WO2017077224A1 - Procede de suivi d'une cible clinique dans des images medicales - Google Patents

Procede de suivi d'une cible clinique dans des images medicales Download PDF

Info

Publication number
WO2017077224A1
WO2017077224A1 PCT/FR2016/052820 FR2016052820W WO2017077224A1 WO 2017077224 A1 WO2017077224 A1 WO 2017077224A1 FR 2016052820 W FR2016052820 W FR 2016052820W WO 2017077224 A1 WO2017077224 A1 WO 2017077224A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
target
reference image
contour
cost function
Prior art date
Application number
PCT/FR2016/052820
Other languages
English (en)
Inventor
Lucas ROYER
Alexandre KRUPA
Maud MARCHAL
Original Assignee
B<>Com
Inria
Institut National Sciences Appliquees
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 B<>Com, Inria, Institut National Sciences Appliquees filed Critical B<>Com
Priority to US15/773,403 priority Critical patent/US20180322639A1/en
Priority to EP16806241.2A priority patent/EP3371775A1/fr
Publication of WO2017077224A1 publication Critical patent/WO2017077224A1/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10068—Endoscopic image
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20116—Active contour; Active surface; Snakes

Definitions

  • the field of the invention is that of the treatment of medical images.
  • the invention relates to a method for tracking a clinical target in a sequence of medical digital images.
  • the invention finds particular application in the treatment of images obtained by an ultrasound imaging technique or endoscopy.
  • Ultrasound or endoscopic imaging techniques are widely used in the medical field to help physicians visualize in real time a clinical target and / or surgical tool during a surgical procedure or invasive examination intended to diagnose a pathology.
  • ultrasound techniques are frequently used during an intervention requiring the insertion of a needle, and especially in interventional radiology.
  • dark or light aberrations such as shadows, halos, specularities or occlusions, may appear on the current image and disrupt monitoring. of a target.
  • shadows are often observed in image sequences obtained by ultrasound imaging techniques or halos / specularities in endoscopic image sequences, which can strongly alter the contrast of the images. at target level and, in some cases, at least partially obscure the target.
  • This confidence map is formed of estimated local confidence measures for the pixels or voxels of the current image.
  • Each of these local confidence measurements corresponds to a value indicative of a probability or likelihood that the intensity of the pixel / voxel with which it is associated represents an object and is not affected by different disturbances such as, for example, shadows, reflections specular, or occultations generated by the presence of other objects.
  • a disadvantage of this cost function is that it is not robust to changes in illumination, or gain, that may occur during acquisition.
  • the invention aims in particular to overcome the disadvantages of the state of the art cited above.
  • the invention aims to provide a clinical target tracking technique in a sequence of images that is robust regardless of the aberrations presented by the images of the sequence.
  • An object of the invention is also to provide such a technique for monitoring a clinical target that has increased accuracy.
  • deforming said obtained contour by minimizing a cost function based on a difference in intensity between the current image and the reference image in the determined zone, said cost function being weighted by the confidence measurements obtained for the elements image of said determined area.
  • such a method of monitoring a clinical target further comprises a step of adapting the reference image at least from the intensities of the current image and the confidence measurements of the current image. in the target area and the cost function takes into account the intensities of the adapted reference image.
  • the invention proposes to exploit the confidence measurements in the intensities of the current image to adapt the intensities of the reference image in the target area and thus to evaluate more precisely the relevant intensity difference to deform the contour of the target.
  • said cost function takes into account a weighting of the combined probability density of the intensities of the current image and of the reference image by said confidence measurements.
  • a target tracking method as described above further comprises a step of detecting at least one aberration portion in said reference image and in said current image and in that said detected aberration portion is taken into account in said step of obtaining a confidence measurement in said determined area for said reference image and for said current image.
  • the deformation of the contour also takes into account a mechanical model of internal deformation of the target intended to correct said deformation resulting from the minimization of a cost function and in that the contour deformation resulting from the minimization of a cost function with respect to the deformation resulting from the mechanical model of internal deformation of the target in the area of the target.
  • unit for obtaining a segmentation of a contour of said target from said reference image unit for determining a zone delimiting the inside of the segmented contour of the target in said reference image
  • matching unit of the reference image at least from current image intensities and confidence measurements of the current image in the target area
  • deformation unit of said contour via a minimization of a cost function based on a difference in intensity between the current image and the reference image in the determined zone, said cost function being weighted by the confidence measurements obtained for the image elements of the zone and taking into account the intensities of the adapted reference image.
  • the invention also relates to a computer program comprising instructions for implementing the steps of a clinical target tracking method as described above, when this program is executed by a processor.
  • This program can use any programming language.
  • It can be downloaded from a communication network and / or recorded on a computer-readable medium.
  • the invention finally relates to a recording medium, readable by a processor, integrated or not to the device for monitoring a clinical target according to the invention, optionally removable, storing a computer program implementing the method of followed by a clinical target as described above.
  • FIG. 1 is a diagrammatic representation, in diagrammatic form, of the steps of an exemplary method for monitoring a clinical target according to the invention
  • Fig. 2 is a segmented contour view of a target in a reference image
  • Fig. 3 is a view of an image of a confidence measurement card
  • FIG. 4 schematically shows an example of a hardware structure of a clinical target tracking device according to the invention.
  • the principle of the invention is based in particular on a strategy for tracking a target in a sequence of medical images based on an approach based on the intensity of the deformations of the outer contour of the target, which takes into account the aberrations of the image by applying a weighting to the cost function used in the intensity-based approach based on a voxel confidence measure.
  • this intensity-based approach can be combined with a mechanical model of the internal deformations of the target to allow a robust estimation of the position of the outer contour of the target.
  • the image sequence is obtained by ultrasound imaging. It is a sequence of three-dimensional images, the elements of which are voxels.
  • a first step 101 segmentation of the target is carried out in the initial image of the 3D medical image sequence, also called reference image in the following description, by a segmentation method known per se, which can be manual or automatic.
  • a segmentation method known per se which can be manual or automatic.
  • a zone (Z) delimiting the segmented contour of the target in the reference image is determined.
  • a representation of the inside of the target's contour for example by generating a tetrahedral mesh.
  • FIG. 2 An example of a mesh of zone Z is illustrated in FIG. 2. This figure corresponds to an ultrasound image comprising a target partially located in a shaded area, hatched in white.
  • the mesh of the zone Z has N c vertices delimiting tetrahedral cells.
  • Zone Z has a total of voxels.
  • a confidence measurement by voxel in the Z zone of the reference image taken at time t o is then estimated, in a step 103, a confidence measurement by voxel in the Z zone of the reference image taken at time t o , for example according to the method described by Karamalis et al. ("Ultrasonic confidence map using random walks", Medical Image Analysis, 16 (2012) pp. 1101-1112, ed Elsevier). In this paper we measure the confidence of a pixel / voxel of the ultrasound image as the probability that a random walk in this pixel / voxel reaches the transducers of the ultrasound probe. The path is constrained by the model of propagation of an ultrasonic wave in the soft tissues.
  • the value of the confidence measure that is assigned to each voxel during step 103 is between 0 and 255.
  • low confidence measurement values ⁇ 20 are assigned to the intensity of each voxel located in a shaded part PO of zone Z, such as that shown hatched in FIG.
  • FIG. 3 An example of an image of a confidence card U t obtained for zone Z is illustrated in FIG. 3. In this figure, the higher the confidence value of a voxel, the clearer this is.
  • a confidence measurement by voxel is calculated in the zone Z of the current image of the sequence, taken at time t, according to the same method as that of step 103. This step is implemented for each new current image.
  • step 103 need not be repeated when processing a new current image because the reference image remains unchanged.
  • the shaded portions of zone Z are first detected at 103a.
  • the step 103a for detecting the shaded portions of zone Z implements a technique known per se, for example described in the document by Pierre Hellier et al, entitled “An automatic geometric and statistical method to detect acoustic shadows in intraoperative ultrasound brain images "in the journal Medical Image Analysis, published by Elsevier, in 2010, vol. 14 (2), pp.195-204.
  • This method involves analyzing ultrasound lines to determine positions corresponding to noise and intensity levels below predetermined thresholds.
  • the confidence measure is calculated for the vertices of the tetrahedral cells rather than for the voxels. This value can be estimated by averaging the trust of voxels near the top position.
  • An advantage of this variant is to be simpler and less computationally, given the fact that the area of the target has fewer vertices than voxels.
  • an intensity-based approach is implemented to calculate the displacements of the contour of the target, of minimizing a cost function C expressed as:
  • ⁇ q is the vector of the displacements of the vertices of the contour of the target
  • H t is a diagonal matrix ( ⁇ , ⁇ ) calculated from the image of the confidence card U t ;
  • p (t) is the vector of the positions of voxels at time t; It is a vector representing the intensity of the current image at time t;
  • L represents the number of gray levels of the current image and the reference image; is the probability density of I t and is expressed under the
  • ⁇ is a scalar parameter representing the minimum value of the confidence measurements
  • ⁇ is a parameter that discriminates the values of the weakest confidence measures
  • U t is the image of the confidence measurement map obtained in step 103.
  • an estimate of the vector ⁇ is calculated iteratively from the formula:
  • J is the Jacobian matrix associated with the cost function C, expressing itself in the form is the gradient of the intensity of the current image, which links the displacements of the external vertices ⁇ q to the variation of the intensity I.
  • this estimate of the displacement of the vertices of the contour of the target ⁇ q is combined with internal displacements resulting from the simulation of the deformation of a mechanical mass-spring-damper system applied to the target.
  • the displacement ⁇ d associated with the mass-spring-damper system is obtained by integrating the forces f exerted on each vertex q, via a semi-implicit Euler one, where f is expressed in the form with N i the number of neighboring vertices. connected to
  • vertex q is the speed damping coefficient associated with the vertex q, and end is calculated using the following formulation:
  • Ky is a scalar quantity representative of the stiffness of the spring which links the two vertices q
  • qj and Dy is a coefficient of amortization.
  • the values 3.0 and 0.1 are assigned to Ky and D ij respectively, irrespective of the spring that binds two vertices and the value 2.7 to G, for all the vertices. .
  • the importance of the displacements ⁇ q with respect to the displacements ⁇ d in the PO part is minimized, during the estimation of the optimal displacement of the vertices of the contour of the target, by applying them a weighting.
  • FIG. 4 an example of a simplified structure of a device 400 for monitoring a clinical target according to the invention is now presented.
  • the device 400 implements the method for monitoring a clinical target according to the invention which has just been described with reference to FIG.
  • the device 400 comprises a processing unit 410, equipped with a processor ⁇ ⁇ , and driven by a computer program Pg 1 420, stored in a memory 430 and implementing the coding method according to the invention .
  • Pg 1 420 are for example loaded into a RAM memory before being executed by the processor of the processing unit 410.
  • the processor of the processing unit 110 implements the steps of the method described above, according to the instructions of the computer program 420.
  • the device In this exemplary embodiment of the invention, the device
  • the 400 comprises at least one unit (U1) for obtaining a segmentation of a contour of the target from the reference image, a unit (U2) for determining an area delimiting the interior of the segmented contour. of the target in the reference image, a unit (U3) for obtaining a confidence measure per image element in said zone determined for the reference image and for the current image, a unit (U4 ) adaptation of the reference image at least from the intensities of the current image and confidence measurements of the current image in the target area and a unit (U5) of deformation of said contour via minimization a cost function based on a difference in intensity between the current image and the reference image in the determined zone, said cost function being weighted by the confidence measurements obtained for the image elements of the zone and taking into account the intensities of the reference image a daptée.
  • Table 1 below presents the 4 sequences used for this evaluation.
  • the targets of the PHA1 and PHA4 sequences undergo translational movements, that of the PHA2 sequence a rotational movement, while the target of the PHA3 sequence undergoes no movement.
  • Table 2 compares the results obtained by implementing the target tracking method according to the invention, measured in the form of a difference, expressed in millimeters, between the estimated position of the 4 targets on the images of the targets. sequences and those established by a panel of expert practitioners with those of other methods, such as the SSD cost function and the SSD cost function weighted by confidence measures.
  • the invention is not limited to target tracking in a three-dimensional image sequence, but also applies to a two-dimensional image sequence.
  • the picture elements are pixels and the mesh elements of the triangles.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

L'invention concerne un procédé de suivi d'une cible clinique dans une image courante d'une séquence d'images numériques médicales, par rapport à une image de référence de ladite séquence, une image numérique comprenant des éléments d'images comprenant les étapes suivantes : obtention d'une segmentation d'un contour de ladite cible à partir de ladite image de référence; détermination d'une zone délimitant l'intérieur du contour segmenté de la cible dans ladite image de référence; obtention d'une mesure de confiance par élément d'image dans ladite zone déterminée pour ladite image de référence et pour ladite image courante; déformation dudit contour obtenu par minimisation d'une fonction de coût basée sur une différence d'intensité entre l'image courante et l'image de référence dans la zone déterminée, ladite fonction de coût étant pondérée par les mesures de confiance obtenues pour les éléments d'image de la zone. Selon l'invention, un tel procédé comprend une étape d'adaptation de l'image de référence au moins à partir des intensités de l'image courante et des mesures de confiance de l'image courante dans la zone de la cible et en ce que la fonction de coût prend en compte les intensités de l'image de référence adaptée.

Description

Procédé de suivi d'une cible clinique dans des images médicales 1. Domaine de l'invention
Le domaine de l'invention est celui du traitement des images médicales.
Plus précisément, l'invention concerne un procédé de suivi d'une cible clinique dans une séquence d'images numériques médicales.
L'invention trouve notamment une application dans le traitement des images obtenues par une technique d'imagerie par ultrasons ou par endoscopie.
2. Etat de la technique
Les techniques d'imagerie par ultrasons ou d'endoscopie sont largement utilisées dans le domaine médical pour aider les médecins à visualiser en temps-réel une cible clinique et/ou un outil chirurgical lors d'une intervention chirurgicale ou d'un examen invasif destiné à diagnostiquer une pathologie. Ainsi par exemple, les techniques d'échographie sont fréquemment utilisées lors d'une intervention nécessitant l'insertion d'une aiguille, et notamment en radiologie interventionnelle.
Il est parfois difficile pour un chirurgien de repérer par lui-même certaines cibles cliniques, telles que des tumeurs, dans une image obtenue par une technique d'imagerie par ultrasons ou par endoscopie. Afin de l'aider, on a mis à disposition des chirurgiens des outils permettant d'estimer automatiquement la position d'une cible chirurgicale dans une image échographique.
On constate cependant qu'au cours de l'acquisition d'une séquence d'images, des aberrations, sombres ou claires, telles que des ombres, des halos, des spécularités ou des occlusions peuvent apparaître sur l'image courante et perturber le suivi d'une cible.
Ainsi par exemple, on observe fréquemment des zones d'ombre dans les séquences d'images obtenues par une technique d'imagerie par ultrasons ou des halos/spécularités dans des séquences d'images obtenues par endoscopique, qui peuvent altérer fortement le contraste des images au niveau de la cible et, dans certains cas, occulter au moins partiellement la cible.
Afin d'améliorer la précision et la robustesse des algorithmes de traitement d'images présentant des aberrations, on a proposé de dresser au préalable une carte de confiance des pixels ou voxels d'une image courante, permettant de distinguer les zones de l'image présentant des aberrations. Cette carte de confiance est formée des mesures de confiance locales estimées pour les pixels ou voxels de l'image courante. Chacune de ces mesures de confiance locales correspond à une valeur indicative d'une probabilité ou vraisemblance que l'intensité du pixel/voxel auquel elle est associée représente un objet et ne soit pas affectée par différentes perturbations telles par exemple que des ombres, des réflexions spéculaires, ou des occultations générées par la présence d'autres objets.
On connaît par exemple de l'article de Karamalis et al "Ultrasonic confidence map using random walks", Médical Image Analysis, 16(2012) pp.1101-1112, ed. Elsevier, une méthode pour calculer une carte de confiance des pixels ou voxels d'une image courant, destinée à être exploitée pour recaler des images.
En particulier, dans la thèse de A. Karamalis ("Ultrasound confidence maps and application in médical Image processing", Faculté d'informatique de Université technique de Munich, 2013), il est proposé d'utiliser cette carte de confiance pour le suivi de cible basé sur l'intensité des pixels ou des voxels de la cible, par exemple basé sur une fonction de coût de type SSD (acronyme de "Sum of Squared Différence" en anglais).
3. Inconvénients de l'Etat de la technique
Un inconvénient de cette fonction de coût est qu'elle n'est pas robuste aux changements d'illumination, ou de gain, qui peuvent survenir au cours de l'acquisition.
Elle n'est pas très performante non plus en cas d'aberration très importante en intensité ou très étendue dans l'image.
4. Objectifs de l'invention L'invention vient améliorer la situation.
L'invention a notamment pour objectif de pallier les inconvénients de l'Etat de la technique cités ci-dessus.
Plus précisément l'invention a pour objectif de fournir une technique de suivi d'une cible clinique dans une séquence d'images qui soit robuste quelles que soient les aberrations présentées par les images de la séquence.
Un objectif de l'invention est également de fournir une telle technique de suivi d'une cible clinique qui présente une précision accrue.
4. Exposé de l'invention
Ces objectifs, ainsi que d'autres qui apparaîtront par la suite sont atteints à l'aide d'un procédé de suivi d'une cible clinique dans une image courante d'une séquence d'images numériques médicales, obtenues par une technique d'imagerie par ultrasons ou par endoscopie, par rapport à une image de référence de ladite séquence, comprenant les étapes suivantes :
- obtention d'une segmentation d'un contour de ladite cible à partir de ladite image de référence ;
détermination d'une zone délimitant l'intérieur du contour segmenté de la cible dans ladite image de référence ;
obtention d'une mesure de confiance par élément d'image dans ladite zone déterminée pour ladite image de référence et pour ladite image courante ;
déformation dudit contour obtenue par minimisation d'une fonction de coût basée sur une différence d'intensité entre l'image courante et l'image de référence dans la zone déterminée, ladite fonction de coût étant pondérée par les mesures de confiance obtenues pour les éléments d'image de ladite zone déterminée.
Selon l'invention, un tel procédé de suivi d'une cible clinique comprend en outre une étape d'adaptation de l'image de référence au moins à partir des intensités de l'image courante et des mesures de confiance de l'image courante dans la zone de la cible et la fonction de coût prend en compte les intensités de l'image de référence adaptée. Ainsi, de façon inédite et particulièrement astucieuse, l'invention propose d'exploiter les mesures de confiance dans les intensités de l'image courante pour adapter les intensités de l'image de référence dans la zone de la cible et ainsi évaluer plus précisément la différence d'intensité pertinente pour déformer le contour de la cible.
Selon un aspect particulier de l'invention, ladite fonction de coût prend en compte une pondération de la densité de probabilité combinée des intensités de l'image courante et de l'image de référence par lesdites mesures de confiance.
Dans un mode de réalisation particulier de l'invention, un procédé de suivi de cible tel que décrit ci-dessus comprend en outre une étape de détection d'au moins une partie d'aberration dans ladite image de référence et dans ladite image courante et en ce que ladite partie d'aberration détectée est prise en compte lors de ladite étape d'obtention d'une mesure de confiance dans ladite zone déterminée pour ladite image de référence et pour ladite image courante.
Selon un aspect particulier de l'invention, la déformation du contour prend en outre en compte un modèle mécanique de déformation interne de la cible destiné à corriger ladite déformation résultant de la minimisation d'une fonction de coût et en ce qu'on pondère la déformation du contour résultant de la minimisation d'une fonction de coût par rapport à la déformation résultant du modèle mécanique de déformation interne de la cible dans la zone de la cible.
Le procédé qui vient d'être décrit dans ses différents modes de réalisation est avantageusement mis en œuvre par un dispositif de suivi d'une cible clinique dans une image courante d'une séquence d'images numériques médicales, obtenues par une technique d'imagerie par ultrasons ou par endoscopie, par rapport à une image de référence de ladite séquence, une image numérique comprenant des éléments d'images, comprenant les unités suivantes :
- unité d'obtention d'une segmentation d'un contour de ladite cible à partir de ladite image de référence ; unité de détermination d'une zone délimitant l'intérieur du contour segmenté de la cible dans ladite image de référence ;
unité d'obtention d'une mesure de confiance par élément d'image dans ladite zone déterminée pour ladite image de référence et pour ladite image courante ;
unité d'adaptation de l'image de référence au moins à partir des intensités de l'image courante et des mesures de confiance de l'image courante dans la zone de la cible
unité de déformation dudit contour par l'intermédiaire d'une minimisation d'une fonction de coût basée sur une différence d'intensité entre l'image courante et l'image de référence dans la zone déterminée, ladite fonction de coût étant pondérée par les mesures de confiance obtenues pour les éléments d'image de la zone et prenant en compte les intensités de l'image de référence adaptée.
L'invention concerne encore un programme d'ordinateur comportant des instructions pour la mise en œuvre des étapes d'un procédé de suivi d'une cible clinique tel que décrit précédemment, lorsque ce programme est exécuté par un processeur.
Ce programme peut utiliser n'importe quel langage de programmation.
Il peut être téléchargé depuis un réseau de communication et/ou enregistrés sur un support lisible par ordinateur.
L'invention se rapporte enfin à un support d'enregistrement, lisible par un processeur, intégré ou non au dispositif de suivi d'une cible clinique selon l'invention, éventuellement amovible, mémorisant un programme d'ordinateur mettant en œuvre le procédé de suivi d'une cible clinique tel que décrit précédemment.
5. Liste des figures
D'autres caractéristiques et avantages de l'invention apparaîtront plus clairement à la lecture de la description suivante d'un mode de réalisation de l'invention, donné à titre de simple exemple illustratif et non limitatif, et des dessins annexés parmi lesquels : la figure 1 est une représentation synoptique, sous forme de diagramme, des étapes d'un exemple de procédé de suivi d'une cible clinique selon l'invention ;
la figure 2 est une vue du contour segmentée d'un cible dans une image de référence ;
la figure 3 est une vue d'une image d'une carte de mesures de confiance ; et
la figure 4 présente de façon schématique un exemple de structure matérielle d'un dispositif de suivi de cible clinique selon l'invention.
6. Description détaillée de l'invention
6.1. Rappel du principe de l'invention
Comme déjà indiqué, le principe de l'invention repose notamment sur une stratégie de suivi d'une cible dans une séquence d'images médicales basée sur une approche basée intensité des déformations du contour extérieur de la cible, qui prend en compte les aberrations de l'image en appliquant une pondération à la fonction de coût utilisée dans l'approche basée intensité en fonction d'une mesure de confiance des voxels. Avantageusement, cette approche basée intensité peut être combinée avec un modèle mécanique des déformations internes de la cible pour permettre une estimation robuste de la position du contour extérieur de la cible.
6.2. Exemple de mode de réalisation de l'invention
En référence à la figure 1, on a illustré de façon synoptique, sous forme de schéma-bloc, les étapes d'un exemple de procédé de suivi d'une cible clinique dans une séquence d'images selon l'invention.
Dans ce mode de réalisation particulier de l'invention, la séquence d'images est obtenue par imagerie par ultrasons. Il s'agit d'une séquence d'images tridimensionnelles, dont les éléments sont des voxels.
Dans une première étape 101, on réalise une segmentation de la cible dans l'image initiale de la séquence d'images médicales 3D, aussi appelée image de référence dans la suite de la description, par une méthode de segmentation connue en soi, qui peut être manuelle ou automatique. On lisse ensuite dans une étape 101a le contour de la cible segmentée afin de supprimer les arêtes vives et les discontinuités de forme apparues sur son contour.
Dans une étape suivante 102, on détermine une zone (Z) délimitant le contour segmenté de la cible dans l'image de référence. Pour ce faire, on construit une représentation de l'intérieur du contour de la cible, par exemple en générant un maillage tétraédrique.
Un exemple de maillage de la zone Z est illustré sur la figure 2. Cette figure correspond à une image échographique comprenant une cible en partie située dans une zone d'ombre, hachurée en blanc. Dans cet exemple, le maillage de la zone Z présente Nc sommets délimitant des cellules tétraédriques. La zone Z comprend au total
Figure imgf000009_0001
voxels.
Pour calculer la déformation des cellules tétraédriques constituant la cible, on va utiliser une fonction affine par morceaux reliant les positions des Nu voxels avec les positions des NC (NC=60) sommets du maillage, s'exprimant sous la forme p=M.q, où p est un vecteur, de dimension )x 1,
Figure imgf000009_0003
représentant les positions des Nu voxels de la cible, q est un vecteur, de dimension (3.Nc)x 1, représentant les positions des Nc sommets du maillage, et M est une matrice à coefficients constants, de dimension x (3.NC),
Figure imgf000009_0002
définissant un ensemble de coordonnées barycentriques. On estime ensuite, dans une étape 103, une mesure de confiance par voxel dans la zone Z de l'image de référence prise à l'instant to, par exemple selon la méthode décrite par Karamalis et al. ("Ultrasonic confidence map using random walks", Médical Image Analysis, 16(2012) pp.1101-1112, ed. Elsevier). Dans cet article on mesure la confiance d'un pixel/voxel de l'image échographique comme la probabilité qu'une marche aléatoire (« random walk » en anglais) partant de ce pixel/voxel atteigne les transducteurs de la sonde échographique. Le chemin est contraint par le modèle de propagation d'une onde ultrasonore dans les tissus mous. La valeur de la mesure de confiance qui est attribuée à chaque voxel lors de l'étape 103 est comprise entre 0 et 255. Avec cette méthode, des valeurs de la mesure de confiance faibles (<20) sont attribuées à l'intensité de chaque voxel situé dans une partie ombrée PO de la zone Z, telle que celle représentée hachurée sur la figure 2.
On comprend que cette méthode de mesure d'une valeur de confiance des intensités des éléments de l'image donne une indication de localisation d'éventuelles parties aberrantes dans la zone de la cible.
Un exemple d'une image d'une carte de confiance Ut obtenue pour la zone Z est illustré sur la figure 3. Sur cette figure, plus la valeur de confiance d'un voxel est importante et plus celui-ci est clair.
Dans une étape 104, on calcule une mesure de confiance par voxel dans la zone Z de l'image courante de la séquence, prise à l'instant t, selon le même procédé que celui de l'étape 103. Cette étape est mise en œuvre pour chaque nouvelle image courante.
On notera que contrairement à l'étape 104, l'étape 103 n'a pas besoin d'être répétée lors du traitement d'une nouvelle image courante, car l'image de référence demeure inchangée.
Dans ce mode de réalisation particulier de l'invention, lors des étapes 103 et 104, on détecte, dans un premier temps en 103a, les parties ombrées de la zone Z.
L'étape 103a de détection des parties ombrées de la zone Z met en œuvre une technique connue en soi, par exemple décrite dans le document de Pierre Hellier et al, intitulé « An automatic geometrical and statistical method to detect acoustic shadows in intraoperative ultrasound brain images » dans la revue Médical Image Analysis, publiée par Elsevier, en 2010, vol. 14 (2), pp.195-204. Cette méthode consiste à analyser les lignes de tir échographiques pour déterminer les positions correspondant à des niveaux de bruit et d'intensité inférieurs à des seuils prédéterminés.
Pour la détection de parties claires, de type halo ou spécularité, on se référera par exemple à la technique de détection décrite dans le document de Morgand et al, intitulé « Détection générique et temps réel des spécularités », publié dans les Proceedings des Journées francophones des jeunes chercheurs en vision par ordinateur, qui se sont tenues à Amiens, en juin 2015. Les spécularités d'une image endoscopique sont détectées en seuillant de façon dynamique l'image dans l'espace TSV pour Teinte-Saturation-Valeur (ou HSV pour « Hue Saturation Value » en anglais). La valeur des seuils utilisés est estimée automatiquement en fonction de la luminosité globale de l'image. Puis en 103b, on calcule, dans un deuxième temps, une mesure de confiance pour chaque voxel en tenant compte de la partie de la zone où il se trouve. Par exemple, on applique un masque binaire aux intensités de la zone de la cible. Les voxels appartenant à une partie aberrante obtiendront une mesure de confiance nulle et les voxels situés en dehors d'une partie aberrante obtiendront une mesure de confiance égale à 1.
On comprend qu'il obtiendra une mesure de confiance plus faible s'il se trouve dans une partie détectée comme aberrante, telle qu'une partie ombrée pour une image échographique ou une spécularité ou un halo pour une image endoscopique.
Selon une autre variante de ce mode de réalisation de l'invention, la mesure de confiance est calculée pour les sommets des cellules tétraédriques plutôt que pour les voxels. Cette valeur peut être estimée en moyennant la confiance des voxels avoisinant la position du sommet. Un avantage de cette variante est d'être plus simple et moins calculatoire, compte-tenu du fait que la zone de la cible comprend moins de sommets que de voxels. Dans une étape 105, on met en œuvre une approche basée intensité pour calculer les déplacements du contour de la cible, consistant à minimiser une fonction de coût C s'exprimant sous la forme :
Figure imgf000011_0001
Δq est le vecteur des déplacements des sommets du contour de la cible ;
Ht est une matrice diagonale (Νυ, Νυ) calculée à partir de l'image de la carte de confiance Ut ;
- p(t) est le vecteur des positions des voxels à l'instant t ; It est un vecteur représentant l'intensité de l'image courante à l'instant t ;
est un vecteur représentant l'intensité de l'image de référence
Figure imgf000012_0009
adaptée à l'instant t.
Pour chaque position px d'un voxel de l'image de référence adaptée, on calcule à partir de l'expression suivante :
Figure imgf000012_0008
Figure imgf000012_0002
- L représente le nombre de niveau de gris de l'image courante et de l'image de référence ; est la densité de probabilité de It et s'exprime sous la
Figure imgf000012_0010
forme:
Figure imgf000012_0003
est la fonction de densité de probabilité jointe de
Figure imgf000012_0005
s'exprimant sous la forme :
Figure imgf000012_0011
Figure imgf000012_0004
avec δ est le symbole de Kronecker et la pondération de
Figure imgf000012_0006
la position du voxel comprise dans l'intervalle [0; 1] et telle
Figure imgf000012_0007
que:
Figure imgf000012_0001
où τ est un paramètre scalaire représentant la valeur minimum des mesures de confiance, β est un paramètre qui discrimine les valeurs de mesures de confiance les plus faibles et Ut est l'image de la carte des mesures de confiance obtenue à l'étape 103.
Plus précisément, pour minimiser la fonction de coût C, on calcule itérativement une estimation du vecteur Δα à Dartir de la formule :
Figure imgf000013_0002
représente le pas d'itération de la stratégie de minimisation ;
Figure imgf000013_0004
représente une estimation du vecteur des positions des
Figure imgf000013_0003
sommets à l'instant t à l'itération k-1 de l'algorithme d'optimisation;
J est la matrice jacobienne associée à la fonction de coût C, s'exprimant sous la forme
Figure imgf000013_0005
est le gradient de l'intensité de l'image courante, qui relie les déplacements des sommets externes Δq au variation de l'intensité I.
En effet, un développement de Taylor de C(Δq ) donne
Figure imgf000013_0001
Puis, en utilisant une optimisation additive par descente de gradient, on déduit directement l'équation Eq. l de l'équation Eq. 2.
On combine ensuite, dans une étape 106, cette estimation du déplacement des sommets du contour de la cible Δq avec des déplacements internes résultant de la simulation de la déformation d'un système mécanique masse-ressort-amortisseur appliquée à la cible.
On estime ainsi de façon itérative le déplacement optimal des sommets du contour de la cible de la façon suivante:
Figure imgf000013_0006
(Eq. 3) oùΔd est le vecteur des déplacements internes, Δq est une estimation du déplacement des sommets du contour de la cible obtenue par l'équation (Eq. 1) et est une estimation des positions des sommets à l'itération k-1 et au temps t.
Le déplacement Δd associé au système masse-ressort-amortisseur est obtenu par intégration des forces f exercées sur chaque sommet q, via un on d'Euler semi-implicite, où f s'exprime sous la forme avec Ni le nombre de sommets voisins connectes au
sommet q,, G, est le coefficient d'amortissement en vitesse associé au sommet q, et fin se calcule à l'aide de la formulation suivante :
Figure imgf000014_0002
où l'opérateur ° correspond au produit matriciel de Hadamard,
Figure imgf000014_0003
sont respectivement la distance entre les sommets q, et qj dans l'image courante et dans l'image initiale, Ky est une grandeur scalaire représentative de la raideur du ressort qui lie les deux sommets q, et qj et Dy est un coefficient d'amortissement. Dans ce mode de réalisation particulier de l'invention, on affecte à Ky et Dij respectivement les valeurs 3,0 et 0,1 quel que soit le ressort qui lie deux sommets et la valeur 2,7 à G, pour tous les sommets. Dans une variante, il peut être envisagé de fixer les valeurs des coefficients Ky, Dy et G, à partir d'images obtenues par élastographie. II convient de noter que l'importance relative des déplacements internes par rapport aux déplacements des sommets du contour obtenus par minimisation d'une fonction de coût peut être ajustée en agissant sur la valeur du pas d'itération a de la stratégie de minimisation de l'équation Eq . 1.
Dans une variante de ce mode de réalisation particulier de l'invention, en présence d'un partie ombrée PO étendue et/ou très sombre, on minimise l'importance des déplacements Δq par rapport aux déplacements Δd dans la partie PO, lors de l'estimation du déplacement optimal des sommets du contour de la cible, en leur appliquant une pondération.
De cette manière, on donne plus de poids au modèle mécanique de déplacement interne, ce qui permet de garantir que la déformation appliquée au contour reste physiquement réaliste et ainsi d'augmenter la robustesse du suivi aux aberrations.
L'équation Eq . 3 devient alors
Figure imgf000015_0001
, où γ est un coefficient de pondération de la contribution des déplacements Δq par rapport aux déplacements Ad.
En relation avec la figure 4, on présente maintenant un exemple de structure simplifiée d'un dispositif 400 de suivi d'une cible clinique selon l'invention. Le dispositif 400 met en œuvre le procédé de suivi d'une cible clinique selon l'invention qui vient d'être décrit en relation avec la figure 1.
Par exemple, le dispositif 400 comprend une unité de traitement 410, équipée d'un processeur μ ΐ, et pilotée par un programme d'ordinateur Pg 1 420, stocké dans une mémoire 430 et mettant en oeuvre le procédé de codage selon l'invention.
A l'initialisation, les instructions de code du programme d'ordinateur
Pg1 420 sont par exemple chargées dans une mémoire RAM avant d'être exécutées par le processeur de l'unité de traitement 410. Le processeur de l'unité de traitement 110 met en œuvre les étapes du procédé décrit précédemment, selon les instructions du programme d'ordinateur 420.
Dans cet exemple de mode de réalisation de l'invention, le dispositif
400 comprend au moins une unité (Ul) d'obtention d'une segmentation d'un contour de la cible à partir de l'image de référence, une unité (U2) de détermination d'une zone délimitant l'intérieur du contour segmenté de la cible dans l'image de référence, une unité (U3) d'obtention d'une mesure de confiance par élément d'image dans ladite zone déterminée pour l'image de référence et pour l'image courante, une unité (U4) d'adaptation de l'image de référence au moins à partir des intensités de l'image courante et des mesures de confiance de l'image courante dans la zone de la cible et une unité (U5) de déformation dudit contour via une minimisation d'une fonction de coût basée sur une différence d'intensité entre l'image courante et l'image de référence dans la zone déterminée, ladite fonction de coût étant pondérée par les mesures de confiance obtenues pour les éléments d'image de la zone et prenant en compte les intensités de l'image de référence adaptée.
Ces unités (U 1, U2, U3, U4 et U5) sont pilotées par le processeur μΐ de l'unité de traitement 410. La précision du procédé de suivi de cible décrit ci-dessus a été évaluée sur 4 séquences référencées d'images tridimensionnelles obtenues par imagerie par ultrasons contenant chacune une cible anatomique, prises sur des patients volontaires ne retenant pas leur respiration.
Le tableau 1 ci-après présente les 4 séquences utilisées pour cette évaluation.
Figure imgf000016_0001
Tableau 1
Les cibles des séquences PHA1 et PHA4 subissent des mouvements translationnels, celle de la séquence PHA2 un mouvement rotationnel, tandis que la cible de la séquence PHA3 ne subit aucun mouvement.
En outre certaines cibles sont perturbées par :
la présence de zones d'ombres localisées (PHA1, PHA2 et PHA4) ; des changements de gain en cours d'acquisition générant des changements de luminosité globale dans la séquence (PHA3 et PH4).
Le tableau 2 ci-après compare les résultats obtenus par la mise en œuvre du procédé de suivi de cible selon l'invention, mesurés sous la forme d'un écart, exprimé en millimètres, entre la position estimée des 4 cibles sur les images des séquences et celle établie par un collège de praticiens experts avec ceux d'autres méthodes, telles que la fonction de coût SSD et la fonction de coût SSD pondérée par des mesures de confiance.
Figure imgf000016_0002
Tableau 2 On notera par ailleurs que le procédé de suivi de cible selon l'invention est plus précis et plus robuste à tout type de perturbation que les autres fonctions de coût connues de l'art antérieur. II va de soi que les modes de réalisation qui ont été décrits ci-dessus ont été donnés à titre purement indicatif et nullement limitatif, et que de nombreuses modifications peuvent être facilement apportées par l'homme du métier sans pour autant sortir du cadre de l'invention.
Par exemple, l'invention ne se limite pas au suivi de cible dans une séquence d'images tridimensionnelles, mais s'applique également à une séquence d'images bidimensionnelles. Dans ce cas, les éléments d'image sont des pixels et les éléments de maillage des triangles.

Claims

REVENDICATIONS
1. Procédé de suivi d'une cible clinique dans une image courante d'une séquence d'images numériques médicales, obtenues par une technique d'imagerie par ultrasons ou par endoscopie, par rapport à une image de référence de ladite séquence, une image numérique comprenant des éléments d'images, ledit procédé comprenant les étapes suivantes :
obtention d'une segmentation d'un contour de ladite cible à partir de ladite image de référence ;
détermination d'une zone délimitant l'intérieur du contour segmenté de la cible dans ladite image de référence ;
obtention d'une mesure de confiance par élément d'image dans ladite zone déterminée pour ladite image de référence et pour ladite image courante ;
déformation dudit contour obtenue par minimisation d'une fonction de coût basée sur une différence d'intensité entre l'image courante et l'image de référence dans la zone déterminée, ladite fonction de coût étant pondérée par les mesures de confiance obtenues pour les éléments d'image de la zone ;
caractérisé en ce qu'il comprend en outre une étape d'adaptation de l'image de référence au moins à partir des intensités de l'image courante et des mesures de confiance de l'image courante dans la zone de la cible et en ce que la fonction de coût prend en compte les intensités de l'image de référence adaptée.
2. Procédé de suivi d'une cible clinique selon la revendication 1, caractérisé en ce que ladite fonction de coût prend en compte une pondération de la densité de probabilité combinée des intensités de l'image courante et de l'image de référence par lesdites mesures de confiance.
3. Procédé de suivi d'une cible clinique selon l'une quelconque des revendications 1 et 2, caractérisé en ce qu'il comprend en outre une étape de détection d'au moins une partie d'aberration dans ladite image de référence et dans ladite image courante et en ce que ladite partie d'aberration détectée est prise en compte lors de ladite étape d'obtention d'une mesure de confiance dans ladite zone déterminée pour ladite image de référence et pour ladite image courante.
4. Procédé de suivi d'une cible clinique selon l'une quelconque des revendications précédentes, caractérisé en ce que la déformation du contour prend en outre en compte un modèle mécanique de déformation interne de la cible destiné à corriger ladite déformation résultant de la minimisation d'une fonction de coût et en ce qu'on pondère la déformation du contour résultant de la minimisation d'une fonction de coût par rapport à la déformation résultant du modèle mécanique de déformation interne de la cible dans ladite zone déterminée.
5. Dispositif de suivi d'une cible clinique dans une image courante d'une séquence d'images numériques médicales, obtenues par une technique d'imagerie par ultrasons ou par endoscopie, par rapport à une image de référence de ladite séquence, une image numérique comprenant des éléments d'images, comprenant les unités suivantes :
unité d'obtention d'une segmentation d'un contour de ladite cible à partir de ladite image de référence ;
unité de détermination d'une zone délimitant l'intérieur du contour segmenté de la cible dans ladite image de référence ;
unité d'obtention d'une mesure de confiance par élément d'image dans ladite zone déterminée pour ladite image de référence et pour ladite image courante ;
unité de déformation dudit contour par l'intermédiaire d'une minimisation d'une fonction de coût basée sur une différence d'intensité entre l'image courante et l'image de référence dans la zone déterminée, ladite fonction de coût étant pondérée par les mesures de confiance obtenues pour les éléments d'image de la zone ;
caractérisé en ce qu'il comprend en outre une unité d'adaptation de l'image de référence au moins à partir des intensités de l'image courante et des mesures de confiance de l'image courante dans la zone de la cible et en ce que la fonction de coût prend en compte les intensités de l'image de référence adaptée.
6. Programme d'ordinateur comprenant des instructions pour la mise en œuvre du procédé de suivi d'une cible clinique selon l'une des revendications 1 à 4, lorsqu'il est exécuté par un processeur.
7. Support d'enregistrement lisible par un processeur sur lequel est enregistré un programme d'ordinateur comprenant des instructions de code de programme pour la mise en œuvre des étapes du procédé de suivi d'une cible clinique selon l'une des revendications 1 à 4.
PCT/FR2016/052820 2015-11-03 2016-10-28 Procede de suivi d'une cible clinique dans des images medicales WO2017077224A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15/773,403 US20180322639A1 (en) 2015-11-03 2016-10-28 Method for tracking a clinical target in medical images
EP16806241.2A EP3371775A1 (fr) 2015-11-03 2016-10-28 Procede de suivi d'une cible clinique dans des images medicales

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1560541 2015-11-03
FR1560541A FR3043234B1 (fr) 2015-11-03 2015-11-03 Procede de suivi d'une cible clinique dans des images medicales

Publications (1)

Publication Number Publication Date
WO2017077224A1 true WO2017077224A1 (fr) 2017-05-11

Family

ID=55451286

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2016/052820 WO2017077224A1 (fr) 2015-11-03 2016-10-28 Procede de suivi d'une cible clinique dans des images medicales

Country Status (4)

Country Link
US (1) US20180322639A1 (fr)
EP (1) EP3371775A1 (fr)
FR (1) FR3043234B1 (fr)
WO (1) WO2017077224A1 (fr)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6611615B1 (en) * 1999-06-25 2003-08-26 University Of Iowa Research Foundation Method and apparatus for generating consistent image registration
US7689021B2 (en) * 2005-08-30 2010-03-30 University Of Maryland, Baltimore Segmentation of regions in measurements of a body based on a deformable model
WO2008073962A2 (fr) * 2006-12-12 2008-06-19 Rutgers, The State University Of New Jersey Système et procédé de détection et de suivi de particularités dans les images
DE102010022307A1 (de) * 2010-06-01 2011-12-01 Siemens Aktiengesellschaft Verfahren zur Überprüfung der Segmentierung einer Struktur in Bilddaten
US8619082B1 (en) * 2012-08-21 2013-12-31 Pelican Imaging Corporation Systems and methods for parallax detection and correction in images captured using array cameras that contain occlusions using subsets of images to perform depth estimation

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
A. KARAMALIS: "Ultrasound confidence maps and application in medical Image processing", FACULTÉ D'INFORMATIQUE DE UNIVERSITÉ TECHNIQUE DE MUNICH, 2013
KARAMALIS ET AL.: "Medical Image Analysis", vol. 16, 2012, article "Ultrasonic confidence map using random walks", pages: 1101 - 1112
KARAMALIS ET AL.: "Medical Image Analysis", vol. 16, 2012, ELSEVIER, article "Ultrasonic confidence map using random walks", pages: 1101 - 1112
LUCAS ROYER ET AL: "Real-time tracking of deformable target in 3D ultrasound images", 2015 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA), 1 May 2015 (2015-05-01), pages 2430 - 2435, XP055284681, ISBN: 978-1-4799-6923-4, DOI: 10.1109/ICRA.2015.7139523 *
MORGAND ET AL.: "Détection générique et temps réel des spécularités", LES PROCEEDINGS DES JOURNÉES FRANCOPHONES DES JEUNES CHERCHEURS EN VISION PAR ORDINATEUR, June 2015 (2015-06-01)
PIERRE CHATELAIN ET AL: "Optimization of ultrasound image quality via visual servoing", 2015 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA), 1 May 2015 (2015-05-01), pages 5997 - 6002, XP055284683, ISBN: 978-1-4799-6923-4, DOI: 10.1109/ICRA.2015.7140040 *
PIERRE HELLIER ET AL.: "la revue Medical Image Analysis", vol. 14, 2010, ELSEVIER, article "An automatic geometrical and statistical method to detect acoustic shadows in intraoperative ultrasound brain images", pages: 195 - 204

Also Published As

Publication number Publication date
US20180322639A1 (en) 2018-11-08
FR3043234A1 (fr) 2017-05-05
FR3043234B1 (fr) 2017-11-03
EP3371775A1 (fr) 2018-09-12

Similar Documents

Publication Publication Date Title
US11551361B2 (en) Method and system of computer-aided detection using multiple images from different views of a region of interest to improve detection accuracy
KR101121286B1 (ko) 센서의 교정을 수행하는 초음파 시스템 및 방법
KR101121353B1 (ko) 2차원 초음파 영상에 대응하는 2차원 ｃｔ 영상을 제공하는 시스템 및 방법
US10004448B2 (en) Osteoporosis diagnostic support apparatus
CN107743638A (zh) 用于对tof传感器图像进行实时运动伪影处理和去噪的方法和系统
WO2011015952A1 (fr) Procédé et système de stabilisation d&#39;une série d&#39;images intravasculaires ultrasonores, et extraction de lumière vasculaire dans les images
US20150371400A1 (en) Segmentation and identification of closed-contour features in images using graph theory and quasi-polar transform
US9786056B2 (en) Data display and processing algorithms for 3D imaging systems
JP2014516646A (ja) 散乱媒質の深さ分解した物理的及び／又は光学的特性を決定する方法
FR2936889A1 (fr) Procede pour le recalage d&#39;un ensemble de points dans des images
WO2010097534A1 (fr) Méthodes de segmentation d&#39;images et de détection de structures particulières
Kolluru et al. Voxel-based plaque classification in coronary intravascular optical coherence tomography images using decision trees
WO2010037850A2 (fr) Procédé de traitement d&#39;image pour estimer une déformation d&#39;un cerveau d&#39;un patient
Wen et al. A novel Bayesian-based nonlocal reconstruction method for freehand 3D ultrasound imaging
Yan et al. A novel segmentation approach for intravascular ultrasound images
FR3002732A1 (fr) Procede automatique de determination predictive de la position de la peau
US10580138B2 (en) Edge detection on images with correlated noise
EP3475916A1 (fr) Segmentation d&#39;os et de plaque dure en tomodensitométrie spectrale
CN102651130B (zh) 水平集图像处理方法
FR2965651A1 (fr) Reconstruction tomographique d&#39;un objet en mouvement
JP7497390B2 (ja) 血管内機器の検出及び圧着測定のためのシステム及び方法
WO2017077224A1 (fr) Procede de suivi d&#39;une cible clinique dans des images medicales
WO2018104609A1 (fr) Procede de suivi de cible dans une sequence d&#39;images medicales, dispositif, equipement terminal et programmes d&#39;ordinateurs associes
JP2020010734A (ja) 検査支援装置、方法およびプログラム
CN112184576B (zh) 一种光谱域光学相干层析成像中的高反射亮斑增强方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16806241

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15773403

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE