RU2633916C1 - Способ и система для количественной оценки сегментации изображения - Google Patents

Способ и система для количественной оценки сегментации изображения Download PDF

Info

Publication number
RU2633916C1
RU2633916C1 RU2014153520A RU2014153520A RU2633916C1 RU 2633916 C1 RU2633916 C1 RU 2633916C1 RU 2014153520 A RU2014153520 A RU 2014153520A RU 2014153520 A RU2014153520 A RU 2014153520A RU 2633916 C1 RU2633916 C1 RU 2633916C1
Authority
RU
Russia
Prior art keywords
adaptation
image
medical image
quality
metric
Prior art date
Application number
RU2014153520A
Other languages
English (en)
Inventor
Любомир Георгиев ЗАГОРЧЕВ
Стюарт ЯНГ
Кристофер Стефен ХОЛЛ
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.
Application granted granted Critical
Publication of RU2633916C1 publication Critical patent/RU2633916C1/ru

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Signal Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

Группа изобретений относится к медицинской технике, а именно к средствам определения объема и формы отклонений в конкретных областях головного мозга. Способ количественной оценки сегментации изображения содержит прием медицинского изображения физической структуры пациента, прием адаптированной сеточной модели физической структуры для медицинского изображения, определение количественного параметра изображения на основе значений интенсивности медицинского изображения в каждой из множества вершин адаптированной сеточной модели и объединение множества количественных параметров изображений для определения метрики качества адаптации. Система для осуществления способа содержит память и процессор, определяющий количественный параметр изображения на основе значений интенсивности медицинского изображения в каждой из множества вершин адаптированной сеточной модели и объединяющий множество количественных параметров изображения для определения метрики качества адаптации. Система снабжена постоянным машиночитаемым носителем данных. Использование изобретений позволяет расширить арсенал технических средств оценки сегментации изображения. 3 н. и 12 з.п. ф-лы, 4 ил.

Description

Способность быстро определять объем и форму отклонений в конкретных областях головного мозга имеет решающее значение для научно-исследовательских программ с участием пациентов с неврологическими и психологическими расстройствами, такими как болезнь Альцгеймера, травматическое повреждение мозга и посттравматическое стрессовое расстройство («ПТСР»), и в выявлении пациентов, подверженных риску таких нарушений. Такие отклонения могут быть определены с помощью деформируемой модели мозга с подчиненной ограничениям формой, которая может выявить тонкие изменения в структуре областей мозга с известной предрасположенностью к повреждению, в сравнении с аналогичными данными, полученными от здоровых пациентов контрольной группы. Деформируемая модель мозга может быть адаптирована к изображениям магнитно-резонансной томографии пациента («МРТ») и может сегментировать изображения в ряд подкорковых структур. Однако для того, чтобы быть подходящим способом для исследования и/или терапии, это должно быть способно осуществляться эффективно.
Примерный вариант осуществления описывается в настоящем документе в отношении способа приема медицинского изображения, приема адаптации модели физической структуры, адаптации, относящейся к медицинскому изображению, определения количественного параметра изображения медицинского изображения в каждой из множества вершин адаптации и объединения множества количественных параметров изображений для определения метрики оценки.
Другой примерный вариант осуществления описывается в настоящем документе в отношении системы, имеющей память, хранящую медицинское изображение и адаптацию модели физической структуры, адаптацию, относящуюся к медицинскому изображению, и процессор, определяющий количественный параметр изображения медицинского изображения в каждой из множества вершин адаптации и объединяющий множество количественных параметров изображений для определения метрики оценки.
Еще один примерный вариант осуществления описывается в настоящем документе в отношении постоянного машиночитаемого носителя хранения, хранящего набор инструкций, выполняемых процессором. Инструкции, позволяющие процессору выполнять способ для приема медицинского изображения, приема адаптации модели физической структуры, адаптации, относящейся к медицинскому изображению, определения количественного параметра изображения медицинского изображения в каждой из множества вершин адаптации и объединения множества количественных параметров изображений для определения метрики оценки.
На Фигуре 1А показана примерная деформируемая модель мозга.
На Фигуре 1В показана примерная деформируемая модель мозга, представленная на Фигуре 1А, в качестве адаптированной для МРТ изображения объема мозга пациента.
На Фигуре 2А показана успешная адаптация примерной деформируемой модели мозга к МРТ изображению объема мозга пациента.
На Фигуре 2В показана неудачная адаптация примерной деформируемой модели мозга к МРТ изображению объема мозга пациента.
На Фигуре 3 показан примерный способ формирования метрики для оценки успеха или неудачи адаптации деформируемой модели мозга к изображению мозга.
На Фигуре 4 показана примерная система для реализации способа, такого как способ, показанный на Фигуре 3, для оценки успеха или неудачи адаптации деформируемой модели мозга к изображению мозга в соответствии с примерным вариантом осуществления.
Примерные варианты осуществления могут быть также поняты со ссылкой на нижеследующее описание примерных вариантов осуществления и соответствующих прилагаемых чертежей, на которых одинаковые элементы обозначены одинаковыми ссылочными позициями. В частности, примерные варианты осуществления относятся к способам и системам для проверки адаптации деформируемой модели мозга для пациента.
Способность быстро определять объем и форму отклонений в конкретных областях головного мозга имеет решающее значение для научно-исследовательских программ с участием пациентов с неврологическими и психологическими расстройствами, такими как болезнь Альцгеймера, травматическое повреждение мозга и ПТСР и в выявлении пациентов, подверженных риску таких нарушений. Такие отклонения могут быть определены с помощью деформируемой модели мозга с подчиненной ограничениям формой, которая может выявить тонкие изменения в структуре областей мозга с известной предрасположенностью к повреждению, в сравнении с аналогичными данными, полученными от здоровых пациентов контрольной группы. Деформируемая модель мозга может быть адаптирована к МРТ изображениям пациента и может сегментировать изображения в ряд подкорковых структур. Однако для того, чтобы быть подходящим способом для исследования и/или терапии, это должно быть способно осуществляться эффективно. Специалистам в данной области будет понятно, что хотя, примерные варианты осуществления будут описаны с конкретной ссылкой на МРТ изображения, те же методы, описываемые в настоящем документе, могут быть в равной степени применимы и к другим типам медицинских изображений, таких как КТ изображения, ультразвуковые изображения и т.д.
Фигура 1А иллюстрирует примерную деформируемую модель 110 мозга, в которой различные участки мозга моделируются отдельно. Деформируемая модель мозга может быть, например такой, как описана в «Evaluation of traumatic brain injury patients using a shape-constrained deformable model» L. Zagorchev, C. Meyer, T. Stehle, R. Kneser, S. Young and J. Weese, 2011, в Трудах первой международной конференции по мультимодальныму анализу изображений мозга (MBIA'll), Tianming Liu, Dinggang Shen, Luis Ibanez, and Xiaodong Tao (Eds.), Springer-Verlag, Berlin, Heidelberg, 118-125. Фигура 1B иллюстрирует адаптацию 120 модели 110, показанной на Фигуре 1А, к МРТ изображению пациента. В адаптации 120, несколько элементов 121, 122, 123, 124 и 125 модели 110 были картированы в адаптации 120, иллюстрирующий положение и размер элементов 121, 122, 123, 124 и 125 на поперечном сечении, показанном посредством МРТ. Показанная модель использует проверенные экспериментальные данные, которые представляют сегментированные вручную структуры мозга. Проверенные экспериментальные данные содержат информацию о значениях интенсивности на границе каждой структуры, которую можно использовать для получения метрики изображения, показывающий качество сегментации, как будет описано более подробно ниже.
Адаптация деформируемой модели мозга к объему мозга конкретного пациента может вестись на основании факторов, полученных из МРТ изображения пациента. Для того чтобы применить прежние методы для адаптации такой модели, медицинскому работнику требовалось загрузить МРТ изображение пациента в просмотровое устройство, загрузить окончательную адаптированную модель и визуально проверить, была ли модель правильно адаптирована. Фигура 2А иллюстрирует примерную успешную адаптацию 210, а Фигура 2В иллюстрирует примерную неудачную адаптацию 220. Для специалиста в данной области очевидно, что элементы успешной адаптированной модели 210 соответствуют элементам, показанным на расположенном ниже МРТ изображении, в то время как элементы неудачной адаптированной модели 220 - нет. Кроме того, следует отметить, что значения интенсивности в вершинах сетки, когда модель адаптируется неудачно, значительно отличаются от значений интенсивности (т.е., графической интенсивности изображений) в вершинах сетки, когда модель адаптируется правильно.
Проверка успеха или неудачи адаптации может быть утомительной и трудоемкой задачей, особенно в клинических испытаниях с участием большого числа пациентов, где этот процесс может добавить несколько дней работы. Примерные варианты осуществления представляют метрику качества адаптации, которая может преодолеть этот недостаток. Метрика может определяться автоматически в конце адаптации и может дополнительно обеспечить основу для прямого количественного сравнения результатов сегментации по сегментации у одного и того же пациента или разных пациентов.
Фигура 3 иллюстрирует примерный способ 300 для определения количественной метрики для использования, как описано выше. На этапе 310 принимаются изображение пациента (например, МРТ изображение) и данные, относящиеся к адаптированной модели мозга. Специалистам в данной области будет понятно, что до того, как этот этап будет выполнен, модель должна быть адаптирована к изображению пациента, но, что процесс адаптации выходит за пределы примерных вариантов осуществления.
На этапе 320 количественный параметр изображения определяется в каждой из вершин сетки, очерчивая структуры мозга в адаптированной модели мозга. Специалистам в данной области будет понятно, что количественный параметр изображения может иметь одно или несколько из любого количества различных значений, которые можно использовать для количественной оценки свойств изображения. Эти значения могут включать в себя, например, интенсивность изображения, градиент изображения и магнитуду градиента. Специалистам в данной области также будет понятно, что под вершиной сетки может пониматься точка, которая принадлежит к сетке из треугольников. Однако другие формы сетки, имеющие вершины, также могут использоваться, такие как прямоугольники, квадраты, восьмиугольники и т.д. Кроме того, специалистам в данной области будет понятно, что количественный параметр изображения можно определить, используя любую подходящую функцию обработки изображений.
На этапе 330, количественные параметры изображения, определенные в каждой из вершин, усредняются для получения количественной метрики, которую можно использовать для оценки адаптации модели. Как будет подробно описано ниже, способ не ограничивается усреднением количественных параметров изображения для каждой вершины, так как усреднение является лишь одним способом получения количественной метрики. В одном из вариантов осуществления метрика может быть нормализована таким образом, что полностью адаптированная модель дает упрощенное числовое значение, такое как 1 или 100, и таким образом, что модель, которая была адаптирована совершенно неправильно, дает нулевое значение. Этап 330 объединения также может содержать рассмотрение каждой из вершин в отдельности для того, чтобы определить отдельные метрики оценки для каждого из множества подмножеств медицинского изображения.
Затем, на этапе 340, адаптация модели проверяется на основе количественной метрики, определенной на этапе 330. Это может быть выполнено, например, путем сравнения метрики с пороговым значением или другими способами, известными в данной области. Например, если количественная метрика нормализована на значениях 1-100, порог может быть вначале установлен на 75, это означает, что адаптации, отмеченные 75 и выше, считается успешными, в то время как те, у которых ниже 75 неудачны. Это пороговое значение затем может быть переустановлено пользователем, например, если пользователь решит, что успешные адаптации должны быть выше или ниже начального порога. В другом примере, система может включать в себя алгоритм машинного обучения, который определяет пороговый уровень на основе различных вводов.
Если определено, что модель была адаптирована успешно, то на этапе 350 адаптация принимается для последующего использования. С другой стороны, если определено, что модель не была успешно адаптирована, то на этапе 360 адаптация отвергается и снова указывается необходимость адаптации модели. После этапа 350 или этапа 360 способ завершается.
В дополнение к проверке правильной адаптации модели мозга метрика, 'описанная выше, может дать возможность сравнить дисперсии, систематические отклонения или другие статистические данные, с границей доверительного интервала, зависящего от проблемы, который оценивается. Значимость между группами или полученными результатами также может быть установлена. Метрика качества может быть индикатором надежности или доверия; более высокое значение будет означать более точную сегментацию и наоборот. Метрика качества может быть соотнесена с полученными статистическими данными; например, она может быть использована для установления минимального качества сегментации, необходимого для получения статистической значимости.
В другом варианте осуществления модель может сохранить соответствие вершин сетки во время адаптации. В таком варианте осуществления, значение количественного параметра изображения сравнивается в соответствующих вершинах сетки, вместо того, чтобы сравнивать среднее значение. Такой вариант осуществления может обеспечить более детальную локализованную информацию о различных элементах модели (например, могли ли некоторые подобласти модели быть адаптированы неправильно), в отличие от обобщенной информации о точности, представленной примерным способом 300, описанным выше.
Иллюстративный способ 300 может быть реализован различными способами. В одном примере, примерный способ 300 может быть реализован с помощью компьютера через примерную систему 400. Система 400 схематически показана на Фигуре 4. Пользовательский интерфейс 410 выполнен с возможностью принимать различные типы пользовательского ввода, такого как выбор медицинских изображений, моделей адаптации и т.д. Специалистам в данной области будет понятно, что хотя, как показано, примерная система 400 включает в себя однопользовательский интерфейс 410, другие системы могут использовать несколько интерфейсов, таких как предоставление интерфейса для осуществления выборки медицинских изображений из других систем в рамках учреждения. Пользовательский интерфейс 410 также используется в качестве устройства вывода, например он может выводить успешные адаптации для медицинских работников, для просмотра, для дальнейшего использования или указывать медицинским работникам, что адаптация не была успешной.
Пользовательский интерфейс 410 предоставляет данные процессору 420, который может выполнить программу, реализуя примерный способ 300. Данные, относящиеся к этой задаче, могут быть сохранены в памяти 430. Память 430 может быть накопителем на жестких магнитных дисках, твердотельным накопителем, распределенным запоминающим устройством и т.д., и может хранить данные в любом формате, подходящим для использования, как описано выше. В дополнение к инструкциям, необходимым для выполнения способа 300, память 430 может хранить медицинские карты, относящиеся к пациентам больницы, размещаясь в системе 400. С другой стороны, карты пациентов могут храниться удаленно, как например, в централизованной системе для хранения таких записей.
Примерные варианты осуществления, описанные выше, делают возможной автоматическую обработку и проверку больших групп моделей мозга для клинических исследований и обеспечивают основу для количественного сравнения результатов. Такая обработка может способствовать продолжительному мониторингу структур мозга, улучшенному дифференциальному диагнозу и мониторингу результатов лечения или восстановления. Кроме того, метрика адаптации, описанная выше, может играть важную роль в анализе, понимании и интерпретации информации, которые может быть получены из деформируемой модели мозга.
Специалистам в данной области будет понятно, что хотя описанные выше примерные варианты осуществления конкретно касаются МРТ изображений головного мозга и деформируемой модели мозга, принципы, описываемые в настоящем документе, могут в равной степени применяться и к другим типам деформируемых моделей и адаптации других типов изображений для соответствия таким моделям. Кроме того, специалистам в данной области будет понятно, что вышеописанные примерные варианты осуществления могут быть реализованы из некоторого количества объектов, в том числе таких, как модуль программного обеспечения, как комбинация аппаратных средств и программного обеспечения и т.д. Например, примерный способ 300 может быть реализован в программе, сохраненной на постоянном носителе хранения и содержащей строки кода, которые, при компиляции, могут быть выполнены процессором.
Отметим, что формула изобретения может включать в себя ссылочные позиции/обозначения в соответствии с правилом РСТ 6.2(b). Однако не должно считаться, что настоящая формула изобретения ограничивается примерными вариантами осуществления, соответствующими ссылочным позициям/обозначениям.
Для специалиста в данной области очевидно, что различные модификации могут быть сделаны в примерных вариантах осуществления, не отклоняясь от сущности и не выходя за объем изобретения. Таким образом, подразумевается, что настоящее изобретение охватывает модификации и изменения согласно данному изобретению и их эквиваленты при условии, что они входят в объем прилагаемой формулы изобретения.

Claims (32)

1. Способ количественной оценки сегментации изображения, содержащий:
прием (310) медицинского изображения физической структуры пациента;
прием (310) адаптированной сеточной модели физической структуры для медицинского изображения;
определение (320) количественного параметра изображения на основе значений интенсивности медицинского изображения в каждой из множества вершин адаптированной сеточной модели; и
объединение (330) множества количественных параметров изображений для определения метрики качества адаптации.
2. Способ по п. 1, в котором объединение (330) содержит определение среднего значения.
3. Способ по п. 1, в котором медицинское изображение является одним из следующего: MPT, КТ и ультразвуковым изображением.
4. Способ по п. 1, в котором сеточная модель является деформируемой моделью мозга.
5. Способ по п. 1, дополнительно содержащий:
сравнение (340) метрики качества адаптации с пороговым значением;
утверждение (350) адаптации, если метрика качества адаптации больше или равна пороговому значению; и
отклонение (360) адаптации, если метрика качества адаптации меньше, чем пороговое значение.
6. Способ по п. 1, в котором количественный параметр изображения дополнительно является одним из градиента изображения и магнитуды градиента.
7. Способ по п. 1, в котором объединение (330) содержит рассмотрение каждой из вершин в отдельности для того, чтобы определить отдельные метрики качества адаптации для каждого из множества подмножеств медицинского изображения.
8. Система количественной оценки сегментации изображения, содержащая:
память (430), хранящую медицинское изображение физической структуры пациента и адаптированную сеточную модель физической структуры для медицинского изображения; и
процессор (420), определяющий количественный параметр изображения на основе значений интенсивности медицинского изображения в каждой из множества вершин адаптированной сеточной модели и объединяющий множество количественных параметров изображения для определения метрики качества адаптации.
9. Система по п. 8, дополнительно содержащая:
устройство формирования изображения, формирующее медицинское изображение.
10. Система по п. 9, в которой после того, как устройство формирования изображения сформирует медицинское изображение, процессор (420) адаптирует сеточную модель к медицинскому изображению для того, чтобы сформировать адаптированную сеточную модель.
11. Система по п. 8, в которой процессор (420) дополнительно сравнивает метрику качества адаптации с пороговым значением, утверждает адаптацию, если метрика качества адаптации больше или равна пороговому значению, и отклоняет адаптацию, если метрика качества адаптации меньше, чем пороговое значение.
12. Система по п. 8, в которой количественный параметр изображения дополнительно является одним из градиента изображения и магнитуды градиента.
13. Система по п. 8, в которой процессор (420) рассматривает каждую из вершин в отдельности для того, чтобы определить отдельные метрики качества адаптации для каждого из множества подмножеств медицинского изображения.
14. Постоянный машиночитаемый носитель (430) данных, хранящий набор инструкций, выполняемых процессором (420), которые при выполнении процессором (420) побуждают процессор выполнять способ количественной оценки сегментации изображения, причем способ содержит:
прием (310) медицинского изображения физической структуры пациента;
прием (310) адаптированной сеточной модели физической структуры для медицинского изображения;
определение (320) количественного параметра изображения на основе значений интенсивности медицинского изображения в каждой из множества вершин адаптированной сеточной модели; и
объединение (330) множества количественных параметров изображений для определения метрики качества адаптации.
15. Постоянный машиночитаемый носитель (430) данных по п. 14, при этом способ дополнительно содержит:
сравнение (340) метрики качества адаптации с пороговым значением;
утверждение (350) адаптации, если метрика качества адаптации больше или равна пороговому значению; и
отклонение (360) адаптации, если метрика качества адаптации меньше, чем пороговое значение.
RU2014153520A 2012-05-31 2013-05-23 Способ и система для количественной оценки сегментации изображения RU2633916C1 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201261653761P 2012-05-31 2012-05-31
US61/653,761 2012-05-31
PCT/IB2013/054258 WO2013179188A1 (en) 2012-05-31 2013-05-23 Method and system for quantitative evaluation of image segmentation

Publications (1)

Publication Number Publication Date
RU2633916C1 true RU2633916C1 (ru) 2017-10-19

Family

ID=48746609

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2014153520A RU2633916C1 (ru) 2012-05-31 2013-05-23 Способ и система для количественной оценки сегментации изображения

Country Status (7)

Country Link
US (1) US10776913B2 (ru)
EP (1) EP2856197B1 (ru)
JP (1) JP6232054B2 (ru)
CN (1) CN104380132B (ru)
BR (1) BR112014029528A2 (ru)
RU (1) RU2633916C1 (ru)
WO (1) WO2013179188A1 (ru)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10776913B2 (en) 2012-05-31 2020-09-15 Koninklijke Philips N.V. Method and system for quantitative evaluation of image segmentation
JP6583719B2 (ja) * 2015-07-24 2019-10-02 国立研究開発法人情報通信研究機構 情報処理装置の作動方法および推定システム
CN109074665B (zh) * 2016-12-02 2022-01-11 阿文特公司 用于经由医学成像系统导航到目标解剖对象的系统和方法
EP3592211A1 (en) 2017-03-10 2020-01-15 Koninklijke Philips N.V. Seizure characterization with magnetic resonance imaging (mri) fused with an electroencephalography (eeg) model
CN110461257B (zh) 2017-03-16 2023-08-18 皇家飞利浦有限公司 受控倾斜的网格
US10346974B2 (en) 2017-05-18 2019-07-09 Toshiba Medical Systems Corporation Apparatus and method for medical image processing
CN109620407B (zh) 2017-10-06 2024-02-06 皇家飞利浦有限公司 治疗轨迹引导系统
US11288803B2 (en) 2017-10-09 2022-03-29 Koninklijke Philips N.V. Ablation result validation system
US12033404B2 (en) 2018-03-21 2024-07-09 Koninklijke Philips N.V. Incidental finding augmentation system for medical radiology
WO2019180120A1 (en) 2018-03-21 2019-09-26 Koninklijke Philips N.V. Medical radiology report validation and augmentation system
US11385310B2 (en) 2018-07-30 2022-07-12 Koninklijke Philips N.V. Functional magnetic resonance imaging systems and methods
JP2022516675A (ja) * 2019-01-14 2022-03-01 コーニンクレッカ フィリップス エヌ ヴェ Ｅｅｇに関する高周波導電率から低周波導電率へ区画特有のダウンスケーリング
US11416653B2 (en) * 2019-05-15 2022-08-16 The Mitre Corporation Numerical model of the human head
CN111179227B (zh) * 2019-12-16 2022-04-05 西北工业大学 基于辅助诊断和主观美学的乳腺超声图像质量评价方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050148852A1 (en) * 2003-12-08 2005-07-07 Martin Tank Method for producing result images for an examination object
US20100145661A1 (en) * 2005-06-21 2010-06-10 Koninklijke Philips Electronics, N.V. Progressive model-based adaptation

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69429743T2 (de) * 1993-06-29 2002-10-02 Koninklijke Philips Electronics N.V., Eindhoven Verfahren und Gerät zur Bestimmung einer Kontur in einem durch eine Dichteverteilung gekennzeichneten Raum
US5926568A (en) * 1997-06-30 1999-07-20 The University Of North Carolina At Chapel Hill Image object matching using core analysis and deformable shape loci
JP2003512112A (ja) * 1999-10-21 2003-04-02 アーチ・デベロップメント・コーポレーション 弾性的照合を用いる対側性および時間的な減法画像のコンピュータ化処理のための方法、システムおよびコンピュータ可読媒体
WO2002073536A2 (en) * 2001-03-09 2002-09-19 Koninklijke Philips Electronics N.V. Image segmentation
EP1374181A1 (en) * 2001-03-29 2004-01-02 Koninklijke Philips Electronics N.V. Image processing method for fitness estimation of a 3d mesh model mapped onto a 3d surface of an object
WO2005008587A1 (en) * 2003-07-16 2005-01-27 Philips Intellectual Property & Standards Gmbh Object-specific segmentation
US20100293505A1 (en) * 2006-08-11 2010-11-18 Koninklijke Philips Electronics N.V. Anatomy-related image-context-dependent applications for efficient diagnosis
JP5247707B2 (ja) * 2006-10-03 2013-07-24 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ モデルベースの冠状動脈中心線の位置決め
WO2009111580A2 (en) * 2008-03-04 2009-09-11 Tomotherapy Incorporated Method and system for improved image segmentation
JP5432241B2 (ja) * 2008-04-07 2014-03-05 コーニンクレッカ フィリップス エヌ ヴェ メッシュ衝突回避
WO2011046511A1 (en) * 2009-10-13 2011-04-21 Agency For Science, Technology And Research A method and system for segmenting a liver object in an image
US10776913B2 (en) 2012-05-31 2020-09-15 Koninklijke Philips N.V. Method and system for quantitative evaluation of image segmentation

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050148852A1 (en) * 2003-12-08 2005-07-07 Martin Tank Method for producing result images for an examination object
US20100145661A1 (en) * 2005-06-21 2010-06-10 Koninklijke Philips Electronics, N.V. Progressive model-based adaptation

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GEORGE STARKSCHALL, PH.D, et al. POTENTIAL DOSIMETRIC BENEFITS OF FOUR-DIMENSIONAL RADIATION TREATMENT PLANNING, Int. J. Radiation Oncology Biol. Phys., 2009, Vol. 73, No. 5, pp. 1560-1565. Р.И.Шувалов. Фильтрация цифровых изображений проекционно-сеточным методом. Вестник МГТУ им.Н.Э.Баумана, Сер.Естественные науки, Моделирование в информатике, 2011, с.216-222. *
MICHAEL R. KAUS, PH.D. et al. ASSESSMENT OF A MODEL-BASED DEFORMABLE IMAGE REGISTRATION APPROACH FOR RADIATION THERAPY PLANNING, 2007, Int. J. Radiation Oncology Biol. Phys., Vol. 68, No. 2, pp. 572-580. *
MICHAEL R. KAUS, PH.D. et al. ASSESSMENT OF A MODEL-BASED DEFORMABLE IMAGE REGISTRATION APPROACH FOR RADIATION THERAPY PLANNING, 2007, Int. J. Radiation Oncology Biol. Phys., Vol. 68, No. 2, pp. 572-580. GEORGE STARKSCHALL, PH.D, et al. POTENTIAL DOSIMETRIC BENEFITS OF FOUR-DIMENSIONAL RADIATION TREATMENT PLANNING, Int. J. Radiation Oncology Biol. Phys., 2009, Vol. 73, No. 5, pp. 1560-1565. Р.И.Шувалов. Фильтрация цифровых изображений проекционно-сеточным методом. Вестник МГТУ им.Н.Э.Баумана, Сер.Естественные науки, Моделирование в информатике, 2011, с.216-222. *

Also Published As

Publication number Publication date
US20150146951A1 (en) 2015-05-28
JP6232054B2 (ja) 2017-11-15
US10776913B2 (en) 2020-09-15
CN104380132A (zh) 2015-02-25
BR112014029528A2 (pt) 2017-06-27
EP2856197A1 (en) 2015-04-08
EP2856197B1 (en) 2022-11-09
WO2013179188A1 (en) 2013-12-05
CN104380132B (zh) 2018-01-09
JP2015523874A (ja) 2015-08-20

Similar Documents

Publication Publication Date Title
RU2633916C1 (ru) Способ и система для количественной оценки сегментации изображения
CN110993063B (zh) 用于便于由放射科医师和人工智能算法进行联合解释的扫描仪处的医学图像预处理
WO2013047278A1 (ja) 医用画像処理装置、医用画像処理方法、プログラム
CN111210401B (zh) 根据医学图像的主动脉自动检测和量化
US10388037B2 (en) Selection method for an artifact correction algorithm, data processing facility for performing the method, and medical imaging system
CN109997200A (zh) 脑中风诊断以及预后预测方法及系统
JP6036009B2 (ja) 医用画像処理装置、およびプログラム
EP2796089B1 (en) Image processing device and image processing method, and image processing program
JP5098393B2 (ja) 関心領域決定装置
EP3013418B1 (en) Portal dosimetry system
CN113825541A (zh) 放射疗法治疗计划的质量保证过程
JP2015520437A (ja) ランダムなパターンを分析するシステムおよび方法
US10751017B2 (en) Modular automated scoring system for TBI assessment
JP4022587B2 (ja) 脳疾患の診断支援方法及び装置
CN112561848A (zh) 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备
US10702156B2 (en) Systems and methods for improved tractography images
US9679378B2 (en) Risk prediction of tissue infarction
WO2014050129A1 (ja) 画像処理装置および方法並びにプログラム
US20230165467A1 (en) Methods and systems for analyzing a central nervous system based on brainstem structural characteristics
EP4281929A1 (en) Vessel shape
CN113962953A (zh) 一种图像处理方法和系统
Zimmerman‐Moreno et al. Whole brain fiber‐based comparison (FBC)—A tool for diffusion tensor imaging‐based cohort studies
US11211166B2 (en) Methods and systems for tissue damage identification and quantification
KR20200025853A (ko) 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
JP2009502430A (ja) 胸部磁気共鳴シーケンスにおいて血管を自動的にセグメント化するシステムおよび方法