RU2752690C2 - Обнаружение изменений на медицинских изображениях - Google Patents
Обнаружение изменений на медицинских изображениях Download PDFInfo
- Publication number
- RU2752690C2 RU2752690C2 RU2019102481A RU2019102481A RU2752690C2 RU 2752690 C2 RU2752690 C2 RU 2752690C2 RU 2019102481 A RU2019102481 A RU 2019102481A RU 2019102481 A RU2019102481 A RU 2019102481A RU 2752690 C2 RU2752690 C2 RU 2752690C2
- Authority
- RU
- Russia
- Prior art keywords
- image
- intensity
- medical image
- medical
- processor
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical 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
- G06T2207/20076—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
Изобретение относится к средствам обнаружения изменений на медицинских изображения. Техническим результатом является повышение точности автоматизированного обнаружения изменений на медицинских изображениях. Способ обнаружения изменений на медицинских изображениях включает этапы, на которых: формируют разностное изображение, представляющее различия в интенсивности между первым медицинским изображением и вторым медицинским изображением, подгоняют модель смесей под распределение интенсивности разностного изображения для выявления вероятностных распределений, которые в совокупности моделируют распределение интенсивности, определяют множество диапазонов интенсивности как функцию от множества вероятностных распределений, маркируют данные изображения разностного изображения путем определения того, в какой из множества диапазонов интенсивности попадают эти маркируемые данные изображения. 6 н. и 10 з.п. ф-лы, 8 ил.
Description
ОБЛАСТЬ ТЕХНИКИ
Изобретение относится к системе и способу обнаружения изменений на медицинских изображениях. Изобретение также относится к серверу, устройству визуализации и рабочей станции, содержащих такую систему. Изобретение также относится к компьютерочитаемому носителю, содержащему инструкции, выполнение которых процессорной системой приводит к осуществлению такого способа.
УРОВЕНЬ ТЕХНИКИ
Медицинские изображения могут показывать анатомическую структуру пациента и/или функциональные свойства подлежащей ткани. Было бы целесообразно обнаруживать изменения в (части) анатомической структуры пациента или в функциональных свойствах подлежащей ткани. Такие изменения могут означать изменение в состоянии болезни или анатомическое изменение другого типа. Например, изменение может быть обусловлено или связано с ростом опухоли, прогрессированием рассеянного склероза (РС) и т.д. Благодаря обнаружению изменения и определению типа изменения может появиться возможность лучше лечить болезнь, например за счет коррекции стратегии лечения. Чтобы обнаружить такие изменения, можно сравнить медицинские изображения, которые показывают анатомическую структуру в разные моменты времени. В качестве альтернативы или дополнительно медицинские изображения могут отличаться другими аспектами, например относительно здорового и больного пациента. Общий подход к обнаружению изменений на медицинских изображениях заключается в осмотре вручную, например рентгенологом. Однако такие осмотры вручную часто отнимают много времени, а обнаружение слабых изменений, например, роста опухоли, отека и т.д., может быть трудным и неточным.
В статье «Signal-Processing Approaches to Risk Assessment in Coronary Artery Disease» by I. Kakadiaris et al., IEEE Signal Processing Magazine, том 23, страницы 59 - 62 (2006) описан способ внутрисосудистой ультразвуковой визуализации сосудов. В статье «Retina images processing using genetic algorithm and maximum likelihood method» by V. Bevilacqua et al., Proceedings advances in computer science and technology, страницы 277 - 280 (2004) описана система для обработки изображений сетчатки с помощью генетического алгоритма и метода максимального правдоподобия. В статье «Intracoronary Ultrasound Assessment of Directional Coronary Atherectomy: Immediate and Follow-Up Findings» by J. Suarez de Lezo и др., Journal of the American College of Cardiology, том 21, страницы 298 - 307 (1993) описан способ, включающий в себя коррекцию настроек усиления и шкалы серого ультразвука для оптимизации визуализации требуемых структур. В статье «Automatic Analysis of the Difference Image for Unsupervised Change Detection» L. Bruzzone et al., IEEE Transactions on Geoscience and Remote Sensing, том 38, страницы 1171 - 1182 (2000) описаны методы определения того, произошло ли изменение местоположения пикселя изображения или нет, причем эти методы основаны на байесовской теории.
Кроме того, в US 2004/0092809 A1 описан компьютеризованный способ диагностирования состояния субъекта, причем состояние связывают с активацией в одной или более интересующих областях, которая может быть определена посредством дискретно локализуемых областей, например, головного мозга, при этом дискретно локализованные области могут быть определены физиологически путем нахождения на трехмерном медицинском изображении вокселей, модулированных стимулом или поведением по сравнению с фоновым состоянием.
В данной области техники известен ряд подходов к автоматическому обнаружению изменений на медицинских изображениях. Например, авторы Patriarche и Erickson рассмотрели ряд известных подходов в статье «A review of the Automated Detection of Change in Serial Imaging Studies», Journal of Digital Imaging, том 17, номер 3 (Сентябрь), 2004, стр. 158-174.
Один из подходов, который приводят Patriarche и Erickson, принадлежит Hsu и др. («New likelihood test methods for change detection in image sequences», Computer Vision, Graphics, and Image Processing, том 26, 1984, стр. 73-106). В предлагаемом подходе используется отношение правдоподобия для проверки того, меняется ли группа вокселей, что позволяет обнаруживать в качестве изменения более мелкие кластеры, если их величина достаточно высокая, а также обнаруживать в качестве изменения более крупные кластеры с меньшим требованием к изменению. Утверждается, что порог, основанный на размере кластера, позволяет не только отделять изменения большой величины от шума, но и также отделять изменения значительно меньшей величины, состоящие из пространственно непрерывных групп вокселей, подвергающихся изменению одного и того же типа.
Patriarche и Erickson также описывают в работе «Automated Change Detection and Characterization in Serial MR Studies of Brain-Tumor Patients», Journal of Digital Imaging, 2007, 20(3), стр. 203-222, алгоритм, который сравнивает последовательные МРТ-исследования пациентов с опухолью мозга и оценивает их состояние как стабильное или прогрессирующее. Сообщается, что алгоритм сравнивает последовательные визуализационные исследования пациентов с опухолью головного мозга и создает карту изменения: как характер изменения (при наличии такового), так и величину изменения для каждого вокселя головного мозга. В качестве результата получают кодированную цветом карту изменений, наложенную на анатомическое изображение.
РАСКРЫТИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ
Недостатком известных подходов к автоматизированному обнаружению изменений является их недостаточная точность. Было бы полезно иметь систему и способ, которые обеспечивают более точное определение изменений на медицинских изображениях.
Согласно первому аспекту настоящего изобретения предложена система для обнаружения изменений на медицинских изображениях, содержащая:
интерфейс данных изображения, выполненный с возможностью осуществления доступа к первому медицинскому изображению и второму медицинскому изображению;
процессор, выполненный с возможностью:
- формирования разностного изображения, представляющего различия в интенсивности между первым медицинским изображением и вторым медицинским изображением;
- определения распределения интенсивности разностного изображения;
- подгонки модели смесей под распределение интенсивности с целью выявления множества вероятностных распределений, которые в совокупности моделируют распределение интенсивности, причем каждое из множества вероятностных распределений представляет разный тип изменения;
- определения множества диапазонов интенсивности в распределении интенсивности, причем каждый диапазон из множества диапазонов интенсивности определяется как функция от соответствующего одного из множества вероятностных распределений и представляет разный тип изменения; и
- маркировки данных изображения разностного изображения путем определения того, в какой из множества диапазонов интенсивности попадают эти маркируемые данные изображения.
Согласно еще одному аспекту настоящего изобретения предложены сервер, рабочая станция или устройство визуализации, содержащие данную систему.
Согласно другому аспекту настоящего изобретения предложен способ обнаружения изменений на медицинских изображениях, включающий в себя:
- осуществление доступа к первому медицинскому изображению и второму медицинскому изображению;
- формирование разностного изображения, представляющего различия в интенсивности между первым медицинским изображением и вторым медицинским изображением;
- определение распределения интенсивностей разностного изображения;
- подгонку модели смесей под распределение интенсивности с целью выявления множества вероятностных распределений, которые в совокупности моделируют распределение интенсивности, причем каждое из множества вероятностных распределений представляет разный тип изменения;
- определение множества диапазонов интенсивности в распределении интенсивности, причем каждый диапазон из множества диапазонов интенсивности определяется как функция от соответствующего одного из множества вероятностных распределений и представляет разный тип изменения; и
- маркировку данных изображения разностного изображения путем определения того, в какой из множества диапазонов интенсивности попадают эти данные изображения.
Согласно другому аспекту настоящего изобретения предложен компьютерочитаемый носитель, содержащий кратковременные или некратковременные данные, представляющие инструкции, выполнение которых процессорной системой приводит к осуществлению ею способа.
Вышеуказанные меры обеспечивают интерфейс данных изображения, выполненный с возможностью осуществления доступа к первому медицинскому изображению и второму медицинскому изображению. Медицинские изображения могут быть получены с помощью различных методов формирования изображения. К таким методам формирования изображения можно отнести компьютерную томографию (КТ) и магнитно-резонансную томографию (МРТ), позитронно-эмиссионную томографию, сканирование ОФЭКТ (однофотонная эмиссионная компьютерная томография), ультрасонографию и т.д.
Вышеуказанные меры также обеспечивают процессор, выполненный с возможностью формирования разностного изображения, представляющего различия между интенсивностями изображения первого медицинского изображения и второго медицинского изображения. Разностное изображение может быть получено, например, путем вычитания первого медицинского изображения из второго медицинского изображения и наоборот. Другим названием разностного изображения может быть субтракционное изображение или изображение изменения, либо субтракционный объем или объем изменения, в случае если медицинские изображения и разностное изображения являются объемами изображения. Разностное изображение могут также называть «картой», например субтракционной картой или картой изменения.
Процессор также выполнен с возможностью определения распределения интенсивности разностного изображения. Определение распределения интенсивности изображения как таковое известно в данной области техники. Например, можно рассчитать гистограмму значений интенсивности изображения.
Процессор также выполнен с возможностью подгонки модели смесей под распределение интенсивностей. Модели смесей, такие как модель гауссовых смесей, модель многомерных гауссовых смесей, категорийная модель смесей и т.д. как таковые известны в данной области техники. Модели смесей могут быть определены как вероятностная модель для представления субпопуляций, которые присутствуют в общей популяции. Путем подгонки модели смесей под распределение интенсивности можно выявить множество вероятностных распределений, которые совместно моделируют распределение интенсивности. Следует отметить, что модель смесей может представлять набор параметров, при этом подгонка модели смесей может быть обеспечена с помощью набора инструкций, исполняемого процессором, который оценивает значения указанных параметров. Инструкции могут представлять алгоритм для оценки моделей смесей, который известен как таковой в данной области техники, например, оценку максимального правдоподобия модели гауссовых смесей с помощью максимизации ожидания (МО), например, являющуюся частью стандартного учебного пособия и описанную, например, в предисловии статьи «Gaussian mixture models and the EM algorithm» Ramesh Sridharan, по данным на 28.06.2016 г. доступной по адресу https://people.csail.mit.edu/rameshvs/content/gmm-em.pdf, содержимое которой в части, касающейся оценки модели гауссовых смесей, включено в настоящий документ путем ссылки.
Процессор также выполнен с возможностью осуществления множества диапазонов интенсивности в распределении интенсивности как функции от выявленных вероятностных распределений. Например, каждый диапазон интенсивности может быть определен для преставления конкретного интервала вероятности. Неограничивающий пример может заключаться в том, что если каждое вероятностное распределение является нормальным распределением, то диапазон интенсивности можно определить как отклонение по обе стороны от среднего значения нормального распределения. Как правило, диапазон интенсивности может быть определен как представляющий диапазон интенсивности, в котором вероятно, или наиболее вероятно, что значение интенсивности принадлежит субпопуляции, моделируемой соответствующим вероятностным распределением, из которого был выведен данный интервал интенсивности.
Процессор также выполнен с возможностью маркировки данных разностного изображения с помощью определенных интервалов изображения, а именно, путем определения того, в какой из множества диапазонов интенсивности попадают эти маркируемые данные изображения. По существу, можно пометить пиксель или воксель, чтобы указать, к какой субпопуляции принадлежит, согласно оценке, конкретный пиксель или воксель.
Вышеуказанные меры основаны на признании того, что различные типы изменений, вероятно, должны иметь разные распределения интенсивности на разностном изображении, и что распределение интенсивности таких изменений различных типов может быть смоделировано с помощью разных вероятностных распределений. Поэтому вышеуказанные меры включают в себя оценку различных вероятностных распределений на основе разностного изображения. В частности, путем подгонки модели смесей к распределению интенсивности наблюдаемого разностного изображения, например, всего разностного изображения или одной или более интересующих там областей, можно выявить множество вероятностных распределений, которые вместе моделируют наблюдаемое распределение интенсивности. Модели смесей и алгоритмы для подгонки моделей смесей известны как таковые в области статистики. Кроме того, термин «в совокупности» может означать, что сумма вероятностей данного значения интенсивности в этих распределениях интенсивности дает нормированное значение 1, хотя это не является ограничением.
Каждое из множества вероятностных распределений представляет разный тип изменения. Например, в качестве неограничивающего примера первое вероятностное распределение, полученное путем оценки наблюдаемого распределения интенсивности, может представлять рост опухоли, второе вероятностное распределение может представлять переходную зону, а третье вероятностное распределение может представлять отек. Оценив эти различные вероятностные распределения, можно определить интервалы интенсивности, каждый из которых представляет разный тип изменения. Например, каждый интервал интенсивности может быть выбран как интервал, где соответствующее вероятностное распределение больше других вероятностных распределений, а это означает, что попадание интенсивности в диапазон интенсивности наиболее вероятно связано с типом изменения, представляемым этим конкретным вероятностным распределением. Определив множество интервалов интенсивности, можно соответствующим образом маркировать данные изображения на разностном изображении, и таким образом могут быть созданы соответствующие метаданные. Следует отметить, что маркировка необязательно может представлять биологическую интерпретацию, например, является ли это ростом опухоли, переходной зоной или отеком, а скорее просто представлять различную маркировку, например, тип A, тип B и тип C, что делает возможным назначение такой биологической интерпретации в последующем, например рентгенологом или с помощью автоматического алгоритма классификации. Таким образом, можно различать различные типы изменения, если изменение произошло, т.е. изменение можно охарактеризовать. Это описание характера изменения можно назвать моделированием различных классов изменения в пределах класса «измененные».
Преимуществом является то, что вышеупомянутый подход может сделать возможным более точное обнаружение слабых изменений, чем при обнаружении изменений, основанном на раздельном анализе интенсивностей первого и второго медицинских изображений и последующих обнаружении изменений и определении типа изменений на основе результата такого анализа изображения.
При необходимости модель смесей представляет собой модель гауссовых смесей, а вероятностные распределения являются гауссовыми распределениями. Модели гауссовых смесей (в дальнейшем упоминаемые также просто как GMM) входят в число наиболее статистически развитых способов моделирования вероятностных распределений. Модель гауссовых смесей можно определить как вероятностную модель, которая предполагает, что все точки данных формируются на основе смеси конечного числа гауссовых распределений с неизвестными параметрами.
При необходимости процессор выполнен с возможностью определения точек пересечения между множеством вероятностных распределений, а множество диапазонов интенсивности определяют на основе точек пересечения. Точки пересечения между множеством вероятностных распределений представляют точки, в которых вероятность одной вероятностной функции совпадает с вероятностью другой вероятностной функции и может затем превышать ее. По существу, точки пересечения можно использовать для определения диапазонов, в которых наиболее вероятно, что переменная, например, значение интенсивности пикселя или вокселя, принадлежит конкретной субпопуляции. Преимуществом является то, что использование этих точек пересечения может помочь в определении диапазонов интенсивности.
При необходимости процессор выполнен с возможностью выполнения, перед формированием разностного изображения, по меньшей мере одного из: совмещения изображений и нормализации интенсивности между первым медицинским изображением и вторым медицинским изображением. Преимуществом является то, что разностное изображение может быть сформировано более точно, если предварительно выполняют совмещение изображений и/или нормализацию интенсивности между первым медицинским изображением и вторым медицинским изображением. Более точное формирование разностного изображения может эффективно привести к более точному обнаружению изменений на медицинских изображениях.
При необходимости процессор выполнен с возможностью, после формирования разностного изображения, выбора по меньшей мере одной интересующей области на разностном изображении и определения распределения интенсивности для выборочного представления распределения интенсивности по меньшей мере указанной интересующей области. Поэтому определение распределения интенсивности и последующие этапы выполняют только для части (-ей) разностного изображения. За счет выполнения этих этапов только для части (-ей) изображения можно снизить вычислительную сложность обнаружения изменений.
При необходимости процессор выполнен с возможностью выбора по меньшей мере одной интересующей области на разностном изображении на основе данных изображения этой интересующей области, представляющей ненулевую разницу. Таким образом, обнаружение изменений может быть сконцентрировано на областях разностного изображения, которые действительно могут представлять изменения. Следует отметить, что выбор интересующей области (или областей) может включать в себя использование сравнения с пороговыми значениями и подобных методов для выявления интересующих областей, которые представляют изменения, считающиеся значимыми.
При необходимости система дополнительно содержит пользовательский интерфейс ввода для обеспечения возможности указания пользователем по меньшей мере одной интересующей области на разностном изображении. Пользовательский интерфейс ввода обеспечивает возможность приема команд, вводимых пользователем с пользовательского устройства ввода, выполненного с возможностью управления пользователем. В частности, пользователь может указывать интересующую область на разностном изображении с помощью пользовательского устройство ввода, например компьютерной мыши, клавиатуры или сенсорного экрана. В качестве неограничивающего примера пользователь может перемещать экранный указатель и указывать интересующую область щелчком в интересующей области на разностном изображении. Таким образом, пользователь имеет возможность указывать на разностном изображении интересующие области, к которым требуется применить обнаружение изменения.
При необходимости первое медицинское изображение и второе медицинское изображение являются объемными изображениями. При необходимости первое медицинское изображение и второе медицинское изображение представляют продольные данные визуализации. Под продольными данными визуализации понимают данные визуализации, которые получены для одного и того же пациента неоднократно, например во время последующих исследований. По существу эти медицинские изображения представляют изменения, возникающие у конкретного пациента, например в связи с болезнью или восстановлением. Такое применение обнаружения изменений является особенно актуальным.
При необходимости процессор выполнен с возможностью формирования выходного изображения, представляющего собой визуализацию упомянутой маркировки данных изображения. Визуализация маркировки на выходном изображении может облегчить просмотр и оценку обнаруженных изменений на разностном изображении. Выходное изображение может быть выведено на внутренний и внешний дисплей для визуализации. В альтернативном варианте реализации маркировка может быть использована в других, не связанных с визуализацией целях, например, в качестве входных данных системы поддержки принятия клинических решений, в качестве входных данных алгоритма автоматической классификации и т.д.
При необходимости процессор выполнен с возможностью формирования визуализации в виде наложения поверх по меньшей мере одного из: разностного изображения, первого медицинского изображения и второго медицинского изображения. Такое наложение может эффективно способствовать визуализации и оценке обнаруженных изменений на разностном изображении, первом медицинском изображении и/или втором медицинском изображении. Таким образом, это может помочь пользователю лучше интерпретировать изменения.
Специалистам в данной области техники понятно, что два или более вариантов осуществления, реализаций и/или опциональных аспектов настоящего изобретения могут быть скомбинированы любым подходящим образом.
Модификации и изменения сервера, рабочей станции, устройства визуализации, способа и/или компьютерного программного продукта, которые соответствуют описанным модификациям или вариантам системы, могут быть выполнены специалистом в данной области техники на основе настоящего описания.
Специалисту в данной области техники понятно, что настоящие система и способ могут быть применены к данным многомерного изображения, например, к двумерным (2D), трехмерным (3D) или четырехмерным (4D) изображениям, полученным различными методами осуществления изображений, такими как, без ограничений, формирование стандартных рентгеновских изображений, компьютерная томография (КТ), магнитно-резонансная томография (МРТ), ультразвуковое исследование (УЗИ), позитронно-эмиссионная томография (ПЭТ), однофотонная эмиссионная компьютерная томография (ОФЭКТ) и ядерная медицина (ЯМ).
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Эти и другие аспекты изобретения будут очевидны и дополнительно освещены со ссылкой на варианты реализации, описанные на примерах в последующем описании и со ссылкой на прилагаемые чертежи, где:
на ФИГ. 1 приведена система для обнаружения изменений на медицинских изображениях;
на ФИГ. 2A приведено первое медицинское изображение;
на ФИГ. 2B приведено второе медицинское изображение;
на ФИГ. 2C приведено разностное изображение, представляющее различия в интенсивности между первым медицинским изображением и вторым медицинским изображением;
на ФИГ. 3 приведено распределение интенсивности разностного изображения, показанное на ФИГ. 2C, и компоненты гауссовых смесей, подогнанные под распределение интенсивности;
на ФИГ. 4 приведено второе медицинское изображение, показанное на ФИГ. 2B, на котором маркировка данных изображения системой показана в виде наложения;
на ФИГ. 5 приведен способ обнаружения изменений на медицинских изображениях; и
на ФИГ. 6 приведен компьютерочитаемый носитель, содержащий инструкции, выполнение которых процессорной системой приводит к осуществлению ею способа.
Следует отметить, что фигуры чертежей исключительно схематические и представлены не в масштабе. На фигурах элементы, которые соответствуют уже рассмотренным элементам, могут иметь те же самые ссылочные позиции.
Список ссылочных позиций
Следующий список ссылочных позиций представлен для облегчения интерпретации чертежей и не должен рассматриваться, как ограничивающий формулу изобретения.
020 - репозиторий изображений
022 - первое медицинское изображение
024 - второе медицинское изображение
040 - пользовательское устройство ввода
042 - вводимые пользователем команды
062 - данные отображения
080 - дисплей
100 - система для обнаружения изменений на медицинских изображениях
120 - интерфейс данных изображения
140 - пользовательский интерфейс ввода
142 - обмен данными
160 - процессор
200 - первое медицинское изображение
210 - второе медицинское изображение
220 - разностное изображение
300 - распределение интенсивности разностного изображения
315 - первый компонент подогнанной модели смесей
320 - второй компонент подогнанной модели смесей
325 - точка пересечения первого и второго компонентов
410 - маркированное медицинское изображение
415 - маркировка данных изображения
500 - способ обнаружения изменений на медицинских изображениях
510 - осуществление доступа к медицинским изображениям
520 - формирование разностного изображения
530 - определение распределения интенсивности
540 - подгонка модели смесей
550 - определение диапазонов интенсивности
560 - маркировка данных изображения
670 - компьютерочитаемый носитель
680 - инструкции, хранящиеся в виде некратковременных данных
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
На ФИГ. 1 приведена система 100, которая выполнена с возможностью обнаружения изменений на медицинских изображениях. Система 100 содержит интерфейс 120 данных, выполненный с возможностью осуществления доступа к первому медицинскому изображению и второму медицинскому изображению. В примере на ФИГ. 1 показано, что интерфейс 120 данных изображения соединен с внешним репозиторием 020 изображений, который содержит данные изображения первого медицинского изображения 022 и второго медицинского изображения 024. Например, репозиторий 020 изображений может представлять собой или являться частью системы архивации и передачи изображений (PACS) больничной информационной системы (HIS), к которой может быть подключена, или в которую может входить система 100. Соответственно, система 100 может получать доступ к данным изображения первого медицинского изображения 022 и второго медицинского изображения 024 посредством HIS. В альтернативном варианте реализации данные изображения первого медицинского изображения и второго медицинского изображения могут быть доступны из внутреннего хранилища данных системы 100. Вообще, интерфейс 120 данных изображения может иметь различные формы, такие как сетевой интерфейс с локальной или глобальной вычислительной сетью, такой как Интернет, интерфейс хранилища с внутренним или внешним хранилищем данных и т.д.
Система 100 также содержит процессор 160. Процессор 160 выполнен с возможностью приема данных 022 изображения из интерфейса 120 данных изображения во время эксплуатации системы 100 для формирования разностного изображения, представляющего различия в интенсивности между первым медицинским изображением и вторым медицинским изображением и для определения распределения интенсивности разностного изображения. Процессор 160 также выполнен с возможностью подгонки модели смесей под распределение интенсивности для выявления множества вероятностных распределений, которые в совокупности моделируют распределение интенсивности, и для определения множества диапазонов интенсивности в распределении интенсивности, причем каждый из множества диапазонов интенсивности определяется как функция от соответствующего одного из множества вероятностных распределений. Процессор 160 также выполнен с возможностью маркировки данных разностного изображения путем определения того, в какой из множества диапазонов интенсивности попадают эти маркируемые данные изображения.
Эти и другие аспекты работы системы 100 будут дополнительно прояснены со ссылкой на ФИГ. 2–4.
На ФИГ. 1 также показан опциональный аспект системы 100, заключающийся в том, что процессор 160 может быть выполнен с возможностью формирования выходного изображения, представляющего собой визуализацию указанной маркировки данных изображения. Выходное изображение может быть выведено во внешний дисплей 080 в виде данных 062 отображения. В альтернативном варианте реализации дисплей может быть частью системы 100. В альтернативном варианте реализации данные 062 отображения могут формироваться отдельным дисплейным процессором (не показан), причем процессор 160 подает выходное изображение в дисплейный процессор.
На ФИГ. 1 также показано, что система 100 при необходимости содержит пользовательский интерфейс 140 ввода, выполненный с возможностью приема команд 042, вводимых пользователем с пользовательского устройства 040 ввода, для обеспечения возможности указания пользователем интересующей области на разностном изображении с использованием пользовательского устройства 040 ввода. Эта функциональная возможность будет далее объяснена со ссылкой на ФИГ. 2A–C. Пользовательское устройство 040 ввода может быть выполнено в различных вариантах, в том числе, без ограничений, в виде компьютерной мыши, сенсорного экрана, клавиатуры и т.д. На ФИГ. 1 показано пользовательское устройство ввода в виде компьютерной мыши 040. Вообще, пользовательский интерфейс 140 ввода может представлять собой интерфейс ввода, тип которого может соответствовать типу пользовательского устройства 040 ввода, т.е. он может быть к тому же соответствующим интерфейсом пользовательского устройства.
Система 100 может быть реализована в виде или внутри отдельного устройства или аппарата, такого как мобильное устройство (переносной компьютер, планшет, смартфон и т. д.), сервер, рабочая станция или устройство визуализации. Устройство или аппарат может содержать один или более микропроцессоров, которые исполняют соответствующее программное обеспечение. Программное обеспечение может быть загружено и/или храниться в соответствующей памяти, например, в энергозависимом запоминающем устройстве, таком как оперативное запоминающее устройство (ОЗУ), или в энергонезависимом запоминающем устройстве, таком как флэш-память. Процессор может быть компьютерным процессором, микропроцессором и т.п. В альтернативном варианте функциональные блоки системы, например интерфейс данных изображения, пользовательский интерфейс ввода и процессор, могут быть реализованы в устройстве или аппарате в виде программируемой логики, например, программируемой пользователем вентильной матрицы (ППВМ). В целом, каждый функциональный блок системы может быть реализован в виде схемы. Следует отметить, что система 100 также может быть реализована в распределенном виде, например, включающем в себя различные устройства или аппараты. Например, распределение может быть в соответствии с моделью клиент-сервер, скажем, с использованием сервера и рабочей станции PACS для тонкой клиентской сети.
На ФИГ. 2A–C и 3 показаны различные промежуточные результаты работы процессора 160 системы 100, изображенной на ФИГ. 1. А именно, на ФИГ. 2A показано первое медицинское изображение 200, а на ФИГ. 2B показано второе медицинское изображение 210. Оба медицинских изображения 200, 210 могут представлять данные изображения пациента, например полученные в разное время. На ФИГ. 2C приведено разностное изображение 220, представляющее различия в интенсивности между первым медицинским изображением и вторым медицинским изображением. Разностное изображение 220 может быть получено, например, путем вычитания первого медицинского изображения из второго медицинского изображения и наоборот. На ФИГ. 3 приведены распределение 300 интенсивности разностного изображения 220, приведенного на ФИГ. 2C, и компоненты 315, 320 модели смесей, которые получены в результате оценки процессором для аппроксимации распределения 300 интенсивности. Следует отметить, что на ФИГ. 3 горизонтальная ось представляет разницу интенсивностей, а вертикальная ось представляет значение вероятности.
После того, как распределение 300 интенсивности определено процессором, можно выявить множество вероятностных распределений, которые в совокупности моделируют распределение 300 интенсивности, а именно, путем подгонки модели смесей под распределение 300 интенсивности. Модель смесей может быть смесью ряда компонентов, где каждый компонент принадлежит к одному и тому же параметрическому семейству распределений. В примере, изображенном на ФИГ. 3, показано, что подогнанная модель смесей содержит первый компонент 315 и второй компонент 320, которые в совокупности моделируют распределение 300 интенсивности. Следует отметить, что модели смесей и алгоритмы для подгонки моделей смесей к распределению интенсивности известны как таковые в области статистики. В примере, приведенном на ФИГ. 3, модель гауссовых смесей может быть подогнана под распределение 300 интенсивности. Однако это не является ограничением в том смысле, что могут быть использованы также модели смесей других известных типов. В частности, выбор типа модели смесей может зависеть от (ожидаемого) распределения интенсивности разностного изображения и может быть выбран вручную, например, может быть предварительно заданным, для конкретного клинического применения.
После того, как компоненты подогнанной модели смесей определены, можно определить множество диапазонов интенсивности как функцию от выявленных вероятностных распределений. Например, каждый диапазон интенсивности может быть определен для преставления конкретного интервала вероятности. Как правило, диапазон интенсивности может быть определен как представляющий диапазон интенсивности, в котором вероятно, или наиболее вероятно, что значение интенсивности принадлежит субпопуляции, моделируемой соответствующим вероятностным распределением, из которого был выведен данный интервал интенсивности. В качестве неограничивающего примера диапазоны интенсивности могут быть определены на основе точек пересечения между компонентами подогнанной модели смесей. В примере, изображенном на ФИГ. 3, можно определить точку 325 пересечения первого и второго компонентов и затем на основе этой точки 325 пересечения можно определить диапазоны интенсивности. В данном конкретном примере точка пересечения может соответствовать значению разности интенсивностей «50». Соответственно, можно определить первый диапазон со значением «50» в качестве верхней границы и второй диапазон со значением «50» в качестве нижней границы.
На ФИГ. 4 приведено маркированное медицинское изображение 410, на котором маркировка 415 данных изображения системой 100, изображенной на ФИГ. 1, показана в виде наложения. Маркированное разностное изображение 410 может быть сформировано системой 100, приведенной на ФИГ. 1, в качестве выходного изображения, например для показа клиническому специалисту. Маркировку можно выполнять путем определения того, в какой из множества диапазонов интенсивности попадают данные изображения разностного изображения. По существу, можно промаркировать пиксель или воксель для указания, к какой субпопуляции принадлежит конкретный пиксель или воксель согласно оценке. Примером такой маркировки является просто тип A, тип B, тип C и т.д. либо подобная нейтральная маркировка. Поэтому маркировки могут не представлять непосредственно биологическую интерпретацию. Тем не менее, такая биологическая интерпретация может быть в явной форме или опосредованно назначена маркировкам, например рентгенологом или с помощью алгоритма автоматической классификации.
Следует отметить, что хотя маркировка может быть определена на основе распределения интенсивности разностного изображения, визуализация может быть наложена или иным образом объединена с первым и вторым медицинскими изображениями вместо разностного изображения. Пример этого приведен на ФИГ. 4, показывающем наложение визуализации на второе медицинское изображение, приведенное на ФИГ. 2B.
Следует отметить, что перед формированием разностного изображения могут быть выполнены совмещение изображений и/или нормализация интенсивности между первым медицинским изображением и вторым медицинским изображением, хотя это может не понадобиться, например когда оба медицинских изображения уже совмещены или получены таким образом, что совмещения не требуется. Кроме того, в примерах, изображенных на ФИГ. 2–4, первое медицинское изображение и второе медицинское изображение показаны как 2D-изображения. В других примерах изображения могут быть объемными изображениями. Первое медицинское изображение и второе медицинское изображение могут также представлять продольные данные визуализации, например одного и того же пациента. Однако могут быть использованы и изображения разных пациентов.
Также следует отметить, что разностное изображение может быть сформировано на основе всего разностного изображения или, в частности, из одной или более интересующих областей разностного изображения. Интересующая область может быть подобластью или подобъемом, которые могут содержать интересующую точку и окружающие данные изображения. Интересующая область на разностном изображении может быть выбрана на основе данных изображения интересующей области, представляющей ненулевую разницу на разностном изображении. Дополнительно или в качестве альтернатив интересующая область может быть выбрана пользователем с помощью пользовательского средства ввода системы 100, изображенной на ФИГ. 1. В качестве примера пользователь может указывать интересующую область на разностном изображении с помощью компьютерной мыши. В качестве неограничивающего примера пользователь может перемещать экранный указатель и указывать интересующую область щелчком в интересующей области на разностном изображении.
На ФИГ. 5 приведен способ 500 обнаружения изменений на медицинских изображениях. Следует отметить, что способ 500 может, но не обязан, соответствовать работе системы 100, которая описана со ссылкой на ФИГ. 1. Способ 500 включает, в операции под названием «ОСУЩЕСТВЛЕНИЕ ДОСТУПА К МЕДИЦИНСКИМ ИЗОБРАЖЕНИЯМ», осуществление 510 доступа к первому медицинскому изображению и второму медицинскому изображению. Способ 500 далее включает, в операции под названием «ФОРМИРОВАНИЕ РАЗНОСТНОГО ИЗОБРАЖЕНИЯ», формирование 520 разностного изображения, представляющего различия в интенсивности между первым медицинским изображением и вторым медицинским изображением. Способ 500 далее включает, в операции под названием «ОПРЕДЕЛЕНИЯ РАСПРЕДЕЛЕНИЯ ИНТЕНСИВНОСТИ», определение 530 распределения интенсивности разностного изображения. Способ 500 далее включает, в операции под названием «ПОДГОНКА МОДЕЛИ СМЕСЕЙ», подгонку 540 модели смесей под распределение интенсивности для выявления множества вероятностных распределений, которые в совокупности моделируют распределение интенсивности. Способ 500 далее включает, в операции под названием «ОПРЕДЕЛЕНИЕ ДИАПАЗОНОВ ИНТЕНСИВНОСТИ», определения 550 множества диапазонов интенсивности в распределении интенсивности, причем каждый из множества диапазонов интенсивности определяется как функция от соответствующего одного из множества вероятностных распределений. Процессор 500 далее включает, в операции под названием «МАРКИРОВКА ДАННЫХ ИЗОБРАЖЕНИЯ», маркировку 560 данных разностного изображения путем определения того, в какой из множества диапазонов интенсивности попадают эти маркируемые данные изображения.
Понятно, что вышеупомянутые операции могут быть выполнены в любом подходящем порядке, например последовательно, одновременно или в сочетании того и другого в зависимости, где уместно, от необходимости конкретного порядка выполнения, например, из-за отношений ввода/вывода.
Способ 500 может быть реализован на компьютере в виде компьютеризованного способа, в виде специализированного оборудования или в виде их сочетания. Как также показано на ФИГ. 6, инструкции для компьютера, например, исполнимый код, могут храниться на компьютерочитаемом носителе 670, например, в виде последовательности 680 компьютерочитаемых физических меток и/или последовательности элементов, обладающих разными электрическими, например, магнитными, или оптическим свойствами или значениями. Исполнимый код может храниться с использованием или без использования физического носителя данных. В число примеров компьютерочитаемых носителей входят запоминающие устройства, оптические запоминающие устройства, интегральные схемы, серверы, интерактивное программное обеспечение и т.д. На ФИГ. 6 показан оптический диск 670.
Примеры, варианты реализации или дополнительные признаки, указаны ли они как неограничивающие или нет, не следует понимать как ограничивающие изобретение, описанное в формуле изобретения.
Понятно, что изобретение также распространяется на компьютерные программы, в частности, на компьютерные программы на или в носителе, приспособленном для воплощения изобретения на практике. Программа может быть в виде исходного кода, объектного кода, промежуточного источника кода и объектного кода, например, в частично компилированном виде или любом ином виде, пригодном для использования в реализации способа согласно настоящему изобретению. Понятно также, что такая программа может иметь множество различных структур на архитектурном уровне. Например, программный код, реализующий функциональные возможности способа или системы в соответствии с настоящим изобретением, может быть подразделен на одну или несколько подпрограмм. Специалистам в данной области техники понятны множество различных способов распределения функциональных возможностей между этими подпрограммами. Подпрограммы могут быть сохранены вместе в одном исполняемом файле с образованием независимой программы. Такой исполняемый файл может содержать инструкции, которые могут быть выполнены компьютером, например, инструкции процессору и/или инструкции интерпретатору (например, инструкции интерпретатору Java). В альтернативном варианте одна или более, либо все подпрограммы могут храниться в по меньшей мере одной внешней библиотеке файлов и связываться с основной программой статически или динамически, например во время исполнения. Основная программа содержит по меньшей мере одно обращение к по меньшей мере одной из подпрограмм. Подпрограммы могут также содержать обращения к функциям друг друга. Вариант реализации, относящийся к компьютерному программному продукту, содержит выполненные с возможностью исполнения инструкции, соответствующие каждой стадии обработки по меньшей мере одного из способов, изложенных в настоящем описании. Эти инструкции могут подразделяться на подпрограммы и/или храниться в одном или более файлов, которые могут быть связаны статически или динамически. Другой вариант реализации, относящийся к компьютерному программному продукту, содержит выполненные с возможностью исполнения инструкции, соответствующие каждому средству по меньшей мере одной из систем и/или продуктов, изложенных в настоящем описании. Эти инструкции могут подразделяться на подпрограммы и/или храниться в одном или более файлов, которые могут быть связаны статически или динамически.
Носитель компьютерной программы может быть любым объектом или устройством, выполненным с возможностью содержания программы. Например, носитель может включать в себя хранилище данных, такое как постоянное запоминающее устройство (ПЗУ), например, ПЗУ на компакт-диске (CD ROM) или полупроводниковое ПЗУ, носитель магнитной записи, например, накопитель на жестком диске. Кроме того, носитель может быть носителем, выполненным с возможностью передачи, таким как электрический или оптический сигнал, который может быть передан по электрическому или оптическому кабелю, или по радио, или другими средствами. Когда программа реализована в виде такого сигнала, носитель может быть выполнен в виде такого кабеля, или другого устройства или средств. В альтернативном варианте носитель может быть интегральной схемой, в которой реализована программа, причем эта интегральная схема адаптируется для выполнения или использования при выполнении соответствующего способа.
Следует отметить, что вышеупомянутые варианты реализации иллюстрируют, а не ограничивают, настоящее изобретение, и что специалисты в данной области техники в состоянии разработать множество альтернативных вариантов реализации, не выходящих за пределы объема прилагаемой формулы изобретения. В пунктах формулы любые ссылочные позиции, заключенные в скобки, не должны толковаться как ограничивающие этот пункт. Использование глагола «содержит/включает в себя» и его спряжений не исключает наличия других элементов или стадий, кроме указанных в пункте формулы изобретения. Грамматические средства выражения единственного числа, используемые с элементом, не исключает наличия множества таких элементов. Настоящее изобретение может быть реализовано посредством оборудования, содержащего несколько различных элементов, и посредством запрограммированного соответствующим образом компьютера. В описывающем устройство пункте, перечисляющем несколько средств, некоторые из этих средств могут быть реализованы одним и тем же элементом оборудования. Сам факт того, что определенные меры изложены во взаимно отличающихся различных пунктах формулы, не означает того, комбинация этих мер не может быть эффективно использована.
Claims (33)
1. Система (100) для обнаружения изменений на медицинских изображениях, содержащая:
интерфейс (120) данных изображения, выполненный с возможностью осуществления доступа к первому медицинскому изображению (022, 200) и второму медицинскому изображению (024, 210);
процессор (160), выполненный с возможностью:
- формирования разностного изображения (220), представляющего различия в интенсивности между первым медицинским изображением (022, 200) и вторым медицинским изображением (024, 210);
- определения распределения (300) интенсивности разностного изображения (220);
- подгонки модели смесей под распределение интенсивности для выявления множества (315, 320) вероятностных распределений, которые в совокупности моделируют распределение (300) интенсивности, причем каждое из множества вероятностных распределений представляет разный тип изменения;
- определения множества диапазонов интенсивности в распределении (300) интенсивности, причем каждый диапазон из множества диапазонов интенсивности определен как функция от соответствующего одного из множества (315, 320) вероятностных распределений и представляет разный тип изменения; и
- маркировки данных изображения разностного изображения (220) путем определения того, в какой из множества диапазонов интенсивности попадают указанные маркируемые данные изображения.
2. Система (100) по п. 1, в которой модель смесей представляет собой модель гауссовых смесей, а вероятностные распределения (315, 320) являются гауссовыми распределениями.
3. Система (100) по п. 1, в которой процессор (160) выполнен с возможностью определения точек (325) пересечения между множеством вероятностных распределений (315, 320), причем множество диапазонов интенсивности определено на основе точек (325) пересечения.
4. Система (100) по любому из предшествующих пунктов, в которой процессор (160) выполнен с возможностью, перед формированием разностного изображения (220), осуществления одного из следующего:
- совмещения изображений и
- нормализации интенсивности между первым медицинским изображением и вторым медицинским изображением.
5. Система (100) по любому из предшествующих пунктов, в которой процессор (160) выполнен с возможностью, после формирования разностного изображения (220):
- выбора по меньшей мере одной интересующей области на разностном изображении и
- определения распределения интенсивности для выборочного представления распределения интенсивности указанной по меньшей мере одной интересующей области.
6. Система (100) по п. 5, в которой процессор (160) выполнен с возможностью выбора указанной по меньшей мере одной интересующей области на разностном изображении (220) на основе данных изображения интересующей области, представляющей ненулевую разницу.
7. Система (100) по п. 5, дополнительно содержащая пользовательский интерфейс (140) ввода для обеспечения возможности указания пользователем указанной по меньшей мере одной интересующей области на разностном изображении (220).
8. Система (100) по любому из предшествующих пунктов, в которой первое медицинское изображение (022, 200) и второе медицинское изображение (024, 210) являются объемными изображениями.
9. Система (100) по любому из предшествующих пунктов, в которой первое медицинское изображение (022, 200) и второе медицинское изображение (024, 210) представляют продольные данные визуализации.
10. Система (100) по любому из предшествующих пунктов, в которой процессор (160) выполнен с возможностью формирования выходного изображения (410), представляющего собой визуализацию (415) маркировки данных изображения.
11. Система (100) по п. 10, в которой процессор (160) выполнен с возможностью формирования визуализации (415) в виде наложения поверх по меньшей мере одного из: разностного изображения, первого медицинского изображения и второго медицинского изображения.
12. Сервер, содержащий систему (100) по любому из пп. 1–11.
13. Рабочая станция, содержащая систему (100) по любому из пп. 1–11.
14. Устройство визуализации, содержащее систему (100) по любому из пп. 1–11.
15. Способ (500) обнаружения изменений на изображениях, включающий:
- осуществление (510) доступа к первому медицинскому изображению и второму медицинскому изображению;
- формирование (520) разностного изображения, представляющего различия в интенсивности между первым медицинским изображением и вторым медицинским изображением;
- определение (530) распределения интенсивности разностного изображения;
- подгонку (540) модели смесей под распределение интенсивности для выявления множества вероятностных распределений, которые в совокупности моделируют распределение интенсивности, причем каждое из множества вероятностных распределений представляет разный тип изменения;
- определение (550) множества диапазонов интенсивности в распределении интенсивности, причем каждый диапазон из множества диапазонов интенсивности определен как функция от соответствующего одного из множества вероятностных распределений и представляет разный тип изменения; и
- маркировку (560) данных изображения разностного изображения путем определения того, в какой из множества диапазонов интенсивности попадают указанные маркируемые данные изображения.
16. Компьютерочитаемый носитель (670), содержащий кратковременные или некратковременные данные (680), представляющие инструкции, выполнение которых процессорной системой приводит к осуществлению ею способа по п. 15.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP16176819 | 2016-06-29 | ||
| EP16176819.7 | 2016-06-29 | ||
| PCT/EP2017/066130 WO2018002221A1 (en) | 2016-06-29 | 2017-06-29 | Change detection in medical images |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| RU2019102481A RU2019102481A (ru) | 2020-07-29 |
| RU2019102481A3 RU2019102481A3 (ru) | 2020-10-20 |
| RU2752690C2 true RU2752690C2 (ru) | 2021-07-29 |
Family
ID=56296582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2019102481A RU2752690C2 (ru) | 2016-06-29 | 2017-06-29 | Обнаружение изменений на медицинских изображениях |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US11182901B2 (ru) |
| EP (1) | EP3479349B1 (ru) |
| JP (1) | JP6595729B2 (ru) |
| CN (1) | CN109416835B (ru) |
| CA (1) | CA3029143A1 (ru) |
| RU (1) | RU2752690C2 (ru) |
| WO (1) | WO2018002221A1 (ru) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113966500A (zh) * | 2019-04-11 | 2022-01-21 | 惠普发展公司，有限责任合伙企业 | 识别生理识别的重要部分与机器识别的重要部分之间的差异 |
| CN111445507B (zh) * | 2020-04-16 | 2023-07-18 | 北京深测科技有限公司 | 一种非视域成像的数据处理方法 |
| CN112288639A (zh) * | 2020-07-20 | 2021-01-29 | 深圳市智影医疗科技有限公司 | 影像对比减影方法、装置、终端设备及存储介质 |
| EP4083914A1 (en) * | 2021-04-29 | 2022-11-02 | Koninklijke Philips N.V. | Image processing device and method |
| WO2023205509A1 (en) * | 2022-04-22 | 2023-10-26 | Veytel, Llc | Method for registering two or more patient images for change assessment over time |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040092809A1 (en) * | 2002-07-26 | 2004-05-13 | Neurion Inc. | Methods for measurement and analysis of brain activity |
| RU2013124021A (ru) * | 2010-10-25 | 2014-12-10 | Конинклейке Филипс Электроникс Н.В. | Система для сегментации медицинского изображения |
| RU2604706C2 (ru) * | 2011-03-15 | 2016-12-10 | Конинклейке Филипс Н.В. | Указатель картирования коррелированных изображений |
Family Cites Families (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0786914B2 (ja) * | 1986-11-07 | 1995-09-20 | 株式会社日立製作所 | 画像を用いた変化検出方法 |
| US5273040A (en) * | 1991-11-14 | 1993-12-28 | Picker International, Inc. | Measurement of vetricle volumes with cardiac MRI |
| US20030058237A1 (en) * | 2001-09-27 | 2003-03-27 | Koninklijke Philips Electronics N.V. | Multi-layered background models for improved background-foreground segmentation |
| FR2830962B1 (fr) * | 2001-10-12 | 2004-01-30 | Inst Nat Rech Inf Automat | Dispositif et methode de traitement d'image pour detection de lesions evolutives |
| US20030156759A1 (en) * | 2002-02-19 | 2003-08-21 | Koninklijke Philips Electronics N.V. | Background-foreground segmentation using probability models that can provide pixel dependency and incremental training |
| US7190809B2 (en) * | 2002-06-28 | 2007-03-13 | Koninklijke Philips Electronics N.V. | Enhanced background model employing object classification for improved background-foreground segmentation |
| US20040092829A1 (en) | 2002-11-07 | 2004-05-13 | Simon Furnish | Spectroscope with modified field-of-view |
| US20040241670A1 (en) * | 2003-06-02 | 2004-12-02 | Srinka Ghosh | Method and system for partitioning pixels in a scanned image of a microarray into a set of feature pixels and a set of background pixels |
| GB0326381D0 (en) * | 2003-11-12 | 2003-12-17 | Inst Of Cancer Res The | A method and means for image processing |
| US20050197981A1 (en) * | 2004-01-20 | 2005-09-08 | Bingham Clifton W. | Method for identifying unanticipated changes in multi-dimensional data sets |
| US8160296B2 (en) * | 2005-04-15 | 2012-04-17 | Mississippi State University Research And Technology Corporation | Change analyst |
| US7653263B2 (en) * | 2005-06-30 | 2010-01-26 | General Electric Company | Method and system for volumetric comparative image analysis and diagnosis |
| WO2009003198A1 (en) * | 2007-06-28 | 2008-12-31 | Mayo Foundation For Medical Education And Research | System and method for automatically detecting change in a series of medical images of a subject over time |
| US8731334B2 (en) * | 2008-08-04 | 2014-05-20 | Siemens Aktiengesellschaft | Multilevel thresholding for mutual information based registration and image registration using a GPU |
| US8731255B2 (en) * | 2008-11-05 | 2014-05-20 | University Of Louisville Research Foundation, Inc. | Computer aided diagnostic system incorporating lung segmentation and registration |
| US8265390B2 (en) * | 2008-11-11 | 2012-09-11 | Siemens Medical Solutions Usa, Inc. | Probabilistic segmentation in computer-aided detection |
| US20100158332A1 (en) * | 2008-12-22 | 2010-06-24 | Dan Rico | Method and system of automated detection of lesions in medical images |
| FR2946171B1 (fr) * | 2009-05-29 | 2011-07-15 | Groupe Des Ecoles De Telecommunications Get Ecole Nationale Superieure Des Telecommunications Enst | Procede de quantification de l'evolution de pathologies impliquant des changements de volumes de corps, notamment de tumeurs |
| GB2478329B (en) | 2010-03-03 | 2015-03-04 | Samsung Electronics Co Ltd | Medical image processing |
| CN102005049B (zh) | 2010-11-16 | 2012-05-09 | 西安电子科技大学 | 基于单边广义高斯模型的sar图像变化检测阈值方法 |
| CN102005050B (zh) | 2010-11-16 | 2013-04-17 | 西安电子科技大学 | 用于变化检测的高斯对数模型单边曲率拟合阈值方法 |
| CN102014240B (zh) * | 2010-12-01 | 2013-07-31 | 深圳市蓝韵实业有限公司 | 一种实时医学视频图像去噪方法 |
| CN102013095A (zh) * | 2010-12-09 | 2011-04-13 | 哈尔滨工业大学 | 基于分布变换的多传感器图像融合方法 |
| US9710730B2 (en) * | 2011-02-11 | 2017-07-18 | Microsoft Technology Licensing, Llc | Image registration |
| GB201117807D0 (en) * | 2011-10-14 | 2011-11-30 | Siemens Medical Solutions | Identifying hotspots hidden on mip |
| US9186086B2 (en) * | 2011-11-30 | 2015-11-17 | Siemens Aktiengesellschaft | Small tissue property change detection in magnetic resonance guided intervention |
| US9370304B2 (en) * | 2012-06-06 | 2016-06-21 | The Regents Of The University Of Michigan | Subvolume identification for prediction of treatment outcome |
| EP2987106A4 (en) * | 2013-04-18 | 2016-12-14 | Digimarc Corp | ACQUIRING AND ANALYZING PHYSIOLOGICAL DATA |
| US9311570B2 (en) * | 2013-12-06 | 2016-04-12 | Kabushiki Kaisha Toshiba | Method of, and apparatus for, segmentation of structures in medical images |
| US9697603B2 (en) * | 2014-12-19 | 2017-07-04 | Toshiba Medical Systems Corporation | Medical image data processing system and method for vessel segmentation using pre- and post-contrast data |
| US10255526B2 (en) * | 2017-06-09 | 2019-04-09 | Uptake Technologies, Inc. | Computer system and method for classifying temporal patterns of change in images of an area |
| US10699410B2 (en) * | 2017-08-17 | 2020-06-30 | Siemes Healthcare GmbH | Automatic change detection in medical images |
-
2017
- 2017-06-29 WO PCT/EP2017/066130 patent/WO2018002221A1/en unknown
- 2017-06-29 CA CA3029143A patent/CA3029143A1/en active Pending
- 2017-06-29 JP JP2018565653A patent/JP6595729B2/ja active Active
- 2017-06-29 CN CN201780040075.4A patent/CN109416835B/zh active Active
- 2017-06-29 RU RU2019102481A patent/RU2752690C2/ru active
- 2017-06-29 US US16/310,521 patent/US11182901B2/en active Active
- 2017-06-29 EP EP17742377.9A patent/EP3479349B1/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040092809A1 (en) * | 2002-07-26 | 2004-05-13 | Neurion Inc. | Methods for measurement and analysis of brain activity |
| RU2013124021A (ru) * | 2010-10-25 | 2014-12-10 | Конинклейке Филипс Электроникс Н.В. | Система для сегментации медицинского изображения |
| RU2604706C2 (ru) * | 2011-03-15 | 2016-12-10 | Конинклейке Филипс Н.В. | Указатель картирования коррелированных изображений |
Non-Patent Citations (2)
Also Published As
| Publication number | Publication date |
|---|---|
| CN109416835A (zh) | 2019-03-01 |
| EP3479349A1 (en) | 2019-05-08 |
| WO2018002221A1 (en) | 2018-01-04 |
| CA3029143A1 (en) | 2018-01-04 |
| US11182901B2 (en) | 2021-11-23 |
| CN109416835B (zh) | 2023-06-27 |
| RU2019102481A (ru) | 2020-07-29 |
| RU2019102481A3 (ru) | 2020-10-20 |
| EP3479349B1 (en) | 2020-01-22 |
| JP6595729B2 (ja) | 2019-10-23 |
| US20190188853A1 (en) | 2019-06-20 |
| JP2019518288A (ja) | 2019-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11610308B2 (en) | Localization and classification of abnormalities in medical images | |
| RU2752690C2 (ru) | Обнаружение изменений на медицинских изображениях | |
| US10813614B2 (en) | Systems and methods for automated analysis of heterotopic ossification in 3D images | |
| EP3959684A1 (en) | Systems and methods for automated and interactive analysis of bone scan images for detection of metastases | |
| Banerjee et al. | Single seed delineation of brain tumor using multi-thresholding | |
| Bardera et al. | Semi-automated method for brain hematoma and edema quantification using computed tomography | |
| WO2010115885A1 (en) | Predictive classifier score for cancer patient outcome | |
| US20200051246A1 (en) | Automatic ct detection and visualization of active bleeding and blood extravasation | |
| US20160217566A1 (en) | Quantitative imaging | |
| Ranjbar et al. | An introduction to radiomics: an evolving cornerstone of precision medicine | |
| Taghanaki et al. | Segmentation-free direct tumor volume and metabolic activity estimation from PET scans | |
| da Silva | Bayesian mixture models of variable dimension for image segmentation | |
| US20110194741A1 (en) | Brain ventricle analysis | |
| Liu et al. | A new multi‐object image thresholding method based on correlation between object class uncertainty and intensity gradient | |
| CN111971751A (zh) | 用于评估动态数据的系统和方法 | |
| Malinda et al. | Lumbar vertebrae synthetic segmentation in computed tomography images using hybrid deep generative adversarial networks | |
| Goyal et al. | Development of a Stand‐Alone Independent Graphical User Interface for Neurological Disease Prediction with Automated Extraction and Segmentation of Gray and White Matter in Brain MRI Images | |
| Goyal et al. | A computational segmentation tool for processing patient brain MRI image data to automatically extract gray and white matter regions | |
| Sumithra et al. | A Survey of Brain Tumor Segmentation Methods with Different Image Modalitites | |
| Peter et al. | Novel registration-based framework for CT angiography in lower legs | |
| Castellani et al. | Visual MRI: Merging information visualization and non-parametric clustering techniques for MRI dataset analysis | |
| Moussa et al. | Tumor volume fuzzification for intelligent cancer staging | |
| WO2017198518A1 (en) | Image data processing device | |
| Rachmadi et al. | Limited one-time sampling irregularity map (lots-im): Automatic unsupervised quantitative assessment of white matter hyperintensities in structural brain magnetic resonance images | |
| Tirumalasetty | An Effective Computational Tool for Segmentation of Gray and White Matter Regions in Brain MRI Images |