SE524500C2 - Förfarande och anordning för bestämning av en tredimensionell kontur av ett organ i en patients kropp - Google Patents

Förfarande och anordning för bestämning av en tredimensionell kontur av ett organ i en patients kropp

Info

Publication number
SE524500C2
SE524500C2 SE0202753A SE0202753A SE524500C2 SE 524500 C2 SE524500 C2 SE 524500C2 SE 0202753 A SE0202753 A SE 0202753A SE 0202753 A SE0202753 A SE 0202753A SE 524500 C2 SE524500 C2 SE 524500C2
Authority
SE
Sweden
Prior art keywords
points
image
contour
contour model
organ
Prior art date
Application number
SE0202753A
Other languages
English (en)
Other versions
SE0202753D0 (sv
SE0202753L (sv
Inventor
Jens Richter
Anders Ericsson
Fredrik Kahl
Karl Aastroem
Original Assignee
Weaidu In Europ Ab
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 Weaidu In Europ Ab filed Critical Weaidu In Europ Ab
Priority to SE0202753A priority Critical patent/SE524500C2/sv
Publication of SE0202753D0 publication Critical patent/SE0202753D0/sv
Publication of SE0202753L publication Critical patent/SE0202753L/sv
Publication of SE524500C2 publication Critical patent/SE524500C2/sv

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1075Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Description

20 25 30 35 = - v » .- 524 500 n n Q e v n o » | ~ nu 2 markörmolekylerna upp i hjärtvävnaden. De partier av hjärtat som har nedsatt genomblödning, dvs de partier som har drabbats av infarkt eller ischemi, tar upp mindre eller eventuellt inget alls av markörmolekylsubstansen.
När dessa molekyler kommit in i hjärtcellerna tar man bilder med en gammakamera, vilken registrerar radio- aktiviteten. I de resulterande bilderna syns hjärtats friska delar som ljusa partier och de sjuka delarna som mörkare partier.
Problemet med myokardscintigrafi är att resultatet, även kallat ett myokardscintigram, är ganska svàrttolkat, och det krävs att läkaren som ska tolka bilderna är en specialist med läng erfarenhet pà området. Det har därför utvecklats datorbaserade hjälpmedel för att hjälpa en mer oerfaren läkare att tolka dessa bilder.
I ett sådant på marknaden tillgängligt system matas de skiktbilder in som avbildar hjärtat. Det är viktigt att endast de bilder som faktiskt avbildar hjärtmuskeln och inte andra delar av kroppen som t ex tarmar, matas in i hjälpsystemet. Å andra sidan är det även viktigt att man matar in alla de bilder som visar hjärtat, och inte ”skär av” det i någon riktning. Det kan dock vara ett problem att hitta var hjärtats högsta och lägsta punkt faktiskt befinner sig i dessa bilder, särskilt om den eller de infarktdrabbade delarna av hjärtat befinner sig i närheten av hjärtats högsta eller lägsta punkt. Om hjärtat t ex drabbats av infarkt i den lägsta delen, är denna del inte ljus på bilden och det är lätt att tolka den mörka bilden som att hjärtat slutade i en tidigare bild. Detta ger dock upphov till en falsk kontur för hjärtat eftersom de av infarkt drabbade delarna inte tas med fullständigt i systemets bedömning. Det finns dessutom en risk att infarktens utbredning bedöms vara mindre än den i själva verket är, eftersom den delen av avbildningen som visar de skadade delarna inte tas med i systemets bedömning. Bilderna i fig 1 visar ett hjärta som avbildats med myokardscintigrafi. Bilderna visar 10 15 20 25 30 35 5 2 4 5 0 0 š-ï* a ø Q | 4 « o u c o oo 3 hjärtat i snitt från botten (apex) till toppen (basen) där snitten ska ses i ordning med början i den översta vänstra bilden. Detta betyder att hjärtats botten (apex) troligen finns avbildad i någon av bilderna i de översta raderna. Intensiteten i bilderna motsvarar mängden levande muskelvävnad. Ju ljusare ett parti är, desto mer levande muskelvävnad finns i den delen av hjärtmuskeln.
Ur fig l kan man utläsa att det avbildade hjärtat endast har liten aktivitet, dvs endast lite levande muskelvävnad vid apex. Även om det är svårt att utläsa ur figuren är det så att apex börjar redan i den 5:e, dvs övre högra bilden.
I US-A-6,lO6,466 beskrivs en metod för att bestämma konturen av ett hjärta med utgångspunkt i ultraljuds- bilder som visar hjärtat i ett antal tvàdimensionella plan. Metoden är inte helt automatisk utan kräver att man granskar ultraljudsbilderna och markerar ett förutbestämt antal bestämda positioner på dem som motsvarar positioner på ett modellhjärta. Modellhjärtat anpassas sedan i plan efter plan till ultraljudsbilderna. Metoden kräver även att man hittar alla de förutbestämda positionerna och går inte att tillämpa på s k funktionella bilder, dvs bilder som endast visar de delar av ett organ som är metaboliskt aktiva, i fallet av ett myokardscintigram de delar av hjärtmuskeln som genomströmmas av blod.
Sammanfattning av uppfinningen Ändamålet med uppfinningen är att anvisa ett förfarande som gör det möjligt att automatiskt bestämma konturen av ett organ på basis av en funktionell bild av organet.
Detta ändamål uppnås enligt uppfinningen genom ett förfarande enligt efterföljande patentkrav 1 och en an- ordning enligt patentkrav 25 samt ett förfarande enligt patentkrav 26. Föredragna utföringsformer framgår av de underordnade patentkraven.
Uppfinningen hänför sig alltså till ett förfarande för bestämning av en kontur av ett organ i en patients 10 15 20 25 30 35 . n q n n 1 | I nu nvqn nu 524 500 » n -...co 1 u- Q . - _ « » 0» 0 'anno- 4 kropp, utifrån en avbildning av organet i minst tre dimensioner, innefattande steget att anpassa en förut- bestämd konturmodell till avbildningen i nämnda minst tre dimensioner En fördel med detta är att man som resultat av för- farandet får en konturm av organet i tre dimensioner och inte endast i ett antal snitt. Denna tredimensionella kontur kan sedan användas för att ge läkaren en möjlighet att på ett enkelt sätt få en uppfattning om utbredningen och formen av eventuella skador på organet.
Förfarandet kan användas på funktionella bilder av organ vilket ger fördelen av att man kan bestämma konturen för organ som avbildats med sàdana metoder som inte direkt ger en bild av organets egentliga kontur utan istället av organets aktivitet, exempelvis blodgenom- strömningen. I en sådan bild är det ofta svårt för ett mänskligt öga att finna den korrekta konturen även då man I tre dimensioner ökar givetvis svårigheterna. endast arbetar i två dimensioner. eller fler Konturmodellen kan representera en genomsnittlig kontur för organ av den aktuella typen, företrädesvis friska sådana. Detta ger fördelen av konturmodellen ger en god uppskattning av organets kontur.
Avbildningen kan utgöras av en avbildningsmatris som innehåller avbildningsdata från en avbildning av organet i nämnda minst tre dimensioner. Detta är fördelaktigt eftersom det är ett enkelt och effektivt sätt att lagra avbildningsdata och eftersom man p g a att matrislagren ligger på bestämda avstånd kan interpolera mellan punkter i avbildningsmatrisen.
Avbildningsmatrisen kan innehålla ofullständig information om det avbildade organets kontur. Detta innebär att en ytterligare fördel med förfarandet är att det kan användas även på bilder som visserligen sträcker sig över, men inte fullständigt visar konturerna av det organ som ska konturbestämmas. Sådana bilder är exempelvis funktionella bilder, såsom myokardscintigram -uztxí ___¿íšïšš___fišïïšÉCIÜ--âå-Zíšxlüí; o n o annan. lO l5 20 25 30 35 o o un .n u wu||a o f . . o nu .nu | nu p . en u ~ a u . «. un» n n . v; a f I | u | n n. . I . ., »Uno ~ n i .n . . I . . . . u u . v n .u . 1. n. c q u c n o .nga a uno-un n a n .a n 5 av hjärtan som drabbats av ischemi i vissa delar.
Förfarandet fungerar följaktligen även pà avbildningar som av nàgon anledning är ”brusiga” och därför är svära att med andra metoder hitta konturen för.
Konturmodellen kan bestämmas, dvs med andra ord definieras, av en punktmängd som innefattar ett flertal punkter och anpassningen kan innefatta att detektera ett antal punkter i avbildningen som motsvarar punkter i konturmodellen. Fördelarna med detta är bland annat att förfarandet kan utföras helt automatiskt, exempelvis med hjälp av ett datorprogram, vilket sparar resurser i form av läkartid. Vidare ger förfarandet samma svar vid samma indata, vilket ger en mer konsekvent uppskattning av organets utsträckning. Detta medger i sin tur säkrare och mer konsekventa diagnoser i det fall metoden används för att skapa underlag till ett hjälpsystem för att diagnostisera kranskärlssjukdomar.
Detekteringen av punkter kan göras genom att söka efter punkter i avbildningen som uppfyller ett förut- bestämt konturkriterium, varvid sökningen görs i riktningar som definieras med hjälp av punkterna på konturmodellen. Detta förstärker de ovannämnda fördelarna av att förfarandet kan utföras automatiskt samt ger en säker bestämning av konturen.
Konturkriteriet kan bestämmas av att ett intensitetsvärde för punkten är större än ett förut- bestämt tröskelvärde. Detta ger fördelen av att man fär en enkelt och effektivt sökning som lätt kan utföras automatiskt.
Sökriktningarna kan bestämmas av normalen mot konturmodellens yta i respektive punkt pà konturmodellen.
Detta ger fördelen av en enkel och entydig bestämning av sökriktningarna som ger ett snabbt och bra resultat.
Anpassningen kan baseras på de på avbildningen detekterade punkterna, vilka kan vara sådana att de punkter pà konturmodellen som motsvarar de detekterade punkterna utgör en delmängd av punktmängden som bestämmer -~: æuis°=,r-U¿:-:«íw: 41%! 4:a --.;;; , fzoc: 10 15 20 25 30 35 0 o fn; 1 1 vc en n ~ o 0 4 a u n 1 v Q I » n n . - 1 v e v | 1, 1 I 524 500 u-0 . . ~ . u-ua --.oo 6 konturmodellen. Detta ger fördelen av att förfarandet kan användas för avbildningar som inte innehåller fullständig information om det avbildade organets kontur.
Anpassningen kan ske iterativt, vilket ger fördelen av att man kan erhålla en bättre anpassning genom att man under sökningen i en ny iteration kan utgå från den konturmodell som anpassats i det föregående steget. På så vis kan man erhålla en ännu säkrare konturbestämning.
Avbildningen och konturmodellen kan linjeras upp innan anpassningen sker, vilket kan ske genom att tyngd- punkten för en delmängd av punkterna på konturmodellen linjeras upp med tyngdpunkten för motsvarande punkter på avbildningen. Detta är fördelaktigt eftersom man på ett enkelt sätt kan bestämma ett startläge för hur kontur- modellen och avbildningen ligger i förhållande till varandra innan anpassningen startar. Detta gör att man vid ett iterativt förfarande minskar antalet nödvändiga iterationer. Därmed minskar även tidsàtgången och den erforderliga datorkapaciteten. Även då förfarandet inte utförs iterativt är en korrekt startlägesbestämning fördelaktig eftersom den ger möjlighet att göra en mer korrekt anpassning.
Organet kan vara ett hjärta, och den tre- dimensionella konturen av hjärtats vänsterkammarvågg bestämmas. Avbildningsmatrisen kan innehålla intensitets- värden från ett scintigram. Detta ger fördelen att man kan använda förfarandet vid analys av myokardscintigram, och särskilt vid ett datorbaserat hjälpsystem för läkare vid diagnostisering av kranskärlssjukdomar. Användningen av förfarandet ger då en snabb, säker, konsekvent och effektiv bestämning av hjärtats utsträckning.
Anpassningen av konturmodellen kan omfatta stegen translation, skalning och formanpassning. Det ger fördelen av att man kan åstadkomma en enklare och bättre anpassning.
Konturmodellen och avbildningen av hjärtat kan linjeras upp innan anpassningen sker genom att man söker »law lf* z :Å iš: Ifåêšfi; . . aouooo 10 15 20 25 30 35 c n nu c u nu o: .n gu a n. u n! ro o | av n . v- o wo 1 u r u I» o o a c v o u nu o c .u s om m: v; . n i u. u nu; n. . . q i o u n a s n » o q u ; g v v 1 - no 1- n ~.n a. I 7 upp ett antal punkter som ligger längs det avbildade hjärtats vänsterkammares bas, beräknar tyngdpunkten för dessa punkter, beräknar tyngdpunkten för de motsvarande punkterna på konturmodellen och flyttar konturmodellen så att dessa båda tyngdpunkter sammanfaller. Detta har fördelen av att vara ett enkelt och effektivt sätt för att linjera upp konturmodellen och avbildningen på ett sådant sätt som ger snabba och goda resultat vid den fortsatta anpassningen. Det minskar vidare tidsåtgången och behovet av datorkapacitet.
Avbildningsmatrisen kan innehålla intensitetsvärden frän ett scintigram.
Motsvarande fördelar uppnås även vid användning av förfarandet i ett datorbaserat hjälpsystem för diagnos av kranskärlssjukdom.
Ovan beskrivna förfarande kan realiseras i hårdvara eller mjukvara. Således avser uppfinningen även ett datorprogram vilket innefattar programkod som när den exekveras i en dator bringar datorn att genomföra ett förfarande enligt något av det efterföljande förfarande- kraven.
Datorprogrammet kan vara lagrat på ett lagrings- medium, såsom ett RAM, ett ROM, en optisk skiva, ett magnetband eller något annat tillgängligt lagringsmedium som kan avläsas av en dator. Lagringsmediumet kan också vara en propagerande signal.
Förfarandet kan även realiseras med hjälp av specialanpassad hårdvara, såsom en ASIC (Application Specific Integrated Circuit), eller med någon lämplig kombination av analoga och/eller digitala kretsar.
Enligt en annan aspekt av uppfinningen utgörs denna av en anordning för bestämning av en kontur av ett organ i en patients kropp, utifrån en avbildning av organet i minst tre dimensioner, vilken anordning innefattar en signalbehandlare, som är anordnad att anpassa en förut- bestämd konturmodell till avbildningen i nämnda minst tre 10 15 20 25 30 35 524 500 . . . | -ø nn , . . . n o ' °' 8 dimensioner. Fördelarna med anordningen framgår av diskussionen ovan.
Kort beskrivning av ritningarna Uppfinningen kommer att beskrivas närmare i det följande under hänvisning till bifogade ritningar, pà vilka: fig l som beskrivits tidigare visar ett exempel pà resultatbilder fràn en myokardscintigrafiundersökning, vilka visar snitt genom ett hjärta, fig 2 visar ett flödesschema med olika steg i upp- finningen, fig 3 visar ett avbildat hjärta i en avbildnings- matris, fig 4 visar den ungefärliga formen av en kontur- modell, fig 5 visar ett avbildat hjärta och en konturmodell i en avbildningsmatris, fig 6a, 6b och 6c illustrerar en sökningsmetod som används i det uppfinningsenliga förfarandet, fig 7 är perspektivbild av en resulterande kontur- modell som anpassats efter ett avbildat hjärta, fig 8 visar ett avbildat hjärta i snittbilder med den resulterande konturen inritad, och fig 9 visar schematiskt ett system i vilket ovan beskrivna förfarande kan implementeras.
Beskrivning av föredragna utföringsformer I det följande beskrivs hur ett förfarande för bestämning av en tredimensionell kontur hos ett hjärta kan implementeras. Beskrivningen görs under hänvisning till flödesschemat i fig 2. Stegen A och B visas streckade för att markera att dessa inte utgör en del av själva förfarandet. De utförs istället som en för- beredelse till förfarandet för att skapa indata till detta. I ett första steg A avbildas ett hjärta, vars kontur ska bestämmas, medelst myokardscintigrafi varvid man erhåller en tredimensionell bild. Bilden av hjärtat 1 lagras, såsom visas schematiskt i fig 3, i en tre- 10 15 20 25 30 35 5 2 4 5 o o 9 dimensionell avbildningsmatris 2, i vilken varje punkt 3 innehåller ett intensitetsvärde. Denna avbildningsmatris 2 har vanligtvis samma storlek varje gång ett hjärta avbildas. En vanlig storlek är 64 x 64 x 25-35 pixlar.
Avbildningsmatrisen är alltså uppbyggd av fasta punkter 3 som ligger i ett antal parallella plan. Intensitets- värdena i avbildningsmatrisen 2 är vidare normaliserade.
Då man utför en myokardscintigrafi hamnar det avbildade hjärtat 1 pà ungefär samma ställe i avbildningsmatrisen 2 varje gång. Detta betyder att man inte behöver söka efter hjärtat, utan kan förutsätta att det ligger ungefär mitt i avbildningsmatrisen 2.
När man avbildar ett hjärta med denna metod är det normalt förfarande att den som utför avbildningen även ser till att det avbildade hjärtat 1 linjeras upp i av- bildningsmatrisen 2 pà sådant sätt att en axel 4 genom hjärtats vänsterkammare blir placerad lodrätt i avbild- ningsmatrisen 2. Detta säkerställer ytterligare att alla avbildade hjärtan ligger väsentligen pà samma plats och har samma orientering i avbildningsmatrisen 2.
I steg B tas konturmodellen 5 fram. Detta sker genom en statistisk analys av ett antal friska referenshjärtan, s k träningsdata. I denna analys identifieras på varje referenshjärta ett visst antal mellan hjärtana gemensamma punkter. Konturmodellens form beskrivs pà för fackmannen känt vis med hjälp av egenvektorer och tillhörande egen- värden för en matris som beskriver samband mellan dessa punkter, såsom en kovariansmatris. Det är även möjligt att använda någon annan matris som beskriver sådana sam- band, tagningen av konturmodellen sker normalt sett inte varje som exempelvis en autokorrelationsmatris. Fram- gäng förfarandet används, utan man bestämmer vanligtvis en gäng för alla en konturmodell för användning i för- farandet. 5.
I fig 4 och 5 visas schematiskt en konturmodell Formen h av konturmodellen 5 beskrivs av ekvationen h=1ï+<1>-b, uu l0 15 20 25 30 35 enn o 524 500 g@¿fl 10 där ® är en matris med egenvektorer och sä många rader som motsvarar det tidigare nämnda antalet punkter på hjärtana, b är en vektor som inledningsvis endast inne- håller nollor men sedan kommer att innehålla de värden, även kallade formparametrar, som avgör hur mycket varje egenvektor påverkar formen av den ursprungliga kontur- modellen, och Ä inledningsvis är lika med Ã@n som är en ursprunglig konturmodell.
Innan det har skett någon anpassning av den ur- sprungliga konturmodellen till ett avbildat hjärta, är som sagt alla värden i b noll, och Ã@fi bestämmer då stor- leken, läget och dessutom formen av konturmodellen. I ett senare skede kommer termen Q-b att bestämma formen i för- hållande till den ursprungliga, medan Ä tillåts att ändra storlek och läge, men inte form.
Q innehåller så många kolumner som antalet egen- vektorer man väljer att använda. Det är lämpligt att endast använda de egenvektorer som har störst egenvärden eftersom det är dessa som representerar de vanligaste formförändringarna. Man sorterar lämpligen egenvektorerna i ® efter storleken på det tillhörande egenvärdet. I de fall anpassningen sker iterativt är det vidare lämpligt att starta med ett lägre antal egenvektorer, eventuellt kan man börja med ingen alls, för att i varje ytterligare iteration eventuellt utöka antalet använda egenvektorer.
Som tidigare nämnt utförs den statistiska analys som leder fram till denna beskrivning av konturmodellen genom att man letar upp ett förutbestämt antal punkter på de hjärtan som ingår i träningsdata. Ett lämpligt antal för- utbestämda punkter är exempelvis l7xl7 punkter. Dessa punkter visas i fig 5 markerade med kryss 7 på konturmodellen 5.
Det skulle naturligtvis även vara möjligt att an- vända en konturmodell som tagits fram på något annat vis så länge den kan beskrivas på ovanstående sätt. 2@cz~fi9~ië ia=5, 2; ïa: sas ænsïzfzcsss Mss .ëšëfißï 38~2fi äs: 10 15 20 25 30 35 524 500 " ll I sammanhanget bör även nämnas att steg A och steg B utförs helt oberoende av varandra och i godtycklig ordning.
I steg C bestämmer man ett startläge för kontur- modellen 5 i förhållande till den tredimensionella avbildningsmatrisen 2. Detta startläge sparas även undan för att användas vid en jämförelse i steg F under den första iterationen. Att bestämma startläget innebär att man linjerar upp det avbildade hjärtat 1 och kontur- modellen 5 och kan även jämföras med att man lägger in dem i ett gemensamt koordinatsystem, se fig 5 där kontur- modellen 5 ligger ”ovanpå” det avbildade hjärtat 1. Detta kan göras genom att man först söker upp ett antal punkter utmed det avbildade hjärtats vänsterkammares bas. Dessa punkter motsvarar en delmängd av de tidigare nämnda punkterna som användes under framtagningen av kontur- modellen. Sökningen efter dessa punkter sker i ett matrislager i avbildningsmatrisen i taget, med början i det översta.
Sökningen kan exempelvis utföras genom att man i en horisontell riktning fràn mitten av det aktuella matris- lagret söker utàt mot en av de punkter pä konturmodellen som ingår i ovan nämnda delmängd efter ett värde i av- bildningsmatrisen som överstiger en viss tröskel- intensitet. Sökningen kan ske medelst någon typ av inter- polation mellan matrispunkterna i avbildningsmatrisen.
Lämpligen används gaussisk interpolation, men även någon annan form av interpolation såsom linjär interpolation skulle kunna användas.
När man i det översta lagret har hittat en punkt pà det avbildade hjärtat 1 som motsvarar en viss punkt längs konturmodellens vänsterkammares bas sparar man undan_ koordinaterna för denna punkt och vilken riktning den hittades i. När man sökt i alla aktuella riktningar i det översta lagret gär man vidare till det näst översta och söker där efter punkter i de riktningar där ingen punkt hittades i det översta lagret. När man hittar en sådan 10 15 20 25 30 35 524 500 12 punkt sparar man undan den och undantar även den riktning som denna punkt motsvarar fràn vidare sökning. Man fort- sätter sà, lager för lager, tills ett bestämt antal punkter hittats, ett lämpligt antal har visat sig vara 6- 7 stycken.
I fig 6a-c visas hur sökningen sker. Fig 6a visar hur sökningen sker i det översta lagret, fig 6b hur sökningen sker i det näst översta och fig 6c i det tredje lagret ovanifràn. I fig 6a hittar man alltså en punkt pà avbildningen av hjärtat l i riktningen 6a. Denna riktning undantas sedan från sökningen i det andra matrislagret fig 6b. I sökningen som illustreras i fig 6b hittar man punkter i riktningarna 6b, 6c och 6d pà avbildningen av hjärtat l och dessa riktningar undantas därmed fràn sökningen i det tredje matrislagret som visas i fig 6c.
Notera hur mer och mer av det avbildade hjärtat 1 blir synligt för varje matrislager.
När man hittat ett lämpligt antal räknar man ut tyngdpunkten för punkter som man hittat, och flyttar konturmodellen så att tyngdpunkten för de punkter pà konturmodellen som motsvarar dessa hittade punkter sammanfaller med de hittade punkternas tyngdpunkt.
Konturmodellen läggs pà detta sätt i princip ”ovanpå” bilden av hjärtat i avbildningsmatrisen. Konturmodellen kan i detta skede ligga antingen utanför eller innanför det avbildade hjärtat, eller delvis utanför och delvis innanför. Detta visas såsom tidigare nämnts i fig 5 i vilken konturmodellen S har placerats ”ovanpå” avbild- ningen av hjärtat 1.
I steg D börjar den egentliga anpassningen av konturmodellen genom att man återigen söker efter punkter 8 i avbildningsmatrisen som motsvarar punkter 7 pä konturmodellen. I detta steg sker sökningen inte i ett matrisplan i taget utan i tre dimensioner i hela avbild- ningsmatrisen. En sökriktning 6 definieras av normalen mot konturmodellens 5 yta i en förutbestämd punkt 7 på konturmodellen 5. En annan möjlig variant är att låta en =xn§ï2s:sæa§mMssMz§;ztsz-ns~z:.a@@ lO 15 20 25 30 35 524 500 šfiïgjgï' 13 sökriktning bestämmas av tyngdpunkten 9 och den förut- bestämda punkten 7 pà konturmodellen 5. Sökriktningarna 6 är pà detta sätt alltsä bestämda i tre dimensioner. I varje sökriktning 6 startar metoden en viss sträcka innanför konturmodellens 5 yta och söker sedan utät längs den aktuella sökriktningen 7 efter en första punkt 8 i avbildningsmatrisen 2 där intensitetsvärdet är större än ett visst tröskelvärde. Eftersom det utanför det av- bildade hjärtat kan ligga t ex tarmar som avbildas med mycket hög intensitet i avbildningsmatrisen är det viktigt att man väljer just den första punkten eftersom man alltså annars kan fà felaktiga resultat. I detta fall utgör tröskelvärdet för intensiteten alltså ett kontur- kriterium.
Konturkriteriet kan dock utgöras av vilken form av villkor som helst som pà nàgot sätt leder till att man kan hitta konturen för ett organ. I myokardscintigram är det en topp i intensitetsvärdet som betyder att man nätt kanten, men i t ex en lever kan det var en plötslig ”dipp” i intensitetsvärdena där levern slutar. Det är även möjligt att använda någon annan form av kriterium, t ex att det är en viss gleshet mellan värdena, eller att värdena längs sökriktningen ska stämma överens med en viss profil, där någon position i profilen definierar konturen.
Eftersom sökningen sker medelst någon typ av inter- polation, t ex Gaussisk interpolation (normalfördelad) eller linjär interpolation, mellan matrispunkterna kan man få resultat som inte ligger i en viss matrispunkt utan mellan sådana.
När man letat i alla riktningar gär man vidare till steg E där man utgående från de punkter på bilden som man har identifierat med punkter pà konturmodellen gör en an- passning av konturmodellen. Som ett första steg trans- lateras konturmodellen. Detta inleds med att man räknar ut tyngdpunkten för alla de hittade punkterna samt tyngd- punkten 9 för alla de punkter pà konturmodellen som mot- --~_.«.»«.-_ »f q «» ,, _ -¿ f p , 2 ,».\¿. w L”. ;-~'»._ »Ip -,-; f., UV. ,.,-. was-f. V49- l-J o. Jan 'Jr-as «,_-«.i..t~ .,4'..».-.\_.-:,_,- JL.- ~\-_: i,- 10 15 20 25 30 35 524 500 nu . . , , , , ~ n v u. 14 svarar de hittade punkterna. Sedan flyttas konturmodellen så att dessa bàda tyngdpunkter sammanfaller. Denna trans- lation påverkar endast värdena i E.
Efter translationen sker en skalning av kontur- modellen genom att man räknar ut summan av kvadratav- stànden fràn tyngdpunkten till de hittade punkterna samt summan av kvadratavstànden från tyngdpunkten till de mot- svarande punkterna på konturmodellen. Kvoten mellan dessa summor beskriver storleksförhàllandet mellan den enbart translaterade konturmodellen och avbildningen av hjärtat. dvs h, När denna translation och skalning av konturmodellen Konturmodellen, skalas nu om med denna kvot. är gjord, räknar man ut hur mycket själva formen av konturmodellen ska ändras. Detta betyder att ett b- värdena uppdateras i enlighet med följande ekvation b = Qçaund (hfaund -jl-found) f där hflwd innehåller koordinaterna för de punkter pà bilden som identifierats med punkter pá konturmodellen, Ãkmd innehåller koordinaterna för motsvarande punkter pà den storleksanpassade och translaterade konturmodellen och Öfiud är en egenvektormatris som endast innehåller de rader i G) som motsvarar de hittade punkterna. En ny formanpassad konturmodell h kan sedan tas fram medelst uttrycket h=1T+-b, där Ä är den storleksanpassade och translaterade konturmodellen, (D är matrisen med egenvektorer och b är den vektor som togs fram i ekvationen ovan.
De b-värden som tagits fram utifrån de hittade punkt- erna påverkar alltså hela den totala konturmodellen och inte endast de punkter pà konturmodellen för vilka punkter hittades pà avbildningen.
I steg F jämförs värdena i den anpassade kontur- modellens b-vektor med b-vektorn i den modell som tagits fram i föregående iteration, eller i fallet av den första iterationen med konturmodellens värden frán steg C, dvs b-vektorn som endast innehåller nollor. Egenvektorerna är 10 15 20 25 30 35 1 n I I n o nu o u en H " " ,. , n I . nu n u o n nu » v n. : . _' _ . - . . . v u : ' , ' :Én u . . . . nu: "o z . " , , . g u ~ n n n u o a . . n. n 15 som tidigare nämnts sorterade i ordning efter hur vanliga förändringar i konturmodellens form de representerar. Ett lämpligt test för att avgöra om det behövs ännu en iteration är därför om värdena pà de 4-5 första b-värdena har ändrats. Om dessa har ändrats mer än nägot visst be- lopp befinns resultatet vara icke-stabilt och man repet- erar då steg D till F. Eventuellt utökar man i nästa iteration antalet egenvektorer som tas med i anpassningen för att göra en finare anpassning. Dä ökar alltså i nästa iteration antalet b-värden och antalet kolumner i QQMM och i Q). Om de aktuella b-värdena inte har ändrats be- finns resultatet vara stabilt och inga fler iterationer görs utan den resulterande konturmodellen är färdig för användning och kan presenteras. Det uppfinningsenliga förfarandet kan alltså användas utan iteration av stegen D till F. Detta är främst aktuellt i tillämpningar där man inte kräver så hög noggrannhet i anpassningen av konturmodellen.
I steg G presenteras resultatet, t ex i form av en tredimensionell ihålig kropp enligt fig 7 där de ljusa delarna motsvarar friska partier och de mörka delarna sjuka. Resultatet kan även som i fig 8 visas inritat i snittbilder av ett hjärta enligt fig l, där den svarta linjen i de olika bilderna motsvarar den anpassade konturmodellen.
Den färdiga konturmodellen används exempelvis i ett datorbaserat hjälpsystem för läkare som önskar bedöma om och i vilken utsträckning ett avbildat hjärta är drabbat av kranskärlssjukdom.
I fig 9 visas schematiskt ett system i vilket ovan beskrivna förfarande kan implementeras. Systemet inne- fattar utrustning 40 för upptagning och bearbetning av ett myokardscintigram. Utsignalen från denna utrustning utgörs av en tredimensionell avbildningsmatris, som har matrispunkter som innehåller avbildningsdata fràn myo- kardscintigrammet. Utsignalen kan ha formen av en binär fil. 10 15 20 25 30 35 a u .u nu :nru:: n... ...- - . .. n v v u v n v sa :_ u. nu nu . n « .z z H- u s . rn I ' n o v v I ' ' 16 Systemet innefattar vidare en dator 41, exempelvis en persondator, vilken kan vara anslutningsbar, exempel- vis via ett datornätverk eller en kabel, till utrust- ningen 40 för upptagning och bearbetning av myokard- scintigrammet sä att avbildningsmatrisen kan överföras till persondatorn. Avbildningsmatrisen kan naturligtvis också matas till datorn pà andra sätt. Datorn innefattar pà konventionellt sätt en signalbehandlare i form av en processor 42, arbetsminne 43, lagringsminne 44 för lagring av data och program samt en display 45. I lagringsminnet 44 är lagrat ett program som gör det möjligt för processorn 42 att bestämma konturen hos ett organ i enlighet med steg C-F i det ovan beskrivna för- farandet. Den sålunda bestämda konturen kan presenteras pà displayen 45.
Steget A i flödesschemat i fig 2 kan utföras i ut- rustningen 40 för upptagning och bearbetning av ett myo- kardscintigram. Övriga steg C-G kan utföras i datorn 41.
Metoden är inte begränsad till att användas endast pà myokardscintigram, utan är möjlig att använda vid andra typer av funktionella bilder, dvs bilder som visar ett organs eller en vävnads biologiska eller metaboliska aktivitet, t ex blodgenomströmning i ett organ eller elektrisk aktivitet i muskelvävnad.
Vidare är metoden även användbar pà anatomiska bilder, dvs bilder som visar den fysiska utsträckningen eller formen av vävnader eller organ i kroppen, såsom t ex röntgenbilder, ultraljudsbilder och bilder från en magnetresonanskamera. Detta kan vara aktuellt dä man vill rita upp konturer automatiskt pà en anatomisk bild eller dä man har att göra med ofullständiga bilder.
Man kan även använda metoden för att endast bestämma en del av en kontur.
Det är även möjligt att använda förfarandet i mer än tre dimensioner, t ex med tiden som en fjärde dimension.
Ovanstående beskrivning är även i lika män tillämp- bar pà ett förfarande i två dimensioner.

Claims (21)

1. 0 l5 20 25 30 35 524 500 I? PATENTKRAV 1. Förfarande för bestämning av en kontur av ett organ i en patients kropp, utifrån en avbildning av organet i minst tre dimensioner, k ä n n e t e c k n a d av steget att anpassa en förutbestämd konturmodell till avbildningen i nämnda minst tre dimensioner.
2. Förfarande enligt krav 1, vid vilket avbildningen av organet utgörs av en funktionell bild av organet. 0
3. Förfarande enligt något av föregående krav, vid vilket konturmodellen representerar en genomsnittlig kontur för organ av den aktuella typen.
4. Förfarande enligt krav 3, vid vilket kontur- modellen representerar en genomsnittlig kontur för ett antal friska organ av den aktuella typen.
5. Förfarande enligt något av föregående krav, vid vilket avbildningen utgörs av en avbildningsmatris som innehåller avbildningsdata från en avbildning av organet i nämnda minst tre dimensioner.
6. Förfarande enligt krav 5, vid vilket avbildnings- matrisen innehåller ofullständig information om det av- bildade organets kontur.
7. Förfarande enligt något av föregående krav, vid vilket konturmodellen bestäms av en punktmängd som inne- fattar ett flertal punkter.
8. Förfarande enligt krav 7, vidare innefattande att detektera ett antal punkter i avbildningen som motsvarar punkter i konturmodellen.
9. Förfarande enligt krav 8, vid vilket detekteringen av punkter görs genom att söka efter punkter i avbildningen som uppfyller ett förutbestämt konturkriterium, varvid sökningen görs i riktningar som definieras med hjälp av punkterna pà konturmodellen.
10. kriteriet bestäms av att ett intensitetsvärde för punkten Förfarande enligt krav 9, vid vilket kontur- är större än ett förutbestämt tröskelvärde. 10 15 20 25 30 9524 som 18
11. Förfarande enligt krav 9 eller 10, vid vilket varje riktning bestäms av normalen mot konturmodellens yta i respektive punkt pà konturmodellen.
12. Förfarande enligt nägot av kraven 8-11, vid vilket anpassningen baseras på de pà avbildningen detekterade punkterna.
13. Förfarande enligt krav 12, vid vilket de punkter pà konturmodellen som motsvarar de detekterade punkterna utgör en delmängd av punktmängden som bestämmer konturmodellen.
14. Förfarande enligt nàgot av föregående krav, vid vilket anpassningen sker iterativt.
15. Förfarande enligt något av föregàende krav, vid vilket anpassningen av konturmodellen omfattar stegen translation, skalning och formanpassning.
16. Förfarande enligt nàgot av föregående krav, vid vilket avbildningen och konturmodellen linjeras upp innan anpassningen sker.
17. Förfarande enligt krav 16, vid vilket upp- linjeringen sker genom att tyngdpunkten för en delmängd av punkterna pà konturmodellen linjeras upp med tyngd- punkten för motsvarande punkter pä avbildningen.
18. Förfarande enligt nàgot av föregående krav, vid vilket organet är ett hjärta.
19. Förfarande enligt krav 18, vid vilket den tredimensionella konturen av hjärtats vänsterkammarvägg bestäms.
20. Förfarande enligt krav 18 eller 19, vid vilket konturmodellen och avbildningen av hjärtat linjeras upp innan anpassningen sker genom att man söker upp ett antal punkter som ligger längs det avbildade hjärtats vänster- kammares bas, beräknar tyngdpunkten för dessa punkter, beräknar tyngdpunkten för de motsvarande punkterna pà konturmodellen och flyttar konturmodellen sä att dessa bàda tyngdpunkter sammanfaller. 10 15 20 25 30 524 500 IC!
21. Förfarande enligt nàgot av kraven 5-20, vid vilket avbildningsmatrisen innehåller intensitetsvärden fràn ett scintigram. 23. Datorprogram, vilket innefattar programkod, som när den exekveras i en dator, bringar datorn att utföra ett förfarande enligt nàgot av krav 1-20. 24. Lagringsmedium, vilket är avläsningsbart för en dator och pà vilket är lagrat ett datorprogram, som är anordnat att när det exekveras i en dator, bringar datorn att utföra ett förfarande enligt något av krav 1-20. 25. Anordning för bestämning av en kontur av ett organ i en patients kropp, utifrän en avbildning av organet i minst tre dimensioner, k ä n n e t e c k n a d av en signalbehandlare som är anordnad att anpassa en förutbestämd konturmodell till avbildningen i nämnda minst tre dimensioner. 26. Förfarande för bestämning av en kontur av ett organ i en patients kropp, utifràn en avbildning av organet i minst två dimensioner, innefattande stegen att anpassa en förutbestämd konturmodell, vilken bestäms av en punktmängd som innefattar ett flertal punkter, till avbildningen i nämnda minst tvâ dimensioner, och att detektera ett antal punkter i avbildningen som motsvarar punkter i konturmodellen varvid anpassningen baseras pà de pà avbildningen detekterade punkterna, k ä n n e t e c k n a d av att de punkter pà konturmodellen som motsvarar de detekterade punkterna i avbildningen utgör en delmängd av punktmängden.
SE0202753A 2002-09-16 2002-09-16 Förfarande och anordning för bestämning av en tredimensionell kontur av ett organ i en patients kropp SE524500C2 (sv)

Priority Applications (1)

Application Number Priority Date Filing Date Title
SE0202753A SE524500C2 (sv) 2002-09-16 2002-09-16 Förfarande och anordning för bestämning av en tredimensionell kontur av ett organ i en patients kropp

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
SE0202753A SE524500C2 (sv) 2002-09-16 2002-09-16 Förfarande och anordning för bestämning av en tredimensionell kontur av ett organ i en patients kropp

Publications (3)

Publication Number Publication Date
SE0202753D0 SE0202753D0 (sv) 2002-09-16
SE0202753L SE0202753L (sv) 2004-03-17
SE524500C2 true SE524500C2 (sv) 2004-08-17

Family

ID=20289014

Family Applications (1)

Application Number Title Priority Date Filing Date
SE0202753A SE524500C2 (sv) 2002-09-16 2002-09-16 Förfarande och anordning för bestämning av en tredimensionell kontur av ett organ i en patients kropp

Country Status (1)

Country Link
SE (1) SE524500C2 (sv)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8199985B2 (en) 2006-03-24 2012-06-12 Exini Diagnostics Aktiebolag Automatic interpretation of 3-D medicine images of the brain and methods for producing intermediate results
US11321844B2 (en) 2020-04-23 2022-05-03 Exini Diagnostics Ab Systems and methods for deep-learning-based segmentation of composite images
US11386988B2 (en) 2020-04-23 2022-07-12 Exini Diagnostics Ab Systems and methods for deep-learning-based segmentation of composite images
US11424035B2 (en) 2016-10-27 2022-08-23 Progenics Pharmaceuticals, Inc. Network for medical image analysis, decision support system, and related graphical user interface (GUI) applications
US11534125B2 (en) 2019-04-24 2022-12-27 Progenies Pharmaceuticals, Inc. Systems and methods for automated and interactive analysis of bone scan images for detection of metastases
US11544407B1 (en) 2019-09-27 2023-01-03 Progenics Pharmaceuticals, Inc. Systems and methods for secure cloud-based medical image upload and processing
US11564621B2 (en) 2019-09-27 2023-01-31 Progenies Pharmacenticals, Inc. Systems and methods for artificial intelligence-based image analysis for cancer assessment
US11657508B2 (en) 2019-01-07 2023-05-23 Exini Diagnostics Ab Systems and methods for platform agnostic whole body image segmentation
US11721428B2 (en) 2020-07-06 2023-08-08 Exini Diagnostics Ab Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions
US11900597B2 (en) 2019-09-27 2024-02-13 Progenics Pharmaceuticals, Inc. Systems and methods for artificial intelligence-based image analysis for cancer assessment
US11948283B2 (en) 2019-04-24 2024-04-02 Progenics Pharmaceuticals, Inc. Systems and methods for interactive adjustment of intensity windowing in nuclear medicine images

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8199985B2 (en) 2006-03-24 2012-06-12 Exini Diagnostics Aktiebolag Automatic interpretation of 3-D medicine images of the brain and methods for producing intermediate results
US11894141B2 (en) 2016-10-27 2024-02-06 Progenics Pharmaceuticals, Inc. Network for medical image analysis, decision support system, and related graphical user interface (GUI) applications
US11424035B2 (en) 2016-10-27 2022-08-23 Progenics Pharmaceuticals, Inc. Network for medical image analysis, decision support system, and related graphical user interface (GUI) applications
US11941817B2 (en) 2019-01-07 2024-03-26 Exini Diagnostics Ab Systems and methods for platform agnostic whole body image segmentation
US11657508B2 (en) 2019-01-07 2023-05-23 Exini Diagnostics Ab Systems and methods for platform agnostic whole body image segmentation
US11937962B2 (en) 2019-04-24 2024-03-26 Progenics Pharmaceuticals, Inc. Systems and methods for automated and interactive analysis of bone scan images for detection of metastases
US11534125B2 (en) 2019-04-24 2022-12-27 Progenies Pharmaceuticals, Inc. Systems and methods for automated and interactive analysis of bone scan images for detection of metastases
US11948283B2 (en) 2019-04-24 2024-04-02 Progenics Pharmaceuticals, Inc. Systems and methods for interactive adjustment of intensity windowing in nuclear medicine images
US11544407B1 (en) 2019-09-27 2023-01-03 Progenics Pharmaceuticals, Inc. Systems and methods for secure cloud-based medical image upload and processing
US11900597B2 (en) 2019-09-27 2024-02-13 Progenics Pharmaceuticals, Inc. Systems and methods for artificial intelligence-based image analysis for cancer assessment
US11564621B2 (en) 2019-09-27 2023-01-31 Progenies Pharmacenticals, Inc. Systems and methods for artificial intelligence-based image analysis for cancer assessment
US12032722B2 (en) 2019-09-27 2024-07-09 Progenics Pharmaceuticals, Inc. Systems and methods for secure cloud-based medical image upload and processing
US11321844B2 (en) 2020-04-23 2022-05-03 Exini Diagnostics Ab Systems and methods for deep-learning-based segmentation of composite images
US11386988B2 (en) 2020-04-23 2022-07-12 Exini Diagnostics Ab Systems and methods for deep-learning-based segmentation of composite images
US11721428B2 (en) 2020-07-06 2023-08-08 Exini Diagnostics Ab Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions

Also Published As

Publication number Publication date
SE0202753D0 (sv) 2002-09-16
SE0202753L (sv) 2004-03-17

Similar Documents

Publication Publication Date Title
US10452899B2 (en) Unsupervised deep representation learning for fine-grained body part recognition
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
Wang et al. Automatic whole heart segmentation using deep learning and shape context
US8218849B2 (en) Method and system for automatic landmark detection using discriminative joint context
US20170309018A1 (en) Automated intravascular plaque classification
Le Goualher et al. Modeling cortical sulci with active ribbons
Nurmaini et al. Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation
CN106340015A (zh) 一种关键点的定位方法和装置
SE524500C2 (sv) Förfarande och anordning för bestämning av en tredimensionell kontur av ett organ i en patients kropp
CN112926537B (zh) 图像处理方法、装置、电子设备以及存储介质
CN112419340A (zh) 脑脊液分割模型的生成方法、应用方法及装置
Badano et al. Artificial intelligence and cardiovascular imaging: A win-win combination.
Shrivastava et al. Deep learning for visual recognition of environmental enteropathy and celiac disease
Yang et al. Efficient catheter segmentation in 3D cardiac ultrasound using slice-based FCN with deep supervision and f-score loss
Sarpotdar Cardiomegaly detection using deep convolutional neural network with U-net
CN113313714B (zh) 一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法
Cui et al. Fully-automatic segmentation of coronary artery using growing algorithm
JP5364009B2 (ja) 画像生成装置、画像生成方法、及びそのプログラム
Gungor et al. View classification and object detection in cardiac ultrasound to localize valves via deep learning
CN113554640A (zh) Ai模型的训练方法、使用方法、计算机设备及存储介质
Zheng et al. Efficient detection of native and bypass coronary ostia in cardiac CT volumes: Anatomical vs. pathological structures
CN115049660B (zh) 心脏解剖学结构特征点的定位方法、定位装置
JP5586953B2 (ja) 解剖学的形状情報を用いた医学画像データベースへのアクセス
Chi et al. A composite of features for learning-based coronary artery segmentation on cardiac CT angiography
Lu et al. Discriminative joint context for automatic landmark set detection from a single cardiac MR long axis slice