RU2014134899A - Автоматизированное обнаружение рисковой области с использованием количественного т1 картирования - Google Patents

Автоматизированное обнаружение рисковой области с использованием количественного т1 картирования Download PDF

Info

Publication number
RU2014134899A
RU2014134899A RU2014134899A RU2014134899A RU2014134899A RU 2014134899 A RU2014134899 A RU 2014134899A RU 2014134899 A RU2014134899 A RU 2014134899A RU 2014134899 A RU2014134899 A RU 2014134899A RU 2014134899 A RU2014134899 A RU 2014134899A
Authority
RU
Russia
Prior art keywords
image
medical imaging
tissue
image data
classified
Prior art date
Application number
RU2014134899A
Other languages
English (en)
Other versions
RU2626869C2 (ru
Inventor
Тобиас Ратко ВОИГТ
Андреа Джейн ВИТОФФ
Original Assignee
Конинклейке Филипс Н.В.
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 Конинклейке Филипс Н.В. filed Critical Конинклейке Филипс Н.В.
Publication of RU2014134899A publication Critical patent/RU2014134899A/ru
Application granted granted Critical
Publication of RU2626869C2 publication Critical patent/RU2626869C2/ru

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06T7/10—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
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-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
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2012—Colour editing, changing, or manipulating; Use of colour codes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

1. Система медицинской визуализации (5), которая содержит:хранилище (12) данных, которое содержит первое изображение и второе изображение, причем каждое изображение взаимно совмещается и оно имеет отличающийся контраст, первое изображение содержит первый набор данных изображения и второе изображение содержит второй набор данных изображения;классификационный модуль (22), который классифицирует тип ткани на основе кластеризации пар измеренного значения соответствующих вокселей первого и второго изображений, причем каждая пара измеренного значения содержит одно значение из первого набора данных изображения и одно значение из второго набора данных изображения для соответствующего вокселя;сегментатор, который присваивает тип ткани каждому вокселю диагностического изображения соответствующей области визуализации первому и второму изображениям на основе классифицированных пар измеренного значения; иустройство (32) отображения, которое отображает диагностическое изображение, которое содержит объем классифицированных типов тканей, каждый классифицированный тип ткани изображен отличающимся контрастным цветом.2. Система медицинской визуализации (5) по п. 1, в которой классификационный модуль содержит процессор, запрограммированный для того, чтобы:относить принадлежность каждой пары измеренных значений кластеру на основе алгоритма нечетких c-средних (FCM), причемкаждый кластер соответствует одному из типов тканей.3. Система медицинской визуализации (5) по п. 1, в которой первое и второе изображения создаются на одном и том же устройстве визуализации (10).4. Система медицинской визуализации (5) по п. 1, в которой устройство визуализации (10) соде

Claims (20)

1. Система медицинской визуализации (5), которая содержит:
хранилище (12) данных, которое содержит первое изображение и второе изображение, причем каждое изображение взаимно совмещается и оно имеет отличающийся контраст, первое изображение содержит первый набор данных изображения и второе изображение содержит второй набор данных изображения;
классификационный модуль (22), который классифицирует тип ткани на основе кластеризации пар измеренного значения соответствующих вокселей первого и второго изображений, причем каждая пара измеренного значения содержит одно значение из первого набора данных изображения и одно значение из второго набора данных изображения для соответствующего вокселя;
сегментатор, который присваивает тип ткани каждому вокселю диагностического изображения соответствующей области визуализации первому и второму изображениям на основе классифицированных пар измеренного значения; и
устройство (32) отображения, которое отображает диагностическое изображение, которое содержит объем классифицированных типов тканей, каждый классифицированный тип ткани изображен отличающимся контрастным цветом.
2. Система медицинской визуализации (5) по п. 1, в которой классификационный модуль содержит процессор, запрограммированный для того, чтобы:
относить принадлежность каждой пары измеренных значений кластеру на основе алгоритма нечетких c-средних (FCM), причем
каждый кластер соответствует одному из типов тканей.
3. Система медицинской визуализации (5) по п. 1, в которой первое и второе изображения создаются на одном и том же устройстве визуализации (10).
4. Система медицинской визуализации (5) по п. 1, в которой устройство визуализации (10) содержит, по меньшей мере, одно из: магнитного резонанса (МР); однофотонной эмиссионной компьютерной томографии (ОФЭКТ); позитронно-эмиссионной томографии (ПЭТ); и рентгеновской компьютерной томографии (КТ).
5. Система медицинской визуализации (5) по п. 1, в которой первое изображение контрастно сопоставляет первый здоровый тип ткани со вторым здоровым типом ткани, который содержит рисковые типы тканей, а второе изображение контрастно сопоставляет первый здоровый тип ткани, который содержит рисковые типы тканей, со вторым здоровым типом ткани, который отличается от первого здорового типа ткани.
6. Система медицинской визуализации (5) по п. 5, в которой контрастно сопоставленная здоровая ткань включает в себя одно из крови и здорового миокарда.
7. Система медицинской визуализации (5) по п. 1, в которой классификационный модуль классифицирует три или больше типов тканей.
8. Система медицинской визуализации (5) по п. 1, в которой классификационный модуль (22) классифицирует ткани, включая в себя кровь, здоровый миокард, инфаркт и серую зону.
9. Система медицинской визуализации (5) по п. 1, которая дополнительно содержит:
аналитический блок (24), который вычисляет объем, по меньшей мере, одного классифицированного типа ткани; и
где устройство отображения отображает объем, вычисленный для классифицированного типа ткани.
10. Система медицинской визуализации (5) по любому одному из пп. 1-9, в которой дисплей (32) включает в себя отображение измеренного объема типа ткани с повышенным риском.
11. Способ медицинской визуализации, который включает в себя этапы, на которых:
получают (40) первое изображение, содержащее первый набор данных изображения;
получают (42) второе изображение, содержащее второй набор данных изображения с контрастом, отличным от первого изображения;
взаимно совмещают (44) изображения;
создают (46) пар измеренного значения контраста соответствующих вокселей из первого и второго изображений, причем каждая пара измеренного значения содержит одно значение из первого набора данных изображения и одно значение из второго набора данных изображения для соответствующего вокселя;
относят (48) принадлежность пар измеренного значения к кластерам, каждый из которых классифицирует тип ткани;
присваивают классифицированный тип ткани каждому вокселю диагностического изображения соответствующей визуализированной области с использованием первого и второго изображений на основе классифицированного типа ткани каждой кластеризованной пары измеренного значения;
отображают (50) диагностическое изображение, на котором каждый классифицированный тип ткани изображен отличающимся контрастом или цветом.
12. Способ медицинской визуализации по п. 11, в котором при отнесении (48) принадлежности пар измеренного значения к кластерам используют алгоритм нечетких c-средних (FCM).
13. Способ медицинской визуализации по п. 11, в котором первое и второе изображение генерируются на одном и том же устройстве визуализации и по существу взаимно совмещаются.
14. Способ медицинской визуализации по п. 11, в котором устройство визуализации (10) содержит, по меньшей мере, одно из: магнитного резонанса (МР); однофотонной эмиссионной компьютерной томографии (ОФЭКТ); позитронно-эмиссионной томографии (ПЭТ); и рентгеновской компьютерной томографии (КТ).
15. Способ медицинской визуализации по п. 11, который дополнительно включает в себя этапы, на которых:
отображают (52) кластеризованные пары измеренного значения на диаграмме рассеивания пар измеренного значения,
контрастно сопоставляют каждую пару измеренного значения по принадлежности кластеру.
16. Способ медицинской визуализации по п. 11, в котором классифицированные типы тканей включают в себя кровь, здоровый миокард, инфаркт и серую зону.
17. Способ медицинской визуализации по любому одному из пп. 11-16, который дополнительно включает в себя этапы, на которых:
вычисляют (48) объем выбранного классифицированного типа ткани на диагностическом изображении; и в котором отображение
дополнительно включает в себя:
отображение вычисленного объема выбранного классифицированного типа ткани.
18. Невременный машиночитаемый носитель, который несет программное обеспечение, которое управляет одним или несколькими процессорами для того, чтобы осуществлять любое одно по пп. 1-17.
19. Система, которая содержит:
один или несколько процессоров, запрограммированных для того, чтобы осуществлять способ по любому одному из пп. 11-18.
20. Система обработки изображений, которая содержит:
процессор, который запрограммирован для того, чтобы:
генерировать пары значения контраста из соответствующих вокселей первого и второго изображений с различными характеристиками контраста, причем первое изображение содержит первый набор данных изображения и второе изображение содержит второй набор данных изображения, каждая пара измеренного значения содержит одно значение из первого набора данных изображения и одно значение из второго набора данных изображения для соответствующего вокселя:
группировать пары значений контраста в кластеры, соответствующие каждому из множества типов тканей; и
определять тип ткани каждого вокселя на основе кластера, в который его группировали.
RU2014134899A 2012-01-27 2013-01-22 Автоматизированное обнаружение рисковой области с использованием количественного т1 картирования RU2626869C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201261591412P 2012-01-27 2012-01-27
US61/591,412 2012-01-27
PCT/IB2013/050543 WO2013111051A1 (en) 2012-01-27 2013-01-22 Automated detection of area at risk using quantitative t1 mapping

Publications (2)

Publication Number Publication Date
RU2014134899A true RU2014134899A (ru) 2016-03-20
RU2626869C2 RU2626869C2 (ru) 2017-08-02

Family

ID=47747731

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2014134899A RU2626869C2 (ru) 2012-01-27 2013-01-22 Автоматизированное обнаружение рисковой области с использованием количественного т1 картирования

Country Status (7)

Country Link
US (1) US9547942B2 (ru)
EP (1) EP2807633B1 (ru)
JP (1) JP6214563B2 (ru)
CN (1) CN104094314B (ru)
BR (1) BR112014018076A8 (ru)
RU (1) RU2626869C2 (ru)
WO (1) WO2013111051A1 (ru)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6132653B2 (ja) * 2013-05-08 2017-05-24 東芝メディカルシステムズ株式会社 画像処理装置及び磁気共鳴イメージング装置
WO2015069824A2 (en) * 2013-11-06 2015-05-14 Lehigh University Diagnostic system and method for biological tissue analysis
CN104881865B (zh) * 2015-04-29 2017-11-24 北京林业大学 基于无人机图像分析的森林病虫害监测预警方法及其系统
US10466326B2 (en) * 2015-05-15 2019-11-05 Stc. Unm Quantitative [Fe]-MRI (femri) of anti-PSMA-conjugated SPIONs based on PSMA expression levels
CN108140117B (zh) * 2015-08-25 2022-06-07 皇家飞利浦有限公司 组织微阵列分析
JP6326034B2 (ja) * 2015-12-11 2018-05-16 安西メディカル株式会社 キセノンｃｔ装置
JP6506422B2 (ja) * 2016-02-05 2019-04-24 株式会社日立製作所 医用画像診断支援装置、および、磁気共鳴イメージング装置
US10695134B2 (en) 2016-08-25 2020-06-30 Verily Life Sciences Llc Motion execution of a robotic system
EP3373247A1 (en) * 2017-03-09 2018-09-12 Koninklijke Philips N.V. Image segmentation and prediction of segmentation
EP3379281A1 (en) * 2017-03-20 2018-09-26 Koninklijke Philips N.V. Image segmentation using reference gray scale values
EP3477324A1 (en) * 2017-10-31 2019-05-01 Pie Medical Imaging BV Improving left ventricle segmentation in contrast-enhanced cine mri datasets
US11344374B2 (en) * 2018-08-13 2022-05-31 Verily Life Sciences Llc Detection of unintentional movement of a user interface device
TWI758950B (zh) * 2020-11-13 2022-03-21 大陸商昆山瑞創芯電子有限公司 應用於顯示面板的校準方法及校準裝置
CN118022200A (zh) * 2022-11-11 2024-05-14 中硼(厦门)医疗器械有限公司 治疗计划系统、重叠自动检查方法及治疗计划的制定方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60165945A (ja) * 1984-02-10 1985-08-29 株式会社日立製作所 画像処理方式
CN1261259A (zh) * 1997-05-23 2000-07-26 卡罗莱纳心脏研究所 电子成像和治疗系统
US6205349B1 (en) 1998-09-29 2001-03-20 Siemens Medical Systems, Inc. Differentiating normal living myocardial tissue, injured living myocardial tissue, and infarcted myocardial tissue in vivo using magnetic resonance imaging
US6842638B1 (en) * 2001-11-13 2005-01-11 Koninklijke Philips Electronics N.V. Angiography method and apparatus
US20040218794A1 (en) * 2003-05-01 2004-11-04 Yi-Hsuan Kao Method for processing perfusion images
US7480412B2 (en) * 2003-12-16 2009-01-20 Siemens Medical Solutions Usa, Inc. Toboggan-based shape characterization
WO2007107931A2 (en) 2006-03-17 2007-09-27 Koninklijke Philips Electronics N.V. Combining magnetic resonance images
US10098563B2 (en) 2006-11-22 2018-10-16 Toshiba Medical Systems Corporation Magnetic resonance imaging apparatus
US8086297B2 (en) 2007-01-31 2011-12-27 Duke University Dark blood delayed enhancement magnetic resonance viability imaging techniques for assessing subendocardial infarcts
US9395431B2 (en) * 2008-05-01 2016-07-19 Sunnybrook Health Sciences Center Multi-contrast delayed enhancement cardiac magnetic resonance imaging
CN101916443B (zh) * 2010-08-19 2012-10-17 中国科学院深圳先进技术研究院 Ct图像的处理方法及系统
CN102004917B (zh) * 2010-12-17 2012-04-18 南方医科大学 一种图像边缘近邻描述特征算子的提取方法

Also Published As

Publication number Publication date
JP6214563B2 (ja) 2017-10-18
RU2626869C2 (ru) 2017-08-02
JP2015510412A (ja) 2015-04-09
US9547942B2 (en) 2017-01-17
EP2807633B1 (en) 2018-08-22
CN104094314A (zh) 2014-10-08
US20150213652A1 (en) 2015-07-30
WO2013111051A1 (en) 2013-08-01
BR112014018076A2 (ru) 2017-06-20
BR112014018076A8 (pt) 2017-07-11
CN104094314B (zh) 2018-06-08
EP2807633A1 (en) 2014-12-03

Similar Documents

Publication Publication Date Title
RU2014134899A (ru) Автоматизированное обнаружение рисковой области с использованием количественного т1 картирования
JP7183265B2 (ja) 人工知能による解剖学的ランドマークのローカライゼーション
US9600877B2 (en) Quantitative imaging
US20110124976A1 (en) Model enhanced imaging
CN104885126B (zh) 感兴趣组织的计算机辅助识别
US10275946B2 (en) Visualization of imaging uncertainty
JP6345881B2 (ja) 画像データ用のテクスチャ解析マップ
JP2017534316A (ja) 画像レポート注釈同定
CN110023999A (zh) 发射和透射断层摄影中的交互式目标超快重建
US10430947B2 (en) Correspondence probability map driven visualization
US9466145B2 (en) Identification of vascular territories
Neelapu et al. The reliability of different methods of manual volumetric segmentation of pharyngeal and sinonasal subregions
KR20150080820A (ko) 관심 영역 표시 장치 및 방법
JP6257949B2 (ja) 画像処理装置および医用画像診断装置
US11416994B2 (en) Method and system for detecting chest x-ray thoracic diseases utilizing multi-view multi-scale learning
US8873817B2 (en) Processing an image dataset based on clinically categorized populations
US11636589B2 (en) Identification of candidate elements in images for determination of disease state using atlas elements
Hachaj et al. Segmentation and visualization of tubular structures in computed tomography angiography
WO2022137855A1 (ja) 情報処理装置、方法およびプログラム

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20210123