JP6920376B2 - 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
- JP6920376B2 JP6920376B2 JP2019133409A JP2019133409A JP6920376B2 JP 6920376 B2 JP6920376 B2 JP 6920376B2 JP 2019133409 A JP2019133409 A JP 2019133409A JP 2019133409 A JP2019133409 A JP 2019133409A JP 6920376 B2 JP6920376 B2 JP 6920376B2
- Authority
- JP
- Japan
- Prior art keywords
- split
- grayscale image
- image
- processor
- mask
- 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
- 230000011218 segmentation Effects 0.000 title claims description 96
- 238000000034 method Methods 0.000 title claims description 88
- 210000000988 bone and bone Anatomy 0.000 title description 158
- 210000000056 organ Anatomy 0.000 claims description 48
- 241000124008 Mammalia Species 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 19
- 230000003416 augmentation Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 17
- 230000000877 morphologic effect Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000001052 transient effect Effects 0.000 claims description 13
- 238000001727 in vivo Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 17
- 239000003550 marker Substances 0.000 description 16
- 241000699666 Mus <mouse, genus> Species 0.000 description 15
- 241001465754 Metazoa Species 0.000 description 14
- 238000010603 microCT Methods 0.000 description 14
- 238000013459 approach Methods 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000011503 in vivo imaging Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 210000000689 upper leg Anatomy 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000000338 in vitro Methods 0.000 description 7
- 238000011065 in-situ storage Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 241000699670 Mus sp. Species 0.000 description 4
- 210000004417 patella Anatomy 0.000 description 4
- 238000000844 transformation Methods 0.000 description 4
- 241000700159 Rattus Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000004394 hip joint Anatomy 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 241000283973 Oryctolagus cuniculus Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 210000002303 tibia Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000197236 Chrysanthemoides monilifera Species 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241000699800 Cricetinae Species 0.000 description 1
- 241000699729 Muridae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000029918 bioluminescence Effects 0.000 description 1
- 238000005415 bioluminescence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 210000003109 clavicle Anatomy 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000007876 drug discovery Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000001930 leg bone Anatomy 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013425 morphometry Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (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。
al.は、米国特許第8306305B2号で、演算が脳全体を骨成分に含ませるであろうため、方法が頭蓋骨に使用されることを意図している場合、その中で説明される形態学的演算は、適切ではない場合があることを記述している。Porat et al.はさらに、椎骨の薄い部分が、厚さ1ボクセル未満であり得、それらを含有するボクセルの平均密度は、それらの実際の密度未満であり得、これらの骨は、それらの全体では見出されない場合があることを説明している。
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。
によって求められるように、例えば、3次元で、各独立変数に関する関数(例えば、所与のボクセルにおけるグレースケール画像強度)の二次偏導関数の合計によって求められる。
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 (30)
- 対象の画像内で個々の器官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、対象のグレースケール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グレースケール画像に適用することにより、各二次導関数分割フィルタに基づいて前記グレースケール画像のための2つ以上の分割器官マスクを生成することと、
各二次導関数分割フィルタによって生成された前記グレースケール画像のための前記2つ以上の分割器官マスクを、1つ以上の論理演算を使用して、前記グレースケール画像のためのハイブリッド分割器官マスクに組み合わせることと、
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ハイブリッド分割器官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、前記ハイブリッド分割器官マスクの前記分割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、前記グレースケール画像内で個々の器官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)を含む群から選択される部材を備える、請求項1に記載の方法。
- 前記方法は、適用されている前記2つ以上の二次導関数分割フィルタの各々に対して、
フィルタ処理された3次元画像を生成し、所定の閾値よりも高いまたは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であって、これにより、隣接する器官の間の境界領域付近のボクセルを識別する分割2値マスクを生じさせることをさらに含み、
1つ以上の論理演算を使用して前記2つ以上の分割器官マスクを組み合わせることは、器官境界の近傍のボクセルが除去された状態で、ハイブリッド分割器官マスクを生成する、請求項1または請求項2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1〜3のいずれか1項に記載の方法。
- 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信することと、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グレースケール画像の部分に適用することにより、1つ以上の付加的な分割器官マスクを生成することと、
前記プロセッサが、前記1つ以上の付加的な分割器官マスクの分割2値成分を決定することと、
前記プロセッサが、前記1つ以上の付加的な分割器官マスクの前記分割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、前記グレースケール画像内で個々の器官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1〜4のいずれか1項に記載の方法。 - 前記ハイブリッド分割器官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、および/または、距離変換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をさらに含む、請求項1〜5のいずれか1項に記載の方法。
- 前記対象の前記グレースケール画像は、3次元グレースケール画像を含み、前記3次元グレースケール画像は、前記3次元グレースケール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1〜6のいずれか1項に記載の方法。
- 前記対象の前記グレースケール画像は、3次元グレースケール画像を含み、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次元グレースケール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る、請求項1〜7のいずれか1項に記載の方法。
- 前記グレースケール画像は、生体内グレースケール画像である、請求項1〜8のいずれか1項に記載の方法。
- 前記対象は、小型哺乳類である、請求項1〜9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、
対象のグレースケール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グレースケール画像に適用することにより、各二次導関数分割フィルタに基づいて、前記グレースケール画像のための2つ以上の分割器官マスクを生成することと、
各二次導関数分割フィルタによって生成された前記グレースケール画像のための前記2つ以上の分割器官マスクを、1つ以上の論理演算を使用して、前記グレースケール画像のためのハイブリッド分割器官マスクに組み合わせることと、
1つ以上の形態学的処理演算を行うことによって前記ハイブリッド分割器官マスクの複数の分割2値成分を決定することと、
前記ハイブリッド分割器官マスクの前記分割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、前記グレースケール画像内で個々の器官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る、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)を含む群から選択される部材を備える、請求項11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、
適用されている前記2つ以上の二次導関数分割フィルタの各々に対して、
フィルタ処理された3次元画像を生成し、所定の閾値よりも高いまたは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であって、これにより、隣接する器官の間の境界領域付近のボクセルを識別する分割2値マスクを生じさせることを前記プロセッサにさらに行わせ、
1つ以上の論理演算を使用して前記2つ以上の分割器官マスクを組み合わせることは、器官境界の近傍のボクセルが除去された状態で、ハイブリッド分割器官マスクを生成する、請求項11〜12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11〜13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、
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信することと、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グレースケール画像の部分に適用することにより、1つ以上の付加的な分割器官マスクを生成することと、
前記1つ以上の付加的な分割器官マスクの各々に対する分割2値成分を決定することと、
前記1つ以上の付加的な分割器官マスクの前記分割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、前記グレースケール画像内で個々の器官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11〜14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、接続成分分析を行うこと、および/または、距離変換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り、前記ハイブリッド分割器官マスクの前記複数の分割2値成分を決定することを前記プロセッサに行わせる、請求項11〜15のいずれか1項に記載のシステム。
- 前記対象の前記グレースケール画像は、前記対象の3次元グレースケール画像を含み、前記3次元グレースケール画像は、前記3次元グレースケール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11〜16のいずれか1項に記載のシステム。
- 前記対象の前記グレースケール画像は、3次元グレースケール画像を含み、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次元グレースケール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る、請求項11〜17のいずれか1項に記載のシステム。
- 前記グレースケール画像は、生体内グレースケール画像である、請求項11〜18のいずれか1項に記載のシステム。
- 前記対象は、小型哺乳類である、請求項11〜19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、
対象のグレースケール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グレースケール画像に適用することにより、各二次導関数分割フィルタに基づいて前記グレースケール画像のための2つ以上の分割器官マスクを生成することと、
各二次導関数分割フィルタによって生成された前記グレースケール画像のための前記2つ以上の分割器官マスクを、1つ以上の論理演算を使用して、前記グレースケール画像のためのハイブリッド分割器官マスクに組み合わせることと、
1つ以上の形態学的処理演算を行うことによって前記ハイブリッド分割器官マスクの複数の分割2値成分を決定することと、
前記ハイブリッド分割器官マスクの前記分割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、前記グレースケール画像内で個々の器官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る、非一過性のコンピュータ読み取り可能な媒体。 - 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)を含む群から選択される部材を備える、請求項21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、前記プロセッサによって実行されると、
適用されている前記複数の二次導関数分割フィルタの各々に対して、
フィルタ処理された3次元画像を生成し、所定の閾値よりも高いまたは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であって、これにより、隣接する器官の間の境界領域付近のボクセルを識別する分割2値マスクを生じさせることを前記プロセッサにさらに行わせ、
1つ以上の論理演算を使用して前記2つ以上の分割器官マスクを組み合わせることは、器官境界の近傍のボクセルが除去された状態で、ハイブリッド分割器官マスクを生成する、請求項21または請求項22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21〜23のいずれか1項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、前記プロセッサによって実行されると、
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信することと、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グレースケール画像の部分に適用することにより、1つ以上の付加的な分割器官マスクを生成することと、
前記1つ以上の付加的な分割器官マスクの分割2値成分を決定することと、
前記1つ以上の付加的な分割器官マスクの前記分割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、前記グレースケール画像内で個々の器官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21〜24のいずれか1項に記載の非一過性のコンピュータ読み取り可能な媒体。 - 前記ハイブリッド分割器官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、距離変換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21〜25に記載の非一過性のコンピュータ読み取り可能な媒体。
- 前記対象の前記グレースケール画像は、3次元グレースケール画像を含み、前記3次元グレースケール画像は、前記3次元グレースケール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21〜26のいずれか1項に記載の非一過性のコンピュータ読み取り可能な媒体。
- 前記対象の前記グレースケール画像は、3次元グレースケール画像を含み、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次元グレースケール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る、請求項21〜27のいずれか1項に記載の非一過性のコンピュータ読み取り可能な媒体。
- 前記グレースケール画像は、生体内グレースケール画像である、請求項21〜28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21〜29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 (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018503567A 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 |
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 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018503567A Division 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019171200A JP2019171200A (ja) | 2019-10-10 |
JP6920376B2 true JP6920376B2 (ja) | 2021-08-18 |
Family
ID=68167680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019133409A Active 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6920376B2 (ja) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6173083B1 (en) * | 1998-04-14 | 2001-01-09 | General Electric Company | Method and apparatus for analyzing image structures |
WO2006097911A1 (en) * | 2005-03-17 | 2006-09-21 | Algotec Systems Ltd. | Bone segmentation |
US7623692B2 (en) * | 2005-07-22 | 2009-11-24 | Carestream Health, Inc. | Pulmonary nodule detection in a chest radiograph |
EP3940634A1 (en) * | 2009-09-11 | 2022-01-19 | Straxcorp Pty Ltd | Method and system for image analysis of selected tissue structures |
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 |
US9336613B2 (en) * | 2011-05-24 | 2016-05-10 | Koninklijke Philips N.V. | Apparatus for generating assignments between image regions of an image and element classes |
US9495752B2 (en) * | 2012-09-27 | 2016-11-15 | Siemens Product Lifecycle Management Software Inc. | Multi-bone segmentation for 3D computed tomography |
EP2926318B1 (en) * | 2012-12-03 | 2020-10-28 | Koninklijke Philips N.V. | Image processing device and method |
-
2019
- 2019-07-19 JP JP2019133409A patent/JP6920376B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019171200A (ja) | 2019-10-10 |
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 | |
US11219424B2 (en) | Systems and methods for characterizing a central axis of a bone from a 3D anatomical image | |
US11302008B2 (en) | Systems and methods for automated detection and segmentation of vertebral centrum(s) in 3D images | |
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 | |
Shanmugavadivu et al. | Intensity-Based Detection of Microcalcification Clusters in Digital Mammograms using Fractal Dimension |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190719 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200720 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200820 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210114 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210408 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210426 |
|
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: 20210701 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210726 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6920376 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |