TWI429419B - 產生骨罩之方法 - Google Patents
產生骨罩之方法 Download PDFInfo
- Publication number
- TWI429419B TWI429419B TW099139137A TW99139137A TWI429419B TW I429419 B TWI429419 B TW I429419B TW 099139137 A TW099139137 A TW 099139137A TW 99139137 A TW99139137 A TW 99139137A TW I429419 B TWI429419 B TW I429419B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- bone
- data set
- reconstructed image
- reconstructed
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Description
本發明是有關於電腦斷層掃描的領域,特別是有關於一種利用標準無顯影劑的軸向電腦斷層掃描圖產生骨罩的方法。
電腦斷層血管造影術(Computer tomography angiography,CTA)是一種已建立的很完整的技術,可用於偵測腦動脈瘤、動脈狹窄症以及其他血管的畸形等。此技術較傳統的血管造影術無侵害性,與磁共振血管攝影術(Magnetic resonance angiography)相比則有檢測所需的時間短、費用較低及病人適用篩選條件較寬的優點。因此,在緊急的時候,電腦斷層血管造影術是經常用來診斷血管疾病的方法。雖然三維影像及電腦輔助分析技術如最大強度投影法(maximum intensity projection,MIP)、立體影像描繪法(volume rendering)及動脈管腔分析(arterial lumen analysis)的結果迅速可得,但對於存在有周圍骨骼結構的腦來說-尤其在顱基的區域,欲全自動影像處理電腦斷層血管造影術的資料是受阻礙的。放射科醫師必須藉由一種耗時的基礎二維截面影像評估法來估算受骨頭包圍的血管。
當注射顯影劑後對比增強的血管的密度數值(Hounsfield Unit,HU)落在骨骼及鈣化部位密度範圍之內時,電腦斷層血管造影術的診斷就更加地困難。放
射科醫師和放射物理學家已提出多種自電腦斷層血管造影術影像移除骨骼或選粹出血管的方法,如扣除法(subtraction CTA)、人工(manual)或自動地骨骼編輯法(automated bone editing)、骨罩刪減法(Matched mask bone elimination,MMBE)、血管分割術(vessel segmentation)及雙能量電腦斷層血管造影術(Dual energy CTA)。
扣除法電腦斷層血管造影術是最簡單的方法,其方法為以另加的無顯影劑的螺旋電腦斷層掃描所得的資料當成基準點,再將注射顯影劑後的螺旋電腦斷層掃描所得的資料扣除掉該基準點,使得到被顯影劑增強的影像資料。然而,扣除法電腦斷層血管造影術有下列兩個缺點:(1)該無顯影劑的螺旋電腦斷層掃描將加倍受檢體所需承受的輻射劑量;(2)雜訊變得更強。相對地,骨骼編輯法及血管分割術雖然不需要另加的無顯影劑的螺旋電腦斷層掃描,然而,這些方法皆有計算的複雜度及受不同操作者間結果差異大的缺點。
骨罩刪減法(matched mask bone elimination,MMBE)為目前通用的方法,該方法同樣需要另加的無顯影劑的螺旋電腦斷層掃描所得的資料來刪除骨骼。不過,該方法另加的掃描僅需使用四分之一的常規輻射劑量即可完成。其方法為利用閥值擷取(thresholding)該另加的無顯影劑的螺旋電腦斷層掃描所得的資料以產生骨罩,然後將注射顯影劑後的螺旋電腦斷層掃描所得的資料扣除該骨罩,以刪除注射顯影劑後的螺旋式電腦斷層掃
描影像中的骨骼。文獻中指出骨罩刪減法電腦斷層血管造影術是一種準確偵測顱內動脈瘤(intracranial aneurysms)影像的技術。
現今標準臨床作業中,有急性腦中風症狀的病患會先接受無顯影劑的電腦斷層掃描,來診斷腦中風的類型-腦梗塞(cerebral infarction)、原發性腦內出血(primary intracerebral hemorrhage)或蛛膜下出血(subarachnoid hemorrhage)。雖然多切面電腦斷層掃描(multidetector CT)可獲得能媲美軸向掃描影像品質的無顯影劑的螺旋電腦斷層掃描的影像。目前診斷腦中風類型的電腦斷層掃描仍大多以軸向掃描的方式來進行,以避免螺旋掃描容易造成的計算贗象(computational artifacts)。因此,本發明提出利用無顯影劑的軸向電腦斷層掃描產生骨罩。當診斷是採用無顯影劑的軸向電腦斷層掃描時,可重複使用此次掃描的資料來產生螺旋電腦斷層血管造影術所需要的骨罩,進一步地降低病患所需暴露的輻射總量。
有鑑於上述習知技術之問題,本發明之其中一目的就是在提供一種產生骨罩之方法,以用來扣除注射顯影劑後的螺旋電腦斷層掃描圖中的對應骨骼,進一步地解決電腦斷層掃描圖中骨骼遮蔽住血管及其他器官組織的問題。
根據本發明之目的,提出一種產生骨罩之方法,其步驟包含:利用無顯影劑的軸向電腦斷層掃描掃描受檢體,
以得到第一資料組;利用螺旋電腦斷層掃描掃描具有顯影劑之受檢體,使得到第二資料組;重建(reconstructing)第一資料組及第二資料組,分別獲得第一重建影像圖及第二重建影像圖,且該第二重建影像圖具有一預定空間解析度(spatial resolution);以第二重建影像圖為根據重新取樣(resampling)第一重建影像圖,以獲得第三重建影像圖,使第三重建影像圖符合第二重建影像圖之預定空間解析度;擷取第三重建影像圖中大於或等於一預定密度單位(Hounsfield Unit,HU)的資料,以得到骨罩圖像。
其中,更包含以下步驟:對準(registering)第二重建影像圖及第三重建影像圖,使第二重建影像圖與第三重建影像圖重疊後取得對準轉換參數(transform matrix),並根據此對準轉換參數對準骨罩圖像與第二重建影像圖,使得骨罩圖像與第二重建影像圖重疊。
其中,更包含將第二重建影像圖扣除已對準之骨罩圖像,以獲得無骨骼重建影像圖之步驟。
其中,更包含以下步驟:將已對準之骨罩圖像經電腦模擬計算以得到骨罩資料組;將第二資料組扣除該骨罩資料組,以獲得無骨骼資料組;以及重建無骨骼資料組,以得到無骨骼重建影像圖。
其中,預定空間解析度以預定像素之大小(pixel size)、切片厚度及對應其像素中所呈現之圖案所定義。
其中,於擷取步驟中,產生的骨罩圖像之邊緣被顏色所
標記。
承上所述,依本發明之一種產生骨罩之方法,其可具有一或多個下述優點:
(1)本發明利用電腦斷層掃描診斷時固有的無顯影劑的軸向電腦斷層掃描圖來產生骨罩,即,不需另加的無顯影劑的螺旋電腦斷層掃描,可進一步地降低病患所暴露的輻射總量。
(2)因為軸向電腦斷層掃描相較於螺旋電腦斷層掃描有產生較少計算贗象的優點,故利用本發明產生的骨罩可帶來較佳的成像品質。較佳地,本發明於擷取步驟中,利用顏色標記骨罩之邊緣,使得骨罩的範圍更加精準。當利用本發明產生之骨罩刪去注射顯影劑後的螺旋電腦斷層掃描資料所對應的骨骼時,可克服先前技術使得血管影像較實際小的問題,進一步地呈現出更精確的血管造影圖。
(3)本發明可進一步地降低病患所暴露的輻射總量,因而較先前技術更適用於對輻射敏感、容易因輻射產生副作用的受檢體身上(如兒童)。
請參閱第1圖,其係為本發明之第一實施例流程圖。如圖,如步驟S11所示,利用無顯影劑的軸向電腦斷層掃描掃描受檢體,以得到第一資料組。如步驟S12所示,利用螺旋電腦斷層掃描掃描具有顯影劑之受檢體,使得到第二資料組。如步驟S13所示,重建(reconstructing)第一
資料組及第二資料組,分別獲得第一重建影像圖及第二重建影像圖,且該第二重建影像圖具有一預定空間解析度(spatial resolution)。如步驟S14所示,根據第二重建影像圖重新取樣(resampling)第一重建影像圖,以得到第三重建影像圖,使第三重建影像圖符合第二重建影像圖之預定空間解析度。如步驟S15所示,擷取第三重建影像圖中大於或等於一預定密度單位(Hounsfield Unit,HU)的資料,以得到骨罩圖像。
請參閱第2圖,其係為本發明之第二實施例流程圖。如圖所示,於步驟S21中,利用無顯影劑的軸向電腦斷層掃描掃描受檢體,以得到第一資料組。於步驟S22中,利用螺旋電腦斷層掃描掃描具有顯影劑之受檢體,使得到第二資料組。於步驟S23中,重建第一資料組及第二資料組,分別獲得第一重建影像圖及第二重建影像圖,且該第二重建影像圖具有一預定空間解析度。於步驟S24中,根據第二重建影像圖重新取樣(resampling)第一重建影像圖,以得到第三重建影像圖,使第三重建影像圖符合第二重建影像圖之預定空間解析度。於步驟S25中,擷取第三重建影像圖中大於或等於一預定密度單位的資料,以得到骨罩圖像。於步驟S26中,對準(registering)第二重建影像圖及第三重建影像圖,使第二重建影像圖與第三重建影像圖重疊並獲得對準轉換參數。於步驟S27中,根據該對準轉換參數對準骨罩圖像與第二重建影像圖,使得骨罩圖像與第二重建影像圖重疊。於步驟S28中,將第二重建影像圖扣除已對準之骨罩圖像,以獲得無骨骼
重建影像圖。
請參閱第3圖,其係為本發明之第三實施例流程圖。如圖所示,於步驟S31中,利用無顯影劑的軸向電腦斷層掃描掃描受檢體,以得到第一資料組。於步驟S32中,利用螺旋電腦斷層掃描掃描具有顯影劑之受檢體,使得到第二資料組。於步驟S33中,重建第一資料組及第二資料組,分別獲得第一重建影像圖及第二重建影像圖,且該第二重建影像圖具有一預定空間解析度。於步驟S34中,根據第二重建影像圖重新取樣(resampling)第一重建影像圖,以得到第三重建影像圖,使第三重建影像圖符合第二重建影像圖之預定空間解析度。於步驟S35中,擷取第三重建影像圖中大於或等於一預定密度單位的資料,以得到骨罩圖像。於步驟S36中,對準第二重建影像圖及第三重建影像圖,使第二重建影像圖與第三重建影像圖重疊並獲得對準轉換參數。於步驟S37中,根據該對準轉換參數對準骨罩圖像與第二重建影像圖,使得骨罩圖像與第二重建影像圖重疊。於步驟S38中,將已對準之骨罩圖像經電腦模擬計算以得到骨罩資料組。於步驟S39中,將第二資料組扣除骨罩資料組,以獲得無骨骼資料組。於步驟S310中,重建無骨骼資料組,以得到無骨骼重建影像圖。
當電腦斷層掃描進行醫學影像拍攝時,其內部有一連續的記憶體區塊用來紀錄影像本身的資訊,像是影像型態(modality)、影像解析(bits stored)、原始資料(raw data)-投影圖像(projection image,又稱為
sinogram)等。其中,投影圖像資料組成圖像資料組(image data set),並透過適當的數學運算,如解反矩陣、疊代法或二維傅立葉轉換法、濾波反投影演算法(filtered back-projection)等方法,可被重建成複數個平面(2D)影像圖。每一平面影像圖為一矩陣(matrix),矩陣由像素組成並決定像素行與列的數目,而每一像素代表一密度數值。
如上所述,本發明之第四實施例及第五實施例闡述當各個資料組為圖像資料組時的步驟及結果。請參閱第4圖,其係為本發明之第四實施例流程圖。如圖,如步驟S41所示,利用無顯影劑的軸向電腦斷層掃描掃描受檢體,以得到第一圖像資料組(image data set)。如步驟S42所示,利用螺旋電腦斷層掃描掃描具有顯影劑之受檢體,使得到第二圖像資料組。如步驟S43所示,重建第一圖像資料組及第二圖像資料組,分別獲得複數個第一平面(2D)影像圖及複數個第二平面影像圖,且各該複數個第二平面影像圖具有一預定空間解析度。如步驟S44所示,根據複數個第二平面影像圖重新取樣複數個第一平面影像圖,以得到複數個第三平面影像圖,使各該複數個第三平面影像圖符合各該複數個第二平面影像圖之預定空間解析度。如步驟S45所示,擷取該複數個第三平面影像圖中大於或等於一預定密度單位的資料,以得到複數個平面骨罩影像圖。如步驟S46所示,對準各該複數個第二平面影像圖及各該複數個第三平面影像圖,使各該複數個第二平面影像圖與各該複數個第三平面影像圖重疊並
獲得對準轉換參數。如步驟S47所示,根據該對準轉換參數對準各該複數個平面骨罩影像圖與各該複數個第二平面影像圖,使得各該複數個平面骨罩影像圖與各該複數個第二平面影像圖重疊。於步驟S48中,將各該複數個第二平面影像圖扣除已對準之各該複數個平面骨罩影像圖,以獲得複數個平面無骨骼影像圖。該複數個平面無骨骼影像圖,即為扣除骨骼影像的血管造影圖,當複數個平面無骨骼影像圖依空間堆疊時,可被重建成一立體的血管造影圖。
請參閱第5圖,其係為本發明之第五實施例流程圖。如圖,如步驟S51所示,利用無顯影劑的軸向電腦斷層掃描掃描受檢體,以得到第一圖像資料組(image data set)。如步驟S52所示,利用螺旋電腦斷層掃描掃描具有顯影劑之該受檢體,使得到第二圖像資料組。如步驟S53所示,重建第一圖像資料組及第二圖像資料組,分別獲得複數個第一平面(2D)影像圖及複數個第二平面影像圖,且各該複數個第二平面影像圖具有一預定空間解析度。如步驟S54所示,根據複數個第二平面影像圖重新取樣複數個第一平面影像圖,以得到複數個第三平面影像圖,使各該複數個第三平面影像圖符合各該複數個第二平面影像圖之預定空間解析度。如步驟S55所示,擷取該複數個第三平面影像圖中大於或等於一預定密度單位的資料,以得到複數個平面骨罩影像圖。如步驟S56所示,對準各該複數個第二平面影像圖及各該複數個第三平面影像圖,使各該複數個第二平面影像圖與各該複數個第三平面
影像圖重疊並獲得對準轉換參數。如步驟S57所示,根據該對準轉換參數對準各該複數個平面骨罩影像圖與各該複數個第二平面影像圖,使得各該複數個平面骨罩影像圖與各該複數個第二平面影像圖重疊。如步驟S58所示,將已對準之複數個平面骨罩影像圖經電腦模擬計算以得到骨罩圖像資料組。如步驟S59所示,將第二圖像資料組扣除骨罩圖像資料組,以獲得無骨骼圖像資料組。如步驟S510所示,重建無骨骼圖像資料組,以得到複數個平面無骨骼影像圖。該複數個平面無骨骼影像圖,即為扣除骨骼影像的血管造影圖,當複數個平面無骨骼影像圖依空間堆疊時,可被重建成一立體的血管造影圖。
電腦斷層掃描將受檢體每公厘厚之縱向切層分割成由體素(voxel)所組成的影像矩陣,體素是數位資料於三維空間分割上的最小單位,而每像素之長×寬×掃描切片厚度等於其對應體素的容積。與像素相同,每個體素也代表一密度數值。一個立體影像所包含的體素所對應的數位資料稱為容積資料組(volume data set)。
如上所述,本發明之第六實施例及第七實施例闡述當各個資料組為容積資料組時的步驟及結果。請參閱第6圖,其係為本發明之第六實施例流程圖。如圖,於步驟S61中,利用無顯影劑的軸向電腦斷層掃描掃描受檢體,以得到第一容積資料組。於步驟S62中,利用螺旋電腦斷層掃描掃描具有顯影劑之該受檢體,使得到第二容積資料組。於步驟S63中,重建第一容積資料組及第二容積資料組,分別獲得第一立體影像圖(3D)及第二立體影像圖,且
該第二立體影像圖具有一預定空間解析度。於步驟S64中,根據第二立體影像圖重新取樣第一立體影像圖,以得到第三立體影像圖,使第三立體影像圖符合第二立體影像圖之預定空間解析度。於步驟S65中,擷取第三立體影像圖中大於或等於一預定密度單位的資料,以得到立體骨罩影像圖。於步驟S66中,對準第二立體影像圖及第三立體影像圖,使第二立體影像圖與第三立體影像圖重疊並獲得對準轉換參數。於步驟S67中,根據該對準轉換參數對準立體骨罩影像圖與第二立體影像圖,使得立體骨罩影像圖與第二立體影像圖重疊。於步驟S68中,將第二立體影像圖扣除已對準之立體骨罩影像圖,以獲得立體無骨骼影像圖。
請參閱第7圖,其係為本發明之第七實施例流程圖。如圖,如步驟S71所示,利用無顯影劑的軸向電腦斷層掃描掃描受檢體,以得到第一容積資料組。如步驟S72所示,利用螺旋電腦斷層掃描掃描具有顯影劑之該受檢體,使得到第二容積資料組。如步驟S73所示,重建第一容積資料組及第二容積資料組,分別獲得第一立體影像圖及第二立體影像圖,且該第二立體影像圖具有一預定空間解析度。如步驟S74所示,根據第二立體影像圖重新取樣第一立體影像圖,以得到第三立體影像圖,使第三立體影像圖符合第二立體影像圖之預定空間解析度。如步驟S75所示,擷取第三立體影像圖中大於或等於一預定密度單位的資料,以得到立體骨罩影像圖。如步驟S76所示,對準第二立體影像圖及第三立體影像圖,使第二立體影像圖
與第三立體影像圖重疊並獲得對準轉換參數。於步驟S77中,根據該對準轉換參數對準立體骨罩影像圖與第二立體影像圖,使得立體骨罩影像圖與第二立體影像圖重疊。於步驟S78中,將已對準之立體骨罩影像圖經電腦模擬計算以得到骨罩容積資料組。於步驟S79中,將第二容積資料組扣除骨罩容積資料組,以獲得無骨骼容積資料組。於步驟S710中,重建無骨骼容積資料組,以得到立體無骨骼影像圖。
請參閱第8圖到第11圖,其係為本發明所揭露產生之骨罩與先前技術中的骨罩刪減法(matched mask bone elimination,MMBE)產生之骨罩的比較結果,以及該二方法應用於血管造影術的成效之比較。
於一較佳實施例中,利用無顯影劑的軸向電腦斷層掃描對32名有急性腦中風症狀的病患的頭部進行掃描(包含11位女性及21位男性,年齡層從18到80歲,標準差為15),使每一病患對應得到一第一資料組。該無顯影劑的軸向電腦斷層掃描的條件為120kVp,電流為250到300mA,轉動時間為1秒。為了比較本發明所產生的骨罩與先前技術中骨罩刪減法所產生的骨罩,這些病患的頭部之後還接受了無顯影劑的螺旋電腦斷層掃描,使每一病患對應得到一骨罩刪減法資料組。其掃描條件為100kVp,200mA,32×0.625mm準直大小(collimation),切片重疊因子(pitch)為0.969:1,及旋轉時間(rotation time)為0.4秒。
電腦斷層血管掃描程序為:病患接受以4ml/s的速率注
射共60ml的含碘顯影劑(iodinated contrast medium)至靜脈中,本程序為了同時偵測出動脈及靜脈,其掃描時間的起始點是待以小劑量同層動態測試法(Bolus Test)測出主動脈中顯影劑訊號的至高點加上6秒鐘後開始,以條件為100kVp,400mA,32×0.625mm準直大小(collimation),切片重疊因子(pitch)為0.969:1,及旋轉時間(rotation time)為0.4秒的螺旋電腦斷層掃描(postcontrast CT)掃描每一病患頭部,使每一病患對應得到一第二資料組。
電腦斷層掃描所得到的數位資料可統整為圖像資料組,而圖像資料組、掃描的切片厚度與數學運算可被利用以獲得容積資料組。因此,第一資料組包含有第一圖像資料組及第一容積資料組,第二資料組包含有第二圖像資料組及第二容積資料組,及骨罩刪減法資料組包含有骨罩刪減法圖像資料組及骨罩刪減法容積資料組。
重建第一圖像資料組、第二圖像資料組及骨罩刪減法圖像資料組,分別獲得複數個第一平面(2D)影像圖、複數個第二平面影像圖及複數個骨罩刪減法平面影像圖。其中各圖矩陣(marix)大小為512×512,像素大小(pixel size)為0.4-0.5mm,及各切片厚度為0.625mm。
不同的電腦斷層掃描裝置所得圖像的像素大小及數目不同,使得各該複數個第一平面影像圖與各該複數個第二平面影像圖的空間解析度(spatial resolution)不同。於本實施例中,以各該複數個第二平面影像圖之空間
解析度為基準,並利用三線內插法(trilinear interpolation)對各該複數個第一平面影像圖進行重新取樣(resampling),以得到複數個第三平面影像圖,使得各該複數個第三平面影像圖與各該複數個第二平面影像圖具有相同之空間解析度,且同為512×512×256的矩陣大小(matrices of size)。
不同儀器所拍攝之圖像或相同儀器但不同時間所拍攝之圖像必須經由特徵擷取找出特徵點於影像中相對應位置之關係,此過程稱為對準(registration)。於本實施例中,利用Venema等人在2001年提出的方法-利用被對準的各體素(voxel)所代表的密度數值(HU)來計算密度差(intensity difference)作為比對的標準。但是為了加速密度差的計算,於本實施例中,自複數個第三平面影像圖的三個代表平面,軸狀(axial)、冠狀(coronal)及矢狀面(sagittal),選取密度單位大於或等於150 HU(一般被認為是骨罩密度)的體素(voxel)作為一子樣本(subsample)進行密度差計算。例如從複數個第三平面影像圖中自頭顱頂部起計算第80(代表軸狀面)、第176張(代表軸狀面)及位於正中央的矢狀面掃描圖中選取體素成為子樣本(即特徵點)。接下來,藉由最小化複數個子樣本的體素值與其對應空間關係的各個第二平面影像圖的體素值之平方差平均數,以及利用簡捷法(downhill simplex method)計算出一對準轉換參數(transform matrix),以對準各個第二平面影像圖與各個第三平面影像圖。於本實施例中,為了解決各個第
二平面影像圖與各個第三平面影像圖的圖像間有姿勢差異的問題,於共五次的簡捷法中,每次需重新選取子樣本來運算。另一方面,採用同樣如上述的對準步驟來求得骨罩刪減法所需的對準轉換參數,以對準各個第二平面影像圖與各個骨罩刪減法平面影像圖,但僅需進行一次的簡捷法運算。
最後經由內部開發的軟體(Internally developed software)擷取對準後轉換後之各個第三平面影像圖中大於或等於150HU的資料,以得到複數個平面骨罩影像圖,該複數個平面骨罩影像圖經由重建而獲得立體骨罩影像圖。另一方面,擷取各個骨罩刪減法平面影像圖中大於或等於150HU的資料,以得到骨罩刪減法之複數個平面骨罩影像圖,該骨罩刪減法之複數個平面骨罩影像圖經由重建而獲得骨罩刪減法之立體骨罩影像圖。
請參閱第8圖,其係利用疊合(overlap)分析法比較本發明所產生之骨罩與先前技術中的骨罩刪減法所產生之骨罩。該疊合分析法的方法如下:以(x,y)分別表示本發明之立體骨罩影像圖與骨罩刪減法之立體骨罩影像圖所包含的體素數量,以z表示本發明之立體骨罩影像圖與骨罩刪減法之立體骨罩影像圖共享的體素數量,因此,此二骨罩之重疊率可以用z/(x+y-z)表示;利用放寬重疊的標準來分析配對錯誤的影像圖,並定義模糊重疊為將超出重疊邊界1體素的區域視為包含在重疊區域中,並以z’表示此二骨罩模糊重疊後的體素數量,因此,此二骨罩的模糊重疊率可以用z’/(x+y-z)表示。疊合分析法
的結果如下:於32個病患中,有4個病患因為掃描時發生移動的情況而無法對準,故於本實施例中僅以成功對準的28個病患作為討論的對象。於28個病患中,個別二骨罩之重疊率-z/(x+y-z)-的範圍落在89.8%至97%間,而平均數為94.6%±2.0%;另一方面,個別二骨罩之模糊重疊率-z’/(x+y-z)-的範圍落在99.2%至99.9%間,而平均數為99.7%±0.2%。透過此疊合分析法可驗證本方法所產生的骨罩與骨罩刪減法所產生的骨罩相似。其中,第8A圖為本發明中根據第二平面影像圖對準後的第三平面影像圖。第8B圖為骨罩刪減法中,根據第二平面影像圖對準後的骨罩刪減法平面影像圖。第8C圖為由第8A圖所產生的骨罩與由第8B圖所產生的骨罩的重疊圖,其中該二圖的重疊率為96.1%,並將該二圖的疊合部位以灰色表示,未於重疊區的本發明之立體骨罩影像以白色表示,及未於重疊區的骨罩刪減法之立體骨罩影像圖以黑色表示。第8D圖為第8C圖將模糊重疊區域與重疊區域皆以灰色表示,其中該二圖的模糊重疊率為99.9%。
於另一較佳實施例中,將上述實施例所產生的本發明之立體骨罩影像圖與先前技術中的骨罩刪減法之立體骨罩影像圖應用在血管造影術中。其步驟為:根據先前求得的對準轉換參數對準各該複數個平面骨罩影像圖與各該複數個第二平面影像圖,使得各該複數個平面骨罩影像圖與各該複數個第二平面影像圖重疊;將各該複數個第二平面影像圖扣除已對準之各該複數個平面骨罩影像圖,以獲得複數個平面無骨骼影像圖;以及利用最大強度
投影法(maximum intensity projection,MIP)重建該複數個平面無骨骼影像圖,以獲得不同切面下的立體無骨骼影像圖(即血管投影立體影像)。另一方面,利用上述之扣除及重建方法得到不同切面下之骨罩刪減法的血管投影立體影像。
為了評估本發明所產生之血管投影立體影像(即立體無骨骼影像圖)的診斷品質及雜訊程度,於本實施例中,利用視覺評估法比較不同切面下的利用本發明產生之立體無骨骼影像圖與骨罩刪減法的血管投影立體影像。此視覺評估法的方法如下:以窗值(window setting)為-24 HU與窗寬(window width)為600 HU的視窗設定(window settings)展示同切面下的立體無骨骼影像圖與骨罩刪減法的血管投影立體影像且將兩兩相鄰放置。兩個經驗分別為4年與23年的神經放射科醫師對該二種血管投影立體影像進行比較,而且對於對方判斷的結果一無所知。由4張血管投影立體影像所組成的各組圖片以隨機的病患順序與隨機的左右安排被分別呈現在前述的神經放射科醫師面前,以避免他們預先判斷結果。神經放射科醫師使用5分量表(5-point scale)對一病患的兩種血管投影立體影像進行診斷品質及雜訊程度的評分。以分數表示診斷品質時,以分數為3代表左圖的診斷品質與右圖相同,分數越低代表左圖的診斷品質較右圖越差,分數越高代表左圖的診斷品質較右圖越佳。以分數表示雜訊程度時,以分數1表示在該組別中左邊的圖有較高的雜訊程度且較低的診斷價值;以分數2表示左圖有較高
的雜訊程度但不影響診斷價值;以分數3表示左圖與右圖有相同的雜訊程度;以分數4表示左圖有較低的雜訊程度但不影響診斷價值;以分數5表示左圖有較低的雜訊程度且較高的診斷價值。這些分數為被設計為互補的,也就是說,左右兩圖的分數加總起來總是等於6。最後,以本發明之立體無骨骼影像圖被放置在左邊為根據將全部的分數加以分類成一固定量表。視覺評估法的結果如下:在28個病患中,上述二神經放射科醫師給予的骨罩刪減法的血管投影立體影像的診斷品質分數的平均值範圍在2.5到4之間(平均值為3.0±0.3),及其雜訊程度分數的平均值範圍在1.5到3之間(平均值為2.5±0.5)。即,本發明所產生的骨罩用於血管造影術中時,與先前技術中的骨罩刪減法有相當的功效。
請參閱第9圖,其係為不同切面下之本發明的立體無骨骼影像圖與先前技術中的骨罩刪減法的血管投影立體影像。其中,左圖為本發明的立體無骨骼影像圖,右圖為骨罩刪減法的血管投影立體影像。這組圖片自二神經放射科醫師所得到的平均診斷品質及平均雜訊程度的分數皆為3。換句話說,代表本發明之立體無骨骼影像圖的診斷品質及雜訊程度與骨罩刪減法的血管投影立體影像相同。其中,第9A圖到第9D圖為第8圖中本發明之立體骨罩影像圖與骨罩刪減法之立體骨罩影像圖利用扣除法及最大強度投影法(maximum intensity projection,MIP)所得的四張不同切面下之血管投影立體影像。其中第9A圖為側切面,第9B圖為左前斜(left anterior
oblique)切面,第9C圖為前後(anteroposterior)切面,第9D圖為右前斜(right anterior oblique)切面。
請參閱第10圖,其係為另一組不同切面下之本發明的立體無骨骼影像圖圖與先前技術中的骨罩刪減法之血管投影立體影像。其中,左圖為本發明之立體無骨骼影像圖,右圖為骨罩刪減法的血管投影立體影像。這組圖片自二神經放射科醫師所得到的診斷品質的平均分數為3,而雜訊程度的平均分數為2。其中第10A圖為側切面,第10B圖為左前斜(left anterior oblique)切面,第10C圖為前後(anteroposterior)切面,第10D圖為右前斜(right anterior oblique)切面。
請參閱第11圖,其係為以本發明的立體骨罩影像圖與先前技術中的骨罩刪減法之立體骨罩影像圖的重疊率為y軸,以平均診斷品質或平均雜訊程度的分數為x軸繪製座標圖的結果,其目的是為了判斷兩者之間是否有關聯性。其中,第11A圖為平均診斷品質的分數與重疊率的關係圖,將兩類數值進行雙尾檢定(2-tailed)之後結果為P=0.18,代表診斷品質與重疊率非顯著相關。第11B圖為平均雜訊程度的分數與重疊率的關係圖。將兩類數值進行雙尾檢定之後結果為P<0.001,代表雜訊程度與重疊率顯著相關。接下來以柯恩一致性係數(Cohen’s kappa test)檢測二神經放射科醫生對兩種血管投影圖所評分的一致性。當柯恩係數為0時代表兩觀察員所給的分數僅有隨機一致性,而柯恩係數為1時代表兩觀察員所
給的分數有最強的一致性。參考Landis and Koch提出的kappa值一致性解釋,可得知其對於一致性共分為六個階層如下:弱(κ<0.10),輕(0.1≦κ≦0.20),尚好(0.21≦κ≦0.40),中度(0.41≦κ≦0.60),高度(0.61≦κ≦0.80),最強(0.81≦κ≦1)。於本實施例中,二神經放射科醫師對兩種血管投影圖所評分的診斷品質有顯著的中度一致性(κ=0.51,95% CI:0.24,0.78);而對兩種血管投影圖所評分的雜訊程度有顯著的中度一致性(κ=0.42,95% CI:0.14,0.70)。上述結果顯示,二神經放射科醫師對兩種血管投影圖的評分具有一致性,使得視覺評估法的結果足以採信。即,本發明所產生的骨罩用於血管造影術中時,與骨罩刪減法有相當的功效。
為了比較利用本發明所產生之骨罩與骨罩刪減法所產生之骨罩對於受檢體所施加的輻射劑量。於本實施例中,利用監視兩種方法的劑量長度乘積(dose-length product,DLP)來評估病人接受電腦斷層掃描的總曝露或吸收輻射劑量。又利用有效劑量(effective dose)來評估受檢體接受輻射照射時,所可能導致的機率風險(stochastic risk)。當掃描視野範圍(field-of-view)皆為16公分的評估結果如下:無顯影劑的軸向電腦斷層掃描的劑量程度乘積為1066.06 mGy,有效劑量為2.24 mSv;無顯影劑的螺旋電腦斷層掃描的劑量程度乘積為179.82 mGy,有效劑量為0.38 mSv;注射顯影劑後的螺旋電腦斷層掃描的劑量程度乘積為
373.20 mGy,有效劑量為0.78 mSv。由以上結果可得知,整個骨罩刪減法所造成的有效劑量為1.16 mSv。若能將用來診斷病患腦中風類型的無顯影劑的軸向電腦斷層掃描的掃描圖(即第一重建影像圖)作為轉換成骨罩的依據時,於血管造影術時,將可省去另加的無顯影劑的螺旋電腦斷層掃描,而能減少33%的有效劑量。而證實了利用本發明產生之骨罩可降低受檢體所承受的輻射劑量。
以上所述僅為舉例性,而非為限制性者。任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應包含於後附之申請專利範圍中。
S11~S15‧‧‧步驟
S21~S28‧‧‧步驟
S31~S310‧‧‧步驟
S41~S48‧‧‧步驟
S51~S510‧‧‧步驟
S61~S68‧‧‧步驟
S71~S710‧‧‧步驟
第1圖係為本發明之第一實施例流程圖。
第2圖係為本發明之第二實施例流程圖。
第3圖係為本發明之第三實施例流程圖。
第4圖係為本發明之第四實施例流程圖。
第5圖係為本發明之第五實施例流程圖。
第6圖係為本發明之第六實施例流程圖。
第7圖係為本發明之第七實施例流程圖。
第8圖係利用疊合分析法比較本發明所產生之骨罩與先前技術中的骨罩刪減法所產生之骨罩。
第9圖係為不同切面下之本發明的立體無骨骼影像圖與先前技術中的骨罩刪減法之血管投影立體影像。
第10圖係為另一組不同切面下之本發明的立體無骨骼影像圖與先前技術中的骨罩刪減法之血管投影立體影像。
第11圖係為以本發明的立體骨罩影像圖與先前技術中的骨罩刪減法之立體骨罩影像圖的重疊率為y軸,以平均診斷品質或平均雜訊程度的分數為x軸繪製座標圖的結果。
S11~S15‧‧‧步驟
Claims (18)
- 一種產生骨罩之方法,包含下列步驟:利用一無顯影劑的軸向電腦斷層掃描掃描一受檢體,以得到一第一資料組;利用一螺旋電腦斷層掃描掃描具有一顯影劑之該受檢體,使得到一第二資料組;重建(reconstructing)該第一資料組及該第二資料組,分別獲得一第一重建影像圖及一第二重建影像圖,且該第二重建影像圖具有一預定空間解析度(spatial resolution);根據該第二重建影像圖重新取樣(resampling)該第一重建影像圖,以得到一第三重建影像圖,使該第三重建影像圖符合該第二重建影像圖之該預定空間解析度;以及擷取該第三重建影像圖中大於或等於一預定密度單位(Hounsfield Unit,HU)的資料,以得到一骨罩圖像。
- 如申請專利範圍第1項所述之產生骨罩之方法,其中該第一資料組係為一第一圖像資料組(image data set),且該第二資料組係為一第二圖像資料組。
- 如申請專利範圍第2項所述之產生骨罩之方法,其中該第一重建影像圖係為複數個第一平面(2D)影像圖,該第二重建影像圖係為複數個第二平面影像圖,該第三重建影像圖係為複數個第三平面影像圖,且該骨罩圖像係為複數個平面骨罩影像圖。
- 如申請專利範圍第1項所述之產生骨罩之方法,其中該第一資料組係為一第一容積資料組(volume data set), 且該第二資料組係為一第二容積資料組。
- 如申請專利範圍第4項所述之產生骨罩之方法,其中該第一重建影像圖係為一第一立體(3D)影像圖,該第二重建影像圖係為一第二立體影像圖,該第三重建影像圖係為一第三立體影像圖,且該骨罩圖像係為一立體骨罩影像圖。
- 如申請專利範圍第1項所述之產生骨罩之方法,更包含下列步驟:對準(registering)該第二重建影像圖及該第三重建影像圖,使該第二重建影像圖與該第三重建影像圖重疊並獲得一對準轉換參數;以及根據該對準轉換參數對準該骨罩圖像與該第二重建影像圖,使得該骨罩圖像與該第二重建影像圖重疊。
- 如申請專利範圍第6項所述之產生骨罩之方法,更包含將該第二重建影像圖扣除已對準之該骨罩圖像,以獲得一無骨骼重建影像圖之步驟。
- 如申請專利範圍第6項所述之產生骨罩之方法,更包含下列步驟:將已對準之該骨罩圖像經電腦模擬計算以得到一骨罩資料組;將該第二資料組扣除該骨罩資料組,以獲得一無骨骼資料組;以及重建該無骨骼資料組,以得到該無骨骼重建影像圖。
- 如申請專利範圍第8項所述之產生骨罩之方法,其中該骨罩資料組係為一骨罩圖像資料組,且無骨骼資料組係為一無骨骼圖像資料組。
- 如申請專利範圍第9項所述之產生骨罩之方法,其中該無 骨骼重建影像圖為複數個平面無骨骼影像圖。
- 如申請專利範圍第8項所述之產生骨罩之方法,其中該骨罩資料組係為一骨罩容積資料組,且該無骨骼資料組係為一無骨骼容積資料組。
- 如申請專利範圍第11項所述之產生骨罩之方法,其中該無骨骼重建影像圖為一立體無骨骼影像圖。
- 如申請專利範圍第6項所述之產生骨罩之方法,其中於對準步驟中,利用一簡捷法(downhill simplex method)將該第二重建影像圖與該第三重建影像圖重疊。
- 如申請專利範圍第1項所述之產生骨罩之方法,其中於重新取樣步驟中,該第一重建影像圖利用一三線內插法(trilinear interpolation),得到該第三重建影像圖,使該第三重建影像圖符合該第二重建影像圖之該預定空間解析度。
- 如申請專利範圍第1項所述之產生骨罩之方法,其中該顯影劑包含一含碘顯影劑。
- 如申請專利範圍第1項所述之產生骨罩之方法,其中該預定密度單位為150~300HU。
- 如申請專利範圍第1項所述之產生骨罩之方法,其中該預定空間解析度係以一預定像素之大小(pixel size)、切片厚度及對應該像素中所呈現之圖案所定義。
- 如申請專利範圍第1項所述之產生骨罩之方法,其中於該擷取步驟中,該骨罩圖像之邊緣係以一顏色所標記。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW099139137A TWI429419B (zh) | 2010-11-15 | 2010-11-15 | 產生骨罩之方法 |
US13/051,426 US8452067B2 (en) | 2010-11-15 | 2011-03-18 | Method for generating bone mask |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW099139137A TWI429419B (zh) | 2010-11-15 | 2010-11-15 | 產生骨罩之方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201219013A TW201219013A (en) | 2012-05-16 |
TWI429419B true TWI429419B (zh) | 2014-03-11 |
Family
ID=46047793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW099139137A TWI429419B (zh) | 2010-11-15 | 2010-11-15 | 產生骨罩之方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US8452067B2 (zh) |
TW (1) | TWI429419B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI679968B (zh) * | 2017-07-28 | 2019-12-21 | 臺北醫學大學 | 確定腦區域之缺血狀態或評估缺血狀態發生時間的方法 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130051644A1 (en) * | 2011-08-29 | 2013-02-28 | General Electric Company | Method and apparatus for performing motion artifact reduction |
BR112014019364A8 (pt) * | 2012-02-10 | 2017-07-11 | Koninklijke Philips Nv | Sistema de geração de imagem clínica, método de geração de imagem clínica, e meio não transitório executável por computador com software que controla um ou mais processadores |
KR102070433B1 (ko) * | 2013-11-08 | 2020-01-28 | 삼성전자주식회사 | 단층 영상 생성 방법 및 단층 영상 생성 장치 |
JP6293619B2 (ja) * | 2014-08-28 | 2018-03-14 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 画像処理方法および装置並びにプログラム |
JP6676655B2 (ja) * | 2015-04-13 | 2020-04-08 | ケース ウエスタン リザーブ ユニバーシティ | 二重エネルギーx線冠動脈カルシウムのグレード付け |
US10037603B2 (en) * | 2015-05-04 | 2018-07-31 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
WO2017001210A1 (en) * | 2015-06-30 | 2017-01-05 | Koninklijke Philips N.V. | Registration apparatus for registering images |
US9760983B2 (en) * | 2015-10-19 | 2017-09-12 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image registration in medical imaging system |
CN106611411B (zh) | 2015-10-19 | 2020-06-26 | 上海联影医疗科技有限公司 | 一种医学图像中肋骨分割的方法及医学图像处理装置 |
CN106682636B (zh) * | 2016-12-31 | 2020-10-16 | 上海联影医疗科技有限公司 | 血管提取方法及其系统 |
EP3320843B1 (en) * | 2017-06-22 | 2020-06-17 | Siemens Healthcare GmbH | Method and apparatus for generating a set of processed images |
TWI797767B (zh) * | 2021-10-06 | 2023-04-01 | 中原大學 | 基於評估腦中風之血管造影方法及血管造影裝置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7371365B2 (en) * | 2000-04-04 | 2008-05-13 | Mayo Foundation For Medical Education And Research | Methods for detecting parenchymal plaques in vivo |
US6373920B1 (en) * | 2001-03-16 | 2002-04-16 | Ge Medical Systems Global Technology Company, Llc | Method and apparatus for acquiring CT perfusion images |
US6898263B2 (en) * | 2002-11-27 | 2005-05-24 | Ge Medical Systems Global Technology Company, Llc | Method and apparatus for soft-tissue volume visualization |
US6891918B2 (en) * | 2002-11-27 | 2005-05-10 | Ge Medical Systems Global Technology Company, Llc | Methods and apparatus for acquiring perfusion data |
US7616794B2 (en) * | 2004-01-26 | 2009-11-10 | Siemens Medical Solutions Usa, Inc. | System and method for automatic bone extraction from a medical image |
WO2007058997A2 (en) * | 2005-11-11 | 2007-05-24 | The University Of Houston System | Scoring method for imaging-based detection of vulnerable patients |
US7995824B2 (en) * | 2006-02-10 | 2011-08-09 | University Of Medicine And Dentistry Of New Jersey | Precision subtraction computed tomographic angiography |
US8244015B2 (en) * | 2006-11-22 | 2012-08-14 | General Electric Company | Methods and apparatus for detecting aneurysm in vasculatures |
US7983460B2 (en) * | 2007-06-08 | 2011-07-19 | General Electric Company | Method and system for performing high temporal resolution bolus detection using CT image projection data |
TWI381828B (zh) * | 2009-09-01 | 2013-01-11 | Univ Chang Gung | Method of making artificial implants |
-
2010
- 2010-11-15 TW TW099139137A patent/TWI429419B/zh active
-
2011
- 2011-03-18 US US13/051,426 patent/US8452067B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI679968B (zh) * | 2017-07-28 | 2019-12-21 | 臺北醫學大學 | 確定腦區域之缺血狀態或評估缺血狀態發生時間的方法 |
Also Published As
Publication number | Publication date |
---|---|
US20120121147A1 (en) | 2012-05-17 |
TW201219013A (en) | 2012-05-16 |
US8452067B2 (en) | 2013-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI429419B (zh) | 產生骨罩之方法 | |
US7826885B2 (en) | Method and apparatus for calculating index concerning local blood flow circulations | |
Leclerc et al. | Internal carotid arterial stenosis: CT angiography with volume rendering | |
US7873192B1 (en) | Method for providing a smoothed image | |
US7676257B2 (en) | Method and apparatus for segmenting structure in CT angiography | |
US20110150309A1 (en) | Method and system for managing imaging data, and associated devices and compounds | |
US20050111719A1 (en) | Method for registration of an image applied to digital subtracted angiography | |
US20080317310A1 (en) | Method and system for image processing and assessment of blockages of heart blood vessels | |
Notohamiprodjo et al. | Diagnostic accuracy of contemporary multidetector computed tomography (MDCT) for the detection of lumbar disc herniation | |
Schaller et al. | Noise reduction in abdominal computed tomography applying iterative reconstruction (ADMIRE) | |
Károlyi et al. | Iterative model reconstruction reduces calcified plaque volume in coronary CT angiography | |
Al-Saleh et al. | Three-dimensional assessment of temporomandibular joint using MRI-CBCT image registration | |
US20130322718A1 (en) | Method and apparatus for measurements of the brain perfusion in dynamic contrast-enhanced computed tomography images | |
JP2012516185A (ja) | 貫壁性のかん流の勾配の画像分析 | |
van der Bie et al. | Photon-counting CT: review of initial clinical results | |
Ippolito et al. | Diagnostic efficacy of model-based iterative reconstruction algorithm in an assessment of coronary artery in comparison with standard hybrid-Iterative reconstruction algorithm: dose reduction and image quality | |
Levi et al. | Calibration‐free beam hardening correction for myocardial perfusion imaging using CT | |
JP4302180B2 (ja) | 局所血流動態に関するインデックスを演算する方法及び装置 | |
Löve et al. | Hybrid iterative reconstruction algorithm improves image quality in craniocervical CT angiography | |
CN111862312B (zh) | 一种脑部血管显示装置及方法 | |
Gong et al. | Artificial intelligence iterative reconstruction in computed tomography angiography: An evaluation on pulmonary arteries and aorta with routine dose settings | |
Zhang et al. | Dynamic estimation of three‐dimensional cerebrovascular deformation from rotational angiography | |
Hong et al. | Automatic vessel extraction by patient motion correction and bone removal in brain CT angiography | |
Turco et al. | Lesion quantification and detection in myocardial 18 F-FDG PET using edge-preserving priors and anatomical information from CT and MRI: a simulation study | |
Martin et al. | Segmenting and tracking diaphragm and heart regions in gated-CT datasets as an aid to developing a predictive model for respiratory motion-correction |