JP2023026400A - 画像レジストレーションを実行するコンピュータ実装方法、システム、および、プログラム（医用画像の可変レジストレーション） - Google Patents

画像レジストレーションを実行するコンピュータ実装方法、システム、および、プログラム（医用画像の可変レジストレーション） Download PDF

Info

Publication number
JP2023026400A
JP2023026400A JP2022128629A JP2022128629A JP2023026400A JP 2023026400 A JP2023026400 A JP 2023026400A JP 2022128629 A JP2022128629 A JP 2022128629A JP 2022128629 A JP2022128629 A JP 2022128629A JP 2023026400 A JP2023026400 A JP 2023026400A
Authority
JP
Japan
Prior art keywords
image
liver
aligned
registered
registration
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.)
Pending
Application number
JP2022128629A
Other languages
English (en)
Inventor
ジョヴァンニ ジョン ジャック パルマ
John Jacques Palma Giovanni
グレグ パディアセク
Padiasek Greg
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of JP2023026400A publication Critical patent/JP2023026400A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

【課題】表面ベースの肝臓レジストレーションでは、内部の肝臓体積を考慮することなく、肝臓表面が位置合わせされる。しかし、ＣＴスキャンが完全な肝臓体積を含んでいない場合、この手順は問題である。【解決手段】異なる時刻に患者から取得した第１の画像および第２の画像を受信する段階と、第１の画像および前記第２の画像のそれぞれにおいて、オブジェクトの上側境界および下側境界を画像座標系において検出する段階と、第１の画像および第２の画像のそれぞれの上側境界および下側境界に基づき、第１の画像および第２の画像のうちの少なくとも一方をクロップ処理およびパッド処理して、位置合わせ済みの第１の画像および位置合わせ済みの第２の画像を作成する段階と、前記位置合わせ済みの第１の画像および前記位置合わせ済みの第２の画像に対してレジストレーションモデルを実行する段階とを含む。【選択図】図７

Description

本明細書で説明する実施形態は、例えば肝臓の３次元（３Ｄ）コンピュータ断層撮影（ＣＴ）画像など、医用画像の可変レジストレーションを実行するためのシステムおよび方法に関する。
画像レジストレーションとは、概して、異なる画像を共通の座標系に変換することを指し、これにより位置合わせされた画像は、より容易かつ正確に分析および比較されることが可能になる。例えば、画像レジストレーションは、同一の患者から取得した複数の医用画像に対して実行されることが多く、これらの画像は、異なる時刻に取得されるものである。例えば、レジストレーションは、撮像手順またはスキャンの間の患者の姿勢および動きを補償するために実行されてよい。画像レジストレーションは、様々な医学的状態を診断するために、例えばコンピュータ断層撮影（ＣＴ）画像内で肝臓腫瘍を診断および追跡するためなどに、臨床の場において一般的に使用されている。
表面ベースの肝臓レジストレーションでは、内部の肝臓体積を考慮することなく、肝臓表面が位置合わせされる。しかし、ＣＴスキャンが完全な肝臓体積を含んでいない場合、この手順は問題である。そのような場合には、部分的な肝臓画像が、別のＣＴスキャンにおける完全な肝臓の表面に適合するよう引き延ばされてしまうことがある。この引き延ばしは、結果的に、部分的な肝臓の不正確なレジストレーションにつながる。表面ベースの肝臓レジストレーションに関連した別の問題は、肝臓または肝臓表面に位置する腫瘍が最適に位置合わせされない場合があることであり、これは腫瘍追跡に影響を及ぼすおそれがある。
したがって、本明細書で説明する実施形態は、欠落した肝臓領域を無視しながら、共通肝臓領域および領域内のランドマークを位置合わせすることにより、画像レジストレーションを実行するための方法およびシステムを提供する。この画像レジストレーションは、トレーニング画像のデータセット、例えばＣＴ画像などを使用してトレーニングされた深層学習モデルに基づいてよく、このトレーニングは、肝臓表面に加えて肝臓ランドマークに基づいてよい。モデルは、トレーニングされると、スキャンにおいて欠落した肝臓領域を検出することができ、共通肝臓領域のレジストレーションにフォーカスすることができる。
特に、本明細書で説明するいくつかの実施形態は、画像レジストレーションを実行するコンピュータ実装方法を提供する。この方法は、異なる時刻に患者から取得した第１の画像および第２の画像を受信する段階と、前記第１の画像および前記第２の画像のそれぞれにおいて、撮像されたオブジェクトの上側境界を画像座標系において検出する段階と、前記撮像されたオブジェクトの下側境界を前記画像座標系において検出する段階とを含む。この方法はさらに、前記第１の画像および前記第２の画像のそれぞれの前記上側境界および前記下側境界に基づき、前記第１の画像および前記第２の画像のうちの少なくとも一方をクロップ処理およびパッド処理して、位置合わせ済みの第１の画像および位置合わせ済みの第２の画像を作成する段階と、前記位置合わせ済みの第１の画像と前記位置合わせ済みの第２の画像との間で変形フィールドを計算するために、前記位置合わせ済みの第１の画像および前記位置合わせ済みの第２の画像に対してレジストレーションモデルを実行する段階とを含む。
本明細書で説明する他の実施形態は、画像レジストレーションを実行するためのシステムを提供する。このシステムは、電子プロセッサを含んでいる。電子プロセッサは、異なる時刻に患者から取得した第１の画像および第２の画像を受信し、前記第１の画像および前記第２の画像のそれぞれにおいて、撮像されたオブジェクトの上側境界を画像座標系において検出し、前記撮像されたオブジェクトの下側境界を前記画像座標系において検出するように構成されている。また、この電子プロセッサは、前記第１の画像および前記第２の画像のそれぞれの前記上側境界および前記下側境界に基づき、前記第１の画像および前記第２の画像のうちの少なくとも一方をクロップ処理およびパッド処理して、位置合わせ済みの第１の画像および位置合わせ済みの第２の画像を作成し、前記位置合わせ済みの第１の画像と前記位置合わせ済みの第２の画像との間で変形フィールドを計算するために、前記位置合わせ済みの第１の画像および前記位置合わせ済みの第２の画像に対してレジストレーションモデルを実行するように構成されている。
本明細書で説明する追加の実施形態は、電子プロセッサによって実行されたときに、機能のセットを実行する命令を記憶している非一時的コンピュータ可読媒体である。機能のセットは、異なる時刻に患者から取得した第１の画像および第２の画像を受信する手順と、前記第１の画像および前記第２の画像のそれぞれにおいて、撮像されたオブジェクトの上側境界を画像座標系において検出する手順と、前記撮像されたオブジェクトの下側境界を前記画像座標系において検出する手順とを含む。また、機能のセットは、前記第１の画像および前記第２の画像のそれぞれの前記上側境界および前記下側境界に基づき、前記第１の画像および前記第２の画像のうちの少なくとも一方をクロップ処理およびパッド処理して、位置合わせ済みの第１の画像および位置合わせ済みの第２の画像を作成する手順と、前記位置合わせ済みの第１の画像と前記位置合わせ済みの第２の画像との間で変形フィールドを計算するために、前記位置合わせ済みの第１の画像および前記位置合わせ済みの第２の画像に対してレジストレーションモデルを実行する手順とを含む。
実施形態の他の態様は、詳細な説明および添付図面を考慮することにより、明らかになろう。
表面ベースの画像レジストレーションを実行する様子の一例を示す図である。
いくつかの実施形態による、共通肝臓領域を使用した画像レジストレーションを実行する様子の一例を示す図である。 いくつかの実施形態による、共通肝臓領域を使用した画像レジストレーションを実行する様子の一例を示す図である。
いくつかの実施形態による、共通肝臓領域を識別する様子の一例を示す図である。
いくつかの実施形態による、画像を位置合わせするためのモデルをトレーニングする方法を示すフローチャートである。
いくつかの実施形態による、画像を推論する方法を示すフローチャートである。
いくつかの実施形態による、画像レジストレーションを実行するためのシステムを示すブロック図である。
任意の実施形態を詳細に説明する前に理解されるべきことは、実施形態はその用途において、以下の説明に記載するまたは以下の図面に示す構成要素の構造および配置の詳細事項に限定されないということである。他の実施形態が、様々な方式で実践可能または実施可能である。
また、本明細書で使用する語句および専門用語は、説明を目的としたものであり、限定とみなされるべきでないことも理解されるべきである。「含む」、「備える」、または「有する」、およびこれらの変化形を本明細書において使用することは、これらの前に列挙された項目およびその等価物ならびに追加項目を包含することを意味している。「設置」、「接続」、および「結合」という用語は広く使用され、直接的な設置、接続、および結合と、間接的な設置、接続、結合の両方を包含する。さらに、「接続された」および「結合された」は、物理的または機械的な接続もしくは結合に限定されず、直接的かまたは間接的かに関わらず電気的な接続または結合を含んでよい。また、電子的な通信および通知は、直接接続、無線接続などを含む任意の既知の手段を使用して実行されてよい。
ハードウェアベースおよびソフトウェアベースの複数のデバイス、ならびに複数の異なる構造的構成要素が、実施形態を実装するために利用されてよい。加えて、実施形態は、議論を目的として、構成要素の大部分がハードウェアのみに実装されているかのように図示および説明されてよいハードウェア、ソフトウェア、および電子的構成要素またはモジュールを含んでいてよい。しかし、少なくとも一実施形態においては、実施形態の電子ベースの態様が、１または複数のプロセッサによって実行可能なソフトウェアに実装されてよい（例えば、非一時的コンピュータ可読媒体に記憶されてよい）ことを、当業者は、この詳細な説明の解釈に基づき認識するであろう。したがって、ハードウェアベースおよびソフトウェアベースの複数のデバイス、ならびに複数の異なる構造の構成要素が、実施形態を実装するために利用されてよいことに留意すべきである。例えば、明細書において説明する「コンピューティングデバイス」および「サーバ」は、１または複数の電子プロセッサ、非一時的コンピュータ可読媒体を含む１または複数のメモリモジュール、１または複数の入力／出力インターフェース、および構成要素を接続する様々な接続（例えば、システムバス）を含んでよい。
上で説明したように、表面ベースの画像レジストレーションは、歪みを生じさせ、腫瘍を正確に追跡することを困難にすることがある。例えば図１は、患者の肝臓の２つのコンピュータ断層撮影（ＣＴ）スキャン（スキャンＡおよびスキャンＢ）を示している。スキャンＡは、全体の肝臓体積１００をキャプチャしており、これには第１の病変１０２および第２の病変１０４が含まれている。それに比べて、スキャンＢは、不完全な肝臓体積１０６をキャプチャしており、これには第１の病変１０２しか含まれていない。図１に示してあるように、表面ベースの肝臓レジストレーションを使用すると、内部領域に存在する病変（または他のランドマーク）に関わらず、スキャンＢの内部領域が、スキャンＡの内部領域に沿うよう強制される。特に、スキャンＢからの不完全な肝臓体積１０６は、スキャンＡからの完全な肝臓体積１００に適合するよう引き延ばされ、それにより位置合わせ済みスキャンＢの第１の病変１０２が歪み、そのため患者の肝臓内の病変の不正確な画像が生成される。ダイス係数（Ｄｉｃｅ ｃｏｅｆｆｉｃｉｅｎｔ）を含む以下の損失関数（ｌｏｓｓ ｆｕｎｃｔｉｏｎ）が、スキャンＡと位置合わせ済みスキャンＢとの間の損失または誤差を捕捉し、ここでＤは変形フィールドであり、Ａは、スキャンＡにおける肝臓の体積であり、Ｂは、スキャンＢにおける肝臓の体積である。
Figure 2023026400000002
したがって、画像レジストレーションに関する上記その他の問題に対処するために、本明細書の実施形態は、内部の臓器体積を考慮しながら患者の姿勢および動きを補償して、肝臓病変などの病変を正確に追跡する最適に位置合わせされた臓器を得る医用画像の可変レジストレーションを実行するためのシステムおよび方法を提供する。
例えば、図２および図３は、いくつかの実施形態による、共通肝臓領域を使用して画像レジストレーションを実行する様子の一例を示している。図２および図３に示してあるように、図１で使用されたのと同じＣＴスキャンを使用して、スキャンＢとスキャンＡとの間の共通の肝臓体積（すなわちスキャンＡの領域１０８およびスキャンＢの領域１１０）ならびにこの共通の肝臓体積１０８および１１０内のマッチした病変１０２を使用した位置合わせ済みスキャンＢが生成される。特に図３に示してあるように、共通の体積または領域１０８および１１０を識別するために、スキャンＡにおける肝臓体積１００の上側境界１１２および下側境界１１４が識別され、同様にスキャンＢにおける肝臓体積１０６の上側境界１１６および下側境界１１８が識別される。これらの境界を使用して、両方の画像の肝臓体積を位置合わせし、２つのスキャンの間で（例えばスキャンＢの）欠落肝臓部分１２０を識別し、その結果、共通の領域１０８および１１０を識別することができる。図３に示してあるように、肝臓体積１０６は、欠落肝臓部分１２０から明らかなように、ＣＴスキャンの境界を過ぎて拡張されてよい。この状況において、欠落肝臓部分１２０は、スキャンＢの肝臓の物理的な上側および下側の境界推定値（例えば上側境界１１６および下側境界１１８）から導き出される。
そのため、（表面引き延ばしを使用して生成された）図１に示してある位置合わせ済みスキャンＢと比較して、図２および図３に示してある位置合わせ済みスキャンＢは、スキャンＢの欠落肝臓体積を認識し、肝臓ランドマークを使用してレジストレーションを実行することにより、病変１０２のより正確な表現を提供する。換言すれば、本明細書で説明する画像レジストレーション手順を使用すると、肝臓ランドマークが識別され、欠落肝臓領域が検出され、それにより位置合わせが、スキャンＡとスキャンＢとにおいて見出された共通肝臓領域およびこれらの領域内のマッチするランドマークにフォーカスされる。以下でより詳細に説明するように、肝臓ランドマークは、肝臓の外面、病変の外面、キャプチャされた肝臓体積の境界もしくは範囲、または肝臓、病変、もしくはこれらの両方に関連する他の識別可能なランドマークを含むことができる。
以下の損失関数を、図２および図３に示した画像レジストレーションで使用することができ、ここでＤは変形フィールドであり、ＡＣおよびＢＣは、それぞれ共通の肝臓体積Ａおよび共通の肝臓体積Ｂ（すなわち領域１０８および１１０）であり、Ｌｉ ＡおよびＬｉ Ｂは、それぞれ共通の肝臓体積Ａにおけるｉ番目の病変および共通の肝臓体積Ｂにおけるｉ番目の病変である。したがって、この損失関数は、スキャン同士間の共通の体積と、これら共通の体積内の病変とにフォーカスしている。特に、以下の損失関数は、共通の肝臓ダイス係数と共通の病変ダイス係数との両方を含んでいる。
Figure 2023026400000003
いくつかの実施形態において、損失項
Figure 2023026400000004
 は、当技術分野で既知の代替的な損失項と置き換えられてよい。同様に、いくつかの実施形態において、共通の肝臓ダイス係数、共通の病変ダイス係数、またはこの両方は、それぞれ肝臓および病変の共通のドメインを同様に識別する代替的な指標で置き換えられてよい。例えば、代替的な指標は、重複の指標または距離ベースの指標を含んでよい。しかし、これらの代替的な指標は、（損失関数の第１項および第２項において）共通のドメインを同様に使用してよい。
いくつかの実施形態において、位置合わせ済みスキャンを生成するために使用される両方のスキャンにおいて患者の肝臓が同じ方向に向いていることを確実にするために、主成分分析（ＰＣＡ）が使用されてよい。
図４は、２つのスキャンに共通した領域を識別する様子のさらなる詳細図を示している。図４に示してあるように、段階１において、肝臓スキャン（すなわち、スキャン４００およびスキャン４０５）が取得される。この例において、スキャン４００は、患者の肝臓の全体的なスキャンであり、スキャン４０５は、患者の肝臓の部分的なスキャンである。段階２では、肝臓検出が実行されて、スキャン４００および４０５の座標系において、上側境界および下側境界を有する境界ボックス（ｂｏｕｎｄｉｎｇ ｂｏｘ）などの患者の肝臓の境界が識別される。いくつかの実施形態において、境界は、肝臓などの臓器または体の部位を識別するように構成された深層学習モデルを使用して識別される。これらのモデルは、当技術分野でよく知られており、そのため本明細書における詳細な説明は省略する。段階２に示してあるように、スキャン４００においてスキャンされた患者の肝臓の、スキャン４００の画像座標系における境界は、
Figure 2023026400000005
 として検出および識別される。同様に、スキャン４０５の画像座標系において、スキャン４０５でスキャンされた患者の肝臓の境界は、
Figure 2023026400000006
 として検出および識別される。この例では、両方のスキャンにおける肝臓の境界（Ａｍｉｎ，Ｂｍｉｎ，Ａｍａｘ，Ｂｍａｘ）が、それぞれのスキャン４００および４０５において破線を使用して示されている。
段階３では、両方のスキャンにおける患者の肝臓間のオフセット（ｏｆｆｓｅｔ）が、肝臓の境界の位置に基づき、以下の式などにより特定される。
Figure 2023026400000007
このオフセットは、下側境界または上側境界のいずれかについて（例えば、最小値同士の差または最大値同士の差に基づき）計算可能であることが理解されるべきである。さらに、境界推定値の小さな相違に対処するために、２つのオフセットバージョンの組み合わせ（例えば平均値）を使用することができる。
提示された例では、スキャン４００とスキャン４０５における肝臓上部の２本の破線間にある下向きの矢印によって示してあるように、スキャン４００の肝臓よりもスキャン４０５の肝臓の方が、スキャン内で下側の位置にある。
段階４において、スキャン４００とスキャン４０５の両方の患者の肝臓が、位置合わせされる。いくつかの実施形態において、この位置合わせは、以下の式を使用して実行することができる。
Figure 2023026400000008
Figure 2023026400000009
スキャン４００とスキャン４０５の患者の肝臓が位置合わせされた後、２つのスキャンの間の共通の領域４１０および４１５が、段階５において特定される。各スキャンにおける共通の領域（ＣＲ）４１０および４１５は、以下の式を使用して特定することができる。
Figure 2023026400000010
Figure 2023026400000011
段階６において、患者の肝臓がクロップ処理およびパッド処理される。例えば、位置合わせされた境界ボックスの外側の区域を除去するために、両方のスキャン４００および４０５がクロップ処理され、スキャンのうちの一方（すなわちスキャン４００）における非共通の領域を使用して、他方のスキャン（すなわちスキャン４０５）がパッド処理され、それによりこれらのスキャンが等しいサイズまたは寸法を有するようになる。共通の領域４１０および４１５は、上で開示した損失関数に使用されて、レジストレーションに使用される肝臓領域がマスクされる。上記の共通領域識別プロセスは、いずれかのスキャンにおいて上部または下部で切断された部分的な肝臓スキャンに対して実行可能であることが理解されるべきである。
図４に示してある例示的なスキャン４００および４０５の座標は、計算されたオフセットまで比較可能である。このことは、境界を表現するために使用される座標系が単位長さ（例えば、ミリメートル）であるか、２つのスキャンの間の間隔が同じである場合に当てはまる。単位長さの場合には、両方のスキャン４００および４０５の境界を変換する（例えば、スライス間隔によって分割する）ために、追加の段階が実行される。間隔の場合には、座標をそのままで使用することができる（すなわち、変換段階は必要ない）。代替的に、いくつかの実施形態において、入力検査をリサンプリングすることにより、間隔が同じになるように強制されることが可能である。
上記の共通領域識別プロセスは、画像レジストレーションを実行することの一部として使用可能であるとともに、画像レジストレーションを実行するためのモデルを（例えば、深層学習アルゴリズムを利用して）トレーニングすることの一部としても使用可能である。例えば、位置合わせされた共通肝臓領域について画像レジストレーションを実行するようにモデルをトレーニングするには、そのような画像を使用してモデルがトレーニングされなければならない。図５は、一実施形態による、本明細書で説明するＣＴスキャンを位置合わせするための、ニューラルネットワークなどのモデルをトレーニングする方法５００を示すフローチャートである。方法５００は、２つの画像スキャンに関して説明されているが、トレーニングプロセスは、モデルのための訓練データセットを形成するために画像スキャンの複数のセットに対して実行可能であることが理解されるべきである。
図５に示してあるように、方法５００は、２つのＣＴスキャンまたは画像（例えば、ＣＴスキャン５０５およびＣＴスキャン５１０）のそれぞれの肝臓を検出することを（５１５において）含む。この例では、スキャン５０５が固定スキャンと称されてよく、スキャン５１０が移動スキャンと称されてよく、スキャン５１０（潜在的な患者の動きを含む画像を表す）が、スキャン５０５に位置合わせされることになる。スキャン５０５およびスキャン５１０は、異なる時間枠において患者から取得したものである。上で述べたように、肝臓検出は、各スキャンにおいてキャプチャされた肝臓について少なくとも境界ボックスを出力する既知の肝臓検出モデルまたはアルゴリズムを使用して実行されてよい。
肝臓の境界が（５１５において）特定された後、図４の段階４において上で説明した式を使用することなどにより、スキャン５０５と５１０の肝臓が（５２０において）位置合わせされる。肝臓が位置合わせされた状態で、図４の段階５において上で説明した式を使用することなどにより、共通肝臓領域５２５および共通肝臓領域５３０が、スキャン５０５およびスキャン５１０のそれぞれにおいて識別される。
共通肝臓領域５２５および５３０から、共通病変のセットが領域内で（５３５において）選択され、セットにおける選択された各病変は、共通肝臓領域５２５と共通肝臓領域５３０の両方に存在するものである。換言すれば、共通肝臓病変のセット５４０は、共通肝臓領域５２５に関して特定され、共通肝臓病変のセット５４５は、共通肝臓領域５３０について特定され、これらのセットのうちの一方における各病変は、他方のセットにも含まれている。
図５に示してあるように、共通肝臓領域５２５、共通肝臓領域５３０、共通肝臓病変５４０、および共通肝臓病変５４５は、共通肝臓領域５２５および共通肝臓領域５３５を位置合わせするためのレジストレーションモデルに（５５０において）入力される。特に、レジストレーションモデルは、共通肝臓領域５２５および共通肝臓領域５３０に基づき、変形フィールド５５５を生成する。変形フィールド５５５は、共通肝臓領域５２５に対して共通肝臓領域５３０を位置合わせし、識別された病変を位置合わせする（すなわち、共通肝臓病変５４５を共通肝臓病変５４０に位置合わせする）ために使用される。したがって、図５に示してあるように、レジストレーションモデルは、位置合わせ済み共通肝臓領域５６０および位置合わせ済み共通肝臓病変５６５を出力する。トレーニングプロセスの一部として、レジストレーションモデルは、生成された変形フィールド５５５、位置合わせ済み共通肝臓領域５６０、共通肝臓領域５２５、位置合わせ済み共通肝臓病変５６５、および共通肝臓病変５４０を使用して、レジストレーション損失関数を計算し（例えば、共通の肝臓ダイス係数および共通の病変ダイス係数を含む上記の損失関数を参照）、このレジストレーション損失関数が、深層学習最適化を使用して最小化されて、レジストレーションモデルのためのレジストレーションアルゴリズムパラメータが見出される。
レジストレーションモデルがトレーニングされた後、このモデルを使用して、２つの画像またはスキャンを位置合わせすることができる（例えば、トレーニングプロセス中に実行された病変選択は必要ない）。例えば、図６は、共通肝臓領域を使用した画像レジストレーションを、方法５００によりトレーニングされたモデルを使用して実行する方法６００を示すフローチャートである。
図６に示してあるように、方法６００は、２つのＣＴスキャンまたは画像（例えば、ＣＴスキャン６０５およびＣＴスキャン６１０）のそれぞれにおいて肝臓を検出することを（６１５において）含んでいる。この例では、スキャン６０５は固定スキャンと称されてよく、スキャン６１０は移動スキャンと称されてよく、スキャン６１０（潜在的な患者の動きを含む画像を表す）が、スキャン６０５に位置合わせされることになる。スキャン６０５およびスキャン６１０は、異なる時間枠において患者から取得したものである。上で述べたように、肝臓検出は、各スキャンにおいてキャプチャされた肝臓について少なくとも境界ボックスを出力する既知の肝臓検出モデルまたはアルゴリズムを使用して実行されてよい。上で述べたように、いくつかの実施形態において、境界ボックスは、推定される物理的肝臓境界を識別してよい。
肝臓の境界が（６１５において）特定された後、図４の段階４において上で説明した式を使用することなどにより、スキャン６０５と６１０の肝臓が（６２０において）位置合わせされる。肝臓が位置合わせされた状態で、図４の段階５において上で説明した式を使用することなどにより、共通肝臓領域６２５および共通肝臓領域６３０が、スキャン６０５およびスキャン６１０のそれぞれにおいて識別される。
図６に示してあるように、共通肝臓領域６２５および共通肝臓領域６３０は、（上で説明したようにトレーニングされた）レジストレーションモデルに入力されて、位置合わせ済み共通肝臓６４５が生成される（すなわち、スキャン６１０がスキャン６０５に位置合わせされる）。
上で述べたように、共通肝臓領域にフォーカスし、この共通肝臓領域内の病変または他のランドマークをマッチさせることにより、位置合わせ済み共通肝臓６４５は、患者の肝臓および病変のサイズ、形状、および体積を、他の画像レジストレーション技法に比べてより正確に反映する。
本明細書で説明する機能は、１または複数のサーバなど、１または複数のコンピューティングデバイスを介して実行可能であることが理解されるべきである。例えば、図７は、本明細書で説明する画像レジストレーションを実行するためのレジストレーションモデル、例えばニューラルネットワークをトレーニングするためのシステム７００を示している。同じこのシステム７００は、トレーニングされたモデルを使用して画像レジストレーションを実行するためにも使用されてよい。しかし、他の実施形態では、モデルをトレーニングするために使用されたシステムとは異なるシステムによって、トレーニング済みレジストレーションモデルが適用または使用されることが可能である。
図７に示してあるように、システム７００は、サーバ７０５および画像レポジトリ７１５を含んでいる。サーバ７０５および画像レポジトリ７１５は、１または複数の有線または無線の通信ネットワーク７２０を介して通信する。通信ネットワーク７２０の一部分は、インターネットなどのワイドエリアネットワーク、Ｂｌｕｅｔｏｏｔｈ（登録商標）ネットワークまたはＷｉ－Ｆｉ（登録商標）などのローカルエリアネットワーク、およびこれらの組み合わせまたは派生物を使用して実装されてよい。システム７００は、より多数またはより少数のサーバを含んでよく、図７に示してある単一のサーバ７０５は、単に例示的な目的のものであることが理解されるべきである。例えば、いくつかの実施形態において、本明細書で説明する機能は、分散環境またはクラウドコンピューティング環境において複数のサーバを介して実行される。また、いくつかの実施形態において、サーバ７０５は、複数の画像レポジトリと通信してよい。さらに、いくつかの実施形態において、画像レポジトリは、画像レポジトリ７１５と組み合わされてよい。また、いくつかの実施形態において、システム７００に示してある構成要素は、１または複数の仲介デバイス（図示せず）を通して通信してよい。
いくつかの実施形態において、画像レポジトリ７１５は、例えばＣＴ画像スキャンなどの医用画像を記憶する。例えば、画像レポジトリ７１５は、例えば画像保管通信システム（ＰＡＣＳ）、クラウドストレージ環境などであってよい。
図７に示してあるように、サーバ７０５は、電子プロセッサ７５０、メモリ７５５、および通信インターフェース７６０を含んでいる。電子プロセッサ７５０、メモリ７５５、および通信インターフェース７６０は、無線で、有線通信チャネルもしくはバスを介して、またはこれらの組み合わせで通信する。サーバ７０５は、様々な構成において、図７に示してある構成要素よりもさらに多くの構成要素を含んでよい。例えば、いくつかの実施形態において、サーバ７０５は、複数の電子プロセッサ、複数のメモリモジュール、複数の通信インターフェース、またはこれらの組み合わせを含んでいる。また、サーバ７０５によって実行されるものとして本明細書で説明する機能は、様々な地理的位置に位置する複数のコンピュータによって、分散されて実行されてよいことが理解されるべきである。例えば、サーバ７０５によって実行されるものとして本明細書で説明する機能は、クラウドコンピューティング環境に含まれた複数のコンピュータによって実行されてよい。
電子プロセッサ７５０は、例えばマイクロプロセッサ、特定用途向け集積回路（ＡＳＩＣ）などであってよい。電子プロセッサ７５０は、概して、本明細書で説明する機能を含む機能のセットを実行するためのソフトウェア命令を実行するように構成されている。メモリ７５５は、非一時的コンピュータ可読媒体を含んでおり、電子プロセッサ７５０によって実行可能な命令を含むデータを記憶している。通信インターフェース７６０は、例えば通信ネットワーク７２０を介して通信するための有線または無線の送受信機もしくはポート、および任意選択で１または複数の追加の通信ネットワークもしくは接続であってよい。
図７に示してあるように、サーバ７０５のメモリ４５５は、レジストレーションモデル７６５を記憶しており、ニューラルネットワークを含んでいてもよい。また、図７に示してあるように、メモリ４５５は、トレーニングセット７７０も記憶しており、これは上で説明したように、レジストレーションモデル７６５をトレーニングするために使用される（例えば、画像レポジトリ７１５から取得した）複数のＣＴスキャンを含んでいてよい。図７には示していないが、メモリ７５５は、トレーニングセット７７０を使用してレジストレーションモデル７６５をトレーニングするために電子プロセッサ７５０によって実行可能な命令も記憶している。メモリ７５５は、追加の命令、例えばレジストレーションモデル７６５を試験するための命令、レジストレーションモデル７６５を（トレーニング済みとして）適用して２つまたはそれ以上のスキャンの間で画像レジストレーションを実行するための命令、またはこれらの組み合わせなどを記憶していてよい。
本明細書で説明する実施形態は、２つのスキャンの共通領域および各共通領域におけるランドマーク（例えば病変）にフォーカスすることにより画像レジストレーションを実行するための方法およびシステムを提供する。そのため、表面ベースの画像レジストレーションに比べて、本明細書で説明する実施形態は、患者の肝臓の形状をより良好に維持し、肝臓内の１または複数の病変の位置をより良好に再構築する。方法およびシステムは、（例えば、上側境界および下側境界の推定を使用して計算された）スキャンの共通領域ならびにこれらの領域内に見える病変にフォーカスした損失関数を使用してトレーニングされたレジストレーションモデルを含むことができ、（共通の肝臓ダイス係数および共通の病変ダイス係数を含む）損失関数は、そのようなトレーニング中に深層学習最適化を使用して最小化される。
方法およびシステムは、ＣＴ肝臓スキャンを使用して上で説明されたが、本明細書で説明する方法およびシステムは、他のタイプの画像およびラベル付けされた他の有機的構造に適用可能であることが理解されるべきである。例えば、本明細書で説明する方法およびシステムは、２Ｄ／３Ｄ画像、磁気共鳴画像（ＭＲＩ）、陽電子放射断層撮影スキャン（ＰＥＴスキャン）、乳房デジタルトモシンセシススキャン（ＤＢＴスキャン）などに適用することができ、ラベル付けされた様々な有機的構造、例えば血管、血管樹ノード（ｖｅｓｓｅｌ－ｔｒｅｅ ｎｏｄｅ）、管などとともに使用することができる。また、本明細書で説明する方法およびシステムは、任意の個数のスキャンに適用することができる。さらに、レジストレーション領域を特定するために、例えば損傷の範囲または位置などの事前情報を必要とする他のシステムとは異なり、本明細書で説明する実施形態は、レジストレーション領域を自動的に特定する。したがって、本明細書で説明する実施形態は、前のスキャン、報告、または注釈が存在するかどうかに関わらず、画像を位置合わせするために使用可能である。したがって、本明細書で説明する実施形態は、最初のスキャンにも継続的なスキャンにも適用可能である。本願に関し、「病変」および「腫瘍」という用語は、交換可能に使用される。さらに、「スキャン」および「画像」という用語は、交換可能に使用される。
実施形態の様々な特徴および利点は、以下の特許請求の範囲に記載される。

Claims (20)

  1. 画像レジストレーションを実行するコンピュータ実装方法であって、
    異なる時刻に患者から取得した第１の画像および第２の画像を受信する段階と、
    前記第１の画像および前記第２の画像のそれぞれにおいて、
    撮像されたオブジェクトの上側境界を画像座標系において検出する段階と、
    前記撮像されたオブジェクトの下側境界を前記画像座標系において検出する段階と、
    前記第１の画像および前記第２の画像のそれぞれの前記上側境界および前記下側境界に基づき、前記第１の画像および前記第２の画像のうちの少なくとも一方をクロップ処理およびパッド処理して、位置合わせ済みの第１の画像および位置合わせ済みの第２の画像を作成する段階と、
    前記位置合わせ済みの第１の画像と前記位置合わせ済みの第２の画像との間で変形フィールドを計算するために、前記位置合わせ済みの第１の画像および前記位置合わせ済みの第２の画像に対してレジストレーションモデルを実行する段階と
    を含む方法。
  2. 前記第１の画像および前記第２の画像を受信する段階が、前記患者の肝臓の第１の３次元（３Ｄ）画像および前記患者の前記肝臓の第２の３Ｄ画像を受信する段階を含む、請求項１に記載の方法。
  3. 前記第１の３Ｄ画像がコンピュータ断層撮影（ＣＴ）画像であり、前記第２の３Ｄ画像がＣＴ画像である、請求項２に記載の方法。
  4. 前記第１の３Ｄ画像が、磁気共鳴（ＭＲ）画像であり、前記第２の３Ｄ画像がＭＲ画像である、請求項２に記載の方法。
  5. 前記第１の画像および前記第２の画像のそれぞれにおいて、前記撮像されたオブジェクトの前記上側境界を検出する段階が、深層学習モデルを使用して、前記第１の画像および前記第２の画像のそれぞれにおいて前記上側境界を検出する段階を含む、請求項１に記載の方法。
  6. 前記第１の画像および前記第２の画像のそれぞれにおいて、前記撮像されたオブジェクトの前記下側境界を検出する段階が、深層学習モデルを使用して、前記第１の画像および前記第２の画像のそれぞれにおいて前記下側境界を検出する段階を含む、請求項１に記載の方法。
  7. 前記レジストレーションモデルを実行する段階が、前記位置合わせ済みの第１の画像内および前記位置合わせ済みの第２の画像内の、前記撮像されたオブジェクトの共通部分にフォーカスした項を含む損失関数を使用してトレーニングされた深層学習モデルを実行する段階を含む、請求項１から６のいずれか一項に記載の方法。
  8. 前記損失関数が、前記位置合わせ済みの第１の画像と前記位置合わせ済みの第２の画像との両方において見える１または複数の病変にフォーカスした項を含む、請求項７に記載の方法。
  9. 画像レジストレーションを実行するためのシステムであって、
    異なる時刻に患者から取得した第１の画像および第２の画像を受信し、
    前記第１の画像および前記第２の画像のそれぞれにおいて、
    撮像されたオブジェクトの上側境界を画像座標系において検出し、
    前記撮像されたオブジェクトの下側境界を前記画像座標系において検出し、
    前記第１の画像および前記第２の画像のそれぞれの前記上側境界および前記下側境界に基づき、前記第１の画像および前記第２の画像のうちの少なくとも一方をクロップ処理およびパッド処理して、位置合わせ済みの第１の画像および位置合わせ済みの第２の画像を作成し、
    前記位置合わせ済みの第１の画像と前記位置合わせ済みの第２の画像との間で変形フィールドを計算するために、前記位置合わせ済みの第１の画像および前記位置合わせ済みの第２の画像に対してレジストレーションモデルを実行する
    ように構成された電子プロセッサを含むシステム。
  10. 前記第１の画像が、前記患者の肝臓の第１の３次元（３Ｄ）画像であり、前記第２の画像が、前記患者の前記肝臓の第２の３Ｄ画像である、請求項９に記載のシステム。
  11. 前記第１の３Ｄ画像がコンピュータ断層撮影（ＣＴ）画像であり、前記第２の３Ｄ画像がＣＴ画像である、請求項１０に記載のシステム。
  12. 前記電子プロセッサが、前記第１の画像および前記第２の画像のそれぞれにおいて、前記撮像されたオブジェクトの前記上側境界および前記下側境界を深層学習モデルを介して検出するように構成されている、請求項９に記載のシステム。
  13. 前記電子プロセッサが、前記位置合わせ済みの第１の画像内および前記位置合わせ済みの第２の画像内の、前記撮像されたオブジェクトの共通部分にフォーカスした項を含む損失関数を使用してトレーニングされた深層学習モデルを実行することにより、前記レジストレーションモデルを実行するように構成されている、請求項９から１２のいずれか一項に記載のシステム。
  14. 前記損失関数が、前記位置合わせ済みの第１の画像と前記位置合わせ済みの第２の画像との両方において見える１または複数の病変にフォーカスした項を含む、請求項１３に記載のシステム。
  15. コンピュータに、
    異なる時刻に患者から取得した第１の画像および第２の画像を受信する手順と、
    前記第１の画像および前記第２の画像のそれぞれにおいて、
    撮像されたオブジェクトの上側境界を画像座標系において検出する手順と、
    前記撮像されたオブジェクトの下側境界を前記画像座標系において検出する手順と、
    前記第１の画像および前記第２の画像のそれぞれの前記上側境界および前記下側境界に基づき、前記第１の画像および前記第２の画像のうちの少なくとも一方をクロップ処理およびパッド処理して、位置合わせ済みの第１の画像および位置合わせ済みの第２の画像を作成する手順と、
    前記位置合わせ済みの第１の画像と前記位置合わせ済みの第２の画像との間で変形フィールドを計算するために、前記位置合わせ済みの第１の画像および前記位置合わせ済みの第２の画像に対してレジストレーションモデルを実行する手順と
    を実行させる、コンピュータプログラム。
  16. 前記第１の画像および前記第２の画像を受信する手順が、前記患者の肝臓の第１の３次元（３Ｄ）画像および前記患者の前記肝臓の第２の３Ｄ画像を受信する手順を含む、請求項１５に記載のコンピュータプログラム。
  17. 前記第１の３Ｄ画像が、コンピュータ断層撮影（ＣＴ）画像および磁気共鳴（ＭＲ）画像で構成されているグループから選択された１つであり、前記第２の３Ｄ画像が、ＣＴ画像およびＭＲ画像で構成されているグループから選択された１つである、請求項１６に記載のコンピュータプログラム。
  18. 前記第１の画像および前記第２の画像のそれぞれにおいて、前記撮像されたオブジェクトの前記上側境界および前記下側境界を検出する手順が、深層学習モデルを使用して、前記第１の画像および前記第２の画像のそれぞれにおいて前記上側境界を検出する手順を含む、請求項１５に記載のコンピュータプログラム。
  19. 前記レジストレーションモデルを実行する手順が、前記位置合わせ済みの第１の画像内および前記位置合わせ済みの第２の画像内の、前記撮像されたオブジェクトの共通部分にフォーカスした項を含む損失関数を使用してトレーニングされた深層学習モデルを実行する手順を含む、請求項１５から１８のいずれか一項に記載のコンピュータプログラム。
  20. 前記損失関数が、前記位置合わせ済みの第１の画像と前記位置合わせ済みの第２の画像との両方において見える１または複数の病変にフォーカスした項を含む、請求項１９に記載のコンピュータプログラム。
JP2022128629A 2021-08-13 2022-08-12 画像レジストレーションを実行するコンピュータ実装方法、システム、および、プログラム（医用画像の可変レジストレーション） Pending JP2023026400A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/402,247 2021-08-13
US17/402,247 US20230052401A1 (en) 2021-08-13 2021-08-13 Deformable registration of medical images

Publications (1)

Publication Number Publication Date
JP2023026400A true JP2023026400A (ja) 2023-02-24

Family

ID=85176892

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022128629A Pending JP2023026400A (ja) 2021-08-13 2022-08-12 画像レジストレーションを実行するコンピュータ実装方法、システム、および、プログラム（医用画像の可変レジストレーション）

Country Status (3)

Country Link
US (1) US20230052401A1 (ja)
JP (1) JP2023026400A (ja)
CN (1) CN115908512A (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230181165A1 (en) * 2021-12-15 2023-06-15 GE Precision Healthcare LLC System and methods for image fusion

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070167784A1 (en) * 2005-12-13 2007-07-19 Raj Shekhar Real-time Elastic Registration to Determine Temporal Evolution of Internal Tissues for Image-Guided Interventions
US8121362B2 (en) * 2007-04-30 2012-02-21 Siemens Medical Solutions Usa, Inc. Registration of medical images using learned-based matching functions
CN109754414A (zh) * 2018-12-27 2019-05-14 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
US20230052401A1 (en) 2023-02-16
CN115908512A (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
US10318839B2 (en) Method for automatic detection of anatomical landmarks in volumetric data
US8437521B2 (en) Systems and methods for automatic vertebra edge detection, segmentation and identification in 3D imaging
Stoyanov et al. A practical approach towards accurate dense 3D depth recovery for robotic laparoscopic surgery
JP6537981B2 (ja) 複数の三次元ビューからの大きな対象のセグメンテーション
JP4917733B2 (ja) 尤度最大化を利用した画像位置合わせシステム及び方法
JP2021118930A (ja) 位相相関を用いた非剛体変形の存在下での医用画像のシングル及びマルチのモダリティ位置合わせ
JP6211682B2 (ja) メッシュ・セグメンテーション及びメッシュ・レジストレーションのための方法及びシステム
JP4744883B2 (ja) 画像位置合わせ方法及び医用画像データ処理装置
US8045771B2 (en) System and method for automated patient anatomy localization
CN107886508B (zh) 差分减影方法和医学图像处理方法及系统
US20120170823A1 (en) System and method for image based multiple-modality cardiac image alignment
US9977982B2 (en) Medical image processing method and image processing system
US20130136322A1 (en) Image-Based Detection Using Hierarchical Learning
JP2009520558A (ja) ポイント・ベースの適応的弾性画像登録
US9336457B2 (en) Adaptive anatomical region prediction
JP2007054636A (ja) イメージの対を位置合わせする方法およびコンピュータによって実行される命令からなるプログラムを具現化して該方法を実施するプログラム記憶装置
RU2526752C1 (ru) Система и способ для автоматического планирования двухмерных видов в объемных медицинских изображениях
JP7467348B2 (ja) 医用画像データの表示
US20190290241A1 (en) Correcting probe induced deformation in an ultrasound fusing imaging system
Patias Medical imaging challenges photogrammetry
US9020215B2 (en) Systems and methods for detecting and visualizing correspondence corridors on two-dimensional and volumetric medical images
JP2023026400A (ja) 画像レジストレーションを実行するコンピュータ実装方法、システム、および、プログラム（医用画像の可変レジストレーション）
US10945709B2 (en) Systems, methods and computer readable storage media storing instructions for image-guided interventions based on patient-specific models
Tan et al. Automatic localization of the left ventricular blood pool centroid in short axis cardiac cine MR images
Cao et al. Registration of medical images using an interpolated closest point transform: method and validation