KR20140114303A - 3차원 의료 영상들에서 2차원 뷰의 자동 플래닝을 위한 방법 및 시스템 - Google Patents

3차원 의료 영상들에서 2차원 뷰의 자동 플래닝을 위한 방법 및 시스템 Download PDF

Info

Publication number
KR20140114303A
KR20140114303A KR1020140031156A KR20140031156A KR20140114303A KR 20140114303 A KR20140114303 A KR 20140114303A KR 1020140031156 A KR1020140031156 A KR 1020140031156A KR 20140031156 A KR20140031156 A KR 20140031156A KR 20140114303 A KR20140114303 A KR 20140114303A
Authority
KR
South Korea
Prior art keywords
anatomical points
statistical model
points
energy
anatomical
Prior art date
Application number
KR1020140031156A
Other languages
English (en)
Other versions
KR101645292B1 (ko
Inventor
프라빈 굴라카
알렉세이 브로니스라보비치 다니레비치
드미트리 알렉산드로비치 코로브첸코
마하일 니코라에비치 리차코브
마하일 유리에비치 시로텐코
Original Assignee
삼성전자주식회사
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Publication of KR20140114303A publication Critical patent/KR20140114303A/ko
Application granted granted Critical
Publication of KR101645292B1 publication Critical patent/KR101645292B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • 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
    • 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
    • A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving 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
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
    • G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
    • G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
    • G09B23/30—Anatomical models
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed 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
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • 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
    • G06T2207/20124—Active shape model [ASM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/008—Cut plane or projection plane definition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/028—Multiple view windows (top-side-front-sagittal-orthogonal)

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Computational Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Medicinal Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Architecture (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

본 발명은 의료 기기에 관계되며, 특히 의료 영상들의 분석 기술에 관한 것이다. 본 발명은 3차원 의료 영상들의 뷰의 자동 플래닝 방법으로서, 해부학적 지점들의 위치들의 통계 모델의 추정, 해부학적 지점들의 검출 트레이닝을 수행, 관심 영역의 3차원 영상을 획득, 해부학적 지점들의 후보들의 집합의 검출을 수행, 해부학적 지점들의 좌표들의 집합의 검출을 수행, 후보들 중 해부학적 지점들의 최적 구성의 탐색을 수행, 형성된 해부학적 지점들의 구성에 기초하여 시야면의 형성을 수행하고,
상기 통계 모델의 파라미터들의 추정은 3차원 영상들의 마킹된(annotated) 집합을 사용하여 수행되고, 상기 해부학적 지점들의 검출 트레이닝은 손실 함수의 일부인 통계 모델의 에너지를 사용하여 수행되고, 상기 해부학적 지점들의 후보들의 집합의 검출은 위 알고리즘을 사용하여 트레이닝된 해부학적 지점들의 검출부에 의해 수행되고, 상기 해부학적 지점들의 최적 구성의 탐색은 통계 모델의 특정 에너지를 최소화하는 구성의 그리디 반복 탐색 수단에 의해 수행된다.

Description

3차원 의료 영상들에서 2차원 뷰의 자동 플래닝을 위한 방법 및 시스템 {SYSTEM AND METHOD FOR AUTOMATIC PLANNING OF TWO-DIMENSIONAL VIEWS IN 3D MEDICAL IMAGES}
본 발명은 의료 기기에 관한 것으로, 특히 의료 영상들의 분석 기술에 관한 것이다. 구체적으로, 청구된 발명은 3차원 의료 영상들의 2차원 뷰의 자동 플래닝 방법 및 시스템에 관한 것이다.
의사가 진단을 하는데 있어 실제로 관심 있는 영역의 2차원 사진이 종종 필요하다. MRT(magnetic resonance tomograph), CT(computer tomograph) 및 다른 기기와 같은 의료 영상을 위해 현존하는 장치들은 3차원 영상들을 형성할 수 잇다. 그러므로 이들 볼륨들 안에서 의사에 의해 진단을 할 수 있도록 적합한 2차원 뷰를 찾는 것이 필요하다. 관심영역 및 적용되는 디바이스에 따라 주어진 동작은 20분까지 소요될 수 있다(예를 들어, 심장의 MRT). 오랜 시간의 소요(expenditure)에 더하여, 높은 기술을 갖는 의료 인력에 의해 수행되어야 한다는 것이 주어진 절차에 대한 특징이지만, 이러한 경우에도, 두 명의 의사에 의해 만들어진, 동일한 기관의 사진이 다를 수 있다. 따라서, 한 환자가 다른 시간에 찍은 사진의 비교는 복잡할 수 있다.
3차원 영상들에서의 2차원 사진의 자동 플래닝 방법은 지정된 문제들의 해결을 위해 요구된다. 이러한 문제의 해결에 대한 여러 접근들이 작년에 등장했다. 그들은 의료 스캐너의 타입 (토모그래프)(예를 들어, MRT, CT), 스캔된 몸의 부분(뇌, 심장, 척추, 무릎, 어깨), 알고리즘의 타입, 해부학적 지점(포인트)들에 기초하여, 세그멘테이션(segmentation)에 기초하여, 아틀라스(atlas) 및 하이브리드(hybrid)에 기초하여)에 의해 분류될 수 있다.
해부학적 지점들에 기초하는 알고리즘들은 필요로 하는 뷰의 구축을 위한 이정표(milestone)로서 해부학적 지점들을 사용한다. 이러한 경우 뷰의 구축 작업은 이러한 해부학적 지점들의 검색작업으로 귀결된다. 세분화에 기초한 알고리즘들은 해부학적 구조들의 세분화를 수행하고, 그 후에 이 세분화에 기초하여 평면을 형성한다. 지도(아틀라스)에 기초한 알고리즘들은 원하는 부위의 평면이 알려진 일부 아틀라스에 따라 입력 영상의 등록을 수행한다. 하이브리드 알고리즘은 둘 이상의 방법의 조합을 사용한다.
US 특허 출원 2011/020620 [1]은 MRT 사진의 자동 단계별 플래닝 방법을 제시하는데, 시야가 제1 필드를 갖는 제1 검사 영상을 획득, 제1 공간 해상도(spatial resolution), 초기 관심의 영역의 발견 및, 제1 검사 영상에서 적어도 하나의 해부학적 지점의 발견, 제2 검사 영상의 플래닝에 사용되는 제1 영역의 위치 및 오리엔테이션의 검출, 새로운 공간 해상도를 갖는 시야가 제2 필드를 갖는 제2 검사 영상의 획득, 및 상기 새로운 공간 해상도는 제1 공간해상도를 초과하고, 제2 검사 영상을 사용하여 관심 해부 영역의 지오메트리의 플래닝, 플래닝된 지오메트리를 사용하여 관심있는 해부 영역의 진단 사진을 획득하는 단계를 제공한다. 이 방법의 주요한 단점은 여러 사진들을 만들 필요가 있다는 것인데 시간소모가 될 수 있다.
US 특허 7711160은 심장 사진의 획득을 위한 뷰의 최적 평면의 결정 디바이스, 시스템, 방법을 제시하는데, 상기 방법은 축상(axial) 및 관상(coronal) 영상이 시상 영상을 직교하도록 지나는 시상(sagittal), 관상(coronal) 축상(axial) 심장 영상의 집합을 획득하고, 실제로 심장 영상은 중앙 축, 혈액 저장소(bloody depot)를 갖는 좌심실(left ventricle), 혈액 저장소의 에지 및 피크를 포함한다. 상기 방법은 또한 혈액 저장소의 에지들의 맵의 형성 및 중앙 축과 연결된 좌표들의 축의 형성을 위한 맵의 사용을 포함한다. 이 방법의 주요한 단점은 세 직교하는 사진들을 획득하기 위해 심장의 위치에 대한 사전 지식이 필요하다는 것이다. 이 방법은 낮은 비율 신호/잡음을 갖는 낮은 품질로 빨리 찍은 이미지에 대해 동작하기 어려운 에지의 식별 알고리즘에 기초한다.
US 특허 출원 2012/0070074는 포지티브하게 마킹된 예들의 집합을 포함하는 포지티브 트레이닝 집합 및 적어도 하나의 네거티브하게 마킹된 예를 포함하는 네거티브 트레이닝 집합들의 집합을 포함하는 트레이닝 데이터를 수신하는 해부학적 지점들의 검출기의 트레이닝을 위한 방법 및 디바이스를 서술한다. 분류 기능은 포지티브 트레이닝 집합들 및 네거티브 트레이닝 집합들에 기초하여 제1 약한 퀄리파이어의 트레이닝에 의해 개시된다. 모든 트레이닝 예들은 분류 기능에 의해 처리된다. 손실 함수의 값의 그래디언트는 분류 함수에 의해 포지티브로 분류된 각 예들에 대해 공간 문맥 정보에 기초하여 다른 퀄리파이어들의 집합 각각에 대해 계산된다. 남아있는 약한 퀄리파이어 각각과 연관된 그래디언트의 값은 손실 함수의 그래디언트에 기초하여 계산된다. 연관된 그래디언트의 및 집합 가중 파라미터들의 리스트 값을 갖는 위크 퀄리파이어는 그후에 선택되고 이 퀄리파이어는 분류 함수에 추가된다. 이 알고리즘의 주된 단점은 손실 함수의 모든 변화의 표준화를 포함하여, 공간 문맥 정보를 오직 국지적으로 사용한다는 것이다. 해부학적 지점들의 상대적인 글로벌 위치의 사용은 해부학적 지점들의 검출 품질을 향상시킬 수 있다.
청구된 발명의 해결책은 해부학적 지점들의 검출 트레이닝 기간 및 검출된 포인트(지점)들에 기초한 뷰의 구축 기간 모두에서 통계 모델의 최적 적용을 통한 3차원 의료 영상들의 2차원 뷰의 자동 플래닝(planning)의 효율성의 향상이다.
3차원 의료 영상의 뷰의 자동 플래닝의 업그레이드된 방법의 개발로 인한 기술적 결과가 얻어지는데, 다음의 동작의 수행을 제공한다: 해부학적 지점들의 위치의 통계적 모델 추정, 해부학적 지점들의 검출 트레이닝을 수행, 관심 영역의 3차원 영상을 획득, 해부학적 지점의 후보들의 집합의 검출을 수행, 후보들 중 해부학적 지점들의 최적 구성에 대한 탐색을 수행, 검출된 해부학적 지점들의 구성에 기초하여 뷰 평면의 형성을 수행하며, 다음과 같은 특징을 포함한다.
상기 특정 통계 모델의 파라미터들의 추정은 3차원 영상들의 마킹된(annotated) 집합을 사용하여 수행된다;
상기 해부학적 지점들의 검출 트레이닝은 손실 함수의 일부인 특정 통계 모델의 에너지를 사용하여 수행된다.
상기 해부학적 지점들의 후보들의 집합의 검출은 특정 알고리즘을 사용하여 트레이닝된 해부학적 지점들의 검출방법에 의해 수행된다.
상기 해부학적 지점들의 최적 구성의 탐색은 통계 모델의 에너지를 최소화하는 구성의 그리디 반복 탐색에 의해 수행된다.
청구된 방법은 3차원 의료 영상들의 획득 디바이스를 추가로 포함하는 3차원 의료 영상 뷰의 자동 플래닝을 위한 시스템을 사용하도록 구현된다.
해부학적 지점들의 검출부, 파라미터들이 다음과 같이 결정되는 손실 함수를 최소화함으로써 계산된다:
Figure pat00001
여기에서 Y는 3차원 의료 영상의 볼륨의 각 영역에 해당하는 마크들의 집합을 표현하고, 그 좌표들 x∈X에 의해 설정된다; x는 볼륨에서 복셀의 공간적 위치 또는 좌표이다. Q는 각 볼륨 영역에 대한 해부학적 지점들을 검출하는 검출부 출력들의 집합이며, 해부학적 지점들의 검출부의 출력은 해부학적 지점들의 위치들의 업데이팅 블록의 입력된다. yx와 qx는 좌표 x에서의 Y와 Q의 값이다.
청구된 방법에 따라 해부학적 지점들의 최적 구성의 탐색 알고리즘의 구현 능력을 갖는, 해부학적 지점들의 위치위치 업데이팅 블록, 여기에서 해부학적 지점들의 위치위치 업데이팅 블록의 출력은 시야(view)면의 파라미터들의 계산 블록의 입력으로 연결된다.
시야면(뷰 평면)의 파라미터들의 계산 블록은, 목표 시야(target view)의 파라미터들에서 좌표들의 변환 알고리즘의 구현 능력으로 수행된다.
청구된 발명은 해부학적 지점들의 검출에 기초한 방법 및 시스템에 관한 것이다. 요구된 시야에 대한 플래닝은 해부학적 지점들의 기설정된 집합을 관통하는 평면의 좌표의 계산으로 인해 수행된다. 현대적 접근의 대부분은 관심있는 특정 영역에 대응하는 수동으로 마킹된 해부학적 지점들 및 입력 영상들로 구성되는, 일부 트레이닝 데이터베이스 상에서 트레이닝에 의해 획득되는 해부학적 지점들의 검출방법을 사용한다. 그러한 검출은 상당한 수의 잘못된 동작을 제공하는데, 특히 낮은 품질 영상의 프로세싱에서이다. 그러한 잘못된 동작이 일어나는 이유 중 하나로, 트레이닝 샘플은 오직 포지티브 및 네거티브 샘플들로 구성된다. 그러나 실제 영상들에서 해부학적 지점들에 대한 유일한 위치를 결정하기가 쉽지는 않다. 따라서, 포인트의 검출의 잘못된 동작의 트레이닝 동안, 올바른 위치에서 멀리 떨어져 위치한 포인트의 잘못된 동작보다 해부학적 지점의 올바른 위치에 가까운 포인트의 잘못된 동작이 적은 페널티를 받아야 한다. 손실 함수에 평탄 조건을 부가하는, 위에 기술한 일부 접근은 이 문제를 오직 부분적으로 해결한다. 그러나 그러한 접근은 해부학적 지점들 사이의 글로벌 상호 관계를 고려하지 않는다.
이전 해결방법에서 보이는 부가적인 경향은 관심 집합 영역에 대한 데이터에 기초하여 추정되는 (해부학적 지점들의 위치들의 수학적 기대 및 평균-제곱 편차(mean-square deviation)로서) 일부 파라미터들을 포함하는, 통계 모델의 생성으로 구성된다. 나아가 이 모델은 출력들이 모델에 포함되는 영상의 일부 약한 퀄리파이어를 독립적으로 또는 함께 가지는 해부학적 지점들의 위치들의 추정을 위해 사용된다. 이러한 접근은 적은 횟수의 비표준 케이스를 갖는 데이터 프로세싱에서 좋은 효율성을 보여줄 수 있는데, 그들이 평균 결정의 형성을 노리고 약한 퀄리파이어들에 크게 의존하지 않기 때문이다.
일부 접근에서, 더 복잡한 추정 통계학적 모델의 형성으로서 기재된 문제를 극복하기 위한 시도가 이루어지지만 출력의 계산에 관한 복잡한 절차의 어플리케이션을 요구한다.
청구된 발명은 뷰의 자동 플래닝을 위한 기존의 방법 및 시스템과 다음의 차이점을 가진다:
본 발명은 요구된 시야면의 형성을 위해 사용되는, 해부학적 지점들의 후보들의 집합의 검출을 위한 해부학적 지점들의 검출 및 상기 후보들에 기초하여 최적 구성의 탐색을 위한 통계 모델을 사용한다.
특정 통계 모델의 파라미터들은 해부학적 지점들의 검출 트레이닝을 위해 사용되는 트레이닝 샘플로부터 추정된다.
특정 통계 모델은 검출 품질의 향상을 제공하는 해부학적 지점들의 검출 트레이닝에서 사용되는 손실 함수를 포함한다.
손실의 비선형 함수의 국지적 최소값을 탐색하기 위한 패스트-그리디 알고리즘(fast greedy algorithm)은 해부학적 지점들의 후보들의 집합에서 최적 구성을 찾기 위한 목적으로 마지막 단계에서 사용된다.
발명은 임의의 3차원 의료 영상 디바이스와 결합하여 사용될 수 있는데, 예를 들어 MRT, CT 등이며, 해부학적 지점들의 트레이닝된 검출부들의 임의의 타입들과도 결합될 수 있다.
청구된 발명은 다음의 도면과 함께 추가적으로 설명된다.
도 1은 본발명의 일 실시예에 따른 뷰의 자동 플래닝 방법을 개시한다.
도 2는 발명의 데이터 플로우 다이어그램을 표현한다.
도 3은 본 발명에서 사용되는 표준 손실 함수의 경우 및 손실함수의 경우의 에러의 표면의 개략적 일러스트레이션을 표현한다.
도 4는 해부학적 지점들의 최적 구성 탐색의 반복적 그리디 알고리즘을 도시한다.
도 1은 뷰의 플래닝 방법 및 의료 장치를 도시하는 블록 다이어그램이다.
도 2는 도 1의 (a) 상의 블록 다이어그램에 대응하는 데이터 플로우를 기재한다. 방법은 두 개의 중요 부분으로 구분될 수 있다:
파라미터들의 트레이닝 및 추정(스텝 101, 102)은 뷰의 플래닝 절차의 설정 유형을 위해 오직 한번 실행되도록 필요한 예비적 단계이다.
본 발명의 실시예에 따른 뷰의 자동 플래닝 방법은 복수개의 해부학적 지점의 위치에 대한 통계 모델을 추정한다(101 단계).
101 단계에서 추정된 통계 모델을 이용하여 복수개의 해부학적 지점의 검출 트레이닝을 수행한다(102 단계).
관심 영역을 갖는 3차원 영상을 획득한다(103 단계).
복수개의 해부학적 지점의 후보들의 집합을 검출한다(104 단계). 구체적으로, 후보들의 집합은 3차원 영상 내에 존재하는 지점들의 집합이 된다.
104 단계에서 검출된 후보들 중 복수개의 해부학적 지점에 대응되는 구성을 탐색한다(105 단계).
105 단계에서 탐색된 구성에 기초하여 시야면을 형성한다(106 단계).
도 1의 (b)의 본 발명의 실시예에 따른 의료 장치는 영상 획득부(150), 및 검출부(160)를 포함한다. 그리고, 의료 장치는 디스플레이 부(170)를 더 포함할 수 있다.
구체적으로, 해부학적 지점들의 탐지 및 뷰의 플래닝(스텝 103-106) 단계들은 101,102 단계를 반복할 필요 없이 새로운 각각의 3차원 입력 영상의 뷰의 플래닝을 위해 사용된다.
101 단계에서 서로 관련된 해부학적 지점들의 위치를 기술하는 통계적 모델이 설정되고, 이 모델의 파라미터들도 추정된다. 파라미터들의 추정(202)은 이들 영상들에 대응하는 해부학적 지점들의 마킹 및 입력 3차원 영상들의 집합으로 구성되는 트레이닝 샘플(201)을 분석함으로써 수행된다. 해부학적 지점들의 마킹은 3차원 영상의 볼륨(volume) 내에서 해부학적 지점들의 좌표를 설정함으로써 이뤄질 수 있다. 102 단계에서 해부학적 지점들의 검출부(미도시)는 트레이닝 샘플(201) 및 통계적 모델(203)을 사용하는 트레이닝 알고리즘(204)의 평균에 의해 트레이닝된다.
뷰의 플래닝 단계에서, 볼륨을 포함하는 3차원 영상(206)은 시각화 디바이스(103)에 의해 형성된다. 해부학적 지점들의 후보들 중 검출부(104) 가 이용하는 통계 모델에 포함되는 파라미터들(205)은 해부학적 지점들을 검출하기 위한 검출부(207)로 입력된다. 해부학적 지점들 및 통계적 모델의 이러한 집합에 기초하여, 해부학적 지점들(210)의 일부 구성에 해당하는 손실 함수의 국지적 최소값을 탐색하기 위한 반복적 그리디 탐색(209)이 수행된다. 최종 단계에서, 시야면의 좌표들(212)은 검출된 해부학적 지점들에 기초하여 계산된다(211)
통계적 모델. 해부학적 지점들의 공간적 관계들을 고려한 임의의 통계적 모델. 다음의 모델은 청구된 발명의 가능한 실시예들 중 하나에서 사용될 수 있다.
Figure pat00002
(1)
여기에서
Figure pat00003
는 해부학적 지점들의 구성으로 불리우는 해부학적 지점들의 좌표들의 M 벡터들의 집합이다. 여기서, Mx는 해부학적 지점들 각각으로부터의 거리를 나타내는 수학적 기대값을 나타내는 값이다.
Figure pat00004
는 해부학적 지점들 사이의 거리의 공분산(covariance)의 텐서(tensor) 값이다. E는 통계적 모델의 에너지이머, E 값이 작을수록 해부학적 지점들의 구성에 더 잘 대응될 수 있다..
Figure pat00005
는 두 해부학적 지점들의 좌표들의 통계적 등위(coordination)를 측정하는 공간 에너지의 함수이다.
청구된 발명 중 가능한 실시예들 중 하나에서 함수
Figure pat00006
는 다음과 같이 결정될 수 있다:
Figure pat00007
(2)
여기에서
Figure pat00008
및
Figure pat00009
는 해부학적 지점들 X의 구성으로부터 획득되는 3차원 공간에서의 좌표들의 벡터이다. 그리고,
Figure pat00010
는 포인트들 s와 t 사이의 3차원 벡터의 공분산의 반환 행렬(return matrix)인, 포인트 s로부터 포인트 t로의 3-엘리먼트 벡터이다.
해부학적 지점들의 검출부의 트레이닝. 해부학적 지점들의 검출부는 입력 상에 영상의 로컬 영역을 수용하고, 출력 상에 이 영역의 일부 해부학적 지점의 존재 또는 부존재를 나타내는 벡터를 보내는 알고리즘이라 지칭된다. 구체적 구현에 따르면, 주어진 벡터는 주어진 영역이 일부 해부학적 지점을 포함하게 되는 수도(pseudo)-확률을 코딩할 수 있다. 해부학적 지점들의 검출 트레이닝은 언급된 알고리즘의 파라미터들의 해부학적 탐색 프로세스를 표현한다. 해부학적 지점들의 검출 트레이닝의 통상적인 방법은 트레이닝 샘플을 수집하고, 일부 기능의 손실을 최소화하는 최적화 알고리즘을 시작하는 것이다. 트레이닝 샘플은 각 해부학적 지점의 좌표가 이미 알려진 3차원 영상들의 집합을 나타낸다. 이러한 집합에 포함되는 영상에서 해부학적 지점 근처에 위치한 임의의 랜덤 영역은 포지티브 예시로 간주되고, 다른 모든 영역들은 네거티브 예시들의 집합을 형성한다. 손실 함수은 해부학적 지점들을 검출하기 위한 검출부의 실제 출력 값들 및 원하는 출력 값들 사이의 차이에 기초하여 계산된다. 가장 널리 알려진 손실 함수는 MSD (mean-square deviation: 평균-제곱 편차) 및 신뢰성의 네거티브 로그(negative logarithm)이다.
신뢰성의 네거티브 로그는 다음의 표현과 같이 정의된다:
Figure pat00011
(3)
여기에서 y는 영상의 입력 영역이 해부학적 지점을 포함하는 경우의 2진 마크 수취 값이며, 영상의 입력 영상이 해부학적 지점을 포함하면 1 값을 갖고, 포함하지 않는다면 0 값을 갖는다. Q는 0에서 1 사이의 값을 가지며, 주어진 영역이 해부학적 지점을 포함하는 수도-확률을 표현하며, 검출부에 의해서 계산된다.
해부학적 지점들의 검출부의 트레이닝에서 이 손실 함수가 사용될 때의 단점은 잘못 검출된 해부학적 지점에서 실제의 해부학적 지점까지의 거리를 고려할 수 없는 점이다.
이러한 단점의 제거를 위해, 손실 함수의 수정된 버전을 제시한다.
Figure pat00012
(4)
여기에서 Y는 X에 속하는 좌표 x에 의해 정의되는 3차원 의료 영상의 볼륨의 각각의 영역에 대응하는 마크들의 집합이다, Q는 볼륨의 각 영역에 대한 해부학적 지점들을 검출하기 위한 검출기의 출력의 집합이다. 검출된 해부학적 지점들의 집합이 통계적 모델과 덜 일치할수록, 더 큰 값이 손실 함수값이 산출된다. 도 3은 표현 3.1의 사용의 경우 및 표현 3.2의 사용의 경우의 좌표로부터의 손실들의 함수의 값의 의존성의 다이어그램을 도시한다. 도 3에 있어서, x 축은 좌표 값을 나타내며, y 축은 해당 좌표값에서 통계적 모델에 포함되는 손실 함수의 에너지를 뜻한다. 도 3에서 에러의 최소값들(303, 307)은 검출부에 의한 해부학적 지점들의 올바른 검출에 해당한다. 구체적으로, 에러는 통계적 모델의 손실 함수의 값을 나타낼 수 있다. 피크값들(303, 302, 305, 306)은 해부학적 지점들의 실제 위치로부터 근처에 위치한 잘못 탐지된 지점들에 대응한다. 피크들(304, 308)은 해부학적 지점의 실제 위치로부터 멀리 위치한 잘못 탐지된 지점들에 대응한다. 도 3으로부터 수학식 (3)에 의한 손실 함수의 사용의 경우 해부학적 지점의 실제 위치에 근접한 잘못된 감지에 대한 에러의 값(309)이 더 먼 거짓 탐지와 동일하다. 이와 다르게 수학식 (4)에 의한 손실 함수가 사용되는 경우, 해부학적 지점들의 상호 위치들의 글로벌 통계들을 고려하면, 해부학적 지점의 실제 위치로부터 멀리 위치한 포인트(308)의 손실 함수의 값은 310에 근접한 포인트의 그 값보다 크다.
해부학적 지점들의 최적 설정의 탐색. 볼륨의 집합 영역에서 해부학적 지점들의 검출 결과는 이 볼륨에서 m 키 포인트들의 각각의 존재의 수도-확률을 설정하는 m-벡터
Figure pat00013
이다. 해부학적 지점들(104)의 검출 동안 그러한 절차가 볼륨의 모든 포인트들의 집합 또는 그들의 일부 서브셋을 표현할 수 있는 집합
Figure pat00014
로부터의 각각의 포인트에 대해 수행된다. 따라서, m-벡터 Qi는 각 포인트 pi에 응답하여 입력된다. 간단한 경우 해부학적 지점들의 필요한 설정은 m개의 포인트들 벡터 Q에 해당하는 엘리먼트의 최대 값을 갖는
Figure pat00015
로서 결정될 수 있다. 그러나 초기 영상의 품질이 낮은 경우, 표준으로부터 인공적 또는 해부학적 탈선이 있고, 해부학적 지점들의 검출이 잘못 취해질 수 있어서, 해부학적 지점의 주어진 유형에 대한 수도-확률의 최대 값을 갖는 포인트가 이 포인트의 참값으로부터 멀 수 있다.
청구된 발명에서 위의 특정한 문제를 극복하기 위한 목적으로, 상기 통계 모델의 에너지를 최소화하는 설정의 그리디 반복 탐색을 수행하도록 제공된다.
제1 스텝(401)에서, N개의 후보들의 M개의 서브셋들 Sa1..SaM로부터 구성되는 서브셋(Sa)은 각각의 M 해부학적 지점들에 속하는 수도-확률의 최대 값을 가지며, 해부학적 지점들의 후보군들의 집합으로부터 선택된다. 또한 서브셋 Sb는 M개의 최고 후보들 ― 하나가 해부학적 지점들 각각에 대한 ― 로 구성되는 집합 Sa로부터 선택된다. 나아가, xi에 의한 통계 모델의 편미분
Figure pat00016
은 Sb로부터 모든 후보들 xi에 의해 사이클에서 계산된다(402). Sb로부터의 엘리먼트들에 대한 편미분 모듈 중 주어진 엘리먼트에 대한 편미분 모듈이 최대일 경우(404), 내부 사이클은 Sai로부터 모든 xi에 대해 시작된다(405). 다음의 스텝(406)에서 새로운 구성 Sb′은 xi 대신에 Sb에서 xi의 대체에 의해 결정된다. 이 새로운 구성은 통계 모델의 에너지를 계산하는데 사용된다. 이 새로운 구성은 통계 모델의 에너지의 계산에 대해 사용된다; 만약 이 에너지가 구성 Sb(407)에 대한 에너지보다 작은 경우 Sb는 Sb’값으로 할당된다(408). 기술된 프로세스는 일부 집합 정지 기준이 만족될때까지 계속되는데, 예를 들어, 반복의 최대 횟수 또는 편미분 모듈의 최소 값일 수 있다.
최후 단계에서(106) 뷰의 평면(시야면)의 좌표는 해부학적 지점들의 검출된 최적 구성에 기초하여 계산된다.
3차원 의료 영상들에서 뷰의 자동 플래닝을 위한 시스템. 3차원 의료 영상들에서 뷰의 자동 플래닝에 대한 시스템은 도 5에 표현된다. 시스템은 3차원 의료 사진들(501)의 획득 디바이스를 포함하는데, 이는 3차원 영상들을 재형성할 수 있는 MRT, CT 또는 임의의 다른 디바이스들이 될 수 있다. 디바이스로부터의 영상은 위에 기술된 해부학적 지점들의 검출 알고리즘을 구현하는 해부학적 지점들의 검출부(502)에 도달한다. 언급된 해부학적 지점들의 검출부는 상술한 접근방법을 통해 트레이닝된다. 해부학적 지점들의 검출부의 출력은 상술한 해부학적 지점들의 최적 구성의 탐색 알고리즘을 구현하는 해부학적 지점들의 위치들의 업데이팅 블록(503)의 입력에 도달한다. 해부학적 지점들의 위치의 업데이팅 블록의 출력은 타겟 뷰의 파라미터들의 좌표 변환 알고리즘을 구현하는 뷰 평면의 파라미터들의 계산 블록(504)의 입력에 도달한다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 명령들을 포함하는 3차원 의료 영상에서 뷰의 자동 플래닝을 위한 정보 캐리어를 포함할 수 있다. 본 발명에 따른 정보 캐리어는 기록 매체 상에 기입 가능한 타입이며, 캐리어 정보를 가지며, 예를 들어 의료 영상의 파라미터들에 대한 정보를 포함할 수 있다. 이 컴퓨터의 CPU는 해부학적 지점들의 상대적 위치들의 통계적 모델의 파라미터들을 추정하는 명령, 손실 함수의 일부인 통계 모델의 에너지를 사용하여 상기 해부학적 지점들의 검출 트레이닝을 하는 명령, 관심 영역의 3차원 영상을 획득하는 명령, 해부학적 지점들의 검출에 의한 해부학적 지점들의 후보들의 집합을 검출하는 명령, 상기 통계 모델의 에너지를 최소화하는 구성의 그리디 반복 탐색에 의한 해부학적 지점들의 최적 구성을 검출하는 명령, 검출된 해부학적 지점들의 구성에 기초하여 시야면의 좌표들을 계산하는 명령을 수행할 수 있다.
청구된 시스템 및 방법은 MRT, CT, 단광자 방출 컴퓨터 토모그래프, 포토어쿠스틱 토모그래프, 엘라스토그래픽 디바이스 등과 같은 3차원 영상들을 획득할 수 있는 의료 영상의 임의의 디바이스에 적용가능하다. 게다가, 청구된 발명은 의료 영상들의 데이터베이스의 조직 및 영상화의 목적으로 사용될 수 있다.
본 실시 예들에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.
본 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 실시 예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단”, “구성”과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
본 실시 예에서 설명하는 특정 실행들은 예시들로서, 어떠한 방법으로도 기술적 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다.

Claims (15)

  1. 3차원 의료 영상들에서 뷰의 자동 플래닝 방법으로서,
    손실 함수의 에너지를 최소화함으로써 계산되는 파라미터를 가지는 복수개의 해부학적 지점의 위치에 대한 통계 모델을 추정하는 단계;
    상기 추정된 통계 모델을 이용하여 상기 복수개의 해부학적 지점의 검출 트레이닝을 수행하는 단계;
    관심 영역을 갖는 3차원 영상을 획득하는 단계;
    상기 3차원 영상 내에 포함되는 상기 복수개의 해부학적 지점에 대한 후보들의 집합의 검출하는 단계;
    상기 후보들 중 상기 복수개의 해부학적 지점에 대응되는 구성을 탐색하는 단계;
    상기 탐색된 구성에 기초하여 시야면을 형성하는 단계를 포함하는,
    3차원 의료 영상들에서 뷰의 자동 플래닝 방법
  2. 제 1항에 있어서, 상기 통계 모델을 추정하는 단계는 상기 3차원 영상들의 마킹된(annotated) 집합을 이용하여 수행하되는 것을 특징으로 하는
    3차원 의료 영상들에서 뷰의 자동 플래닝 방법
  3. 제 1항에 있어서, 상기 검출 트레이닝을 수행하는 단계는
    상기 손실 함수에 포함되는 상기 통계 모델의 에너지를 사용하여 수행되는,
    3차원 의료 영상들에서 뷰의 자동 플래닝 방법
  4. 제 1항에 있어서,
    상기 해부학적 지점들의 후보들의 집합의 검출은 상기 알고리즘을 사용하여 트레이닝된 해부학적 지점들의 검출에 의해 수행되는,
    3차원 의료 영상들에서 뷰의 자동 플래닝 방법
  5. 제 1항에 있어서,
    상기 해부학적 지점들의 최적 구성의 탐색은 상기 통계 모델의 에너지를 최소화하는 구성의 그리디 반복 탐색에 의해 수행되는,
    3차원 의료 영상들에서의 뷰의 자동 플래닝 방법.
  6. 청구항 3항에 있어서, 상기 통계 모델을 형성하는 상기 손실 함수의 에너지는,
    A.
    Figure pat00017
    로서 결정되고,
    B. 여기에서
    Figure pat00018
    는 해부학적 지점들의 구성으로 지칭되는 해부학적 지점들의 좌표 벡터들의 M개의 집합이고, Mx는 해부학적 지점들 서로로부터의 거리의 수학적 기대값이고,
    Figure pat00019
    는 해부학적 지점들 사이의 거리의 공분산의 텐서이고, E는 모델과 더 잘 매칭되는 해부학적 지점들의 구성에 대응하는 더 작은 값들인 통계 모델의 에너지이고,
    Figure pat00020
    는 두 해부학적 지점들의 좌표의 통계적 조정을 측정하는 공간 에너지의 함수인,
    3차원 의료 영상들에서의 뷰의 자동 플래닝 방법.
  7. 제 6항에 있어서, 상기 공간 에너지는,
    Figure pat00021
    로서 결정되고, 여기에서 Xs 및 Xt는 해부학적 지점들 X의 구성으로부터 얻어지는 3차원 공간의 좌표 벡터들이고,
    Figure pat00022
    는 포인트 s와 t 사이의 3차원 벡터들의 공분산의 행렬을 반환하는 포인트 s로부터 포인트 t까지의 3-엘리먼트 벡터인,
    3차원 의료 영상들에서의 뷰의 자동 플래닝 방법.
  8. 1항에 있어서,
    상기 해부학적 지점들의 검출 파라미터들은 다음과 같이 결정되는 함수의 최소화에 의해 계산되며,
    A.
    Figure pat00023

    B. 여기에서 Y는 볼륨의 각 영역에 해당하는 마크들의 집합을 표현하고, 그 좌표들 x∈X에 의해 설정되며, Q는 각 볼륨 영역에 대한 해부학적 지점들의 검출의 출력들의 집합인,
    3차원 의료 영상들에서의 뷰의 자동 플래닝 방법.
  9. 제 5항에 있어서,
    상기 통계 모델의 에너지를 최소화하는 구성의 상기 그리디 반복 탐색은,
    M개의 해부학적 지점들 각각에 대한 N개의 최선 후보들의 M개의 서브셋들 Sa1..SaM 로 구성되는 집합 Sa를 선택하는 단계;
    집합 Sa로부터의 M개의 최선 후보들 중 서브셋 Sb를 선택하는 단계;
    각 엘리먼트들 Sb의 좌표에 의한 통계 모델의 에너지의 편미분을 계산하는 단계;
    상기 통계 모델의 에너지의 값을 최소화하는 Sai 내의 엘리먼트 xj를 탐색하는 단계를 포함하는,
    3차원 의료 영상들에서의 뷰의 자동 플래닝 방법.
  10. 3차원 의료 영상들에서 뷰의 자동 플래닝을 위한 의료 장치로서,
    3차원 의료 영상들을 획득하는 영상 획득부;
    이하의 [수학식 1]에 의해 결정되는 손실 함수의 에너지를 최소화함으로써 계산되는 파라미터를 갖는 통계 모델을 이용하여, 해부학적 지점들을 검출하는 검출부;
    상기 해부학적 지점들의 최적 구성의 탐색 알고리즘을 실행하여 해부학적 지점들을 업데이트하는 업데이팅 블록; 및
    타겟 뷰의 파라미터들을 좌표 변환 알고리즘에 적용하여 시야면의 파라미터들을 획득하는 계산 블록을 더 포함하며,
    [수학식 1]
    Figure pat00024
    에서,
    상기 Y는 상기 3차원 의료 영상의 볼륨의 각 영역에 해당하는 마크들의 집합을 나타내고, L 함수 값이 누적 계수되는 범위는 좌표들 x∈X에 의해 정해지고, Q는 상기 볼륨의 각 영역에 대한 해부학적 지점들을 검출하는 검출부의 출력의 집합이고,
    Figure pat00025
    는 통계 모델의 에너지이고,
    상기 검출부의 출력은 상기 해부학적 지점들의 위치를 상기 업데이팅 블록의 입력에 전달하며,
    상기 해부학적 지점들의 위치들의 업데이팅 블록의 출력은 상기 시야면의 파라미터들의 계산 블록에 입력되는,
    3 차원 의료 영상들에서 뷰의 자동 플래닝을 위한 시스템.
  11. 컴퓨터에 의해 실행되는 명령들을 포함하는 3차원 의료 영상에서 뷰의 자동 플래닝을 위한 정보 캐리어로서,
    상기 컴퓨터의 CPU는,
    해부학적 지점들의 상대적 위치들의 통계적 모델의 파라미터들을 추정하는 명령;
    손실 함수의 일부인 통계 모델의 에너지를 사용하여 상기 해부학적 지점들의 검출 트레이닝을 하는 명령;
    관심 영역의 3차원 영상을 획득하는 명령;
    해부학적 지점들의 검출에 의한 해부학적 지점들의 후보들의 집합을 검출하는 명령;
    상기 통계 모델의 에너지를 최소화하는 구성의 그리디 반복 탐색에 의한 해부학적 지점들의 최적 구성을 검출하는 명령; 및
    검출된 해부학적 지점들의 구성에 기초하여 시야면의 좌표들을 계산하는 명령을 수행하는,
    3차원 의료 영상에서 뷰의 자동 플래닝을 위한 정보 캐리어.
  12. 청구항 11항에 있어서,
    상기 통계 모델의 에너지는 다음과 같이 결정되며,
    A.
    Figure pat00026

    B. 여기에서
    Figure pat00027
    는 해부학적 지점들의 구성으로 지칭되는 해부학적 지점들의 좌표 벡터들의 M개의 집합이고, Mx는 해부학적 지점들 서로간의 거리의 수학적 기대값이고,
    Figure pat00028
    는 해부학적 지점들 사이의 거리의 공분산의 텐서이고, E는 모델과 더 잘 매칭되는, 해부학적 지점들의 구성에 대응하는 더 작은 값들인 통계 모델의 에너지이고,
    Figure pat00029
    는 두 해부학적 지점들의 좌표의 통계적 조정을 측정하는 공간 에너지의 함수인,
    3차원 의료 영상에서 뷰의 자동 플래닝을 위한 정보 캐리어.
  13. 청구항 12항에 있어서,
    상기 공간 에너지는 다음과 같이 결정되고,
    A.
    Figure pat00030

    B. 여기에서 Xs 및 Xt는 3차원 공간에서의 좌표 벡터들이고, 해부학적 지점들 X의 구성으로부터 얻어지고,
    Figure pat00031
    는 포인트 s와 t 사이의 3차원 벡터들의 공분산의 행렬을 반환하는, 포인트 s로부터 포인트 t로의 3-엘리먼트 벡터인,
    3차원 의료 영상에서 뷰의 자동 플래닝을 위한 정보 캐리어.
  14. 청구항 11항에 있어서,
    상기 해부학적 지점들의 검출부의 파라미터들은 다음과 같이 결정되는 함수의 최소화에 의해 계산되며,
    A.
    Figure pat00032

    B. 여기에서 Y는 볼륨의 각 영역에 해당하는 마크들의 집합을 표현하고, 그 좌표들 x∈X에 의해 설정되며, Q는 각 볼륨 영역에 대한 해부학적 지점들의 검출의 출력들의 집합인,
    3차원 의료 영상에서 뷰의 자동 플래닝을 위한 정보 캐리어.
  15. 청구항 12항에서,
    상기 통계 모델에서 상기 에너지를 최소화하는 구성의 상기 그리디 반복 탐색은,
    M개의 해부학적 지점들 각각에 대한 N개의 최선 후보들의 M개의 서브셋들 Sa1..SaM 로 구성되는 집합 Sa를 선택하는 단계;
    집합 Sa로부터 M개의 최선 후보들 중 서브셋 Sb를 선택하는 단계;
    각 엘리먼트들 Sb의 좌표들에 의한 통계 모델의 에너지의 편미분을 계산하는 단계;
    통계 모델의 에너지의 값을 최소화하는 Sai 내의 엘리먼트 xj를 탐색하는 단계를 포함하는,
    3차원 의료 영상에서 뷰의 자동 플래닝을 위한 정보 캐리어.
KR1020140031156A 2013-03-18 2014-03-17 3차원 의료 영상들에서 2차원 뷰의 자동 플래닝을 위한 방법 및 시스템 KR101645292B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2013111934/08A RU2526752C1 (ru) 2013-03-18 2013-03-18 Система и способ для автоматического планирования двухмерных видов в объемных медицинских изображениях
RU2013111934 2013-03-18

Publications (2)

Publication Number Publication Date
KR20140114303A true KR20140114303A (ko) 2014-09-26
KR101645292B1 KR101645292B1 (ko) 2016-08-03

Family

ID=50389808

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140031156A KR101645292B1 (ko) 2013-03-18 2014-03-17 3차원 의료 영상들에서 2차원 뷰의 자동 플래닝을 위한 방법 및 시스템

Country Status (4)

Country Link
US (1) US9355449B2 (ko)
EP (1) EP2784749A1 (ko)
KR (1) KR101645292B1 (ko)
RU (1) RU2526752C1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3071108A1 (en) * 2013-11-18 2016-09-28 Koninklijke Philips N.V. One or more two dimensional (2d) planning projection images based on three dimensional (3d) pre-scan image data
CN104398272B (zh) 2014-10-21 2017-09-19 无锡海斯凯尔医学技术有限公司 选择检测区域的方法及装置及弹性检测系统
KR101636876B1 (ko) 2014-11-03 2016-07-06 삼성전자주식회사 의료 영상 처리 장치 및 방법
EP3559903B1 (en) 2016-12-23 2023-03-22 HeartFlow, Inc. Machine learning of anatomical model parameters
KR101783172B1 (ko) 2017-04-12 2017-09-28 국방과학연구소 탄환의 인체 관통 손상도 분석 장치 및 그 방법과 이를 이용한 스마트 총기 제어 장치
US11126914B2 (en) * 2017-10-11 2021-09-21 General Electric Company Image generation using machine learning
US11928824B2 (en) * 2021-09-13 2024-03-12 International Business Machines Corporation Three-dimensional segmentation annotation
CN114626167B (zh) * 2022-01-14 2024-04-26 上海品览数据科技有限公司 一种暖通专业采暖平面图中地暖的自动敷设方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090060396A1 (en) * 2007-08-30 2009-03-05 Xerox Corporation Features generation and spotting methods and systems using same
US20120070074A1 (en) * 2010-09-22 2012-03-22 Siemens Corporation Method and System for Training a Landmark Detector using Multiple Instance Learning

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7711160B2 (en) * 2003-05-28 2010-05-04 Siemens Medical Solutions Usa, Inc. Automatic optimal view determination for cardiac acquisitions
CN102203630B (zh) 2008-11-05 2014-07-02 皇家飞利浦电子股份有限公司 Mr扫描的自动顺序规划
JP5575491B2 (ja) 2010-01-14 2014-08-20 株式会社東芝 医療画像診断装置
US8948484B2 (en) * 2010-11-11 2015-02-03 Siemens Corporation Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090060396A1 (en) * 2007-08-30 2009-03-05 Xerox Corporation Features generation and spotting methods and systems using same
US20120070074A1 (en) * 2010-09-22 2012-03-22 Siemens Corporation Method and System for Training a Landmark Detector using Multiple Instance Learning

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Optimal Scan planning with Statistical Shape Modeling of the Levator Ani, Medical Image Computing and Computer Assisted Intervention, MICCAI 2003(2003)* *
Statistical shape models for 3D medical image segmentation: A review, Heimann T et al, Medical Image Analysis Volume13, Issue4 (2009) *

Also Published As

Publication number Publication date
US9355449B2 (en) 2016-05-31
EP2784749A1 (en) 2014-10-01
RU2526752C1 (ru) 2014-08-27
US20140270433A1 (en) 2014-09-18
KR101645292B1 (ko) 2016-08-03

Similar Documents

Publication Publication Date Title
KR101645292B1 (ko) 3차원 의료 영상들에서 2차원 뷰의 자동 플래닝을 위한 방법 및 시스템
CN109102490B (zh) 自动图像注册质量评估
US10318839B2 (en) Method for automatic detection of anatomical landmarks in volumetric data
WO2018208927A1 (en) Systems and methods for anatomic structure segmentation in image analysis
US10679325B2 (en) Machine learning model for automatic image registration quality assessment and correction
JP2007054636A (ja) イメージの対を位置合わせする方法およびコンピュータによって実行される命令からなるプログラムを具現化して該方法を実施するプログラム記憶装置
CN113168912B (zh) 使用深度学习确定3d数据集中对象的增长速度
US10706534B2 (en) Method and apparatus for classifying a data point in imaging data
US9542741B2 (en) Method and system for automatic pelvis unfolding from 3D computed tomography images
WO2020110774A1 (ja) 画像処理装置、画像処理方法、及びプログラム
WO2020097100A1 (en) Systems and methods for semi-automatic tumor segmentation
US20200327661A1 (en) Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof
EP4156096A1 (en) Method, device and system for automated processing of medical images to output alerts for detected dissimilarities
Liang et al. Dense networks with relative location awareness for thorax disease identification
CN110517300A (zh) 基于局部结构算子的弹性图像配准算法
Tan et al. Automatic localization of the left ventricular blood pool centroid in short axis cardiac cine MR images
CN112529900A (zh) 匹配乳腺图像中roi的方法、装置、终端与存储介质
Marinelli et al. Registration of myocardial PET and SPECT for viability assessment using mutual information
Ruppertshofen et al. Multi-level approach for the discriminative generalized hough transform
Valizadeh et al. Parametric-based feature selection via spherical harmonic coefficients for the left ventricle myocardial infarction screening
CN115527655A (zh) 提供第二结果数据集的方法、系统和计算机可读存储介质
WO2014106747A1 (en) Methods and apparatus for image processing
Alam et al. Quantitative evaluation of intrinsic registration methods for medical images
CN103955610A (zh) 一种医学影像计算机辅助分析方法
US20230005136A1 (en) Determining a location at which a given feature is represented in medical imaging data

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190627

Year of fee payment: 4