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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 210000004185 liver Anatomy 0.000 claims abstract description 144
- 238000002591 computed tomography Methods 0.000 claims abstract description 31
- 230000003902 lesion Effects 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 24
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims 6
- 238000012549 training Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
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。
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。
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。
いくつかの実施形態において、損失項
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、
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、
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。
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。
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。
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)
- 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。 - 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。 - 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。
- 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。
- 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。
- 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。
- 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。
- 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。 - 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。
- 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。
- 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。
- 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。
- 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。
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)
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)
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 |
-
2021
- 2021-08-13 US US17/402,247 patent/US20230052401A1/en active Pending
-
2022
- 2022-08-02 CN CN202210920454.5A patent/CN115908512A/zh active Pending
- 2022-08-12 JP JP2022128629A patent/JP2023026400A/ja active Pending
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 |