JP6741750B2 - 3d解剖画像における個々の骨格の骨の自動化されたセグメンテーションのためのシステムおよび方法 - Google Patents
3d解剖画像における個々の骨格の骨の自動化されたセグメンテーションのためのシステムおよび方法 Download PDFInfo
- Publication number
- JP6741750B2 JP6741750B2 JP2018503567A JP2018503567A JP6741750B2 JP 6741750 B2 JP6741750 B2 JP 6741750B2 JP 2018503567 A JP2018503567 A JP 2018503567A JP 2018503567 A JP2018503567 A JP 2018503567A JP 6741750 B2 JP6741750 B2 JP 6741750B2
- Authority
- JP
- Japan
- Prior art keywords
- split
- dimensional image
- image
- bone
- processor
- 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
Images
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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
- G06T2207/20156—Automatic seed setting
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Description
ウォーターシェッド変換は、2値マスクを、2値マスクを構成する個々のオブジェクトを表す標識領域に分離する(例えば、F. Meyer, S. Beucher, J. Vis. Comm. Im. Rep. 1(1), 1990 21−46で議論されるように)。本アプローチを使用して、図1の2値骨マスクは、図2で描写されるように分離されて標識されることができる。
本発明は、例えば、以下を提供する。
(項目1)
対象の骨格または部分骨格の画像内で個々の骨を自動的に区別するように画像セグメンテーションを行う方法であって、
コンピューティングデバイスのプロセッサによって、(例えば、生体内撮像システム、例えば、マイクロCT撮像装置によって取得される)対象(例えば、小型哺乳類対象、例えば、マウス)の画像(例えば、2次元画像または3次元画像、例えば、ボクセルを備える3次元画像、例えば、グレースケール画像)(例えば、生体内画像、生体外画像、または原位置画像)を受信するステップと、
前記プロセッサによって、1つまたはそれを上回る二次導関数分割フィルタを前記画像に適用し、前記画像のための分割骨マスクを生成するステップと、
前記プロセッサによって、1つまたはそれを上回る形態学的処理演算を行うことによって(例えば、接続成分分析を行うことによって、および/または距離およびウォーターシェッド変換を使用して集水区域を識別することによって)前記分割骨マスクの複数の分割2値成分を判定するステップと、
随意に、前記プロセッサによって、各分割2値成分の体積を定量化し、容認不可能に小さい体積を有する、1つまたはそれを上回る成分を排除する(例えば、所定の閾値を下回る体積を有する、1つまたはそれを上回る成分を排除する)ステップと、
前記プロセッサによって、シードとして前記分割骨マスク成分を使用して、領域増大演算(例えば、マーカ制御ウォーターシェッド演算)を行い、それによって、前記画像内で個々の骨を区別するセグメンテーションマップを生成するステップと
を含む、方法。
(項目2)
前記1つまたはそれを上回る二次導関数分割フィルタは、LoG(ガウシアンのラプラシアン)、HEH(予備ガウシアンフィルタリングを用いた、最高ヘシアン固有値)、およびLEH(予備ガウシアンフィルタリングを用いた、最低ヘシアン固有値)から成る群から選択される少なくとも1つの部材を備える、項目1に記載の方法。
(項目3)
複数の二次導関数分割フィルタを前記対象の前記画像に適用し、前記分割骨マスクを生成するステップを含み、前記適用するステップは、
適用されている二次導関数分割フィルタ毎に、フィルタ処理された画像を生成し、閾値(例えば、所定の閾値)よりも高いまたは低い強度を伴う前記フィルタ処理された画像のボクセルを識別し、それによって、隣接する骨の間の境界領域の付近のボクセルを識別する分割2値マスクを生じるステップと、
骨境界の近傍のボクセルが除去された状態で、1つまたはそれを上回る論理演算を行うことによって前記分割2値マスクを組み合わせ、(前記分割2値マスクのハイブリッドである)前記分割骨マスクを返すステップと
を含む、項目1または2に記載の方法。
(項目4)
前記プロセッサによって、前記セグメンテーションマップを使用して(例えば、診断目的のために)1つまたはそれを上回る解剖学的測定を識別するステップをさらに含む、前記項目のいずれか1項に記載の方法。
(項目5)
前記セグメンテーションマップを生成するステップに続いて、さらなる精緻化または再計算のために、前記セグメンテーションマップの1つまたはそれを上回るセグメント化領域を識別するユーザからのフィードバックを受理し、次いで、
前記プロセッサによって、1つまたはそれを上回る二次導関数分割フィルタを、前記1つまたはそれを上回るユーザ識別セグメント化領域に対応する前記画像の部分に適用し、分割骨マスクを生成するステップと、
前記プロセッサによって、前記分割骨マスクの分割2値成分を判定するステップと、
前記プロセッサによって、シードとして前記分割骨マスク成分を使用して領域増大演算を行い、それによって、前記画像内で個々の骨を区別する、精緻化または再計算されたセグメンテーションマップを生成する(例えば、それによって、付加的分割を提供し、前記ユーザによって識別される前記1つまたはそれを上回る領域の過小セグメンテーションを補正する、またはそれによって、領域合併を提供し、前記ユーザによって識別される前記1つまたはそれを上回る領域の過剰セグメンテーションを補正するステップ、例えば、前記さらなる精緻化または再計算ステップは、以前に使用されたものと異なるスプリッタフィルタおよび/または異なるパラメータを使用して行われる)ステップと
をさらに含む、前記項目のいずれか1項に記載の方法。
(項目6)
前記対象(例えば、小型哺乳類対象、例えば、マウス)の前記画像は、前記画像の各ボクセルが各次元内で少なくとも40ミクロンの体積に対応するような解像度を有する、前記項目のいずれか1項に記載の方法。
(項目7)
前記1つまたはそれを上回る二次導関数分割フィルタのうちの少なくとも1つは、前記画像のボクセル強度の空間2次偏導関数の1つまたはそれを上回る回転不変量を使用して適用され、前記画像は、3次元グレースケール画像である、前記項目のいずれか1項に記載の方法。
(項目8)
プロセッサと、
その上に記憶された命令を有するメモリであって、前記命令は、前記プロセッサによって実行されると、前記プロセッサに、
(例えば、生体内撮像システム、例えば、マイクロCT撮像装置によって取得される)対象(例えば、小型哺乳類対象、例えば、マウス)の画像(例えば、2次元画像または3次元画像、例えば、ボクセルを備える3次元画像、例えば、グレースケール画像)(例えば、生体内画像、生体外画像、または原位置画像)を受信するステップと、
1つまたはそれを上回る二次導関数分割フィルタを前記画像に適用し、前記画像のための分割骨マスクを生成するステップと、
1つまたはそれを上回る形態学的処理演算を行うことによって(例えば、接続成分分析を行うことによって、および/または距離およびウォーターシェッド変換を使用して集水区域を識別することによって)前記分割骨マスクの複数の分割2値成分を判定するステップと、
随意に、各分割2値成分の体積を定量化し、容認不可能に小さい体積を有する、1つまたはそれを上回る成分を排除する(例えば、所定の閾値を下回る体積を有する、1つまたはそれを上回る成分を排除する)ステップと、
シードとして前記分割骨マスク成分を使用して、領域増大演算(例えば、マーカ制御ウォーターシェッド演算)を行い、それによって、前記画像内で個々の骨を区別するセグメンテーションマップを生成するステップと
を行わせるメモリと
を備える、システム。
(項目9)
前記1つまたはそれを上回る二次導関数分割フィルタは、LoG(ガウシアンのラプラシアン)、HEH(予備ガウシアンフィルタリングを用いた、最高ヘシアン固有値)、およびLEH(予備ガウシアンフィルタリングを用いた、最低ヘシアン固有値)から成る群から選択される少なくとも1つの部材を備える、項目8に記載のシステム。
(項目10)
前記命令は、前記プロセッサによって実行されると、さらに前記プロセッサに、複数の二次導関数分割フィルタを前記対象の前記画像に適用させて、前記分割骨マスクを生成させ、前記適用するステップは、
適用されている二次導関数分割フィルタ毎に、フィルタ処理された画像を生成し、閾値(例えば、所定の閾値)よりも高いまたは低い強度を伴う前記フィルタ処理された画像のボクセルを識別し、それによって、隣接する骨の間の境界領域付近のボクセルを識別する、分割2値マスクを生じるステップと、
骨境界の近傍のボクセルが除去された状態で、1つまたはそれを上回る論理演算を行うことによって前記分割2値マスクを組み合わせ、(前記分割2値マスクのハイブリッドである)前記分割骨マスクを返すステップと
を含む、項目9−10のいずれか1項に記載のシステム。
(項目11)
前記命令は、前記プロセッサによって実行されると、さらに前記プロセッサに、前記セグメンテーションマップを使用して(例えば、診断目的のために)1つまたはそれを上回る解剖学的測定を識別させる、項目8−10のいずれか1項に記載のシステム。
(項目12)
前記命令は、前記プロセッサによって実行されると、さらに前記プロセッサに、前記セグメンテーションマップを生成するステップに続いて、さらなる精緻化または再計算のために、前記セグメンテーションマップの1つまたはそれを上回るセグメント化領域を識別するユーザからのフィードバックを受理させ、次いで、
1つまたはそれを上回る二次導関数分割フィルタを、前記1つまたはそれを上回るユーザ識別セグメント化領域に対応する前記画像の部分に適用し、分割骨マスクを生成するステップと、
前記分割骨マスクの分割2値成分を判定するステップと、
シードとして前記分割骨マスク成分を使用して領域増大演算を行い、それによって、前記画像内で個々の骨を区別する、精緻化または再計算されたセグメンテーションマップを生成する(例えば、それによって、付加的分割を提供し、前記ユーザによって識別される前記1つまたはそれを上回る領域の過小セグメンテーションを補正する、またはそれによって、領域合併を提供し、前記ユーザによって識別される前記1つまたはそれを上回る領域の過剰セグメンテーションを補正する、例えば、前記さらなる精緻化または再計算ステップは、以前に使用されたものと異なるスプリッタフィルタおよび/または異なるパラメータを使用して行われる)ステップと
を含む、項目8−11のいずれか1項に記載のシステム。
(項目13)
前記対象(例えば、小型哺乳類対象、例えば、マウス)の前記画像は、前記画像の各ボクセルが各次元内で少なくとも40ミクロンの体積に対応するような解像度を有する、項目8−12のいずれか1項に記載のシステム。
(項目14)
前記1つまたはそれを上回る二次導関数分割フィルタのうちの少なくとも1つは、前記画像のボクセル強度の空間2次偏導関数の1つまたはそれを上回る回転不変量を使用して適用され、前記画像は、3次元グレースケール画像である、項目8−13のいずれか1項に記載のシステム。
(項目15)
その上に記憶された命令を有する、非一過性のコンピュータ可読媒体であって、前記命令は、前記プロセッサによって実行されると、前記プロセッサに、
(例えば、生体内撮像システム、例えば、マイクロCT撮像装置によって取得される)対象(例えば、小型哺乳類対象、例えば、マウス)の画像(例えば、2次元画像または3次元画像、例えば、ボクセルを備える3次元画像、例えば、グレースケール画像)(例えば、生体内画像、生体外画像、または原位置画像)を受信するステップと、
1つまたはそれを上回る二次導関数分割フィルタを前記画像に適用し、前記画像のための分割骨マスクを生成するステップと、
1つまたはそれを上回る形態学的処理演算を行うことによって(例えば、接続成分分析を行うことによって、および/または距離およびウォーターシェッド変換を使用して集水区域を識別することによって)前記分割骨マスクの複数の分割2値成分を判定するステップと、
随意に、各分割2値成分の体積を定量化し、容認不可能に小さい体積を有する、1つまたはそれを上回る成分を排除する(例えば、所定の閾値を下回る体積を有する、1つまたはそれを上回る成分を排除する)ステップと、
シードとして前記分割骨マスク成分を使用して、領域増大演算(例えば、マーカ制御ウォーターシェッド演算)を行い、それによって、前記画像内で個々の骨を区別するセグメンテーションマップを生成するステップと
を行わせる、非一過性のコンピュータ可読媒体。
分割フィルタは、グレースケール画像上で空間二次導関数演算を使用して確立される。そのような関数の実施例は、ラプラシアン(LAP)、ヘシアンの最高または最低固有値(HEHまたはLEH)を含む。
分割ベースの骨セグメンテーションは、図6のフローチャート600で概説されるように、4つの主要ステップで行われることができる。セグメンテーションプロセスは、ステップ602において骨の2値マスクから始まる。第1のステップでは、骨の2値マスクは、前の節で説明され、図5のフローチャート500で概説されるように、ステップ604において分割を受ける。
上記で議論されるように、ある実施形態では、分割ベースのセグメンテーションのための用途は、3D小動物骨セグメンテーションを備える。LAP−HEH等のハイブリッド二次導関数分割フィルタは、2値骨マスクを、図7および11Cで見られるように個々の骨のシードを正確に設定する接続成分に分離することができる。分割フィルタが、特に3D画像のために、オブジェクトセグメンテーションをもたらすことができる、正確度およびロバスト性のレベルを考慮すると、これらのフィルタが正確な自動セグメンテーションのために必要であろう、種々の異なる用途がある。実施例は、3D器官、脂肪、岩石、または天然鉱物/材料セグメンテーションを含むが、それらに限定されない。また、マイクロMR撮像装置等のマイクロCT以外の撮像プラットフォームから生成されるグレースケール画像が、分割ベースのセグメンテーションで使用されることができる。
図9は、本明細書に説明されるように、画像セグメンテーションおよび分析のための方法およびシステムで使用するための例証的ネットワーク環境900を示す。簡潔な概観では、ここで図9を参照すると、例示的クラウドコンピューティング環境900のブロック図が示され、説明されている。クラウドコンピューティング環境900は、1つまたはそれを上回るリソースプロバイダ902a、902b、902c(集合的に、902)を含んでもよい。各リソースプロバイダ902は、コンピューティングリソースを含んでもよい。いくつかの実装では、コンピューティングリソースは、データを処理するために使用される任意のハードウェアおよび/またはソフトウェアを含んでもよい。例えば、コンピューティングリソースは、アルゴリズム、コンピュータプログラム、および/またはコンピュータアプリケーションを実行することが可能なハードウェアおよび/またはソフトウェアを含んでもよい。いくつかの実装では、例示的なコンピューティングリソースは、記憶および読出能力を伴うアプリケーションサーバおよび/またはデータベースを含んでもよい。各リソースプロバイダ902は、クラウドコンピューティング環境900内の任意の他のリソースプロバイダ902に接続されてもよい。いくつかの実装では、リソースプロバイダ902は、コンピュータネットワーク908を経由して接続されてもよい。各リソースプロバイダ902は、コンピュータネットワーク908を経由して1つまたはそれを上回るコンピューティングデバイス904a、904b、904c(集合的に、904)に接続されてもよい。
Claims (28)
- 対象の骨格または部分骨格の画像内で個々の骨を自動的に区別するように画像セグメンテーションを行う方法であって、前記方法は、
コンピューティングデバイスのプロセッサが、対象の3次元画像を受信することと、
前記プロセッサが、2つ以上の二次導関数分割フィルタを前記3次元画像に適用することにより、前記3次元画像のための分割骨マスクを生成することと、
前記プロセッサが、1つ以上の形態学的処理演算を行うことによって前記分割骨マスクの複数の分割2値成分を決定することと、
前記プロセッサが、前記分割骨マスクの前記分割2値成分をシードとして使用して領域増大演算を行い、これにより、前記3次元画像内で個々の骨を区別するセグメンテーションマップを生成することと
を含み、
前記適用するステップは、
各二次導関数分割フィルタが適用される毎に、フィルタ処理された3次元画像を生成することと、閾値よりも高い強度または閾値よりも低い強度を有する前記フィルタ処理された3次元画像の1つ以上のボクセルを識別することとを行い、これにより、骨境界の近傍のボクセルを識別する分割2値マスクを生じることと、
骨境界の近傍の前記識別されたボクセルが除去された状態で、1つ以上の論理演算を行うことによって前記分割2値マスクを組み合わせることにより、前記分割骨マスクを生成することと
を含む、方法。 - 前記2つ以上の二次導関数分割フィルタは、LoG(ガウシアンのラプラシアン)、HEH(予備ガウシアンフィルタリングを用いた最高ヘシアン固有値)、LEH(予備ガウシアンフィルタリングを用いた最低ヘシアン固有値)から成る群から選択される少なくとも1つの部材を備える、請求項1に記載の方法。
- 前記プロセッサが、前記セグメンテーションマップを使用して1つ以上の解剖学的測定を識別することをさらに含む、請求項1〜2のいずれか1項に記載の方法。
- 前記セグメンテーションマップを生成するステップに続いて、さらなる精緻化または再計算のために、前記セグメンテーションマップの1つ以上のセグメント化領域を識別するユーザからのフィードバックを受理することと、次いで、
前記プロセッサが、1つ以上の二次導関数分割フィルタを前記1つ以上のユーザ識別セグメント化領域に対応する前記3次元画像の部分に適用することにより、分割骨マスクを生成することと、
前記プロセッサが、前記分割骨マスクの分割2値成分を決定することと、
前記プロセッサが、前記分割骨マスクの前記分割2値成分をシードとして使用して領域増大演算を行い、これにより、前記3次元画像内で個々の骨を区別する精緻化または再計算されたセグメンテーションマップを生成することと
をさらに含む、請求項1〜3のいずれか1項に記載の方法。 - 前記対象の前記3次元画像は、前記3次元画像の各ボクセルが各次元内で少なくとも40ミクロンの体積に対応するような解像度を有する、請求項1〜4のいずれか1項に記載の方法。
- 前記2つ以上の二次導関数分割フィルタのうちの少なくとも1つは、前記3次元画像のボクセル強度の空間2次偏導関数の1つ以上の回転不変量を使用して適用され、前記3次元画像は、3次元グレースケール画像である、請求項1〜5のいずれか1項に記載の方法。
- プロセッサとメモリとを備えたシステムであって、
前記メモリには、命令が記憶されており、
前記命令は、前記プロセッサによって実行されると、
対象の3次元画像を受信することと、
2つ以上の二次導関数分割フィルタを前記3次元画像に適用することにより、前記3次元画像のための分割骨マスクを生成することと、
1つ以上の形態学的処理演算を行うことによって前記分割骨マスクの複数の分割2値成分を決定することと、
前記分割骨マスクの前記分割2値成分をシードとして使用して領域増大演算を行い、これにより、前記3次元画像内で個々の骨を区別するセグメンテーションマップを生成することと
を前記プロセッサに行わせ、
前記適用するステップは、
各二次導関数分割フィルタが適用される毎に、フィルタ処理された3次元画像を生成することと、閾値よりも高い強度または閾値よりも低い強度を有する前記フィルタ処理された3次元画像の1つ以上のボクセルを識別することとを行い、これにより、骨境界の近傍のボクセルを識別する分割2値マスクを生じることと、
骨境界の近傍の前記識別されたボクセルが除去された状態で、1つ以上の論理演算を行うことによって前記分割2値マスクを組み合わせることにより、前記分割骨マスクを生成することと
を含む、システム。 - 前記2つ以上の二次導関数分割フィルタは、LoG(ガウシアンのラプラシアン)、HEH(予備ガウシアンフィルタリングを用いた最高ヘシアン固有値)、LEH(予備ガウシアンフィルタリングを用いた最低ヘシアン固有値)から成る群から選択される少なくとも1つの部材を備える、請求項7に記載のシステム。
- 前記命令は、前記プロセッサによって実行されると、前記セグメンテーションマップを使用して1つ以上の解剖学的測定を識別することを前記プロセッサにさらに行わせる、請求項7〜8のいずれか1項に記載のシステム。
- 前記命令は、前記プロセッサによって実行されると、前記セグメンテーションマップを生成するステップに続いて、さらなる精緻化または再計算のために、前記セグメンテーションマップの1つ以上のセグメント化領域を識別するユーザからのフィードバックを受理することと、次いで、
1つ以上の二次導関数分割フィルタを前記1つ以上のユーザ識別セグメント化領域に対応する前記3次元画像の部分に適用することにより、分割骨マスクを生成することと、
前記分割骨マスクの分割2値成分を決定することと、
前記分割骨マスクの前記分割2値成分をシードとして使用して領域増大演算を行い、これにより、前記3次元画像内で個々の骨を区別する精緻化または再計算されたセグメンテーションマップを生成することと
を前記プロセッサにさらに行わせる、請求項7〜9のいずれか1項に記載のシステム。 - 前記対象の前記3次元画像は、前記3次元画像の各ボクセルが各次元内で少なくとも40ミクロンの体積に対応するような解像度を有する、請求項7〜10のいずれか1項に記載のシステム。
- 前記2つ以上の二次導関数分割フィルタのうちの少なくとも1つは、前記3次元画像のボクセル強度の空間2次偏導関数の1つ以上の回転不変量を使用して適用され、前記3次元画像は、3次元グレースケール画像である、請求項7〜11のいずれか1項に記載のシステム。
- 非一過性のコンピュータ読み取り可能な媒体であって、前記媒体には、命令が記憶されており、前記命令は、プロセッサによって実行されると、
対象の3次元画像を受信することと、
2つ以上の二次導関数分割フィルタを前記3次元画像に適用することにより、前記3次元画像のための分割骨マスクを生成することと、
1つ以上の形態学的処理演算を行うことによって前記分割骨マスクの複数の分割2値成分を決定することと、
前記分割骨マスクの前記分割2値成分をシードとして使用して領域増大演算を行い、これにより、前記3次元画像内で個々の骨を区別するセグメンテーションマップを生成することと
を前記プロセッサに行わせ、
前記適用するステップは、
各二次導関数分割フィルタが適用される毎に、フィルタ処理された3次元画像を生成することと、閾値よりも高い強度または閾値よりも低い強度を有する前記フィルタ処理された3次元画像のボクセルを識別することとを行い、これにより、骨境界の近傍のボクセルを識別する分割2値マスクを生じることと、
骨境界の近傍の前記識別されたボクセルが除去された状態で、1つ以上の論理演算を行うことによって前記分割2値マスクを組み合わせることにより、前記分割骨マスクを生成することと
を含む、非一過性のコンピュータ読み取り可能な媒体。 - 前記3次元画像は、3次元生体内画像である、請求項1に記載の方法。
- 前記対象は、小型哺乳類である、請求項1の記載の方法。
- 前記3次元画像は、マイクロCT撮像装置によって取得される、請求項1に記載の方法。
- 前記分割骨マスクの前記複数の分割2値成分を決定することは、接続成分分析を行うことによって、および/または、距離およびウォーターシェッド変換を使用して集水区域を識別することによって実行される、請求項1に記載の方法。
- 前記プロセッサが、前記分割骨マスクの各分割2値成分の体積を定量化することと、前記プロセッサが、容認不可能に小さい体積を有する、前記分割骨マスクの1つ以上の分割2値成分を排除することとを含む、請求項1に記載の方法。
- 前記3次元画像は、3次元生体内画像である、請求項7に記載のシステム。
- 前記対象は、小型哺乳類である、請求項7に記載のシステム。
- 前記3次元画像は、マイクロCT撮像装置によって取得される、請求項7に記載のシステム。
- 前記分割骨マスクの前記複数の分割2値成分を決定することは、接続成分分析を行うことによって、および/または、距離およびウォーターシェッド変換を使用して集水区域を識別することによって実行される、請求項7に記載のシステム。
- 前記命令は、前記分割骨マスクの各分割2値成分の体積を定量化することと、容認不可能に小さい体積を有する、前記分割骨マスクの1つ以上の分割2値成分を排除することとを前記プロセッサに行わせる、請求項7に記載のシステム。
- 前記3次元画像は、3次元生体内画像である、請求項13に記載の非一過性のコンピュータ読み取り可能な媒体。
- 前記対象は、小型哺乳類である、請求項13に記載の非一過性のコンピュータ読み取り可能な媒体。
- 前記3次元画像は、マイクロCT撮像装置によって取得される、請求項13に記載の非一過性のコンピュータ読み取り可能な媒体。
- 前記分割骨マスクの前記複数の分割2値成分を決定することは、接続成分分析を行うことによって、および/または、距離およびウォーターシェッド変換を使用して集水区域を識別することによって実行される、請求項13に記載の非一過性のコンピュータ読み取り可能な媒体。
- 前記命令は、前記分割骨マスクの各分割2値成分の体積を定量化することと、容認不可能に小さい体積を有する、前記分割骨マスクの1つ以上の分割2値成分を排除することとを前記プロセッサに行わせる、請求項13に記載の非一過性のコンピュータ読み取り可能な媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019133409A JP6920376B2 (ja) | 2015-07-29 | 2019-07-19 | 3d解剖画像における個々の骨格の骨の自動化されたセグメンテーションのためのシステムおよび方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2015/042631 WO2017019059A1 (en) | 2015-07-29 | 2015-07-29 | Systems and methods for automated segmentation of individual skeletal bones in 3d anatomical images |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019133409A Division JP6920376B2 (ja) | 2015-07-29 | 2019-07-19 | 3d解剖画像における個々の骨格の骨の自動化されたセグメンテーションのためのシステムおよび方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018530739A JP2018530739A (ja) | 2018-10-18 |
JP6741750B2 true JP6741750B2 (ja) | 2020-08-19 |
Family
ID=53801221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018503567A Active JP6741750B2 (ja) | 2015-07-29 | 2015-07-29 | 3d解剖画像における個々の骨格の骨の自動化されたセグメンテーションのためのシステムおよび方法 |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP3329458B1 (ja) |
JP (1) | JP6741750B2 (ja) |
CN (1) | CN107851312B (ja) |
AU (2) | AU2015403475B2 (ja) |
CA (1) | CA2990155C (ja) |
WO (1) | WO2017019059A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9999400B2 (en) | 2015-07-29 | 2018-06-19 | Perkinelmer Health Services, Inc. | Systems and methods for automated segmentation of individual skeletal bones in 3D anatomical images |
US10136869B2 (en) | 2016-03-25 | 2018-11-27 | Perkinelmer Health Sciences, Inc. | Systems and methods for characterizing a central axis of a bone from a 3D anatomical image |
US10813614B2 (en) * | 2017-05-24 | 2020-10-27 | Perkinelmer Health Sciences, Inc. | Systems and methods for automated analysis of heterotopic ossification in 3D images |
KR102044528B1 (ko) * | 2018-03-15 | 2019-11-14 | 울산대학교 산학협력단 | 뼈를 모델링하는 장치 및 방법 |
US11302008B2 (en) * | 2018-03-30 | 2022-04-12 | Perkinelmer Health Sciences, Inc. | Systems and methods for automated detection and segmentation of vertebral centrum(s) in 3D images |
US11080830B2 (en) * | 2018-04-25 | 2021-08-03 | Perkinelmer Cellular Technologies Germany Gmbh | Systems and methods for segmentation and analysis of 3D images |
CN108765417B (zh) * | 2018-06-15 | 2021-11-05 | 西安邮电大学 | 一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法 |
JP2020183876A (ja) * | 2019-04-26 | 2020-11-12 | 株式会社前川製作所 | 特徴点認識システムおよびワーク処理システム |
CN112017146B (zh) * | 2019-05-31 | 2024-03-22 | 杭州三坛医疗科技有限公司 | 一种骨骼分节方法及装置 |
CN111292348B (zh) * | 2020-01-21 | 2023-07-28 | 滨州医学院 | 一种基于自主探针与三维标注置换的mra颅骨剥离方法 |
CN111598867B (zh) * | 2020-05-14 | 2021-03-09 | 国家卫生健康委科学技术研究所 | 用于检测特定面部综合征的方法、装置及计算机可读存储介质 |
CN116630358B (zh) * | 2023-07-25 | 2023-09-26 | 潍坊医学院附属医院 | 一种脑部肿瘤ct影像的阈值分割方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6625303B1 (en) * | 1999-02-01 | 2003-09-23 | Eastman Kodak Company | Method for automatically locating an image pattern in digital images using eigenvector analysis |
US7676257B2 (en) * | 2003-11-25 | 2010-03-09 | General Electric Company | Method and apparatus for segmenting structure in CT angiography |
CA2601991A1 (en) * | 2005-03-17 | 2006-09-21 | Algotec Systems Ltd. | Bone segmentation |
CN1983332A (zh) * | 2005-04-18 | 2007-06-20 | 西门子共同研究公司 | 用于计算机辅助诊断的改进的结节分割 |
US7623692B2 (en) * | 2005-07-22 | 2009-11-24 | Carestream Health, Inc. | Pulmonary nodule detection in a chest radiograph |
US7840051B2 (en) * | 2006-11-22 | 2010-11-23 | Toshiba Medical Visualization Systems Europe, Limited | Medical image segmentation |
SG188879A1 (en) * | 2008-03-03 | 2013-04-30 | Agency Science Tech & Res | A method and system of segmenting ct scan data |
DE102008016503A1 (de) * | 2008-03-31 | 2009-10-01 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Segmentierung von Strukturen in einem Bilddatensatz |
EP2194505B1 (en) * | 2008-11-25 | 2015-03-11 | Algotec Systems Ltd. | Method and apparatus for segmenting spine and aorta in a medical image according to a skeletal atlas |
CN107610096B (zh) * | 2009-09-11 | 2021-08-10 | 斯特拉克斯联合控股有限公司 | 用于所选组织结构的图像分析的方法及系统 |
JP4940340B2 (ja) * | 2009-11-27 | 2012-05-30 | 富士フイルム株式会社 | 椎骨セグメンテーション装置、方法及びプログラム |
JP5037705B2 (ja) * | 2010-03-11 | 2012-10-03 | 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 |
JP5833958B2 (ja) * | 2012-03-14 | 2015-12-16 | 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 |
DE102012211892B4 (de) * | 2012-07-09 | 2015-03-19 | Siemens Aktiengesellschaft | Verfahren zur Extraktion eines Datensatzes aus einem medizinischen Bilddatensatz sowie medizinische Bildaufnahmeeinrichtung und Computerprogramm |
US9495752B2 (en) * | 2012-09-27 | 2016-11-15 | Siemens Product Lifecycle Management Software Inc. | Multi-bone segmentation for 3D computed tomography |
-
2015
- 2015-07-29 CA CA2990155A patent/CA2990155C/en active Active
- 2015-07-29 WO PCT/US2015/042631 patent/WO2017019059A1/en unknown
- 2015-07-29 AU AU2015403475A patent/AU2015403475B2/en active Active
- 2015-07-29 EP EP15748405.6A patent/EP3329458B1/en active Active
- 2015-07-29 CN CN201580081954.2A patent/CN107851312B/zh active Active
- 2015-07-29 JP JP2018503567A patent/JP6741750B2/ja active Active
-
2021
- 2021-04-30 AU AU2021202716A patent/AU2021202716B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018530739A (ja) | 2018-10-18 |
EP3329458A1 (en) | 2018-06-06 |
AU2015403475A1 (en) | 2018-01-04 |
AU2015403475B2 (en) | 2021-04-01 |
CN107851312B (zh) | 2022-04-12 |
EP3329458B1 (en) | 2020-08-19 |
AU2021202716B2 (en) | 2022-02-24 |
AU2021202716A1 (en) | 2021-05-27 |
CN107851312A (zh) | 2018-03-27 |
CA2990155A1 (en) | 2017-02-02 |
CA2990155C (en) | 2022-04-19 |
WO2017019059A1 (en) | 2017-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10178982B2 (en) | System and methods for automated segmentation of individual skeletal bones in 3D anatomical images | |
AU2021202716B2 (en) | Systems and methods for automated segmentation of individual organs in 3D anatomical images | |
CN110678903B (zh) | 用于3d图像中异位骨化的分析的系统和方法 | |
JP6734390B2 (ja) | 3d解剖学的画像から骨の中心軸を特徴付けるためのシステム及び方法 | |
US11302008B2 (en) | Systems and methods for automated detection and segmentation of vertebral centrum(s) in 3D images | |
US11219424B2 (en) | Systems and methods for characterizing a central axis of a bone from a 3D anatomical image | |
JP6920376B2 (ja) | 3d解剖画像における個々の骨格の骨の自動化されたセグメンテーションのためのシステムおよび方法 | |
JP6970783B2 (ja) | 3d解剖学的画像から骨の中心軸を特徴付けるためのシステム及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180209 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180629 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190320 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190419 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190719 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191219 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200218 |
|
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: 20200720 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200727 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6741750 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |