 管腔状構造体の解析処理装置
JP2013198763A (ja) * 2005-04-15 2013-10-03 Toshiba Corp 医用画像処理装置
WO2007069144A2 (en) * 2005-12-14 2007-06-21 Koninklijke Philips Electronics N.V. Method and device for relating medical 3d data image viewing planes to each other
JP5520378B2 (ja) * 2009-08-07 2014-06-11 ユーシーエル ビジネス ピーエルシー 2つの医用画像を位置合わせするための装置および方法

Also Published As

Publication number Publication date
WO2015148616A1 (en) 2015-10-01
US10964071B2 (en) 2021-03-30
US8917925B1 (en) 2014-12-23
EP3467779A1 (en) 2019-04-10
US9153047B1 (en) 2015-10-06
US20180225847A1 (en) 2018-08-09
US20150279060A1 (en) 2015-10-01
JP2017509411A (ja) 2017-04-06
US9965873B2 (en) 2018-05-08
US8837860B1 (en) 2014-09-16
US20150363946A1 (en) 2015-12-17
EP3123447A1 (en) 2017-02-01
JP6581104B2 (ja) 2019-09-25
JP6878509B2 (ja) 2021-05-26
EP3123447B1 (en) 2018-12-12
US9070214B1 (en) 2015-06-30

Similar Documents

Publication Publication Date Title
JP6878509B2 (ja) データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法
CN111373448B (zh) 使用机器学习正则化器的图像重建
JP6884853B2 (ja) ニューラルネットワーク法を用いた画像セグメンテーション
JP2021035502A (ja) 畳み込みニューラルネットワークを用いた画像セグメンテーションのためのシステムおよび方法
JP2021521993A (ja) 敵対的生成ネットワークを使用した画像強調
CN106846430B (zh) 一种图像重建方法
CN109389655B (zh) 时变数据的重建
JP2020520005A (ja) 画像解析における解剖学的構造のセグメンテーションのためのシステム及び方法
RU2595757C2 (ru) Устройство совмещения изображений
CN111462020A (zh) 心脏图像的运动伪影校正方法、系统、存储介质和设备
CN110546685B (zh) 图像分割和分割预测
CN114270397A (zh) 使用电特性断层成像确定流体和组织体积估计的系统和方法
Tiago et al. A data augmentation pipeline to generate synthetic labeled datasets of 3D echocardiography images using a GAN
JP7459243B2 (ja) 1以上のニューラルネットワークとしての画像形成のモデル化による画像再構成
Zhao et al. A fast algorithm for high order total variation minimization based interior tomography
US20210158970A1 (en) Disease simulation and identification in medical images
Khodadad et al. CT and PET Image Registration: Application to Thorax Area
US20230260141A1 (en) Deep learning for registering anatomical to functional images
Shamul et al. Change detection in sparse repeat CT scans with non-rigid deformations
Szűcs et al. Self-supervised segmentation of myocardial perfusion imaging SPECT left ventricles
US20230154067A1 (en) Output Validation of an Image Reconstruction Algorithm
Park et al. Deformable registration of CT and cone-beam CT by local CBCT intensity correction
WO2022120588A1 (zh) 一种低剂量pet图像还原方法、系统、设备和介质
WO2024108203A1 (en) Patch-based denoising diffusion probabilistic model for sparse tomographic imaging
CN115482193A (zh) 多扫描图像处理

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190801

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201002

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201229

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: 20210331

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210428

R150 Certificate of patent or registration of utility model

Ref document number: 6878509

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250