JP5993653B2 - 画像処理装置、画像処理方法およびプログラム - Google Patents
画像処理装置、画像処理方法およびプログラム Download PDFInfo
- Publication number
- JP5993653B2 JP5993653B2 JP2012173396A JP2012173396A JP5993653B2 JP 5993653 B2 JP5993653 B2 JP 5993653B2 JP 2012173396 A JP2012173396 A JP 2012173396A JP 2012173396 A JP2012173396 A JP 2012173396A JP 5993653 B2 JP5993653 B2 JP 5993653B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- region
- pixel value
- area
- image processing
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000000605 extraction Methods 0.000 claims description 55
- 238000000034 method Methods 0.000 claims description 42
- 230000003902 lesion Effects 0.000 claims description 34
- 239000000284 extract Substances 0.000 claims description 18
- 239000002131 composite material Substances 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 description 13
- 239000007787 solid Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 239000005337 ground glass Substances 0.000 description 7
- 210000004072 lung Anatomy 0.000 description 6
- 210000000779 thoracic wall Anatomy 0.000 description 6
- 210000004204 blood vessel Anatomy 0.000 description 5
- 238000004195 computer-aided diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 239000005338 frosted glass Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/20072—Graph-based image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Description
前記画像の高画素値領域の画素値と当該高画素値領域よりも画素値の低い背景領域の画素値との間の画素値を有する画像領域である前記すりガラス状の陰影の候補領域の画素値の範囲を所定の画素値の範囲に変更する変更手段と、
前記変更手段で画素値の範囲が変更された画像から第一の特徴量を得る第一の特徴量抽出手段と、
前記画素値の範囲を変更する前の前記画像のコア領域から第二の特徴量を得る第二の特徴量抽出手段と、
前記第一の特徴量および前記第二の特徴量に基づいて前記画像から前記病変を抽出する抽出手段と、
を備え、
前記抽出手段は、前記第一の特徴量に対応する第一の値を出力する第一の識別手段と、前記第二の特徴量に対応する第二の値を出力する第二の識別手段とを備え、
前記抽出手段は、前記第一の値および前記第二の値に基づく合成データを生成し、前記合成データから前記病変の領域を抽出することを特徴とする。
図1は、第1実施形態に係る画像処理装置及びそれと接続される画像撮影装置100を有する画像処理システムの構成例を示す図である。画像処理装置1は、例えば、パーソナルコンピュータ(PC)などで実現することができ、中央演算処理装置(CPU)10、主メモリ11、磁気ディスク12、表示メモリ13、モニタ14、マウス15、キーボード16を有する。
ステップS1100として、胸壁情報取得部110は、非特許文献6に記載される技術を用いて肺野の領域を抽出する。そして、胸壁情報取得部110は、この肺野領域の外壁の位置を座標情報として主メモリ11に記憶する。
次に、ステップS1101として、VOI取得部120は、Axial、 Sagittal、 Coronal断面像を参照しながら、結節を取り囲む直方体をVOIとして取得する。ここで、VOI取得部120は、大まかな孤立影を抽出する。ここでの抽出は、あくまでも、おおまかな領域を抽出するものであり、病変の輪郭を精度よく抽出するものではない。このVOIは自動で抽出しても良いし、モニタ14に表示されるAxial、 Sagittal、Coronal断面像を参照しながら、マウス15を介して手入力してもよい。図4の四角形の枠で示すように、一辺の長さが結節の平均直径の2倍程度になるようにセットする。手入力でVOIを取得する場合は、主メモリ11に記憶された肺野領域の外壁の位置を座標情報によって、余分な領域をVOIから削除する。VOIの自動抽出処理は一般に知られている孤立影の抽出技術を用いることができる。
さらに、ステップS1102として、選択部130は結節のタイプ(淡い陰影ありか否か)を選択する。例えば、選択部130はCT値がθth=−194以上の領域をコアの領域として抽出し、コアの領域とVOIの領域の比率から結節のタイプがMixed GGO、Pure GGO、その他の結節であるSolid nodule(すりガラス状の陰影を有さない結節)であるかを選択する。画像の濃度表現としての高濃度や低濃度は、画像データの画素値に対応する濃度の濃さとして表現される。なお、CT画像データでの画素値はCT値に対応する。また、選択部130は病変の種別(本実施の形態では結節の種別)を検者がマウス15やキーボード16を用いて選択してもよい。
ステップS1103として、第一の処理部200は、Mixed GGO またはPure GGOが選択された場合に病変領域を抽出処理する。ここで、すりガラス状の領域とコアを形成する実質部(以後、「コア部」と呼ぶ場合がある)とで構成されるMixed GGOは、濃度、テクスチャともに結節内の領域で性質が大きく異なる。特に、すりガラス状の陰影領域の画素値の範囲は結節毎におおきなばらつきがある。そのため、第一の処理部200は、すりガラス状の陰影領域の候補領域(コア領域、血管領域などの高画素値領域及び背景領域を除く)の画素値の範囲を所定の画素値の範囲に変更した画像から画素毎のテクスチャ特徴量を得る。そして、複数のテクスチャ特徴量に基づいて第一の変換処理で画素毎の出力値を得る強調処理を行う。ここでの強調処理とは、例えば、すりガラス状の陰影領域の画素に対してそれ以外の領域の画素よりも大きな数値を与える処理をいうものとする。これによりすりガラス状の陰影領域が他の領域と識別しやすくなる。
ステップS1104として、第二の処理部300は、GGO以外のその他の病変としてSolid nodule が選択された場合にSolid noduleの領域を抽出する。第二の処理部300は、画像の画素値範囲を変更しない画像から画素毎のテクスチャ特徴量を得る。そして、テクスチャ特徴量に基づいてその他の病変用の第三の変換処理で画素毎の出力値を得る強調処理を行う。 ここでの強調処理とは、例えば、Solid nodule領域の画素に対してそれ以外の領域の画素よりも大きな数値を与える処理をいうものとする。結節領域が他の領域と識別しやすくなる。第二の処理部300は、第三の変換処理で得られた出力値に基づいてその他の病変としてのSolid noduleの領域情報を高精細に得ることができる。第三の変換処理はSolid noduleの領域から得られた特徴量を用いて学習された関数を用いるものである。
第2実施形態は、第一の処理部200の処理を詳細に説明するものであり、第1実施形態と同一構成には同一の番号を付して説明を省略する。
まず、ステップS2000として、VOI取得部120は結節の中心とほぼ対応する領域を約2倍の大きさで抽出する。なお、人手での入力を選択する場合にはマウス15等により人手で領域の情報を入力する。VOIは約2倍の大きさを持つように設定していることから、GGO結節の境界は図8に示すように、VOIの中心から距離R/2(RはVOIの辺長の1/2)の付近におおよそ存在する。そこで、領域抽出部205は、R/2のマージンを考慮して、中心から距離R/4内の領域から-I- GGOを、距離3R/4より外の領域から-I- bkgを求める。ここで、「-I-」の表記は、Iの上に―の記号を意味するものとする。この表記は以下の記載においても同様である。
次に、ステップS2010として、VOIを幅1画素の円環領域(中心はVOIの中心に一致)に分割し、各円環領域の平均濃度(平均画素値)を求める。図7の画像をしきい値処理した画像に対して求めた円環領域の平均濃度の例を図9に示す。横軸は中心からの距離である。高濃度側の実線(上側)910は高濃度領域を除く前の濃度、下側の実線920は除いた後の濃度を示している。その後、中心からの距離がR/4までの円環領域内の平均濃度の最大値を-I- GGO、中心からの距離が3R/4からRまでの円環領域濃度の平均値の最小値を背景領域の画素値として-I- bkgを得る。ここで、-I- bkg以下の領域を背景領域候補とする。
そして、ステップS2020として、領域抽出部205は、-I- GGOから -I- bkgの間の値を有する画像領域をガラス状の陰影領域の候補領域として抽出する。
次に、ステップS2030として、変更部210は、領域抽出部205で抽出した低濃度領域(低画素値領域)の画素値の範囲を以下の式で変更する。
次に、ステップS2040として、特徴量抽出部220(特徴量算出部)は各画像から第一の特徴量として第一のテクスチャ特徴量を抽出する。第一の特徴量抽出部221は、画素値分布を所定の画素値範囲に変更した画像から第一の特徴量を算出する。
ステップS2050として、識別部230は、独立に強調画像を得る。ここで、識別部230は、淡い陰影としてのすりガラス状の陰影に対応する第一の識別部231と、コアを形成する実質部に対応する第二の識別部232とで構成される。第一の識別部231は、特徴ベクトルの外れ値に対してロバストな識別部を用いる。例えば、MadaBoostを用いて、低濃度と高濃度の各領域を対象に独立して学習(後述)した低濃度様の識別器である。MadaBoostは非特許文献6、7等に記載される公知の技術であるので説明を省略する。第一の識別部231は、第一の特徴量抽出部221で求めた特徴量を入力することで領域の強調を行った画像を得る。
ステップS2060として、第二の特徴量抽出部222は、画素値分布の変更ない画像から第二の特徴量として第二のテクスチャ特徴量を算出する。第二の特徴量抽出部222は第二のテクスチャ特徴量を正規化しないVOIから計算する。具体的な第二の特徴量には,同時生起行列から得られる15種類のハラリック(Haralick)テクスチャ統計量を採用する。同時生起行列は、2種類の濃淡階調(8、24階調)、2種類の変位量(1、2画素)、2種類のROIサイズ(3×3×3,7×7×7画素)のバリエーションを持ち、特徴量抽出部222は18方向について計算を行う。
次に、ステップS2070として、第二の識別部232は、特徴ベクトルの外れ値に対してロバストなMadaBoostを用いて、低濃度と高濃度の各領域を対象に独立して学習(後述)した高濃度様の識別器である。第二の特徴量抽出部222で求めた特徴量を入力することで領域の強調を行う。
次に、ステップS2080として、第一の識別部231、第二の識別部232からえられた二つの強調結果の最大値を画素毎に求めることで、GGO結節領域全体の強調結果としての合成画像を得る。このような合成画像の例が図12(c)である。
ステップS2090として、抽出部240は、合成画像からGGOの領域を得る。抽出部240は、例えば、グラフカットを用いた領域抽出処理を行う。この処理は,エネルギーの最小化に基づく処理である。領域内部の尤度と境界らしさをバランス良く反映でき、エネルギーの大局的最適化が可能である。また、多次元データへの拡張が容易であることなどの特長を有する。
ここでは、識別部230の学習やグラフカットのパラメータの学習のプロセスについて説明する。学習は結節中心を通るAxial、Sagittal、Coronal の3断面のデータのみを使用する。
[その他の実施形態]
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア(プログラム)を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ(またはCPUやMPU等)がプログラムを読み出して実行する処理である。
Claims (11)
- すりガラス状の陰影およびコア領域を有する病変を画像から抽出する画像処理装置であって、
前記画像の高画素値領域の画素値と当該高画素値領域よりも画素値の低い背景領域の画素値との間の画素値を有する画像領域である前記すりガラス状の陰影の候補領域の画素値の範囲を所定の画素値の範囲に変更する変更手段と、
前記変更手段で画素値の範囲が変更された画像から第一の特徴量を得る第一の特徴量抽出手段と、
前記画素値の範囲を変更する前の前記画像のコア領域から第二の特徴量を得る第二の特徴量抽出手段と、
前記第一の特徴量および前記第二の特徴量に基づいて前記画像から前記病変を抽出する抽出手段と、
を備え、
前記抽出手段は、前記第一の特徴量に対応する第一の値を出力する第一の識別手段と、前記第二の特徴量に対応する第二の値を出力する第二の識別手段とを備え、
前記抽出手段は、前記第一の値および前記第二の値に基づく合成データを生成し、前記合成データから前記病変の領域を抽出することを特徴とする画像処理装置。 - 前記変更手段は、前記候補領域を前記画像の高画素値領域と当該高画素値領域よりも画素値の低い背景領域に基づいて抽出することを特徴とする請求項1に記載の画像処理装置。
- 前記第一の特徴量は、前記画素値を変更した領域から画素毎に算出される複数のテクスチャ特徴量であり、前記画素を含む所定の範囲の画素値の統計量に基づいて得られ、
前記第二の特徴量は前記高画素値領域から画素毎に算出される複数のテクスチャ特徴量であり、前記画素を含む所定の範囲の画素値の統計量に基づいて得られることを特徴とする請求項1に記載の画像処理装置。 - 前記第一の特徴量および前記第二の特徴量はハラリックのテクスチャ統計量であることを特徴とする請求項3に記載の画像処理装置。
- 前記第一の識別手段は、すりガラス状の陰影領域から算出された前記第一の特徴量を正解として予め学習したことを特徴とする請求項1に記載の画像処理装置。
- 前記第二の識別手段は、高画素値領域から算出された前記第二の特徴量を正解として予め学習したことを特徴とする請求項1に記載の画像処理装置。
- 前記抽出手段は強調画像の情報に基づいてグラフカットを用いて前記病変の領域を抽出する領域抽出手段を更に備えることを特徴とする請求項1乃至6のいずれか1項に記載の画像処理装置。
- 前記病変の領域を含む画像を注目画像領域として被写体の画像から取得する取得手段を更に備えることを特徴とする請求項1乃至7のいずれか1項に記載の画像処理装置。
- すりガラス状の陰影およびコア領域を有する病変を画像から抽出する画像処理方法であって、
変更手段が、前記画像の高画素値領域の画素値と当該高画素値領域よりも画素値の低い背景領域の画素値との間の画素値を有する画像領域である前記すりガラス状の陰影の候補領域の画素値の範囲を所定の画素値の範囲に変更する変更工程と、
第一の特徴量抽出手段が、前記変更工程で画素値の範囲が変更された画像から第一の特徴量を得る第一の特徴量抽出工程と、
第二の特徴量抽出手段が、前記画素値の範囲を変更する前の前記画像のコア領域から第二の特徴量を得る第二の特徴量抽出工程と、
抽出手段が、前記第一の特徴量および前記第二の特徴量に基づいて前記画像から前記病変を抽出する抽出工程と、
を有し、
前記抽出工程は、前記第一の特徴量に対応する第一の値を出力する第一の識別工程と、前記第二の特徴量に対応する第二の値を出力する第二の識別工程とを有し、
前記抽出工程は、前記第一の値および前記第二の値に基づく合成データを生成し、前記合成データから前記病変の領域を抽出する
ことを特徴とする画像処理方法。 - コンピュータを、請求項1乃至8のいずれか1項に記載の画像処理装置の各手段として機能させるためのプログラム。
- 請求項10に記載のプログラムを記憶したコンピュータにより読み取り可能な記憶媒体。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012173396A JP5993653B2 (ja) | 2012-08-03 | 2012-08-03 | 画像処理装置、画像処理方法およびプログラム |
US13/955,049 US9940706B2 (en) | 2012-08-03 | 2013-07-31 | Image processing apparatus, image processing method and storage medium for extracting a lesion having a ground glass opactiy |
EP20130179484 EP2693402B1 (en) | 2012-08-03 | 2013-08-06 | Image processing apparatus, image processing method, program, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012173396A JP5993653B2 (ja) | 2012-08-03 | 2012-08-03 | 画像処理装置、画像処理方法およびプログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016162204A Division JP6397453B2 (ja) | 2016-08-22 | 2016-08-22 | 画像処理装置、画像処理方法およびプログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2014030623A JP2014030623A (ja) | 2014-02-20 |
JP2014030623A5 JP2014030623A5 (ja) | 2015-09-17 |
JP5993653B2 true JP5993653B2 (ja) | 2016-09-14 |
Family
ID=48979552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012173396A Active JP5993653B2 (ja) | 2012-08-03 | 2012-08-03 | 画像処理装置、画像処理方法およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US9940706B2 (ja) |
EP (1) | EP2693402B1 (ja) |
JP (1) | JP5993653B2 (ja) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6415878B2 (ja) * | 2014-07-10 | 2018-10-31 | キヤノンメディカルシステムズ株式会社 | 画像処理装置、画像処理方法及び医用画像診断装置 |
JP6642048B2 (ja) * | 2016-01-28 | 2020-02-05 | 富士通株式会社 | 医療画像表示システム、医療画像表示プログラム及び医療画像表示方法 |
JP7054787B2 (ja) | 2016-12-22 | 2022-04-15 | パナソニックIpマネジメント株式会社 | 制御方法、情報端末、及びプログラム |
JP6837376B2 (ja) * | 2017-04-10 | 2021-03-03 | 富士フイルム株式会社 | 画像処理装置および方法並びにプログラム |
JP7005191B2 (ja) | 2017-06-30 | 2022-01-21 | キヤノンメディカルシステムズ株式会社 | 画像処理装置、医用画像診断装置、及びプログラム |
JP7318058B2 (ja) * | 2017-06-30 | 2023-07-31 | キヤノンメディカルシステムズ株式会社 | 画像処理装置 |
JP7179521B2 (ja) * | 2018-08-02 | 2022-11-29 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、画像生成方法、及び画像生成プログラム |
US11914034B2 (en) * | 2019-04-16 | 2024-02-27 | Washington University | Ultrasound-target-shape-guided sparse regularization to improve accuracy of diffused optical tomography and target depth-regularized reconstruction in diffuse optical tomography using ultrasound segmentation as prior information |
JP7423237B2 (ja) * | 2019-09-30 | 2024-01-29 | キヤノン株式会社 | 画像処理装置、画像処理方法、プログラム |
TWI714440B (zh) * | 2020-01-20 | 2020-12-21 | 緯創資通股份有限公司 | 用於電腦斷層攝影的後處理的裝置和方法 |
US11587236B2 (en) * | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
CN114943856B (zh) * | 2021-04-12 | 2024-04-26 | 四川省肿瘤医院 | 一种肺结节区域识别方法、标注方法及识别系统 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08235353A (ja) | 1995-02-24 | 1996-09-13 | Ge Yokogawa Medical Syst Ltd | 画像処理方法および装置 |
JPH09179977A (ja) | 1995-12-21 | 1997-07-11 | Shimadzu Corp | 医用画像の階調自動処理装置 |
JP2002010062A (ja) * | 2000-06-22 | 2002-01-11 | Hitachi Medical Corp | 画像構成装置 |
JP4393016B2 (ja) * | 2000-06-30 | 2010-01-06 | 株式会社日立メディコ | 画像診断支援装置 |
US6876999B2 (en) * | 2001-04-25 | 2005-04-05 | International Business Machines Corporation | Methods and apparatus for extraction and tracking of objects from multi-dimensional sequence data |
US6819790B2 (en) * | 2002-04-12 | 2004-11-16 | The University Of Chicago | Massive training artificial neural network (MTANN) for detecting abnormalities in medical images |
US7236619B2 (en) * | 2002-10-31 | 2007-06-26 | University Of Chicago | System and method for computer-aided detection and characterization of diffuse lung disease |
US8045770B2 (en) * | 2003-03-24 | 2011-10-25 | Cornell Research Foundation, Inc. | System and method for three-dimensional image rendering and analysis |
US7356173B2 (en) | 2003-06-11 | 2008-04-08 | Koninklijke Philips Electronics N.V. | Analysis of pulmonary CT data |
US7548642B2 (en) * | 2004-10-28 | 2009-06-16 | Siemens Medical Solutions Usa, Inc. | System and method for detection of ground glass objects and nodules |
US7555152B2 (en) * | 2005-01-06 | 2009-06-30 | Siemens Medical Solutions Usa, Inc. | System and method for detecting ground glass nodules in medical images |
JP4847041B2 (ja) | 2005-05-09 | 2011-12-28 | 株式会社日立メディコ | X線撮影装置 |
US7623692B2 (en) | 2005-07-22 | 2009-11-24 | Carestream Health, Inc. | Pulmonary nodule detection in a chest radiograph |
JP4999163B2 (ja) * | 2006-04-17 | 2012-08-15 | 富士フイルム株式会社 | 画像処理方法および装置ならびにプログラム |
EP1865464B1 (en) * | 2006-06-08 | 2013-11-20 | National University Corporation Kobe University | Processing device and program product for computer-aided image based diagnosis |
JP2008253292A (ja) * | 2007-03-30 | 2008-10-23 | Fujifilm Corp | 症例画像検索装置及びシステム |
JP5390080B2 (ja) * | 2007-07-25 | 2014-01-15 | 株式会社東芝 | 医用画像表示装置 |
US8144949B2 (en) * | 2007-11-15 | 2012-03-27 | Carestream Health, Inc. | Method for segmentation of lesions |
US8724866B2 (en) * | 2009-09-14 | 2014-05-13 | Siemens Medical Solutions Usa, Inc. | Multi-level contextual learning of data |
-
2012
- 2012-08-03 JP JP2012173396A patent/JP5993653B2/ja active Active
-
2013
- 2013-07-31 US US13/955,049 patent/US9940706B2/en active Active
- 2013-08-06 EP EP20130179484 patent/EP2693402B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
US9940706B2 (en) | 2018-04-10 |
US20140037170A1 (en) | 2014-02-06 |
EP2693402A1 (en) | 2014-02-05 |
EP2693402B1 (en) | 2015-05-06 |
JP2014030623A (ja) | 2014-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5993653B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
US11776216B2 (en) | System and method for extracting a region of interest from volume data | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
Shen et al. | An automated lung segmentation approach using bidirectional chain codes to improve nodule detection accuracy | |
US7876947B2 (en) | System and method for detecting tagged material using alpha matting | |
Mesanovic et al. | Automatic CT image segmentation of the lungs with region growing algorithm | |
Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
JP6385318B2 (ja) | 3d医用画像中の対象物をセグメンテーションするための3d対象物の変換 | |
WO2009138202A1 (en) | Method and system for lesion segmentation | |
US20110293157A1 (en) | Medical Image Segmentation | |
Jaffar et al. | Fuzzy entropy based optimization of clusters for the segmentation of lungs in CT scanned images | |
Sun et al. | 3D computerized segmentation of lung volume with computed tomography | |
US7480401B2 (en) | Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data | |
Zhao et al. | An automated pulmonary parenchyma segmentation method based on an improved region growing algorithmin PET-CT imaging | |
JP6415878B2 (ja) | 画像処理装置、画像処理方法及び医用画像診断装置 | |
Josephine Selle et al. | Automated recognition of ROIs for breast thermograms of lateral view-a pilot study | |
Ciecholewski | Automatic liver segmentation from 2D CT images using an approximate contour model | |
CN111127404A (zh) | 一种医疗影像轮廓快速提取方法 | |
JP6397453B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN110232684B (zh) | 一种基于谱分析的三维医学图像自动分割方法 | |
JP2007534353A (ja) | 形状分析を用いる摺りガラス様結節(ggn)のセグメンテーション方法およびシステム | |
Macho et al. | Segmenting Teeth from Volumetric CT Data with a Hierarchical CNN-based Approach. | |
Lu et al. | Semi-automatic central-chest lymph-node definition from 3D MDCT images | |
Horsthemke et al. | Predicting LIDC diagnostic characteristics by combining spatial and diagnostic opinions | |
Tek et al. | Region competition via local watershed operators |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20140415 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20140415 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150803 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150803 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160623 |
|
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: 20160722 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160822 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5993653 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |