TWI622959B - 醫療影像處理系統及方法 - Google Patents
醫療影像處理系統及方法 Download PDFInfo
- Publication number
- TWI622959B TWI622959B TW106122116A TW106122116A TWI622959B TW I622959 B TWI622959 B TW I622959B TW 106122116 A TW106122116 A TW 106122116A TW 106122116 A TW106122116 A TW 106122116A TW I622959 B TWI622959 B TW I622959B
- Authority
- TW
- Taiwan
- Prior art keywords
- medical image
- pixel
- value
- heterogeneity
- image processing
- Prior art date
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本發明係提供一種醫療影像處理系統,用以從一醫療影像中圈選出一
最佳觀察區域,包括:一觀察區域圈選單元,係根據複數個門檻值,在一醫療影像上圈選出複數個觀察區域;一異質性計算單元,係計算該等觀察區域的異質性;以及一最佳觀察區域圈選單元,係根據由該等異質性的相關資料所設定的一最佳門檻範圍,在該醫療影像上圈選出具有最大異質性的一最佳觀察區域。
Description
本發明係關於一種影像處理系統及方法,特別係一種用於圈選醫療影像之最佳觀察區域的醫療影像處理系統及方法。
目前的正子斷層造影影像(PET)的檢查,都係利用示蹤劑的攝取反應(例如對葡糖糖的攝取反應)來進行評估。腫瘤、病灶、淋巴結感染或發炎等對示蹤劑的反應會在正子斷層造影影像(PET)上呈現一個異常代謝的空間範圍,稱之為代謝腫瘤體積(MTV)。代謝腫瘤體積(以下簡稱MTV)的大小係評估病況的一個重要指標,例如腫瘤的惡性程度或是病人的預後等。目前MTV的圈選方法通常係以指定一個攝取值做為MTV範圍內的攝取值下界來進行、利用腫瘤、病灶、淋巴結感染處或發炎處內的最高攝取量比值做為門檻值來進行、利用腫瘤、病灶、淋巴結感染處或發炎處的最高攝取量與其附近的背景或其它器官組織的攝取量做為參考值等方式來計算進行,但這些方法的效率通常很低落,處理過程亦十分複雜。此外,雖然目前已有一些透過影像處理的方法來圈選代謝腫瘤體積,但這些影像處理仍有許多缺失,例如只能限定於某些器官,無法針對身體的每個部位進行處理。
有鑑於此,本發明提供一種改良的影像處理系統及方法,來解決上述的問題。
本發明的目的係提供一種醫療影像處理系統,用以從一醫療影像中圈選出一最佳觀察區域,包含:一觀察區域圈選單元,係根據複數個門檻值,在一醫療影像上圈選出複數個觀察區域,其中每一門檻值係對應一像素相關數值,且該等觀察區域係包括由該醫療影像的一起始像素所形成的一起始觀察區域以及由該起始像素與符合該等門檻值之其中之一的一或多個周圍像素所形成的一或多個拓展觀察區域;一異質性計算單元,係計算該等觀察區域的異質性;以及一最佳觀察區域圈選單元,係根據由該等異質性的相關資料所設定的一最佳門檻範圍,在該醫療影像上圈選出具有最大異質性的一最佳觀察區域。
在一實施例裡,醫療影像處理系統更包括一起始像素取得單元,該起始像素取得單元係根據該醫療影像上的複數個像素的像素相關數值來找出該起始像素,其中該起始像素的像素相關數值不小於鄰接該起始像素的複數個像素的像素相關數值。
在一實施例裡,醫療影像處理系統更包括一像素相關數值量化單元,該像素相關數值量化單元係將該醫療影像上的複數個像素的像素相關數值量化為一量化數值,並使用該等量化數值來取代該等門檻值所對應的該等像素相關數值。此外,在一些實施例裡,該等門檻值之中的一最大值係該起始像素的量化數值,該等門檻值之中的一最小值係一預設值。另外,在一些實施例裡,
該數值量化單元係將大於該起始像素的像素相關數值的所有像素相關數值量化成一額外量化數值。
在一實施例裡,其中一觀察區域的異質性係該觀察區域內所有像素的像素相關數值之間的一多樣性與分佈情況。
在一實施例裡,該一或多個周圍像素符合該等門檻值之其中之一係定義為該一或多個周圍像素的像素相關數值不小於該門檻值之其中之一。
在一實施例裡,該系統更包括一異質性變化程度分析單元及一最佳門檻範圍設定單元,該異質性變化程度分析單元係分別將異質性產生劇烈變化的每二個接續的觀察區域中所對應的較大門檻值設定為一邊界值,該最佳門檻範圍設定單元係將所有邊界值中的一最大值設定為該最佳門檻範圍的下界。
在一實施例裡,該最佳門檻範圍設定單元係將該起始觀察區域所對應的門檻值設定為該最佳門檻範圍的上界。
本發明的另一目的係提供一種醫療影像處理方法,係執行於一醫療影像處理系統上,用以從一醫療影像中圈選出一最佳觀察區域,該方法包含步驟:根據複數個門檻值,在一醫療影像上圈選出複數個觀察區域,其中每一門檻值係對應一像素相關數值,且該等觀察區域係包括由該醫療影像的一起始像素所形成的一起始觀察區域以及由該起始像素與符合該等門檻值之其中之一的一或多個周圍像素所形成的一或多個拓展觀察區域;計算該等觀察區域的異質性;以及根據由該等異質性所設定的一最佳門檻範圍,在該醫療影像上圈選出具有最大異質性的一最佳觀察區域。
在一實施例裡,該方法更包括步驟:根據該醫療影像上的複數個像素的像素相關數值來找出該起始像素,其中該起始像素的像素相關數值大於鄰接該起始像素的複數個像素的像素相關數值。
在一實施例裡,該方法更包括步驟:將該醫療影像上的複數個像素的像素相關數值量化為一量化數值,並使用該等量化數值來取代該等門檻值所對應的該等像素相關數值。其中,在一些實施例裡,該等門檻值之中的一最大值係該起始像素的量化數值,該等門檻值之中的一最小值係一預設值。另外,在一些實施例裡,該方法更進一步包括步驟:將大於該起始像素的像素相關數值的所有像素相關數值量化成一額外量化數值。
在一實施例裡,其中一觀察區域的異質性係該觀察區域內所有像素的像素相關數值之間的一多樣性與分佈情況。
在一實施例裡,該一或多個周圍像素符合該等門檻值之其中之一係定義為該一或多個周圍像素的像素相關數值不小於該門檻值之其中之一。
在一實施例裡,該方法更包括步驟:將異質性產生劇烈變化的每二個接續的觀察區域中所對應的較大門檻值設定為一邊界值,並將所有邊界值中的一最大值設定為該最佳門檻範圍的下界。
在一實施例裡,該方法更包括步驟:將該起始觀察區域所對應的門檻值設定為該最佳門檻範圍的上界。
本發明又另一目的係提供一種電腦程式產品,係載入於一醫療影像處理系統上,使該系統能夠執行前述的醫療影像處理方法。
10‧‧‧最佳觀察區域圈選系統
20‧‧‧觀察區域圈選單元
21‧‧‧MTV預估區域圈選單元
22‧‧‧異質性計算單元
24‧‧‧異質性變化程度分析單元
25‧‧‧異質性變化程度分析程序
26‧‧‧最佳門檻範圍設定單元
28‧‧‧最佳觀察區域圈選單元
29‧‧‧最佳MTV區域圈選單元
30‧‧‧起始像素取得單元
32‧‧‧數值量化單元
33‧‧‧SUV量化單元
40‧‧‧電腦程式產品
A‧‧‧區塊A
B‧‧‧區塊B
C‧‧‧區塊C
LB‧‧‧量化下界參數
b‧‧‧量化間隔參數
MTV0‧‧‧起始MTV預估區域
MTV1~3‧‧‧拓展MTV預估區域
MTV0’‧‧‧起始MTV預估區域
MTV1’~3’‧‧‧拓展MTV預估區域
MTVbest‧‧‧最佳MTV區域
S81~S85‧‧‧步驟
50、50’‧‧‧PET影像
51、51’‧‧‧起始像素
52‧‧‧像素
圖1係本發明之醫療影像處理系統之主要系統架構示意圖。
圖2係醫療影像處理系統之一實施例之詳細系統架構示意圖。
圖3係PET影像的一實施例之示意圖。
圖4(A)係起始像素及複數個像素之SUV之示意圖。
圖4(B)係起始像素及複數個像素之量化SUV之示意圖。
圖5(A)至圖5(D)係MTV預估區域圈選單元之運作過程之一實施例之示意圖。
圖6(A)係一舉例之多個MTV預估區域的異質性所定義而成之函數示意圖。
圖6(B)係圖6(A)之函數之一階微分示意圖。
圖7係本發明的醫療影像處理方法之流程圖。
圖8(A)至8(E)係本發明運作時醫療影像上的模擬情況示意圖。
圖1係本發明之一種醫療影像處理系統10之基本架構示意圖。如圖1所示,醫療影像處理系統10包括觀察區域圈選單元20、異質性計算單元22、異質性變化程度分析單元24、最佳門檻範圍設定單元26及最佳觀察區域圈選單元28。在一些實施例裡,醫療影像處理系統10係載入電腦程式產品40以進行運作。在一些實施例裡,醫療影像處理系統10更包括起始像素取得單元30及數值量化單元32。
醫療影像處理系統係用以從醫療影像中圈選出最佳觀察區域。在實施上,醫療影像處理系統10係具備處理器或控制器的電子裝置,例如電腦、
智慧型手機、平板電腦、筆記型電腦、雲端伺服器…等類似裝置。當醫療影像被輸入至醫療影像處理系統10時,即可藉由處理器或控制器來執行影像處理。
醫療影像可以係各種醫療相關影像,並包括複數個像素,例如正子斷層造影影像(PET影像)、電腦斷層攝影影像(CT影像)、單光子電腦斷層掃描影像(SPECT影像)、超音波影像與磁振造影影像等,本發明並沒有特別的限制。醫療影像可以係二維影像或三維影像,在三維影像的情況下,則像素係定義為立體像素,並以像素對應的像素相關數值計算異質性,來進行最佳觀察區域圈選。像素相關數值可以係各種與醫療影像有關的數值,例如PET影像中的標準代謝值(SUV)或是CT影像中的HU值…等,本發明並沒有特別的限制。
在一些實施例裡,觀察區域圈選單元20、異質性計算單元22、異質性變化程度分析單元24、最佳門檻範圍設定單元26、最佳觀察區域圈選單元28、起始像素取得單元30及數值量化單元32可以係醫療影像處理系統10載入電腦程式產品40後所產生的功能模組,並由處理器、控制器或一或多個硬體元件來實現功能。而在一些實施例裡,觀察區域圈選單元20、異質性計算單元22、異質性變化程度分析單元24、最佳門檻範圍設定單元26、最佳觀察區域圈選單元28、起始像素取得單元30及數值量化單元32則係以該電腦程式產品40的部分子程式來實現。此外,電腦程式產品40並不限定為在電腦執行的程式,只要係電子裝置所使用的程式,例如智慧型手機上的程式(APP),都係本發明的態樣。
觀察區域圈選單元20的作用係利用與像素相關數值有關的門檻值來對醫療影像進行處理,將像素相關數值符合門檻值的像素挑選出來並結合,以在醫療影像上圈選出觀察區域。而隨著門檻值的不同,觀察區域圈選單
元20可以圈選出複數個觀察區域。由此可知,一個觀察區域係對應一個門檻值。更詳細的說明將在後續段落呈現。
異質性計算單元22的作用係計算觀察區域的異質性,本發明所指之異質性係定義為每個觀察區域所具有的像素的像素相關數值之間的差異。假如一個觀察區域的異質性越高,則其具有的像素的像素相關數值之間的差異也越大。本發明的異質性是指複數個數值的多樣性與分佈情況,可以具有各種定義,例如可定義為亂度、熵、紋理特徵…等,本發明並沒有特別的限定。以一個例子進一步描述異質性的定義,假如有第一個數字集合為[5,5,5,5,5,5,5,5,5,5],第二個數字集合為[5,5,5,5,5,5,1,1,2,2],第三個數字集合為[5,5,5,5,1,1,1,2,2,2],其中由於第一個數字集合裡的數字全部一樣,也就是皆均值而不具有異質性,而第二個數字集合與第三個數字集合雖然都是由1,2,5三種數字組成,但是第二個數字集合有6個5,分佈上相對於第三個數字集合更為集中,所以第三個數字集合擁有最大的異質性(此說明僅是用來說明異質性,並非本發明的限定)。更詳細的說明將在後續段落呈現。
異質性變化程度分析單元24的作用則係分析二個觀察區域之間的異質性變化程度,以得知哪一個觀察區域的異質性較高。更詳細的說明將在後續段落呈現。
最佳門檻範圍設定單元26的作用係根據異質性變化程度,在多個門檻值之間設定出一個最佳門檻範圍。更詳細的說明將在後續段落呈現。
最佳觀察區域圈選單元28的作用係在最佳門檻範圍內所對應的觀察區域之中,找出具有最大異質性的觀察區域,並在醫療影像上將此觀察區域圈選出來做為最佳觀察區域。更詳細的說明將在後續段落呈現。
起始像素取得單元30的作用係在醫療影像上找出一或多個起始像素,其中起始像素係與觀察區域的形成相關。更詳細的說明將在後續段落呈現。
數值量化單元32的作用係根據一量化規則,將醫療影像上的多個像素(例如連續的複數個像素或每個立體像素)的像素相關數值進行量化,將無限多種可能的實數像素數值簡化為有限數量的數值,以進行異值性評估。更詳細的說明將在後續段落呈現。
在實施上,觀察區域圈選單元20、異質性計算單元22、異質性變化程度分析單元24、最佳門檻範圍設定單元26、最佳觀察區域圈選單元28、起始像素取得單元30及數值量化單元32可以被組合而成單一元件,例如整合的功能模組或單一程式,也可以被任意合併或拆開而成為多個元件,例如多個功能模組或多個程式,本發明並沒有特別的限制。
圖2係醫療影像處理系統10之一實施例之詳細架構示意圖。在此實施例裡,醫療影像係正子斷層造影影像(以下簡稱PET影像),其具有複數個立體像素(以下簡稱像素),且每個立體像素的像素相關數值係指葡萄糖的標準代謝值(Standardized uptake value,以下簡稱SUV)。此外,數值量化單元32係SUV量化單元33,用以將複數個(例如每個)立體像素的SUV量化為量化SUV。觀察區域圈選單元20係MTV預估區域圈選單元21,而觀察區域係指MTV預估區域。異質性變化程度分析單元24係藉由執行異質性變化程度分析程序25來分析兩個MTV預估區域之間的異質性變化程度。最佳觀察區域圈選單元28係最佳MTV區域圈選單元29,用以在PET影像上圈選出最佳MTV區域。
值得注意的係,MTV預估區域係指可能的MTV範圍,而一個最佳MTV區域則係當中的最佳範圍。由於一個實際的MTV區域與另一個生理組織具有各自的異質性,因此當兩者被錯誤合併為一個區域時,區域內的異質性變化通常會非常劇烈,因此本發明的醫療影像處理系統10可基於異質性變化程度而在多個可能的MTV範圍中找出最佳範圍。此外,在某些實施例裡,本發明亦可以自動地在醫療影像上找出適合的起始像素,再由起始像素拓展出多個可能的病灶預估區域,並經由運算後將最佳病灶區域提供給使用者,提供良好的後續病灶分析準確度。
以下將詳述MTV預估區域圈選單元21、異質性計算單元22、異質性變化程度分析單元24、最佳門檻範圍設定單元26、最佳MTV區域圈選單元29、起始像素取得單元30及數值量化單元32的詳細運作方式,除了參考圖2外,也請一併參考圖3至圖7。
圖3係PET影像50之一實施例之示意圖,為使說明更清楚,示意圖係將此PET影像50以二維的方式來呈現,並且將像素以平面的方式來呈現,但所屬領域的技術人士可知其應為三維影像,並可推知三維影像時的情況。另外,圖3所呈現的像素大小也係放大的結果,實際上的像素大小及數量並非圖上之比例。
如圖3之所示,PET影像50上呈現了4個生理區塊,其中區塊A為一個組織器官,區塊B為區塊A內具有較高SUV的區域(可能的病灶區域),使用者會期望圈選出區塊B並將其定義為MTV,區塊C為另一個組織器官,區塊D為區塊C的內具有較高SUV的區域。
在此實施例裡,起始像素取得單元30其係根據SUV來找出起始像素,其中起始像素所具有的SUV係不小於所有與其鄰接的像素的SUV,而在某些實施例裡,起始像素所具有的SUV係大於所有與其鄰接的像素的SUV。當起始像素取得單元30運作時,起始像素取得單元30係逐步比較PET影像50上的每個像素的SUV以及與鄰接其的像素的SUV,藉此找出起始像素。以區塊B為例,由於相較於組織器官,病灶通常具有更高的SUV,起始像素取得單元30會在區塊B內找出起始像素51,起始像素51的SUV為4.5(不小於8個鄰接像素52的SUV)。另外,在某些實施例裡,當區塊B內偵測到多個起始像素時,會保留具有最高SUV的起始像素。同樣地,起始像素取得單元30亦可能會在區塊D處找出不同的起始像素。此外,PET影像50係已被簡化為二維影像,因此實際上鄰接起始像素的像素並未限制為8個。
在一些實施例裡,使用者也可以先設定好起始像素取得單元30的工作範圍,例如先設定好腫瘤位置,讓起始像素取得單元30僅在腫瘤位置內尋找起始像素。
圖4(A)與圖4(B)係顯示量化過程之一實施例,此實施例係沿用圖3之起始像素51進行後續處理。在此實施例裡,數值量化單元32係將起始像素51以及複數個像素的SUV量化為量化SUV(即量化後的像素相關數值),並在後續的處理中以量化SUV取代SUV。此外,數值量化單元32可以被設定為將整張PET影像50進行量化,也可以被設定為在設定好的範圍內進行量化,本發明並沒有限制。為方便說明,以下會將起始像素51的SUV簡稱為”起始SUV”。
圖4(A)係起始像素51(SUV=4.5)及複數個像素的SUV之示意圖,而圖4(B)係起始像素51(量化SUV=4)及複數個像素的量化SUV之示意圖。在運作
時,數值量化單元32會根據一個量化下界參數LB及一個量化間隔參數b來進行第一次量化,其會從不大於起始SUV(SUV=4.5)的SUV之中,將不小於量化下界參數LB且小於量化間隔參數b的SUV量化為同一個量化SUV,舉例來說,假如量化下界參數LB係0,量化間隔參數b係1,則所有SUV之中不小於0但小於1的SUV皆會被量化為同一量化SUV,例如皆被量化為0。
之後,數值量化單元32會進行第二次量化,在不大於起始SUV(SUV=4.5)的SUV之中,將不小於量化間隔參數b且小於2倍量化間隔參數的SUV量化為同一個量化SUV,舉例來說,假如量化下界參數LB係0,量化間隔參數b係1,則不小於1但小於2的SUV皆會被量化為同一量化SUV,例如皆被量化為1。
依此類推,當數值量化單元32進行第N次量化時,其中N為大於0且不大於起始SUV(SUV=4.5)的正整數,數值量化單元32會在不大於起始SUV的SUV之中,將不小於(N-1)倍量化間隔參數但小於(N)倍量化間隔參數的SUV量化為同一個量化SUV。例如當進行的4次量化時,假如量化下界參數LB係0,量化間隔參數b係1,則不小於3但小於4的SUV皆會被量化為同一量化SUV,例如皆被量化為3。
之後,數值量化單元32會進行第N+1次量化,在不大於起始像素SUV的SUV之中,將不小於N倍量化間隔參數且不大於起始像素SUV的SUV量化為同一量化門檻值(例如值為4至4.5的SUV皆會被量化為4),此量化門檻值將被定義為起始像素的門檻值。
之後,數值量化單元32會進行第N+2次量化,將大於起始像素SUV的所有SUV量化為一個額外量化數值(例如值為4.8的SUV會被量化為5),其中額外量化數值係大於起始像素門檻值的任意數值。
值得注意的是,前述的量化下界參數LB及量化間隔參數b的大小僅係舉例,實際上可以由使用者來設定或用任意規則來設定,本發明並沒有限定。此外,每次量化所形成的量化SUV的大小亦可以係任意大小,只要量化SUV的大小順序符合原本的SUV的大小順序即可。另外,數值量化單元32進行量化的順序並沒有限定,即其並不一定要照前述的順序(1至N+2次)來進行量化,例如數值量化單元32可以先進行前述第N+1次量化的內容,再進行前述第1次量化的內容。
藉此,複數個量化SUV可以被產生,並且用於後續的運作中,由於量化後的數值較具備系統性,故可減少後續運作的處理時間,使得效率大量提升。
圖5(A)至圖5(D)係MTV預估區域圈選單元21形成MTV預估區域的一實施例之示意圖,此實施例係沿用圖4(A)及圖4(B)的例子。在此實施例裡,MTV預估區域圈選單元21係將量化SUV作為門檻值,並將起始像素51的量化SUV設定為最大門檻值(門檻值=4),以及將最低的量化門檻值設定為最小門檻值(門檻值=1),也因此MTV預估區域圈選單元21在以不同的量化門檻值運作後會形成4個MTV預估區域。其中,MTV預估區域圈選單元21係以起始像素51為起始點,並將起始像素51周圍具有大於門檻值的量化SUV的像素結合,藉此形成MTV預估區域。值得注意的係,在其它實施例裡,最低的量化門檻值亦可以係任意預設值,本發明並沒有特別限制,只要最大門檻值係起始像素51的量化SUV即可。
首先請參考圖5(A),在MTV預估區域圈選單元21開始運作時,係先以最大門檻值(門檻值=4)進行運作,此時由於起始像素51本身的量化SUV即為最大門檻值,而起始像素51周圍的像素的量化SUV皆小於最大門檻值,因此會形成僅由起始像素51所組成的起始MTV預估區域(MTV0)。
接著請參考圖5(B),在起始MTV預估區域(MTV0)形成之後,MTV預估區域圈選單元21係以次高的門檻值(門檻值=3)進行運作,此時除了起始像素51外,尚有4個鄰接起始像素51的像素符合目前的門檻值,因此起始像素51與此4個符合門檻值的像素會結合形成第一個拓展MTV預估區域(MTV1)。
接著請參考圖5(C),在第一個拓展MTV預估區域(MTV1)形成之後,MTV預估區域圈選單元21係以次低的門檻值(門檻值=2)進行運作,此時起始像素51以及量化SUV不小於2且與起始像素51具有連通性的像素會被結合在一起,因此起始像素51與周圍13個符合門檻值且具有連通性的像素形成了第二個拓展MTV預估區域(MTV2)。其中,具有連通性的定義為符合門檻值的像素必須與起始像素51鄰接或可透過其它符合門檻值的像素而與起始像素51連接在一起,如圖5(C)所示。
接著請參考圖5(D),在第二個拓展MTV預估區域(MTV2)形成之後,MTV預估區域圈選單元21係以最小門檻值(=1)進行運作,此時起始像素51以及量化SUV不小於1且彼此具有連通性的像素會被結合在一起,因此起始像素51與周圍19個符合門檻值的像素形成了第三個拓展MTV預估區域(MTV3)。
在此實施例裡,當起始MTV預估區域(MTV0)與第一個至第三個拓展MTV預估區域(MTV1~MTV3)形成後,異質性計算單元22會計算MTV預估區域(MTV0~MTV3)的異質性。在此實施例裡,異質性係定義為MTV預估區域內所
有像素的量化SUV之間的多樣性與分佈情況。在病灶內部因為良惡性或是不同程度的惡性等因素而具有不同的細胞與組織結構,此結構會因為使用的檢查工具而以不同的數值形式呈現在影像中,例如在PET影像中,不同的細胞與組織結構具有對葡萄糖不同程度的需求,此需求會反應在每個像素的SUV高低,因此MTV內的SUV異質性可以用來反應病灶內部的細胞與組織結構,輔助判斷病灶的良惡性、細胞型態、淋巴結轉移與治療效果等,本發明提出的病灶空間範圍圈選方法旨在尋求在提供最大異質性資訊的前提下圈選出病灶在影像中的空間範圍,以提升臨床診斷的準確度。
異質性計算單元22可使用任何可能進行異質性評估的函數計算,例如以熵(entropy)算式來分別計算該等MTV預估區域(MTV0~MTV3)的異質性:Entropy=-Σ all i p(i)log p(i)其中,Entropy係定義為熵,i係定義為(MTV0~MTV3)內的區間數量,p係區間i在MTV0~MTV3內發生的機率。
當MTV預估區域(MTV0~MTV3)的異質性被分別計算出來後,異質性變化程度分析單元24利用異質性變化程度分析程序25來分析每二個彼此接續的MTV預估區域之間的異質性變化程度。假如兩個彼此接續的MTV預估區域之間的異質性變化程度非常劇烈,則此可能涉及兩個MTV區域被錯誤合併。在此實施例裡,起始MTV預估區域(MTV0)與第一個拓展MTV預估區域(MTV1)係彼此接續、第一個拓展MTV預估區域(MTV1)與第二個拓展MTV預估區域(MTV2)係彼此接續、第二個拓展MTV預估區域(MTV2)與第三個拓展MTV預估區域(MTV3)係彼此接續。
在一實施例裡,異質性變化程度分析程序25係將所有MTV預估區域的異質性定義成一個函數,之後再將函數進行微分,藉此來取得每二個彼此接續的MTV預估區域之間的異質性變化程度,須注意的係,此方式並非限定,本發明亦可使用其它方式來取得異質性變化程度。
由於前述的MTV預估區域(MTV0~MTV3)的數量較少,較不適合用來說明異質性變化程度的內容,故此處將以另一個例子來舉例說明。請參考圖6(A)及圖6(B),圖6(A)係另一實施例之由MTV預估區域的異質性定義而成的函數圖形,圖6(B)則係圖6(A)的函數的一階微分圖形。
如圖6(A)所示,圖形的X軸係依序排列的門檻值,圖形的Y軸則係門檻值所對應的異質性大小。如圖6(B)可知,圖形的X軸係依序排列的門檻值,圖形的Y軸則係門檻值所對應的異質性的變化程度。
當一階微分後,Y軸為負值係表示為目前的門檻值所對應的MTV預估區域的異質性比前一個門檻值所對應的MTV預估區域的異質性增加。舉例來說,假設X軸為(t)時,對應的Y軸為負值,則表示門檻值(t)所對應的MTV預估區域的異質性比門檻值(t-1)所對應的MTV預估區域的異質性增加。藉此,異質性變化程度分析單元24會在圖6(B)上的所有負值之中挑選出離群值,以找出異質性劇烈變化之處。
如圖6(B)所示,當X軸為2(即門檻值為2)及約4(即門檻值約為4)時,對應之Y軸的負值明顯與其它值有差異,因此這兩個值(門檻值為2、約為4)即會被挑選為離群值。換言之,異質性變化程度分析單元24係將異質性產生劇烈變化的每二個接續的觀察區域中對應的較大門檻值設定為一離群值。
當一或多個離群值被挑選出來後,最佳門檻範圍設定單元26會將所有離群值位置中的具有最大SUV的位置設定為最佳門檻範圍的下界。以圖6(B)的例子來舉例,則X軸約4(門檻值約為4)就會被設定為最佳門檻範圍的下界。此外,最佳門檻範圍設定單元26會將起始像素所對應的門檻值設定為最佳門檻範圍的上界。藉此,一個最佳門檻範圍可以被找出來。如圖6(A)所示,當MTV圈選範圍逐漸加大時其異質性隨之逐漸上升,如圖6(B)所示,MTV逐漸加大的過程中,相鄰兩個MTV的異質性在一階微分結果中趨近於0,因此一階微分結果中的離群值可用來偵測異質性的異常急遽增加,而第一個急遽增加的位置即代表病灶與其它組織器官兩個空間範為被錯誤合併為一個MTV。
在一實施例裡,假如異質性變化程度分析單元24找不到離群值時(例如所有負值皆相差不遠的情況、或負值的差值未超出一個預設值等),則最佳門檻範圍設定單元26會在前述的一階微分的所有負值之中,將具有最小異質性的門檻值設定為最佳門檻範圍的下界。此方式的優點係在異質性變化程度不明顯的情況下,直接將異質性增加最多時所對應的門檻值設定為最佳門檻範圍的下界,可以減少時間成本。此方式僅是舉例,並非本發明之限定。
當最佳門檻範圍的設定出來後,最佳MTV區域圈選單元29將會在該最佳門檻範圍所對應的觀察區域之中找出具有最大異質性的一觀察區域,以做為一最佳觀察區域,此觀察區域係以起始像素為起始所能圈選具有最大異質性特徵的MTV,可有效的提供最大異質性資訊輔助病灶MTV的特徵分析。
圖7係本發明的一種醫療影像處理方法的流程示意圖,用以從醫療影像中圈選出最佳觀察區域。此方法係由醫療影像處理系統10藉由載入電腦程式產品40而執行,請一併參考圖1至圖6(B)。
首先步驟S71被執行,醫療影像處理系統10利用觀察區域圈選單元20在醫療影像上圈選出複數個觀察區域。觀察區域圈選單元20係根據複數個接續的門檻值來形成複數個觀察區域,其中每一門檻值係對應一個像素相關數值(例如SUV或量化SUV),且複數個觀察區域係包括由醫療影像的起始像素所形成的起始觀察區域以及由起始像素與符合該等門檻值之其中之一且彼此具有連通性的一或多個像素所形成的一或多個拓展觀察區域。此步驟的相關內容已在圖5(A)至圖5(D)的相關記載中詳細說明,故在此不再詳述。
之後,步驟S72被執行,醫療影像處理系統10利用異質性計算單元22來計算每個觀察區域的異質性。此步驟的相關內容已在先前描述異質性計算單元22的段落中詳細說明,故在此不再詳述。
之後,步驟S73被執行,醫療影像處理系統10利用異質性變化程度分析單元24來分析每二個具有接續的對應門檻值大小的觀察區域之間的異質性變化程度,藉此來找尋離群值。此步驟的相關內容已在先前描述異質性變化程度分析單元24的段落中詳細說明,故在此不再詳述。
之後,步驟S74被執行,醫療影像處理系統10利用最佳門檻範圍設定單元26,並根據至少一異質性變化程度,在該等門檻值之中設定出一最佳門檻範圍。此步驟的相關內容已在先前描述最佳門檻範圍設定單元26的段落中詳細說明,故在此不再詳述。
之後步驟S75被執行,醫療影像處理系統10利用最佳觀察區域圈選單元28,在最佳門檻範圍所對應的觀察區域之中找出具有最大異質性的一觀察區域,以做為一最佳觀察區域。此步驟的相關內容已在先前描述最佳觀察區域圈選單元28或最佳MTV區域圈選單元29的段落中詳細說明,故在此不再詳述。
此外,此醫療影像處理方法亦可包括前述多個實施例的多個步驟,例如在流程中增加使用起始像素取得單元30及/或數值量化單元32來執行的步驟。
圖8係本發明運作時醫療影像上的模擬情況示意圖,藉此說明醫療影像上的特定MTV區域如何被圈選出來。此實施例係使用一個PET影像50’來舉例,並利用圖2的系統來執行,其中PET影像50’包括組織器官(區塊A’)、組織器官內的MTV區域(區塊B’)、鄰近組織器官(區塊C’)以及鄰進組織器官內的MTV區域(區塊D’)。此外,此實施例設定為不指定在特定範圍內進行最佳觀察區域之尋找,因此除了區塊B’以外,區塊D’亦會有起始像素被找出來。另外,以下的實施例係以區塊B’如何被找出來做為主要說明內容,且係設定為區塊B’的最大門檻值為4,而區塊D’的最大門檻值為3。
首先請參考圖8(A),其係描述MTV預估區域圈選單元21以最大門檻值(假設為門檻值=4)運作時醫療影像上的情形。如圖8(A)所示,此時區塊A’及區塊B’上除了起始像素51’之外,周圍並沒有像素符合目前的門檻值,因此PET影像50上僅有起始像素51’會被圈選出來,並形成起始MTV預估區域(MTV0’)。
之後請參考圖8(B),其係描述MTV預估區域圈選單元21以次高的門檻值(門檻值=3)運作時醫療影像上的情形。如圖8(B)可知,由於門檻值下降,符合門檻值的像素增加,使得區塊B’上的圈選範圍從起始MTV預估區域(MTV0’)向外拓展至第一個拓展MTV預估區域(MTV1’)。同時,區塊D’上亦會展開另一個最佳MTV的搜尋流程,此時區塊D’有一個起始像素符合目前的門檻值,因此亦會有一個圈選範圍產生。
之後請參考圖8(C),其係描述MTV預估區域圈選單元21以次低的門檻值(門檻值=2)運作時醫療影像上的情形。如圖8(C)可知,由於門檻值再次下降,符合門檻值的像素再次增加,區塊B’上的圈選範圍從第一個MTV預估區域(MTV1’)拓展至第二個拓展MTV預估區域(MTV2’)。在此實施例裡,第二拓展MTV預估區域(MTV2’)係拓展至區塊A’,已超出了實際MTV區域的範圍(區塊B’)。此時對另一個搜尋流程而言,區塊D’上的圈選範圍亦會拓展。
之後請參考圖8(D),其係描述MTV預估區域圈選單元21以最小門檻值(門檻值=1)運作時醫療影像上的情形。如圖8(D)可知,由於門檻值再次下降,區塊B’上的圈選範圍從第二個MTV預估區域(MTV2’)拓展至第三個拓展MTV預估區域(MTV3’),並與另一搜尋流程的圈選範圍重疊。
對起始像素51’而言,由於從次高的門檻值(門檻值=3)轉變為次低的門檻值(門檻值=2)時,圈選範圍從區塊B’拓展至區塊A’,故會有劇烈的異質性變化。而從次低的門檻值(門檻值=2)轉變為最小的門檻值(門檻值=1)時,圈選範圍從區塊A’拓展至區塊C’,亦會有劇烈的異質性變化。因此,異質性變化程度分析單元24會將次高的門檻值(門檻值=3)及次低的門檻值(門檻值=2)設定為離群值,而最佳門檻範圍設定單元26會將離群值中的最大值(門檻值=3)設定為最佳範圍的下界,並將起始像素51’的門檻值(門檻值=4)設定為最佳範圍的上界。之後再由最佳MTV區域圈選單元29將會在最佳門檻範圍中找出最佳MTV區域,並在PET影像50’上圈選出來,如圖8(E)之最佳MTV範圍(MTVbest)之示意圖所示。
藉由本發明所提供的醫療影像處理系統或醫療影像處理方法,系統可自動找尋出起始像素位置,並經由前述的方法來拓展出複數個可能的MTV
預估區域,再根據異質性進行特殊的處理來圈選出最佳的MTV區域。由此可知,本發明不僅可以解決習知技術效率低落、處理過程複雜的問題,且即便系統在MTV預估區域的圈選過程中將兩個不同病灶系統重疊,系統也能夠準確判斷出最佳觀察區域,因此本發明亦可以適用於人體的任何位置上,對於使用者而言更為便利。
上述實施例僅係為了方便說明而舉例而已,本發明所主張之權利範圍自應以申請專利範圍所述為準,而非僅限於上述實施例。
Claims (19)
- 一種醫療影像處理系統,用以從一醫療影像中圈選出一最佳觀察區域,包含:一觀察區域圈選單元,係根據複數個門檻值,在一醫療影像上圈選出複數個觀察區域,其中每一門檻值係對應一像素相關數值,且該等觀察區域係包括由該醫療影像的一起始像素所形成的一起始觀察區域以及由該起始像素與符合該等門檻值之其中之一的一或多個周圍像素所形成的一或多個拓展觀察區域;一異質性計算單元,係計算該等觀察區域的異質性;以及一最佳觀察區域圈選單元,係根據由該等異質性的相關資料所設定的一最佳門檻範圍,在該醫療影像上圈選出具有最大異質性的一最佳觀察區域;其中,該一或多個拓展觀察區域包含該起始觀察區域及其拓展前的所有拓展觀察區域。
- 如申請專利範圍第1項所述的醫療影像處理系統,其中更包括一起始像素取得單元,係根據該醫療影像上的複數個像素的像素相關數值來找出該起始像素,其中該起始像素的生理數值不小於鄰接該起始像素的複數個像素的生理數值。
- 如申請專利範圍第1項所述的醫療影像處理系統,其中更包括一數值量化單元,係將該醫療影像上的複數個像素的像素相關數值量化為一量化數值,並使用該等量化數值來取代該等門檻值所對應的該等像素相關數值。
- 如申請專利範圍第3項所述的醫療影像處理系統,其中該等門檻值之中的一最大值係該起始像素的量化數值,該等門檻值之中的一最小值係一預設值。
- 如申請專利範圍第3項所述的醫療影像處理系統,其中該數值量化單元係將大於該起始像素的像素相關數值的所有像素相關數值量化成一額外量化數值。
- 如申請專利範圍第1項所述的醫療影像處理系統,其中一觀察區域的異質性係指該觀察區域裡所有像素的像素相關數值之間的多樣性與分佈情況。
- 如申請專利範圍第1項所述的醫療影像處理系統,其中該一或多個周圍像素符合該等門檻值之其中之一係定義為該一或多個周圍像素的像素相關數值不小於該門檻值之其中之一。
- 如申請專利範圍第1項所述的醫療影像處理系統,其中更包括一異質性變化程度分析單元及一最佳門檻範圍設定單元,該異質性變化程度分析單元係用以分別將異質性產生劇烈變化的每二個接續的觀察區域中所對應的較大門檻值設定為一邊界值,該最佳門檻範圍設定單元係用以將所有邊界值中的一最大值設定為該最佳門檻範圍的下界。
- 如申請專利範圍第8項所述的醫療影像處理系統,其中該最佳門檻範圍設定單元係將該起始觀察區域所對應的門檻值設定為該最佳門檻範圍的上界。
- 一種醫療影像處理方法,係執行於一醫療影像處理系統上,用以從一醫療影像中圈選出一最佳觀察區域,該方法包含步驟: 根據複數個門檻值,在一醫療影像上圈選出複數個觀察區域,其中每一門檻值係對應一像素相關數值,且該等觀察區域係包括由該醫療影像的一起始像素所形成的一起始觀察區域以及由該起始像素與符合該等門檻值之其中之一的一或多個周圍像素所形成的一或多個拓展觀察區域;計算該等觀察區域的異質性;以及根據由該等異質性的相關資料所設定的一最佳門檻範圍,在該醫療影像上圈選出具有最大異質性的一最佳觀察區域;其中,該一或多個拓展觀察區域包含該起始觀察區域及其拓展前的所有拓展觀察區域。
- 如申請專利範圍第10項所述的醫療影像處理方法,其中更包括步驟:根據該醫療影像上的複數個像素的像素相關數值來找出該起始像素,其中該起始像素的像素相關數值大於鄰接該起始像素的複數個像素的像素相關數值。
- 如申請專利範圍第10項所述的醫療影像處理方法,其中更包括步驟:將該醫療影像上的複數個像素的像素相關數值量化為一量化數值,並使用該等量化數值來取代該等門檻值所對應的該等像素相關數值。
- 如申請專利範圍第12項所述的醫療影像處理方法,其中該等門檻值之中的一最大值係該起始像素的量化數值,該等門檻值之中的一最小值係一預設值。
- 如申請專利範圍第12項所述的醫療影像處理方法,其中更包括步驟:將大於該起始像素的像素相關數值的所有像素相關數值量化成一額外量化數值。
- 如申請專利範圍第10項所述的醫療影像處理方法,其中一觀察區域的異質性係該觀察區域裡所有像素的像素相關數值之間的多樣性與分佈情況。
- 如申請專利範圍第10項所述的醫療影像處理方法,其中該一或多個周圍像素符合該等門檻值之其中之一係定義為該一或多個周圍像素的像素相關數值不小於該門檻值之其中之一。
- 如申請專利範圍第10項所述的醫療影像處理方法,更包括步驟:將異質性產生劇烈變化的每二個接續的觀察區域中所對應的較大門檻值設定為一邊界值,並將所有邊界值中的一最大值設定為該最佳門檻範圍的下界。
- 如申請專利範圍第17項所述的醫療影像處理方法,更包括步驟:將該起始觀察區域所對應的門檻值設定為該最佳門檻範圍的上界。
- 一種電腦程式產品,係載入於一醫療影像處理系統上,使其能夠執行以下的步驟:根據複數個門檻值,在一醫療影像上圈選出複數個觀察區域,其中每一門檻值係對應一像素相關數值,且該等觀察區域係包括由一醫療影像的一起始像素所形成的一起始觀察區域以及由該起始像素與符合該等門檻值之其中之一的一或多個周圍像素所形成的一或多個拓展觀察區域;計算該等觀察區域的異質性;以及根據由該等異質性的相關資料所設定的一最佳門檻範圍,在該醫療影像上圈選出具有最大異質性的一最佳觀察區域;其中,該一或多個拓展觀察區域包含該起始觀察區域及其拓展前的所有拓展觀察區域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106122116A TWI622959B (zh) | 2017-06-30 | 2017-06-30 | 醫療影像處理系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106122116A TWI622959B (zh) | 2017-06-30 | 2017-06-30 | 醫療影像處理系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI622959B true TWI622959B (zh) | 2018-05-01 |
TW201905848A TW201905848A (zh) | 2019-02-01 |
Family
ID=62951652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106122116A TWI622959B (zh) | 2017-06-30 | 2017-06-30 | 醫療影像處理系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI622959B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715484A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 基于改进的水平集的自动肿瘤区域分割方法 |
WO2016160538A1 (en) * | 2015-03-27 | 2016-10-06 | The Johns Hopkins University | Multi-level otsu for positron emission tomography (mo-pet) |
-
2017
- 2017-06-30 TW TW106122116A patent/TWI622959B/zh not_active IP Right Cessation
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715484A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 基于改进的水平集的自动肿瘤区域分割方法 |
WO2016160538A1 (en) * | 2015-03-27 | 2016-10-06 | The Johns Hopkins University | Multi-level otsu for positron emission tomography (mo-pet) |
Non-Patent Citations (3)
Title |
---|
Marine Soret, Stephen L. Bacharach , and Ir`ene Buvat, "Partial-Volume Effect in PET Tumor Imaging", THE JOURNAL OF NUCLEAR M EDICINE Vol. 48 No. 6 June 2007 |
Seung Hwan Moon, MD, Seung Hyup Hyun, MD, Joon Young Choi, MD, PhD, "Prognostic Significance of Volume-Based PET Parameters in Cancer Patients", Korean J Radiol 14(1), Jan/Feb 2013 |
Seung Hwan Moon, MD, Seung Hyup Hyun, MD, Joon Young Choi, MD, PhD, "Prognostic Significance of Volume-Based PET Parameters in Cancer Patients", Korean J Radiol 14(1), Jan/Feb 2013 Marine Soret, Stephen L. Bacharach , and Ir`ene Buvat, "Partial-Volume Effect in PET Tumor Imaging", THE JOURNAL OF NUCLEAR M EDICINE Vol. 48 No. 6 June 2007 * |
Also Published As
Publication number | Publication date |
---|---|
TW201905848A (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10339648B2 (en) | Quantitative predictors of tumor severity | |
Ji et al. | A modified possibilistic fuzzy c-means clustering algorithm for bias field estimation and segmentation of brain MR image | |
Banerjee et al. | Automated 3D segmentation of brain tumor using visual saliency | |
Liu et al. | Automatic detection of pulmonary nodules on CT images with YOLOv3: development and evaluation using simulated and patient data | |
US9536316B2 (en) | Apparatus and method for lesion segmentation and detection in medical images | |
Banerjee et al. | A novel GBM saliency detection model using multi-channel MRI | |
Tixier et al. | Reliability of tumor segmentation in glioblastoma: impact on the robustness of MRI‐radiomic features | |
Bagci et al. | Predicting future morphological changes of lesions from radiotracer uptake in 18F-FDG-PET images | |
Mattonen et al. | Imaging texture analysis for automated prediction of lung cancer recurrence after stereotactic radiotherapy | |
JP2016007270A (ja) | 医用画像処理装置 | |
JP2013051988A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN111798424B (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
US20190392579A1 (en) | Method and system of performing medical treatment outcome assessment or medical condition diagnostic | |
US9905002B2 (en) | Method and system for determining the prognosis of a patient suffering from pulmonary embolism | |
Galimzianova et al. | Stratified mixture modeling for segmentation of white-matter lesions in brain MR images | |
CN113223015A (zh) | 血管壁图像分割方法、装置、计算机设备和存储介质 | |
Klyuzhin et al. | Testing the ability of convolutional neural networks to learn radiomic features | |
US10255675B2 (en) | Medical image processing apparatus and analysis region setting method of texture analysis | |
CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
Čuk et al. | Supervised visual system for recognition of erythema migrans, an early skin manifestation of lyme borreliosis | |
TW202027093A (zh) | 電腦輔助直腸癌治療反應預測系統、方法及電腦程式產品 | |
Emrani et al. | A new parallel approach for accelerating the gpu-based execution of edge detection algorithms | |
TWI622959B (zh) | 醫療影像處理系統及方法 | |
Zhu et al. | Non‐invasive prediction of overall survival time for glioblastoma multiforme patients based on multimodal MRI radiomics | |
Anand Kumar et al. | 3D deep learning for automatic brain MR tumor segmentation with T-spline intensity inhomogeneity correction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |