JP6505124B2 - 適応性放射線治療における自動輪郭抽出システム及び方法 - Google Patents
適応性放射線治療における自動輪郭抽出システム及び方法 Download PDFInfo
- Publication number
- JP6505124B2 JP6505124B2 JP2016554572A JP2016554572A JP6505124B2 JP 6505124 B2 JP6505124 B2 JP 6505124B2 JP 2016554572 A JP2016554572 A JP 2016554572A JP 2016554572 A JP2016554572 A JP 2016554572A JP 6505124 B2 JP6505124 B2 JP 6505124B2
- Authority
- JP
- Japan
- Prior art keywords
- contour
- boundary
- interest
- image
- region
- 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
- 238000000034 method Methods 0.000 title claims description 69
- 238000000605 extraction Methods 0.000 title claims description 40
- 230000003044 adaptive effect Effects 0.000 title description 4
- 238000001959 radiotherapy Methods 0.000 title description 4
- 238000012549 training Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 13
- 238000007670 refining Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 210000002307 prostate Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- SYELZBGXAIXKHU-UHFFFAOYSA-N dodecyldimethylamine N-oxide Chemical compound CCCCCCCCCCCC[N+](C)(C)[O-] SYELZBGXAIXKHU-UHFFFAOYSA-N 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013160 medical therapy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000011218 segmentation Effects 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30081—Prostate
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
Description
本開示は、一般的に医療の撮像及び治療に関する。より詳しくは、本開示は、適応性放射線治療処置における医療画像の自動輪郭抽出システム及び方法に関する。
放射線治療処置では、患者は、通常、異なる病気のステージにおける計画と処置のため一連の3次元CT画像を取る必要がある。新たな計画を作るためには、医師は、しばしば、時間がかかり、かつ、以前の輪郭抽出や計画との一貫性を欠くことになりうる、傷からの画像の輪郭を抽出する必要がある。更に、治療中に輪郭抽出する臓器の形や位置は、通常、治療中に変化する臓器の条件により計画した画像の形や位置とは相違する。直接にその計画を採用することは、適切な治療に対する正確な投与量を必ずしも生み出すものではない。したがって、オンザフライで新しいスキャンの輪郭抽出を適応的に調整するための自動輪郭抽出方法を獲得することが肝要である。それは、医師にとっての輪郭抽出時間を低減させるだけでなく、治療の実施の正確性と一貫性も改善させる。
癌治療される全ての臓器のなかでも、前立腺は、男性腰部で非常に重要な臓器であるが自動的な輪郭抽出が非常に困難である。主な課題としては:(1)ほとんど見えない大部分の前立腺の境界を3次元CT画像での低コントラスト(図1参照)と;(2)前立腺シーズにより生成された画像アーチフェクト(図1(a)、(c)参照)と;(3)直腸を占めるガス、糞便、渦巻きの大きな領域(図1(b)、(d)、(e)参照)と;(4)異なる治療ステージにおける予測不可能な前立腺の条件とがある。
新たな計画を作成しているとき又は治療中のときには、医者は、通常、患者の前の計画を利用したり、患者の前の計画を組み込んだりして、新たな計画や治療を作成することをしない。前の計画を用いるときでさえ、前の計画は登録により組み込まれ、現在の画像に前の輪郭を写像する。ある共通の方法は厳格な登録であるが、この方法は2、3の自由度を提供するだけである。したがって、登録された輪郭は精密でないかも知れない。変形可能な登録は採用されて、非線形の臓器の変形を演算することにより正確性を改善するのに用いられる。一般的に、輪郭抽出の正確性は使用される参照画像(アトラス)の数に依存する。しかしながら、使用される参照画像(アトラス)の数に比例して演算コストが増加し、それはオンラインでの適応性計画を使用することを困難にしている。
したがって、医療用画像の自動的な輪郭抽出を正確に効率的に実行する新しい方法とシステムを開発することが望まれている。
本開示の一実施形態は、プロセッサにより実行され、医療画像を自動輪郭抽出する方法である。前記方法は、注目領域を含む画像を受け取り、前記プロセッサにより、境界検出器を用いて前記注目領域の第1の輪郭を決定することを含んでもよい。前記方法は、前記プロセッサにより、形状辞書に基づいて前記第1の輪郭をリファインして前記注目画像の第2の輪郭を生成し、前記第2の輪郭に基づいて、前記境界検出器又は前記形状辞書の少なくともひとつを更新することを含んでもよい。
様々な実施形態において、前記方法は、ひとつ又はそれ以上の次の特徴を含んでもよい。前記方法は:前記プロセッサにより、前記境界検出器を用いて前記第2の輪郭をリファインすること;前記プロセッサによる、前記第1の輪郭を決定することは:前記画像の画像ポイントが前記注目領域の境界上にあるか否かを決定し;前記注目画像の前記境界上にあると決定された画像ポイントのセットを選択して前記第1の輪郭を形成すること;前記画像の前記画像ポイントが前記注目領域の前記境界上にあるか否かを決定することは、前記画像ポイントが前記境界上にある確率を決定することを含み、前記画像ポイントのセットを選択して前記第1の輪郭を形成することは、所定のしきい値より高い確率を有する画像ポイントを選択することを含むこと;前記プロセッサにより、前記形状辞書に基づいて前記第1の輪郭をリファインして前記注目画像の前記第2の輪郭を生成することは:前記形状辞書から形状のセットを選択し;前記第1の輪郭を近似するために前記選択された前記形状のセットを組み合わせ;前記組み合わされた形状のセットに基づいて前記第2の輪郭を生成すること;最適化関数を最小化することにより、前記第1の輪郭上の画像ポイントの少なくともサブセットが前記第2の輪郭上にある否かを決定することを含むこと;前記第2の輪郭に基づいて前記境界検出器又は前記形状辞書の少なくともひとつを更新することは、前記境界検出器を更新することを含み、前記第2の輪郭に基づいて前記境界検出器を更新した後、更新された第1の輪郭を決定するステップ(a)と、前記形状辞書に基づいて前記更新された第1の輪郭をリファインして、更新された第2の輪郭を生成するステップ(b)とを含み、繰り返し回数が所定値に達する、又は、残存する誤差が所定の最小値に達する、という条件の少なくともひとつが満足するまで前記ステップ(a)と前記ステップ(b)とを繰り返すこと;前記第2の輪郭に基づいて前記境界検出器又は前記形状辞書の少なくともひとつを更新することは、前記境界検出器を更新することを含み、前記境界検出器を更新することは:前記第2の輪郭を有する前記画像を、前記注目領域を含む画像の集まりと比較し;前記第2の輪郭を有する前記画像に類似する前記集まりから画像のサブセットを選択し;前記第2の輪郭を有する前記画像と前記選択された画像のサブセットとに基づいて前記第2の輪郭を更新することを含むこと;前記第2の輪郭を有する前記画像と前記選択された画像のサブセットとに基づいて前記境界検出器を更新することは:正の画像ポイントと負の画像ポイントを分離し;前記第2の輪郭上又は前記選択された画像のサブセットの境界上に位置する正の画像ポイントを選択し、前記選択された正の画像ポイントから操作可能な特徴を抽出し、前記抽出された操作可能な特徴に基づいて特徴ベクトルを決定し、前記特徴ベクトルに基づいて前記境界検出器を更新すること;前記第2の輪郭に基づいて前記境界検出器又は前記形状辞書の少なくともひとつを更新することは、前記境界検出器を更新することを含み、前記形状辞書を更新することは:前記第2の輪郭を含む前記画像から形状のサブセットを選択し、前記サブセットにおける各形状に対するスパース係数を獲得し、前記獲得したスパース係数に基づいて前記形状辞書を更新すること:のひとつ又はそれ以上の特徴を含んでもよい。
本開示の他の実施形態は、医療画像を自動輪郭抽出するシステムである。前記システムは、プロセッサと、前記プロセッサに動作的に接続され、命令を記憶するメモリとを有し、前記プロセッサにより前記命令が実行されたとき、前記プロセッサに方法を実行させる。前記方法は、注目領域を含む画像を受け取り、境界検出器を用いて前記注目領域の第1の輪郭を決定し、形状辞書に基づいて前記第1の輪郭をリファインして前記注目画像の第2の輪郭を生成し、前記第2の輪郭に基づいて、前記境界検出器又は前記形状辞書の少なくともひとつを更新することを含んでもよい。
様々な実施形態において、前記システムは、ひとつ又はそれ以上の次の特徴を含んでもよい。前記システムは:境界検出器を用いて前記注目領域の前記第1の輪郭を決定することは:前記画像の画像ポイントが前記注目領域の境界上にあるか否かを決定し;前記注目画像の前記境界上にあると決定された画像ポイントのセットを選択して前記第1の輪郭を形成すること;前記画像の前記画像ポイントが前記注目領域の前記境界上にあるか否かを決定することは、前記画像ポイントが前記境界上にある確率を決定することと;所定のしきい値より高い確率を有する画像ポイントを選択することを含むこと;前記プロセッサにより、前記形状辞書に基づいて前記第1の輪郭をリファインして前記注目画像の前記第2の輪郭を生成することは:前記形状辞書から形状のセットを選択し;前記第1の輪郭を近似するために前記選択された前記形状のセットを組み合わせ;前記組み合わされた形状のセットに基づいて前記第2の輪郭を生成すること;最適化関数を最小化することにより、前記第1の輪郭上の画像ポイントの少なくともサブセットが前記第2の輪郭上にある否かを決定することを含むこと;前記第2の輪郭に基づいて前記境界検出器又は前記形状辞書の少なくともひとつを更新することは、前記境界検出器を更新することを含み、前記第2の輪郭に基づいて前記境界検出器を更新した後、更新された第1の輪郭を決定するステップ(a)と、前記形状辞書に基づいて前記更新された第1の輪郭をリファインして、更新された第2の輪郭を生成するステップ(b)とを含み、繰り返し回数が所定値に達する、又は、残存する誤差が所定の最小値にする、という条件の少なくともひとつが満足するまで前記ステップ(a)と前記ステップ(b)とを繰り返すこと;前記方法は、前記境界検出器を用いて前記第2の輪郭をリファインすることを含むこと:のひとつ又はそれ以上の特徴を含んでもよい。
本開示の他の実施形態は、注目領域を含む複数の医療画像に基づいて境界検出器を訓練するコンピュータで実施される方法である。前記方法は:プロセッサにより、前記複数の医療画像から前記注目領域の境界上に位置する画像ポイントを選択し、前記プロセッサにより、前記選択された画像ポイントから操作可能な特徴を抽出し、前記プロセッサにより、前記抽出された操作可能な特徴に基づいて特徴ベクトルを決定し、前記プロセッサにより、前記特徴ベクトルに基づいて前記境界検出器を生成することを含んでもよい。
様々な実施形態において、前記方法は、ひとつ又はそれ以上の次の特徴を含んでもよい。前記方法は:新たな輪郭を含む新たな画像を、前記複数の医療画像と比較し;前記新たな輪郭を有する前記新たな画像への類似度に基づいて前記複数の医療画像から医療画像のサブセットを選択し;前記新たな輪郭を有する前記新たな画像と前記選択された医療画像のサブセットとに基づいて前記境界検出器を更新すること;前記新たな輪郭を含む前記新たな画像から形状のサブセットを選択し、前記サブセットにおける各形状に対するスパース係数を獲得し、前記獲得したスパース係数に基づいて前記形状辞書を更新すること:のひとつ又はそれ以上の特徴を含んでもよい。
上述の概要及び後述の詳細な説明は単なる例示であり、クレームの範囲を限定するものではない。
本明細書に組み込まれ、その一部である、詳細な説明に関連した添付図面は、様々な実施形態と、開示された実施形態の例示的態様を示すものである。
添付図面にその実施例が示されている典型的な実施形態が詳細に参照される。適切な場合、同じ参照番号は図面全体を通して同じ又は同種の部品を示す。
本開示において、適応性放射線治療における自動輪郭抽出の学習ベースのシステム及び対応する方法が紹介される。特に、集団ベースの境界検出器と集団ベースのスパース(sparse)形状辞書を訓練することができる。そのときには、訓練された境界検出器とスパース形状辞書が用いられ、患者の計画する画像の自動輪郭抽出が実行される。もっと治療画像が収集されると、システムは、自動的に境界検出器とスパース形状辞書とを更新し、患者特有の情報を組み入れる。新たな処置画像を受け取ると、システムは、オンザフライで注目臓器への自動輪郭抽出を実行する。
このアプローチのひとつの利点は高精度にある。オンライン自動輪郭抽出ステージでは、本方法は、前立腺に対して平均0.93のダイス(DICE)に到達することができる。このアプローチの他の利点は品質の悪い画像(例えば、図1に示すような画像)を十分良く取り扱うことができることである。何故なら、低品質の人工物は、患者特定の知識の一部として学習され訓練されることができるからである。加えて、本方法は、新たな画像に適用するときに計算的に効率がよい。何故なら、モデル更新プロセスを、機械が空いているときならいつでもオフラインでかつ全自動で行うことができるからである。オンライン自動輪郭抽出は、訓練のためにどれだけ多くの画像を収集したかにかかわりなく、同じ時間で行うことができる。これは、アトラス画像の数に比例して自動輪郭抽出時間が増加する、複数のアトラス画像を必要とする変形体登録方法に対する利点である。結果として、開示された学習ベースのシステムは正確な自動輪郭抽出結果をもたらす。オフライン訓練して更新するプロセスは全自動とし得る。オンライン自動輪郭抽出プロセスは計算的に効率がよい。本システムはいかなる品質の画像でも取り扱うことができ、クリニックにおける適応性放射線治療によく適している。
図2は、自動輪郭抽出システムの典型的なワークフローを示す。上部はオフラインでの訓練/更新ステップを示し、下部はオンラインでの自動輪郭抽出要素を示す。オフライン訓練/更新におけるアルゴリズムのフローは2本の矢印で示す。オンライン自動輪郭抽出プロセスは1本の矢印で示す。
集団ベースの境界検出器(Population-based boundary detector)
[0025]
新たな画像における前立腺の境界面を検出するために、本システムのオフライン部210は、まず、集団ベースの境界検出器212を訓練する。患者画像のセットから、本システムは、例えば、熟練者より提供された手動取得された輪郭により、正負のサンプルを収集する。輪郭上の境界ボクセル(voxel)は正のサンプルとして選択され、輪郭から離れたボクセルは負のサンプルとして選択される。それぞれに訓練されたサンプルに対して、3次元(3D)操作可能な特徴(steerable features)が抽出され、特徴ベクトルとして保存される。ランダムフォレスト(Random Forest)アルゴリズムを、収集されたサンプル上で境界検出器を訓練するのに用いることができる。次にやってくるそれぞれの画像に対して境界検出器が一度生成されると、初期形状の垂直方向に沿って捜索し、境界検出器を用い、それぞれのポイントが境界上にあるか否かを決定する。境界検出器は、ポイントが境界上にある確率を返す。捜索範囲内の全てのポイントにおいて、最も高い確率を有するポイント、又は、所定のしきい値より高い確率を有するポイントが、新しい境界ポイントとして選択される。
集団ベースのスパース形状リファインメント(Population-based sparse shape refinement)
[0027]
境界検出器から検出された3次元(3D)境界は非常にノイズが多い。ノイズを減らすためには、スパース(sparse)形状モデルが用いられて検出された境界をリファイン(refine)する。ある実施形態では、集団ベースのスパース(sparse)形状辞書214は、検出された境界形状をリファインするまえの形状として用いられる。スパース形状辞書214は、形状辞書におけるスパース(sparse)の3次元(3D)形状のセットを選択し、それらを一緒に組み立て、第1の輪郭に近づけて入力形状(例えば、検出された境界)をリファンする。この方法は、入力形状例に対する2つのスパース(sparse)な観察:(1)入力形状が、形状辞書におけるスパースな線形組み合わせにより近似的に表現されること;(2)入力形状の部分が大誤差を含むがその誤差はスパース(sparse)であること:を活用する。この方法は、形状優先モデリング(shape prior modeling)の3つの問題、すなわち、入力画像の複雑な形状変動をモデリングすること(modeling complex shape variations)、入力画像の非ガウス誤差を取り扱うこと(handling non-Gaussian errors)、入力画像の局所的詳細情報を維持すること(preserving local detail information)、を緩和する。
各リファインメントの反復(iteration)に対して、本方法は、次の最適化関数を最小化するアルゴリズムを導入する。
ここで、νsは入力形状におけるポイントのサブセットであり、Dは全ての訓練する形状を表す形状辞書であり、T(νs,β)は、入力画像を同じスペースDで並べる、パラメータβを有する大域変換演算子(global transformation operator)である。この式において、χは線形結合の重み係数を示し、eは大きな残存誤差(large residual errors)を示すベクトルである。Sはあるポイントがサブセットνsにあるかを示すバイナリ対角行列である。ここで、Sは、3次元(3D)CT画像における、x,y,z座標で示される検出された境界位置である。解かれた形状はそれから形状リファインメントの他のラウンドのために形状検出器212に戻される。反復プロセスは、(1)それが所定の反復回数(例えば10回)に達したとき、又は(2)それが所定の最小残存誤差(minimal residual errors)に達したときに停止する。
適応性患者特有情報(Adapting patient-specific information)
[0032]
新たな治療画像(例えば、新たな画像232)が収集されると、境界検出器212とスパース形状辞書214を更新し、患者特有の情報を組み込み、患者特有の境界検出器216と更新された形状辞書218をそれぞれ生成することが必要である。患者特有の境界検出器216のために、本システムは、現在の画像を、収集された患者画像と比較し、現在の画像に類似する患者画像を取り出す。同じ患者の以前の画像は最も類似する画像として選択され得るが、類似の画像構造を有する他の患者の画像も選択され得る。選択された患者画像は境界検出器を更新するために用いられ、患者特有の境界検出器216を形成する。更新するプロセス(例えば、更新するプロセス222、224)はオフラインであり、人間の介在を必要としない。
境界検出器を訓練するためにそれほど多くの画像を必要としないので、境界検出器を更新することは非常に効率的であるが、一方、スパース形状辞書を更新して更新された形状辞書218を生成することは計算的に非常にコストがかかる。同じ患者からさえも多くの形状変化を取り扱うためには、形状空間内の形状変化を総合的に捕まえる一般形状辞書が必要であり、したがって、訓練する形状の数を制限することは望ましくない。しかしながら、患者の最近の画像を形状辞書に含ませて患者特有の情報をカバーすることは望ましい。多大な時間を必要とする、きず(scratch)で形状辞書を訓練することを回避して計算的な効率を改善するためには、辞書学習技術が用いられ得る。例えば、オンライン学習方法が新たな形状を取り込むのに適応的に効率的に用いられる。新たな訓練する形状があらわれると、きず(scratch)で形状辞書を再構築する代わりに、本システムは、ブロック座標降下手法(block-coordinates descent approach)を用いて形状辞書を更新してもよい。動的に更新される辞書を用いることにより、スパース(sparse)形状モデルは丁寧にスケールアップされ、実行時間の効率を犠牲にすることなく、非常に多くの訓練する形状からモデルを作成することができる。一実施形態において、この方法は、K−SVDアルゴリズムを用いて初期の形状辞書を構成することから開始する。新たな画像が来ると、収束するまで2つのステージ、スパース記号化(sparse coding)ステージと辞書更新(dictionary updating)ステージを反復する。スパース記号化ステージは、各信号に対するスパース座標(sparse coefficient)を見つけることを目的とし、辞書更新ステージは、全ての発見された座標に基づいて辞書を更新することを目的とする。確率的近似(stochastic approximation)に基づき、ブロック座標降下手法(block-coordinates descent approach)を用いて辞書は効率よく更新される。これは、パラメータによらないパラメータフリーメソッド(parameter-free method)であり、いかなる学習レートの調整(learning rate tuning)も必要としない。辞書更新ステップにおいて、全ての訓練する形状を必要とする代わりに、本システムは、新たな後天的データを少量吸い上げるだけでよいことに注目することが重要である。このようにして、形状辞書を、選択された新たなデータを用いてオンラインで効率的に更新することができる。このオンライン更新辞書を用いることにより、形状を構成する実行時間効率は、訓練する形状が増えることで犠牲になることはない。加えて、本方法は、丁寧にスケールアップされて、理論的には無限数の訓練する形状から、以前の形状(shape priors)を含めることができる。
オンライン自動輪郭抽出(Online auto-contouring)
[0035]
オンライン自動輪郭抽出は、初期の形状(例えば、図2に示す初期の形状234)からスタートする。一実施形態において、単一のアトラス画像を有するデモンズメソッド(DEMONS method)が用いられ、初期の輪郭を獲得する。初期の輪郭の表面上の各ボクセルに対して、本システム(例えば、本システムのオンライン部230)は、その垂直方向に沿って捜索し、境界検出器212を適用し、最も高い確率を有するボクセル、又は、所定のしきい値よりも高い確率を有するボクセルを見つける。それから、本システムは、スペア形状辞書214を用い、3次元(3D)検出された境界表面をリファインする(例えば、図2のリファインメント236)。分類とリファインメントが何回か反復され、より正確な結果(例えば、最終形状238)を得る。
図3は本発明の一実施形態による典型的な自動輪郭抽出結果を示す。11人の患者からの44個の3次元(3D)CT画像が処理され、開示された方法及びシステムを評価する。各患者は少なくとも3つの処置画像を有している。図3を参照すると、3人の患者に対する自動セグメンテーション結果が上部から下部に示されている(行A、B、Cがそれぞれ患者A、B、Cに対応している)。各患者は、そのアキシアル(axial)平面、サジタル(sagittal)平面、冠(coronal)平面の3つのスナップショット(snapshot)を有する(列1、2、3がそれぞれ3つのスナップショットに対応する)。自動輪郭抽出(赤色)は熟練者の手動輪郭抽出(黄色)と比較される。前立腺に対して平均0.93のダイス(DICE)に到達する。
図4は本発明の一実施形態による自動輪郭抽出を実行する典型的な方法のフローチャートである。図4には、開示された方法を実行するための一連のステップ(そのうちのいくつかのステップは選択的である)が示されている。図4は、訓練/更新するサブルーチン400と輪郭抽出のサブルーチン420を示している。いくつかの実施形態において、訓練/更新するサブルーチン400はオフライン、例えば、本システムがCTスキャナから新たな画像を受信しないときに実行される。ステップ402で、本システムは複数の画像サンプルを受け取る。画像サンプルは、同じ患者又は異なる患者からの3次元(3D)CT画像を含む。ステップ404で、画像サンプルは、例えば、熟練者による手動輪郭抽出、又は、コンピュータプログラムによる自動輪郭抽出に基づいて、正負の画像サンプルに分離される。正の画像サンプルは輪郭上にある画像ポイントを含み、負の画像サンプルは輪郭から離れた画像ポイントを含む。ステップ406で、本システムは、熟練者により、又は、コンピュータにより提供された輪郭に基づいて、正の画像サンプルから境界ポイントを選択する。ステップ408で、本システムは、正の画像サンプルにおける選択された境界ポイントから3次元(3D)操作可能な特徴を抽出する。3次元(3D)操作可能な特徴は、回転不変(rotation-invariant)であると知られている。これら特徴は、各サンプルのボクセルの周囲の立方体領域から抽出される。立方体の方向はサンプルのボクセルの垂直方向である。これら特徴は各立方体から抽出され、各サンプルボクセルに対する特徴ベクトルとして保存される。ステップ410で、本システムは、抽出された操作可能な特徴に基づいて、ひとつ又はそれ以上の特徴ベクトルを決定し、その特徴ベクトルを保存する。ステップ412で、本システムは、ランダムフォレスト(random forest)アルゴリズムを用いて、収集された画像サンプルから境界検出器を訓練する。
患者特有の境界検出器が生成されると、患者特有の境界検出器はオンラインサブルーチン420において、例えば、本システムがCTスキャナから新たな画像を受け取るときに用いられる。新たな画像を受け取ると、本プロセスはステップ422に進み、新たな画像の垂直方向に沿って捜索し、患者特有の境界検出器を使用し、各ポイントが境界上にあるか否かを決定する。例えば、本システムは、患者特有の境界検出器を用いて、ポイントが画像中の境界にある確率を決定する。ステップ424で、本システムは、その確率に基づいて新たな輪郭を形成する画像ポイントを選択する。例えば、本システムは、最も高確率のポイントを選択し、新たな境界ポイントを形成する。他の例では、本システムは、所定のしきい値よりも高い確率のポイントを選択し、新たな境界ポイントを形成する。ステップ426で、本システムは、例えば、ステップ424で選択された境界ポイントにより形成された新たな輪郭を、リファインメントのためのスパース形状辞書214に提供する。例えば、新たな輪郭を、初期の形状としてスパース形状モデルに提供する。ステップ428で、本システムは、スパース形状モデルを用いて新たな輪郭をリファインする。いくつかの実施形態では、リファインメントは反復して実行される。ステップ430で、リファインされた新たな輪郭を、追加の形状リファインメントのための患者特有の境界検出器に送る。そしてステップ432で、本システムは、リファインメントの追加の反復が必要か決定する。追加のリファインメントが必要であると決定されると、本プロセスはステップ428に戻り、スパース形状モデルを用いて、新たなリファインメントラウンドを輪郭抽出が実行される。追加のリファインメントが必要ではないと決定されると、本プロセスはステップ434に進み、最終的な輪郭を含む最終の画像を出力する。最終画像は、ステップ416に示されているように、患者特有の境界検出器、及び/又は、形状辞書を更新するのに使用される。境界検出器の更新は、画像サンプルがいまやサブルーチン420により生成された最終画像を含むことを除いて、初期の境界検出器の訓練に類似している。形状辞書の更新のために、前述したように、ブロック座標降下方法(block-coordinates descent method)を用いた形状サブセットを採用する。
図5は、本発明の一実施形態による輪郭抽出リファインメント(refinement)を実行する典型的な方法のフローチャートである。図5において、図4のステップ428は更に3つのステップに分割される。ステップ4282で、本システムは、形状辞書から形状セット(例えば、3次元(3D)形状)を選択する。ステップ4284で、本システムは、新たな輪郭が図4のステップ426で提供された場合、選択された形状セットを結合して入力画像を推測又は推察する。ステップ4286で、本システムは、例えば(1)式のような、最適化関数を最小化することにより、入力された形状上の画像ポイントの小集団が結合された形状セット上であるかを決定する。そして、図4のステップ430で示すように、結合された形状は、追加のリファインメントのために境界検出器に送られる。
図6に、輪郭リファインメントのための典型的なシステム600を示す。いくつかの実施形態において、システム600は、汎用コンピュータ、又は、自動輪郭抽出用のコンピュータ装置である。図6に示すように、システム600は、プロセッサ610と、メモリモジュール620と、ユーザ入力装置630と、表示装置640と、通信インターフェース650とを有する。プロセッサ610は、中央演算ユニット(CPU)又は画像演算ユニット(GPU)である。使用されるハードウエアのタイプのより、プロセッサ610は、ひとつ又はそれ以上の印刷回路基板、及び/又は、マイクロプロセッサチップを有する。プロセッサ610は、一連のコンピュータプログラム命令を実行し、後述する様な方法を遂行する。
メモリモジュール620は、その他のものと一緒に、ランダムアクセスメモリ(RAM)やリードオンリーメモリ(ROM)を有する。コンピュータプログラム命令は、アクセスされ、ROM又は他の適切なメモリから読み出され、プロセッサ610により実行するためにRAMにロードされる。例えば、メモリモジュール620は、ひとつ又はそれ以上のソフトウェアアプリケーションを格納する。メモリモジュール620に格納されたソフトウェアアプリケーションには、ソフトウェアで制御される装置や共通のコンピュータシステムに対するオペレーティングシステム624が含まれる。更に、メモリモジュールには、ソフトウェアアプリケーション全体を格納してもよいし、プロセッサ610により実行されるソフトウェアアプリケーションの一部のみを格納してもよい。
いくつかの実施形態では、メモリモジュール620は、プロセッサ610により実行される、訓練及び/又は輪郭抽出ソフトウェア622を格納する。例えば、訓練/輪郭抽出ソフトウェア622は、境界検出器212、形状辞書214を訓練し、画像232−236で自動輪郭抽出を実行し、及び/又は、境界検出器212、形状辞書214を更新するように実行される。訓練/輪郭抽出ソフトウェア622又はその一部が、例えば、ハードディスク、コンピュータディスク、CD−ROM、DVD±R、CD±RW、DVD±RW、HD、ブルーレイDVD、USBフラッシュドライブ、SDカード、メモリスティックや他の記憶媒体のような、移動可能なコンピュータ読取可能な記憶媒体に格納され、システム600の適切な部品上で動作すると考えられている。例えば、訓練/輪郭抽出ソフトウェア622は、移動可能なコンピュータ読取可能な記憶媒体上に存在し、メモリ620に複写されたルーチンを用いて、プロセッサ610により読み出され、実行される。
いくつかの実施形態では、メモリモジュール620は、マスタデータ、ユーザデータ、アプリケーションデータ、及び/又は、プログラムコードを格納している。例えば、メモリモジュール620は、訓練/更新/輪郭抽出を実行するために用いられる様々なデータを有するデータベース626を格納している。
いくつかの実施形態では、入力装置630と表示装置640は適切なインターフェース回路を介してプロセッサ610に接続される。いくつかの実施形態では、入力装置630はハードウェアキーボード、キーパッド、又はタッチスクリーンであり、それを介してユーザはシステム600に情報を入力する。表示装置640は、シミュレーションのインターフェース、結果、又はユーザへの関連情報を表示する、ひとつ又はそれ以上のディスプレイ画面を有する。
通信インターフェース650は、システム600が外部装置とデータを交換するような通信接続を提供する。例えば、システム600はネットワーク660に接続されている。ネットワーク660は、他のシステムS1(672)、S2(674)、S3(676)を含むLAN又はWANである。システムS1、S2、S3は、システム600と同一である。いくつかの実施形態では、ネットワーク600のひとつ又はそれ以上のシステムは、協力して訓練/更新/輪郭抽出タスクを実行する、分散型のコンピューティング/シミュレーション環境を形成する。いくつかの実施形態では、ひとつ又はそれ以上のシステムS1、S2、S3は、CT画像(例えば、画像232)を生成するCTスキャナを含む。加えて、ネットワーク660はインターネット680に接続され、インターネット上に遠く離れて存在するサービスや依頼人と通信する。
上述した記載において、様々な面、ステップ、部品が、説明のために、単一の実施形態に共にグループ化されている。本開示は、クレームされた主題に対する開示された変動の全てを必要とするように解釈されるべきではない。後述するクレームは、典型的な実施形態の記述に組み込まれ、各クレームは本発明の個別の実施形態としてそれ自身存在している。
更に、クレームされた開示の範囲から離れることなく開示されたシステム及び方法に様々な変更や変化が加えられることは、明細書の記載と本開示の実施から当業者にとって明らかである。したがって、明細書及び実施例は典型的なものと考えるべきであり、本開示の真の範囲は後述するクレーム及びその等価物により示されている。
Claims (18)
- プロセッサにより実行され、医療画像において自動輪郭抽出する方法であって、
前記方法は、
注目領域を含む前記医療画像を受け取り、
前記プロセッサにより、境界検出器を用いて前記注目領域の第1の輪郭を決定し、
前記プロセッサにより、形状辞書に基づいて前記第1の輪郭をリファインして前記注目領域の第2の輪郭を生成し、
前記第2の輪郭に沿った境界ボクセルの選択されたセットに基づいて、前記境界検出器を更新し、
更新された前記境界検出器を適用して、前記医療画像の前記注目領域を自動輪郭抽出する
ことを有することを特徴とする方法。 - 請求項1記載の方法において、
前記プロセッサにより、前記境界検出器を用いて前記第2の輪郭をリファインすることを更に含む
ことを特徴とする方法。 - 請求項1記載の方法において、
前記プロセッサによる、前記第1の輪郭を決定することは:
前記医療画像のボクセルが前記注目領域の境界上にあるか否かを決定し;
前記注目領域の前記境界上にあると決定されたボクセルのセットを選択して前記第1の輪郭を形成する
ことを含むことを特徴とする方法。 - 請求項3記載の方法において、
前記医療画像の前記ボクセルが前記注目領域の前記境界上にあるか否かを決定することは、前記ボクセルが前記注目領域の前記境界上にある確率を決定することを含み、
前記ボクセルのセットを選択して前記第1の輪郭を形成することは、所定のしきい値より高い確率を有するボクセルを選択することを含む
ことを特徴とする方法。 - 請求項1記載の方法において、
前記プロセッサにより、前記形状辞書に基づいて前記第1の輪郭をリファインして前記注目領域の前記第2の輪郭を生成することは:
前記形状辞書から形状のセットを選択し;
前記第1の輪郭を近似するために前記選択された前記形状のセットを組み合わせ;
前記組み合わされた形状のセットに基づいて前記第2の輪郭を生成する
ことを含むことを特徴とする方法。 - 請求項5記載の方法において、
最適化関数を最小化することにより、前記第1の輪郭上のボクセルの少なくともサブセットが前記第2の輪郭上にある否かを決定することを更に含む
ことを特徴とする方法。 - 請求項1記載の方法において、
前記第2の輪郭に沿った境界ボクセルの選択されたセットに基づいて前記境界検出器を更新することは:
前記第2の輪郭を有する前記医療画像を、前記注目領域を含む画像の集まりと比較し;
前記第2の輪郭を有する前記医療画像に類似する画像構造を有する前記集まりから画像のサブセットを選択し;
前記第2の輪郭を有する前記医療画像と前記選択された画像のサブセットとに基づいて前記第2の輪郭を更新することを含む
ことを特徴とする方法。 - 請求項7記載の方法において、
前記第2の輪郭を有する前記医療画像と前記選択された画像のサブセットとに基づいて前記境界検出器を更新することは:
前記選択された画像のサブセットの境界上に位置するボクセルを選択し;
前記選択されたボクセルから操作可能な特徴を抽出し;
前記抽出された操作可能な特徴に基づいて特徴ベクトルを決定し;
前記特徴ベクトルに基づいて前記境界検出器を更新する
ことを含むことを特徴とする方法。 - 請求項1記載の方法において、
前記第2の輪郭に基づいて前記形状辞書を更新することを更に含み、
前記形状辞書を更新することは:
前記第2の輪郭を含む前記医療画像から形状のサブセットを選択し;
前記サブセットにおける各形状に対するスパース係数を獲得し;
前記獲得したスパース係数に基づいて前記形状辞書を更新する
ことを含むことを特徴とする方法。 - 医療画像において自動輪郭抽出するシステムであって、
プロセッサと、
前記プロセッサに動作的に接続され、命令を記憶するメモリとを有し、
前記プロセッサにより前記命令が実行されたとき、前記プロセッサに:
注目領域を含む医療画像を受け取り;
境界検出器を用いて前記注目領域の第1の輪郭を決定し;
形状辞書に基づいて前記第1の輪郭をリファインして前記注目領域の第2の輪郭を生成し;
前記第2の輪郭に沿った境界ボクセルの選択されたセットに基づいて、前記境界検出器を更新し;
更新された前記境界検出器を適用して、前記医療画像の前記注目領域を自動輪郭抽出する
ことを含む方法を実行させることを特徴とするシステム。 - 請求項10記載のシステムにおいて、
境界検出器を用いて前記注目領域の前記第1の輪郭を決定することは:
前記医療画像のボクセルが前記注目領域の境界上にあるか否かを決定し;
前記注目領域の前記境界上にあると決定されたボクセルのセットを選択して前記第1の輪郭を形成する
ことを含むことを特徴とするシステム。 - 請求項11記載のシステムにおいて、
前記医療画像のボクセルが前記注目領域の前記境界上にあるか否かを決定することは:
前記ボクセルが前記境界上にある確率を決定し;
所定のしきい値より高い確率を有するボクセルを選択する
ことを含むことを特徴とするシステム。 - 請求項10記載のシステムにおいて、
前記プロセッサにより、前記形状辞書に基づいて前記第1の輪郭をリファインして前記注目領域の前記第2の輪郭を生成することは:
前記形状辞書から形状のセットを選択し;
前記第1の輪郭を近似するために前記選択された前記形状のセットを組み合わせ;
前記組み合わされた形状のセットに基づいて前記第2の輪郭を生成する
ことを含むことを特徴とするシステム。 - 請求項13記載のシステムにおいて、
前記方法は、前記プロセッサにより、最適化関数を最小化することにより、前記第1の輪郭上のボクセルの少なくともサブセットが前記第2の輪郭上にある否かを決定することを更に含む
ことを特徴とするシステム。 - 請求項10記載のシステムにおいて、
前記方法は、前記境界検出器を用いて前記第2の輪郭をリファインすることを含む
ことを特徴とするシステム。 - 注目領域を含む複数の医療画像に基づいて境界検出器を訓練するコンピュータで実施される方法であって、
前記方法は:
プロセッサにより、前記複数の医療画像から前記注目領域の境界上に位置するボクセルを選択し;
前記プロセッサにより、前記選択されたボクセルから操作可能な特徴を抽出し;
前記プロセッサにより、前記抽出された操作可能な特徴に基づいて特徴ベクトルを決定し;
前記プロセッサにより、前記特徴ベクトルに基づいて前記境界検出器を生成する
ことを含むことを特徴とする方法。 - 請求項16記載のコンピュータで実施される方法において、
前記方法は:更に、
新たな輪郭を含む新たな画像を、前記複数の医療画像と比較し;
前記新たな輪郭を有する前記新たな画像への画像構造に基づいて前記複数の医療画像から医療画像のサブセットを選択し;
前記新たな輪郭を有する前記新たな画像と前記選択された医療画像のサブセットとに基づいて前記境界検出器を更新する
ことを含むことを特徴とする方法。 - 請求項17記載の方法において、
前記方法は:更に、
前記新たな輪郭を含む前記新たな画像から形状のサブセットを選択し;
前記サブセットにおける各形状に対するスパース係数を獲得し;
前記獲得したスパース係数に基づいて形状辞書を更新する
ことを含むことを特徴とする方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/192,778 US9629598B2 (en) | 2014-02-27 | 2014-02-27 | System and method for auto-contouring in adaptive radiotherapy |
US14/192,778 | 2014-02-27 | ||
PCT/IB2015/051383 WO2015128803A2 (en) | 2014-02-27 | 2015-02-24 | System and method for auto-contouring in adaptive radiotherapy |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017512091A JP2017512091A (ja) | 2017-05-18 |
JP6505124B2 true JP6505124B2 (ja) | 2019-04-24 |
Family
ID=53539748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016554572A Active JP6505124B2 (ja) | 2014-02-27 | 2015-02-24 | 適応性放射線治療における自動輪郭抽出システム及び方法 |
Country Status (7)
Country | Link |
---|---|
US (2) | US9629598B2 (ja) |
EP (1) | EP3111422B1 (ja) |
JP (1) | JP6505124B2 (ja) |
CN (1) | CN106462963B (ja) |
AU (1) | AU2015221826B2 (ja) |
RU (1) | RU2689029C2 (ja) |
WO (1) | WO2015128803A2 (ja) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105358217A (zh) | 2013-06-18 | 2016-02-24 | 杜克大学 | 在特定治疗标准及特定治疗参数下用于特定患者放射治疗计划的系统和方法 |
GB2518589B (en) * | 2013-07-30 | 2019-12-11 | Holition Ltd | Image processing |
KR20160032586A (ko) * | 2014-09-16 | 2016-03-24 | 삼성전자주식회사 | 관심영역 크기 전이 모델 기반의 컴퓨터 보조 진단 장치 및 방법 |
US11065471B2 (en) * | 2015-11-20 | 2021-07-20 | Duke University | Systems and methods for automatic, customized radiation treatment plan generation for cancer |
US10096132B2 (en) * | 2016-01-27 | 2018-10-09 | Samsung Electronics Co., Ltd. | Method and apparatus for positioning feature point |
US11200667B2 (en) * | 2017-02-22 | 2021-12-14 | The United States Of America, As Represented By The Secretary, Department Of Health And Human Services | Detection of prostate cancer in multi-parametric MRI using random forest with instance weighting and MR prostate segmentation by deep learning with holistically-nested networks |
EP3391940A1 (en) * | 2017-04-21 | 2018-10-24 | Koninklijke Philips N.V. | Planning system for adaptive radiation therapy |
CN107392897B (zh) * | 2017-07-17 | 2021-02-02 | 上海联影医疗科技股份有限公司 | 器官轮廓获取方法、影像设备、放疗计划系统及存储介质 |
KR101955919B1 (ko) * | 2017-09-21 | 2019-03-08 | 재단법인 아산사회복지재단 | 딥러닝 기반의 영상데이터 내 관심영역 설정방법 및 프로그램 |
GB2569541B (en) * | 2017-12-19 | 2020-08-19 | Mirada Medical Ltd | Method and apparatus for medical imaging |
WO2019167883A1 (ja) * | 2018-02-28 | 2019-09-06 | 富士フイルム株式会社 | 機械学習装置および方法 |
EP3813940A4 (en) * | 2018-06-26 | 2022-03-30 | The Medical College of Wisconsin, Inc. | SYSTEMS AND METHODS FOR ACCELERATED ONLINE ADAPTIVE RADIATION THERAPY |
WO2020168284A1 (en) * | 2019-02-15 | 2020-08-20 | The Regents Of The University Of California | Systems and methods for digital pathology |
US11836926B2 (en) | 2020-12-21 | 2023-12-05 | Infinitt Healthcare Co., Ltd. | System and method for contouring a set of medical images based on deep learning algorithm and anatomical properties |
WO2022145538A1 (ko) * | 2020-12-30 | 2022-07-07 | 뉴로핏 주식회사 | 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템 |
CN113536575A (zh) * | 2021-07-20 | 2021-10-22 | 深圳市联影高端医疗装备创新研究院 | 器官轮廓勾画方法、医学影像系统以及存储介质 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1091782A (ja) * | 1996-09-10 | 1998-04-10 | Olympus Optical Co Ltd | 濃淡画像用特定部位抽出方法 |
US5871019A (en) * | 1996-09-23 | 1999-02-16 | Mayo Foundation For Medical Education And Research | Fast cardiac boundary imaging |
DE69908526T2 (de) * | 1998-04-03 | 2004-05-06 | Koninklijke Philips Electronics N.V. | Verfahren und System zur Bildverarbeitung unter Verwendung von Konturerfassungsschritten |
JP4614548B2 (ja) * | 2001-01-31 | 2011-01-19 | パナソニック株式会社 | 超音波診断装置 |
CN101189639B (zh) * | 2005-04-13 | 2010-09-29 | 皇家飞利浦电子股份有限公司 | 用于在多维数据集中分割一个表面的方法和系统 |
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 |
US7889912B2 (en) * | 2006-09-15 | 2011-02-15 | The General Electric Company | Method for real-time tracking of cardiac structures in 3D echocardiography |
US7916919B2 (en) * | 2006-09-28 | 2011-03-29 | Siemens Medical Solutions Usa, Inc. | System and method for segmenting chambers of a heart in a three dimensional image |
US8036436B2 (en) * | 2006-10-10 | 2011-10-11 | Cedara Software Corp. | System and method for segmenting a region in a medical image |
JP4867771B2 (ja) * | 2007-04-19 | 2012-02-01 | パナソニック電工株式会社 | テンプレートマッチング装置 |
WO2009031155A2 (en) * | 2007-09-06 | 2009-03-12 | Yeda Research And Development Co. Ltd. | Modelization of objects in images |
US8121367B2 (en) * | 2007-09-21 | 2012-02-21 | Siemens Aktiengesellschaft | Method and system for vessel segmentation in fluoroscopic images |
US8275182B2 (en) * | 2007-09-27 | 2012-09-25 | The University Of British Columbia University-Industry Liaison Office | Method for automated delineation of contours of tissue in medical images |
US9364196B2 (en) * | 2008-12-12 | 2016-06-14 | Signostics Limited | Method and apparatus for ultrasonic measurement of volume of bodily structures |
US20110054295A1 (en) * | 2009-08-25 | 2011-03-03 | Fujifilm Corporation | Medical image diagnostic apparatus and method using a liver function angiographic image, and computer readable recording medium on which is recorded a program therefor |
US8437521B2 (en) * | 2009-09-10 | 2013-05-07 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automatic vertebra edge detection, segmentation and identification in 3D imaging |
US9025841B2 (en) * | 2009-11-18 | 2015-05-05 | Siemens Aktiengesellschaft | Method and system for segmentation of the prostate in 3D magnetic resonance images |
JP5753794B2 (ja) * | 2010-01-07 | 2015-07-22 | 株式会社日立メディコ | 医用画像診断装置と医用画像の輪郭抽出処理方法 |
US8494245B2 (en) * | 2010-03-09 | 2013-07-23 | Siemens Aktiengesellschaft | System and method for guiding transcatheter aortic valve implantations based on interventional C-Arm CT imaging |
CN102542601A (zh) * | 2010-12-10 | 2012-07-04 | 三星电子株式会社 | 一种用于3d对象建模的设备和方法 |
US8867806B2 (en) * | 2011-08-01 | 2014-10-21 | Impac Medical Systems, Inc. | Method and apparatus for correction of errors in surfaces |
US9292917B2 (en) * | 2011-11-23 | 2016-03-22 | Siemens Aktiengesellschaft | Method and system for model-based fusion of computed tomography and non-contrasted C-arm computed tomography |
-
2014
- 2014-02-27 US US14/192,778 patent/US9629598B2/en active Active
-
2015
- 2015-02-24 WO PCT/IB2015/051383 patent/WO2015128803A2/en active Application Filing
- 2015-02-24 JP JP2016554572A patent/JP6505124B2/ja active Active
- 2015-02-24 AU AU2015221826A patent/AU2015221826B2/en active Active
- 2015-02-24 EP EP15736039.7A patent/EP3111422B1/en active Active
- 2015-02-24 CN CN201580022410.9A patent/CN106462963B/zh active Active
- 2015-02-24 RU RU2016137791A patent/RU2689029C2/ru active
-
2017
- 2017-03-20 US US15/463,253 patent/US9697602B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
US9629598B2 (en) | 2017-04-25 |
EP3111422A2 (en) | 2017-01-04 |
RU2689029C2 (ru) | 2019-05-23 |
CN106462963A (zh) | 2017-02-22 |
AU2015221826A1 (en) | 2016-09-08 |
AU2015221826B2 (en) | 2019-03-21 |
RU2016137791A3 (ja) | 2018-09-12 |
US20170193662A1 (en) | 2017-07-06 |
CN106462963B (zh) | 2019-05-03 |
JP2017512091A (ja) | 2017-05-18 |
WO2015128803A2 (en) | 2015-09-03 |
RU2016137791A (ru) | 2018-03-29 |
WO2015128803A3 (en) | 2015-11-12 |
US9697602B1 (en) | 2017-07-04 |
US20150238158A1 (en) | 2015-08-27 |
EP3111422B1 (en) | 2020-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6505124B2 (ja) | 適応性放射線治療における自動輪郭抽出システム及び方法 | |
Chakravarty et al. | RACE-net: a recurrent neural network for biomedical image segmentation | |
US10452899B2 (en) | Unsupervised deep representation learning for fine-grained body part recognition | |
CN107492099B (zh) | 医学图像分析方法、医学图像分析系统以及存储介质 | |
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 | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
US11010630B2 (en) | Systems and methods for detecting landmark pairs in images | |
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 | |
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
US7995810B2 (en) | System and methods for image segmentation in n-dimensional space | |
WO2021244661A1 (zh) | 确定图像中血管信息的方法和系统 | |
Selver et al. | Patient oriented and robust automatic liver segmentation for pre-evaluation of liver transplantation | |
US20060210158A1 (en) | Object-specific segmentation | |
CN112885453A (zh) | 用于标识后续医学图像中的病理变化的方法和系统 | |
JP2008513164A (ja) | 等周ツリーを使用する画像セグメンテーション | |
Gsaxner et al. | PET-train: Automatic ground truth generation from PET acquisitions for urinary bladder segmentation in CT images using deep learning | |
CN111080658A (zh) | 基于可形变配准和dcnn的宫颈mri图像分割方法 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
La Rosa | A deep learning approach to bone segmentation in CT scans | |
Roozgard et al. | Medical image registration using sparse coding and belief propagation | |
Erdt et al. | Computer aided segmentation of kidneys using locally shape constrained deformable models on CT images | |
CN109564685B (zh) | 鲁棒的肺叶分割 | |
CN107767381B (zh) | 图像处理装置及图像处理方法 | |
WO2023205896A1 (en) | Systems and methods for detecting structures in 3d images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20170808 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180126 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180816 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180925 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181207 |
|
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: 20190319 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190326 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6505124 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |