TW202128084A - 用於電腦斷層攝影的後處理的裝置和方法 - Google Patents
用於電腦斷層攝影的後處理的裝置和方法 Download PDFInfo
- Publication number
- TW202128084A TW202128084A TW109101870A TW109101870A TW202128084A TW 202128084 A TW202128084 A TW 202128084A TW 109101870 A TW109101870 A TW 109101870A TW 109101870 A TW109101870 A TW 109101870A TW 202128084 A TW202128084 A TW 202128084A
- Authority
- TW
- Taiwan
- Prior art keywords
- fnh
- contour
- candidate
- liver
- updated
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000002591 computed tomography Methods 0.000 title claims abstract description 19
- 238000012805 post-processing Methods 0.000 title claims abstract description 16
- 210000004185 liver Anatomy 0.000 claims abstract description 80
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 7
- 206010020718 hyperplasia Diseases 0.000 claims description 6
- 208000004057 Focal Nodular Hyperplasia Diseases 0.000 abstract description 119
- 238000010586 diagram Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000011066 hemangioma Diseases 0.000 description 2
- 230000002440 hepatic effect Effects 0.000 description 2
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 2
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
- A61B6/5241—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT combining overlapping images of the same imaging modality, e.g. by stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20161—Level set
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
提供一種用於電腦斷層攝影的後處理的裝置和方法,適用於改善肝臟局部結節性增生(FNH)的辨識影像。方法包含:取得包含肝臟輪廓以及非肝臟輪廓的辨識影像及辨識影像的各個像素之HU值,其中肝臟輪廓包含FNH候選輪廓;計算肝臟輪廓的平均HU值;將非肝臟輪廓的HU值調整為肝臟輪廓的平均HU值以產生經處理辨識影像;以及基於經處理辨識影像而根據形態學演算法更新FNH候選輪廓以產生經更新FNH候選輪廓。
Description
本發明是有關於一種裝置和方法,且特別是有關於一種用於電腦斷層攝影的後處理的裝置和方法。
隨著深度學習的逐漸普及,有越來越多的醫療機構開始接受且期待透過電腦科學來幫助放射科醫師判斷病人的電腦斷層攝影(computed tomography,CT)影像,也有越來越多的團隊投入肝臟腫瘤辨識系統的開發。現行的電腦科學技術大都著重在惡性的肝细胞癌(hepatocellular carcinoma,HCC)的辨識上,而並未對良性腫瘤諸如肝臟血管瘤(hemangioma)或肝臟局部結節性增生(focal nodular hyperplasia,FNH)去進行影像辨識。然而,對於存在數種病症的肝臟來說,只判斷惡性腫瘤顯然是不夠的。因此,如何對肝臟的良性腫瘤進行判斷以協助醫師確定患者的肝臟狀況,是本領域人員致力的目標之一。
本發明提供一種用於電腦斷層攝影的後處理的裝置和方法,可改善FNH的辨識影像以使FNH的辨識結果更貼合FNH的實際邊界,並且可減少FNH的辨識結果的偽陽性。
本發明的一種用於電腦斷層攝影的後處理的裝置,適用於改善肝臟局部結節性增生(FNH)的辨識影像,其中裝置包括處理器、儲存媒體以及收發器。儲存媒體儲存多個模組。處理器耦接儲存媒體和收發器,並且存取和執行多個模組,其中多個模組包括資料收集模組以及運算模組。資料收集模組通過收發器取得包括肝臟輪廓以及非肝臟輪廓的辨識影像及辨識影像的各個像素之HU值,其中肝臟輪廓包括FNH候選輪廓。運算模組將非肝臟輪廓的HU值調整為肝臟輪廓的平均HU值以產生經處理辨識影像,以及基於經處理辨識影像而根據形態學演算法來更新FNH候選輪廓以產生經更新FNH候選輪廓。
在本發明的一實施例中,上述的運算模組響應於經更新FNH候選輪廓與FNH候選輪廓的交集超過閾值而判斷經更新FNH候選輪廓代表正確的FNH的辨識結果。
在本發明的一實施例中,上述的運算模組響應於經更新FNH候選輪廓與FNH候選輪廓的交集未超過閾值而判斷經更新FNH候選輪廓代表錯誤的FNH的辨識結果。
在本發明的一實施例中,上述的閾值關聯於經更新FNH候選輪廓與FNH候選輪廓的聯集。
在本發明的一實施例中,上述的形態學演算法為無邊緣主動輪廓法(ACWE)。
本發明的一種用於電腦斷層攝影的後處理的方法,適用於改善肝臟局部結節性增生(FNH)的辨識影像,其中方法包括:取得包括肝臟輪廓以及非肝臟輪廓的辨識影像及辨識影像的各個像素之HU值,其中肝臟輪廓包括FNH候選輪廓;將非肝臟輪廓的HU值調整為肝臟輪廓的平均HU值以產生經處理辨識影像;以及基於經處理辨識影像而根據形態學演算法更新FNH候選輪廓以產生經更新FNH候選輪廓。
在本發明的一實施例中,上述的方法更包括:響應於經更新FNH候選輪廓與FNH候選輪廓的交集超過閾值而判斷經更新FNH候選輪廓代表FNH的辨識結果。
在本發明的一實施例中,上述的方法更包括:響應於經更新FNH候選輪廓與FNH候選輪廓的交集未超過閾值而判斷經更新FNH候選輪廓代表錯誤的辨識結果。
在本發明的一實施例中,上述的閾值關聯於經更新FNH候選輪廓與FNH候選輪廓的聯集。
在本發明的一實施例中,上述的形態學演算法為不具邊緣的主動輪廓法(ACWE)。
基於上述,本發明的用於電腦斷層攝影的後處理的裝置和方法可顯著地提升FNH的辨識的精準度。醫師可藉由本發明而更準確地判斷FNH的尺寸和位置等資訊。
圖1根據本發明的實施例繪示用於CT的後處理的裝置100的示意圖。裝置100適用於改善肝臟局部結節性增生(FNH)的辨識影像。裝置100可包括處理器110、儲存媒體120以及收發器130。
處理器110例如是中央處理單元(central processing unit,CPU),或是其他可程式化之一般用途或特殊用途的微控制單元(micro control unit,MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor,DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit,ASIC)、圖形處理器(graphics processing unit,GPU)、算數邏輯單元(arithmetic logic unit,ALU)、複雜可程式邏輯裝置(complex programmable logic device,CPLD)、現場可程式化邏輯閘陣列(field programmable gate array,FPGA)或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130,並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)、硬碟(hard disk drive,HDD)、固態硬碟(solid state drive,SSD)或類似元件或上述元件的組合,而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中,儲存媒體120可儲存包括資料收集模組121和運算模組122等多個模組,其功能將於後續說明。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
資料收集模組121可通過收發器130取得肝臟的辨識影像。圖2A根據本發明的實施例繪示具有FNH的肝臟的辨識影像10的示意圖,其中辨識影像10可包括包圍住肝實質(liver parenchyma)的肝臟輪廓200以及包圍住非肝實質(non liver parenchyma)的非肝臟輪廓300(即:圖2A的黑色部分)。辨識影像10還可包括包圍住FNH 500的FNH候選輪廓250。辨識影像10、肝臟輪廓200、非肝臟輪廓300或FNH候選輪廓250例如是基於人工智慧(artificial intelligence,AI)、機器學習演算法或深度學習演算法等技術來對原始的肝臟CT影像進行辨識而產生的,本發明不限於此。此外,資料收集模組121還可通過收發器130取得肝臟的辨識影像及辨識影像的各個像素之HU值。
一般來說,FNH候選輪廓250所包圍的部分並不會完全與FNH 500相符,兩者之間可能存在誤差。為了極小化上述的誤差,運算模組122可對辨識影像10進行後處理。
首先,運算模組122可計算肝臟輪廓200中肝實質的平均HU值將非肝臟輪廓300中的非肝實質的HU值調整為肝實質的平均HU值,如方程式(1)所示,其中代表肝實質(即:肝臟輪廓200中的像素的集合)、代表非肝實質(即:非肝臟輪廓300中的像素的集合)、x
代表辨識影像10中的像素、代表x
的未經調整的HU值、代表x
的經調整的HU值、代表肝臟輪廓200中的第i
像素並且n代表肝臟輪廓200中的像素的總數。…(1)
圖2B根據本發明的實施例繪示經處理辨識影像20的示意圖。運算模組122可基於方程式(1)對辨識影像10中的非肝臟輪廓300中的像素進行更改以使非肝臟輪廓300的HU值近似於肝臟輪廓200的平均HU值。如此,將會降低非肝臟輪廓300中的非肝實質與肝臟輪廓200中的肝實質之間的對比,從而使FNH候選輪廓250中的FNH 500與肝臟輪廓200中的肝實質之間的對比變得更加明顯。
接著,運算模組122可基於經處理辨識影像20而根據形態學(morphology)演算法來更新FNH候選輪廓250以產生經更新FNH候選輪廓251,如圖3所示。圖3根據本發明的實施例繪示經更新FNH候選輪廓251的示意圖。上述的形態學演算法例如是無邊緣主動輪廓法(active contours without edges,ACWE)。首先,運算模組122可建立如方程式(2)所示的ACWE模型的正則表示式,其中F
代表ACWE模型的能量函數、或代表大於或等於0的參數(在本實施例中,)、C代表區域邊界的曲線、length(C)為C的長度、inside(C)代表在區域邊界的曲線之內的像素、代表inside(C)的像素平均值、outside(C)代表在區域邊界的曲線之外的像素、代表outside(C)的像素平均值、或代表大於0的參數並且I
(x)代表像素x的像素值。…(2)
而後,運算模組122可透過疊代找出能量函數F
的最小值以解出及,從而計算出最貼近FNH 500的邊界。運算模組122可使用例如水平集(level set)方法來追蹤FNH 500的邊界,如方程式(3)所示,其中為進行完第j
個步驟後的像素x的水平集函數、代表擴張、代表侵蝕、代表梯度並且代表侵蝕和擴張的結合(即:先進行(即:先擴張後侵蝕以將內凹鈍化),再進行(先侵蝕後擴張以將外凸鈍化))、或為大於0的參數、為大於或等於0的參數並且I
(x)為像素x的像素值。在計算完後,運算模組122可根據決定出最貼近FNH 500的邊界(即:經更新FNH候選輪廓251)。…(3)
需注意的是,無邊緣主動輪廓法的初始點是來自於AI所預測的FNH候選輪廓中選出。若AI將正常的肝實質誤判為FNH,則運算模組122可能會根據錯誤的初始點而將經更新FNH候選輪廓擴張為包括整個肝實質的區域。圖4A根據本發明的實施例繪示包含錯誤的FNH候選輪廓260的經處理辨識影像30的示意圖。圖4B根據本發明的實施例繪示基於錯誤的FNH候選輪廓260的經更新FNH候選輪廓261的示意圖。同時參照圖4A和圖4B,假設AI將正常的肝實質的區域誤判為FNH候選輪廓260,則運算模組122可能根據錯誤的FNH候選輪廓260而基於無邊緣主動輪廓法產生錯誤的經更新FNH候選輪廓261。在經過多次疊代計算後,經更新FNH候選輪廓261可能被擴張成包括整個正常的肝實質的區域。
為了避免產生錯誤的經更新FNH候選輪廓,運算模組122可響應於經更新FNH候選輪廓與FNH候選輪廓的交集超過閾值而判斷經更新FNH候選輪廓代表正確的FNH的辨識結果,並可響應於經更新FNH候選輪廓與FNH候選輪廓的交集未超過閾值而判斷經更新FNH候選輪廓代表錯誤的FNH的辨識結果,其中所述閾值關聯於經更新FNH候選輪廓與FNH候選輪廓的聯集,如方程式(4)所示,其中代表由AI預測的FNH候選輪廓、代表由運算模組122基於無邊緣主動輪廓法而計算出的經更新FNH候選輪廓、T
代表一常數、R
等於1代表FNH的辨識結果為正確的並且R
等於0代表FNH的辨識結果為錯誤的。…(4)
舉例來說,運算模組122可響應於經更新FNH候選輪廓251與FNH候選輪廓250的交集超過閾值而判斷經更新FNH候選輪廓251代表正確的FNH 500的辨識結果,如圖3所示。舉另一例來說,運算模組122可響應於經更新FNH候選輪廓261與FNH候選輪廓260的交集未超過閾值而判斷經更新FNH候選輪廓261代表錯誤的FNH 500的辨識結果,如圖4B。為了減少FNH 500的辨識結果的偽陽性,運算模組122可消除經更新FNH候選輪廓261(及/或FNH候選輪廓260),如圖4C所示。圖4C根據本發明的實施例繪製消除了錯誤的經更新FNH候選輪廓261以及FNH候選輪廓260的經處理辨識影像30的示意圖。
圖5根據本發明的實施例繪示用於CT的後處理的方法的流程圖,其中該方法可由如圖1所示的裝置100實施。在步驟S501中,取得包括肝臟輪廓以及非肝臟輪廓的辨識影像及辨識影像的各個像素之HU值,其中肝臟輪廓包括FNH候選輪廓。在步驟S502中,將非肝臟輪廓的HU值調整為肝臟輪廓的平均HU值以產生經處理辨識影像。在步驟S503中,基於經處理辨識影像而根據形態學演算法更新FNH候選輪廓以產生經更新FNH候選輪廓。
綜上所述,本發明的用於電腦斷層攝影的後處理的裝置和方法可顯著地提升FNH的辨識的精準度。本發明可對辨識影像中的非肝臟輪廓進行正規化以使非肝臟輪廓的HU值等同於肝臟輪廓的平均HU值。如此,FNH的HU值與肝臟的正常部位的HU值之間的差異將會更加顯著,FNH的辨識也會變得更容易。此外,利用形態學演算法更新FNH候選輪廓,以藉由擴張或侵蝕等運算來使經更新FNH候選輪廓的邊界更加貼近真實之FNH。根據經更新FNH候選輪廓,醫師將可更準確地判斷FNH的尺寸和位置等資訊。另一方面,本發明還可根據經更新FNH候選輪廓與原始的FNH候選輪廓的交集或聯集來判斷經更新FNH候選輪廓是否對應於正確的判斷結果,避免將正常的肝臟部位誤判為FNH以減少辨識結果的偽陽性。
10:辨識影像
100:用於CT的後處理的裝置
110:處理器
120:儲存媒體
121:資料收集模組
122:運算模組
130:收發器
20、30:經處理辨識影像
200:肝臟輪廓
250、260:FNH候選輪廓
251、261:經更新FNH候選輪廓
300:非肝臟輪廓
500:肝臟局部結節性增生(FNH)
S501、S502、S503:步驟
圖1根據本發明的實施例繪示用於CT的後處理的裝置的示意圖。
圖2A根據本發明的實施例繪示具有FNH的肝臟的辨識影像的示意圖。
圖2B根據本發明的實施例繪示經處理辨識影像的示意圖。
圖3根據本發明的實施例繪示經更新FNH候選輪廓的示意圖。
圖4A根據本發明的實施例繪示包含錯誤的FNH候選輪廓的經處理辨識影像的示意圖。
圖4B根據本發明的實施例繪示基於錯誤的FNH候選輪廓的經更新FNH候選輪廓的示意圖。
圖4C根據本發明的實施例繪示消除錯誤的經更新FNH候選輪廓以及FNH候選輪廓的經處理辨識影像的示意圖。
圖5根據本發明的實施例繪示用於CT的後處理的方法的流程圖。
S501、S502、S503:步驟
Claims (10)
- 一種用於電腦斷層攝影的後處理的裝置,適用於改善肝臟局部結節性增生(FNH)的辨識影像,其中所述裝置包括: 收發器; 儲存媒體,儲存多個模組;以及 處理器,耦接所述儲存媒體和所述收發器,並且存取和執行所述多個模組,其中所述多個模組包括: 資料收集模組,通過所述收發器取得包括肝臟輪廓以及非肝臟輪廓的所述辨識影像及所述辨識影像的各個像素之HU值,其中所述肝臟輪廓包括FNH候選輪廓;以及 運算模組,將所述非肝臟輪廓的HU值調整為所述肝臟輪廓的平均HU值以產生經處理辨識影像,以及基於所述經處理辨識影像而根據形態學演算法來更新所述FNH候選輪廓以產生經更新FNH候選輪廓。
- 如請求項1所述的裝置,其中所述運算模組響應於所述經更新FNH候選輪廓與所述FNH候選輪廓的交集超過閾值而判斷所述經更新FNH候選輪廓代表正確的所述FNH的辨識結果。
- 如請求項1所述的裝置,其中所述運算模組響應於所述經更新FNH候選輪廓與所述FNH候選輪廓的交集未超過閾值而判斷所述經更新FNH候選輪廓代表錯誤的所述FNH的辨識結果。
- 如請求項2所述的裝置,其中所述閾值關聯於所述經更新FNH候選輪廓與所述FNH候選輪廓的聯集。
- 如請求項1所述的裝置,其中所述形態學演算法為無邊緣主動輪廓法(ACWE)。
- 一種用於電腦斷層攝影的後處理的方法,適用於改善肝臟局部結節性增生(FNH)的辨識影像,其中所述方法包括: 取得包括肝臟輪廓以及非肝臟輪廓的所述辨識影像及所述辨識影像的各個像素之HU值,其中所述肝臟輪廓包括FNH候選輪廓; 將所述非肝臟輪廓的HU值調整為所述肝臟輪廓的平均HU值以產生經處理辨識影像;以及基於所述經處理辨識影像而根據形態學演算法更新所述FNH候選輪廓以產生經更新FNH候選輪廓。
- 如請求項6所述的方法,更包括: 響應於所述經更新FNH候選輪廓與所述FNH候選輪廓的交集超過閾值而判斷所述經更新FNH候選輪廓代表所述FNH的辨識結果。
- 如請求項6所述的方法,更包括: 響應於所述經更新FNH候選輪廓與所述FNH候選輪廓的交集未超過閾值而判斷所述經更新FNH候選輪廓代表錯誤的辨識結果。
- 如請求項7所述的方法,其中所述閾值關聯於所述經更新FNH候選輪廓與所述FNH候選輪廓的聯集。
- 如請求項6所述的方法,其中所述形態學演算法為不具邊緣的主動輪廓法(ACWE)。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109101870A TWI714440B (zh) | 2020-01-20 | 2020-01-20 | 用於電腦斷層攝影的後處理的裝置和方法 |
CN202010088028.0A CN113140013B (zh) | 2020-01-20 | 2020-02-12 | 用于电脑断层摄影的后处理的装置和方法 |
US16/809,505 US11406342B2 (en) | 2020-01-20 | 2020-03-04 | Device and method for post-processing of computed tomography |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109101870A TWI714440B (zh) | 2020-01-20 | 2020-01-20 | 用於電腦斷層攝影的後處理的裝置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI714440B TWI714440B (zh) | 2020-12-21 |
TW202128084A true TW202128084A (zh) | 2021-08-01 |
Family
ID=74669740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109101870A TWI714440B (zh) | 2020-01-20 | 2020-01-20 | 用於電腦斷層攝影的後處理的裝置和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11406342B2 (zh) |
CN (1) | CN113140013B (zh) |
TW (1) | TWI714440B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
US11587236B2 (en) * | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6138045A (en) * | 1998-08-07 | 2000-10-24 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
JP5121204B2 (ja) * | 2006-10-11 | 2013-01-16 | オリンパス株式会社 | 画像処理装置、画像処理方法、および画像処理プログラム |
US20090226057A1 (en) * | 2008-03-04 | 2009-09-10 | Adi Mashiach | Segmentation device and method |
EP2120208A1 (en) * | 2008-05-13 | 2009-11-18 | IBBT vzw | Method and system for lesion segmentation |
CN101599174A (zh) * | 2009-08-13 | 2009-12-09 | 哈尔滨工业大学 | 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法 |
US9292933B2 (en) * | 2011-01-10 | 2016-03-22 | Anant Madabhushi | Method and apparatus for shape based deformable segmentation of multiple overlapping objects |
US8923582B2 (en) * | 2012-05-31 | 2014-12-30 | General Electric Company | Systems and methods for computer aided detection using pixel intensity values |
JP5993653B2 (ja) * | 2012-08-03 | 2016-09-14 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
TWI490790B (zh) * | 2012-11-14 | 2015-07-01 | Far Eastern Memorial Hospital | Dynamic cardiac imaging analysis and cardiac function assessment system |
WO2017013514A1 (en) * | 2015-07-23 | 2017-01-26 | Koninklijke Philips N.V. | Computed tomography visualization adjustment |
EP3142069B1 (en) * | 2015-09-10 | 2020-05-13 | Agfa HealthCare | Method, apparatus and system for analyzing medical images of blood vessels |
US10420523B2 (en) * | 2016-03-21 | 2019-09-24 | The Board Of Trustees Of The Leland Stanford Junior University | Adaptive local window-based methods for characterizing features of interest in digital images and systems for practicing same |
CN106780460B (zh) * | 2016-12-13 | 2019-11-08 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107481254A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的处理方法、装置、介质和电子设备 |
CN107680078B (zh) * | 2017-09-01 | 2020-10-13 | 东软医疗系统股份有限公司 | 一种图像处理方法和装置 |
CN110599472B (zh) * | 2019-09-03 | 2021-03-02 | 佛山原子医疗设备有限公司 | 计算spect定量断层图像中suv归一化系数的方法及系统 |
-
2020
- 2020-01-20 TW TW109101870A patent/TWI714440B/zh active
- 2020-02-12 CN CN202010088028.0A patent/CN113140013B/zh active Active
- 2020-03-04 US US16/809,505 patent/US11406342B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20210219936A1 (en) | 2021-07-22 |
CN113140013B (zh) | 2024-05-24 |
US11406342B2 (en) | 2022-08-09 |
TWI714440B (zh) | 2020-12-21 |
CN113140013A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI714440B (zh) | 用於電腦斷層攝影的後處理的裝置和方法 | |
Moghbel et al. | Review of liver segmentation and computer assisted detection/diagnosis methods in computed tomography | |
US8090180B2 (en) | Method for segmenting image data for detecting a liver | |
Zhou et al. | Automated lung segmentation and smoothing techniques for inclusion of juxtapleural nodules and pulmonary vessels on chest CT images | |
US9042620B2 (en) | Method and system for multi-organ segmentation using learning-based segmentation and level set optimization | |
Murakami et al. | Automatic identification of bone erosions in rheumatoid arthritis from hand radiographs based on deep convolutional neural network | |
Mukherjee et al. | Lung nodule segmentation using deep learned prior based graph cut | |
JP5279245B2 (ja) | クラスタ変更グラフ・カットを使用する検出の方法および装置 | |
US10319093B2 (en) | Image processing apparatus, image processing method, and program | |
CN111709485B (zh) | 医学影像处理方法、装置和计算机设备 | |
JP2007061607A (ja) | 第1のオブジェクト及び1つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム | |
CN102243759A (zh) | 一种基于几何形变模型的三维肺血管图像分割方法 | |
Wang et al. | Automatic Approach for Lung Segmentation with Juxta‐Pleural Nodules from Thoracic CT Based on Contour Tracing and Correction | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
He et al. | Fast automatic 3D liver segmentation based on a three‐level AdaBoost‐guided active shape model | |
CN107451995A (zh) | 在cta图像中提取心血管方法、装置、设备及存储介质 | |
Hao et al. | Juxta‐vascular pulmonary nodule segmentation in PET‐CT imaging based on an LBF active contour model with information entropy and joint vector | |
CN108898578B (zh) | 一种医疗图像的处理方法、装置及计算机存储介质 | |
Hong et al. | Automatic lung nodule matching on sequential CT images | |
Zheng et al. | Feature learning based random walk for liver segmentation | |
CN110288581B (zh) | 一种基于保持形状凸性水平集模型的分割方法 | |
CN110610491B (zh) | 一种腹部ct图像的肝脏肿瘤区域分割方法 | |
Huang et al. | Research on Tumors Segmentation based on Image Enhancement Method | |
Zhou et al. | A robust approach for automated lung segmentation in thoracic CT | |
EP3608872B1 (en) | Image segmentation method and system |