CN100550004C - 一种对包含感兴趣区的三维医疗图像进行分割的方法 - Google Patents

一种对包含感兴趣区的三维医疗图像进行分割的方法 Download PDF

Info

Publication number
CN100550004C
CN100550004C CNB031231926A CN03123192A CN100550004C CN 100550004 C CN100550004 C CN 100550004C CN B031231926 A CNB031231926 A CN B031231926A CN 03123192 A CN03123192 A CN 03123192A CN 100550004 C CN100550004 C CN 100550004C
Authority
CN
China
Prior art keywords
region
interest
spherical
spherical region
medical image
Prior art date
Legal status (The legal status 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 status listed.)
Expired - Fee Related
Application number
CNB031231926A
Other languages
English (en)
Other versions
CN1452089A (zh
Inventor
R·M·曼耶斯瓦
H·E·克林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN1452089A publication Critical patent/CN1452089A/zh
Application granted granted Critical
Publication of CN100550004C publication Critical patent/CN100550004C/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

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
    • G06T7/11—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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20156—Automatic seed setting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/248—Aligning, centring, orientation detection or correction of the image by interactive preprocessing or interactive shape modelling, e.g. feature points assigned by a user
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S128/00—Surgery
    • Y10S128/92—Computer assisted medical diagnostics
    • Y10S128/922—Computer assisted medical diagnostics including image analysis

Abstract

本发明提供了一种将包含感兴趣区200的三维(3D)医疗图像135进行分割的设备100和方法，其标识在感兴趣区200的里面202中的第一组种子点和在感兴趣区200的外面204中的第二组种子点。第一球形区210构造在感兴趣区200内。使用空间约束模糊簇聚算法对包含在医疗图像135内的体素进行分类。产生多个第二球形区220。接受在第二球形区220中的满足通过空间约束模糊簇聚算法定义的均匀性函数阈值的球形区。增长确定感兴趣区200的三维区域230。显示由三维区域230所确定的感兴趣区200。

Description

一种对包含感兴趣区的三维医疗图像进行分割的方法
技术领域
本发明涉及医疗图像的分割技术。更具体地说，本发明涉及对在体积测量过程中使用的三维医疗图像中的感兴趣区进行分割的方法和系统。
背景技术
大家十分熟悉获得表示在固体(例如，解剖组织)内部的一种或多种物理特性的三维(3D)数据阵列的技术。在医疗成像过程中，通过多种非侵入式方法获得这种数据，比如正电子发射断层成像(PET)、计算机断层成像(CT)、磁共振成像(MRI)、超声波、x-射线或这些方法的组合方法。不管采用哪种图像数据采集方法，3D数据阵列通常包括在感兴趣的人体周围在规则的位置上分布的多个三维坐标组。有多种技术可用于产生三维模型或结构。通常，种子体素(体积元素)放置在感兴趣的解剖结构内，连续地分析相邻的体素，并且如果它们在先前标识的体素附近并且它们满足特定的特性比如强度或辐射密度，则一般将它们标识为属于相同的解剖结构。根据上述的任何公知技术，均可获得用于显示的3D图像。
内部解剖结构的三维(3D)显示是医学职业和研究的科学家研究的技术。三维模型使得能够旋转模型或视觉表示解剖结构，并且能够调整透视点和缩小/放大感兴趣的特征。因此，通过多种公知的3D图像处理技术可以实现体积测量。
在研究大脑、其它的器官和身体部位方面三维显示和体积测量尤其有用。登记法或通过分割法进行的3D图像测量通常比较乏味，这是因为在3D表示中要求手动编辑。由于观察员之间的误差的缘故受监控的分割法并不足够精确。公知为有效轮廓线的另一技术已经能够使用模型对医疗图像进行分割，在这种模型中有效轮廓(泡)的表面以取决于曲率和扩散流动的速度移动。这种技术涉及通过图像参数比如梯度和曲率增大所包含的气泡和设计停止气泡增大的力量。但是，大多数可用的技术都在一定程度上存在误差。例如，在分割之后的连接体积可能包括所不感兴趣的体积，由此要求用户干预。此外，连接体积可能还包括通过不希望的窄区域、桥或连接理想地分离的不同的区域的其它小结构的连接。
因此需要一种能够以半自动的方式对三维医疗图像进行分割的方法和系统，同时使用户的干预最小。
发明内容
因此，本发明提供一种对包含感兴趣区的三维(3D)医疗图像进行分割的方法和设备，其包括标识在感兴趣区内的第一组种子点和在感兴趣区外的第二组种子点。通过利用空间约束模糊簇聚算法，处理器使用经标识的种子点来对在数据组中的所有的体素进行分类。在此，将3D图像组变换为模糊划分域，在这种模糊划分域中基于均匀性函数给每个体素指定属于所需的感兴趣区的概率。处理器在以第一组种子点为中心的感兴趣区中构造一组第一球形区。通过处理器产生多个第二球形区。接受在多个第二球形区中的满足通过使用空间约束模糊簇聚算法定义的均匀性函数阈值的任何第二球形区。基于接受多个第二球形区中的球形区自适应地增长限定感兴趣区的三维区域。确定球形区的曲率半径以消除在感兴趣区的里面和感兴趣区的外面之间的连接部位上的噪声体素。向用户显示通过三维区域的自适应增长和曲率半径的选择限定的感兴趣区。
附图说明
附图1所示为在本发明的有代表性的实施例中使用的医疗成像系统的方块图；
附图2所示为在本发明的有代表性实施例中与所产生的球形区相关的种子点的设置的示意图；
附图3-5所示为在医疗图像的半自动分割过程中使用的处理的有代表性实施例的示意图；以及
附图6所示为医疗图像的半自动分割过程的方决图。
具体实施方式
参考附图1，附图1所示为用于医疗图像135的半自动分割的系统100的方块图。该系统100包括成像装置110，这种成像装置110可以从产生多个医疗图像135的不同的医疗成像装置中选择。在一种实施例中，医疗成像技术(比如正电子发射断层成像(PET)和磁共振成像(MRI)系统)用于产生医疗图像135。
在一种实施例中，在PET成像期间，给患者注射放射性标记的配体，这种配合体专门作用于代谢极度活跃的部位比如肿瘤。患者水平地躺在扫描器的里面。通过一系列的光子检测器检测从放射性配体的衰变中发射的光子。检测器测量从患者的体内发射出的放射性发射量。使用这种信息计算在体内的采样点的放射性配体的浓度。然后基于所计算的放射性配体浓度构造灰度图像。在图像中的灰影对照在片层内的每个点的放射性配体量。可以重构在PET过程中获得的片层以提高在体内的感兴趣区的在功能上正确的表示。
在另一实施例中，在MR成像期间，将患者放在由大的磁体所产生的强的磁场中。在患者体内的磁化的质子(比如氢原子)用由磁体所产生的磁场排列。患者的特定片层暴露在产生垂直于主磁场的振动磁场的无线电波中。片层可以放置在由执行成像过程的医生或技术人员(在下文中称为“操作员”)所选择的任何平面中。在患者的体内的质子首先吸收无线电波，然后通过移去用所述场的排列而发射无线电波。在质子返回到它们原始状态(在激励之前)，基于由患者体内所发射的电波产生诊断图像。与PET图像片层类似，可以重构MR图像片层以提高感兴趣区的全部图像。产生较强的信号的身体的部位作为白色显示在MR图像中，而带有最弱的信号的身体部位作为黑色显示。具有在强和弱之间的信号强度的其它的身体部位以不同的灰影显示。
一旦使用医疗成像技术已经获得了医疗图像，一般对医疗图像135进行分割。根据某些特性(即，强度、组织等)，分割过程将医疗图像135的像素或体素分为一定数量的属于同类的种类。例如，在分割的脑部医疗图像中，脑的物质可以分为三种：灰质、白质和脑脊髓液。在已经完成了分割之后可以使用不同的色彩来标记每种类型的区域。一旦形成了分割的医疗图像，外科或其它的医疗人员就可以使用分割图像来设计外科手术和/或帮助诊断。
通常，产生分割的医疗图像涉及几个步骤。通过从医疗图像135中获取数据片层形成数据组。通过分割过程，给在数据组中的每个点指定灰度值，并且不同类型的组织具有不同的灰度值。给在数据中的每种类型的物质指定特定的值，因此，每种物质的出现都具有相同的灰度值。例如，在特定的图像中所有的骨头都出现在特定的浅灰阴影中。这种彩色标准允许分别察看图像以容易理解在图像中表示的目标和/或感兴趣区。
在如附图1中进一步示出的一个实施例中，医疗成像系统100包括连接到成像装置110的处理器120和接口单元130。成像装置110产生多个图像数据组140，并且例如包括正电子发射断层成像(PET)或磁共振(MR)扫描器。在PET和/或MR的情况下，成像系统100采集图像数据140的过程一般称为扫描。如在此所述，处理器120执行与医疗图像135的半自动分割相关的计算。此外，处理器120也执行用于图像处理技术的计算和控制功能，如重构、图像数据存储、分割等。在一个实施例中，处理器120包括中央处理单元(CPU)，例如单集成电路和/或微处理器。在另一实施例中，处理器120包括CPU，该CPU例如包括彼此协同作用以完成各种功能的多个集成电路器件和/或电路板。在另一实施例中，处理器120包括存储器件，比如随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、快速存储器、高速缓冲存储器等。此外，应该理解的是，在另一实施例中，处理器120可以在内部包括存储器件。此外，处理器120执行存储在存储器中的程序并响应这些程序动作以执行在图像采集和图像观看的过程中出现的其它的动作或功能。如附图1所示，处理器120进一步执行如参考附图2-6所描述的并响应例如来自接口单元130的种子点的位置执行的分割方法。
如在附图1中进一步所示，接口单元130耦合到处理器120并允许用户与成像系统100进行通信。此外，处理器120执行发送到接口单元130和/或来自接口单元130的计算以使用户能够解释所发射的信息。在一个实施例中，发射的信息可以包括以2D或3D的图像、色彩和灰度图像和与诊断和检测信息相关的文本消息。在另一实施例中，接口单元130例如包括个人计算机、输入/输出装置、图像工作站、手持图像显示单元或通常包括如在PET或MRI系统中的部件的常规图像显示平台。
从患者的多次扫描中采集的图像数据140可以当作一个数据组并形成为医疗图像135。每个数据组可以分解为更小的单元(像素或体素)。在数据组为二维时，医疗图像135由称为像素的单元组成。像素是在使用二维坐标(通常为x和y)能够定位的二维空间中的点。图像中的每个像素由八个其它的像素包围，这九个像素形成了三乘三的方格。围在中心像素周围的八个其它的像素被看作中心像素的八个相连的邻像素。在数据组是三维数据时，医疗图像135以称为体素的单元显示。体素是在使用三维坐标(通常为x，y和z)能够定位的三维空间中的点。每个体素由二十六个其它的体素包围。这些二十六个体素被看作在原始体素的二十六个相连的邻体素。
在一种实施例中，如附图6所示，方法600用于对具有感兴趣区200的三维(3D)医疗图像135进行分割(附图2)。第一组种子点(A)标识在感兴趣区200之内(步骤610)。第二组种子点(B)标识在感兴趣区200之外(步骤620)。应该理解的是，在一种实施例中，一组种子点包括至少一个种子点。还应该理解的是，在另一实施例中，一组种子点可以包括多个种子点。还应该理解的是，在一种实施例中，第一组种子点(A)和第二组种子点(B)通过用户使用成像系统100的接口单元130标识。第一球形区210构造在感兴趣区200内并以第一组种子点(A)为中心(步骤630)。应该理解的是，在一种实施例中，第一球形区210可以包括一组第一球形区，在这个球形区中该组的每个球形区以种子点组(A)中的不同的一个种子点为中心。使用空间约束模糊簇聚算法，基于均匀性函数按照是否属于感兴趣区200对包含在3D医疗图像135中的所有的体素进行分类，并确定该均匀性函数阈值(步骤640)。形成许多第二球形区220(附图3)(步骤650)。仅仅接受满足由空间约束模糊簇聚算法所定义的均匀性函数阈值的第二球形区220。在一种实施例中，在第一球形区210的均匀性函数阈值等于或大于第二球形区220的特定一个球形区的均匀性函数阈值时满足均匀性函数阈值。在另一实施例中，在第一球形区210的均匀性函数阈值等于或小于第二球形区220的特定一个球形区的均匀性函数阈值时满足均匀性函数阈值。基于接受第二球形区220中的特定的球形区，自适应增长和/或扩展限定感兴趣区200的三维区域230(附图5)(步骤660)。通过第二球形区220中的球形区的自适应增长和/或扩展限定的感兴趣区200显示给用户(步骤660)。应该理解的是，在一种实施例中，接口单元130可以执行感兴趣区200的显示。
在附图2中所示的另一实施例中，对包含感兴趣区200的三维医疗图像135进行分割的设备和方法100包括标识第一组种子点(A)和第二种子点(B)。在感兴趣区200的内部部分202中标识第一组种子点(A)。第二组种子点(B)位于相对于感兴趣区200的外部部分204中。在本实施例中，第一球形区210完全构造在感兴趣区200的内部部分202中并在第一组种子点(A)周围。在另一实施例中，在第一球形区210的周围形成数个第二球形区220。
如上文所讨论并在附图3-5中所示，包含在3D图像135中的体素根据由空间约束模糊簇聚算法所定义的特定均匀性函数分类。在一种实施例中，空间约束模糊簇聚算法模拟由于医疗图像135的固有的低的分辨率特性造成的模糊边缘和在相邻体素之间的固有的高的像素之间的相关性。包含在每一个第二球形区220中的体素相对于均匀性函数阈值进行测试。接受那些满足均匀性函数阈值的第二球形区220，但不接受那些不满足均匀性函数阈值的第二球形区220。被接受的第二球形区220增长、扩展并确定三维区230，这个三维区230限定了感兴趣区200。因此，应该理解的是，通过这种半自动分割，应用医疗图像的模糊划分域图而不使用本身的像素/体素强度域来执行第一球形区210的三维区230的增长、扩展和限定。
在一个实例性的实施例中，图像是通过磁共振成像(MRI)采集的三维医疗图像135。然而，应该理解的是，通过其它的成像系统的技术(比如计算机断层成像(CT)、正电子发射断层成像(PET)和x-射线系统)也可以采集三维医疗图像。在另一实施例中，成像系统100可以包括PET系统，并且医疗图像135可以包括肿瘤图像。
在进一步的实施例中，在对医疗图像135分割的方法100和设备中选择第一球形区210和第二球形区220的曲率半径(R)(附图2)。使用曲率(R)半径和形态学上的开口来消除在感兴趣区200的内部部分202和外部部分204之间的界面上的噪声体素，此外，增加抗噪声的鲁棒性。此外，选择曲率半径(R)能够防止通过细小通路连接的目标的接合或者在感兴趣区200的表面和/或界面(区别内部部分202和外部部分204的区域)上包含噪声区。应该理解的是，在一种实施例中，通过成像系统100确定曲率半径(R)。此外，还应该理解的是，在另一实施例中，可以根据分割表示的预定的曲率半径(R)选择球形区的曲率半径(R)。
在另一实施例中，医疗图像135包括由磁共振成像(MRI)采集的三维脑部图像。也应该理解的是，在另一实施例中，通过其它的成像系统的技术比如计算机断层成像(CT)、正电子发射断层成像(PET)和x-射线系统也可以采集三维医疗图像135。一般地，通过上文所描述的方法通过连通性对三维医疗图像135进行分割。但是，在三维磁脑部图像135中，在颅内体积和也应该分割的头皮之间可能存在联系。例如，连接大脑和头皮的一个通路是沿着视觉神经到达流体填充的眼球，然后到达面部组织。在本实施例中，一个或多个种子放置在目标(在本实施例中为大脑)中并形成固定的球形半径的小波。如在此所使用的“小波”是指表示在球形区内包含的表示体素的数据结构。通过用户选择小波的半径以防止沿窄通路的连通性。测试小波，并且只允许那些完全由在临界的阈值之上的体素构成的球形区传播。在一种实施例中，临界的阈值包括均匀性函数阈值。此外，该阈值是指定义感兴趣区200的参数，并且它通常基于强度值。在一种实施例中，选择该阈值以限定感兴趣区200以使在感兴趣区200内的体素都在该阈值之上，而认为其余的体素为背景。通常仅仅阈值不足以进行分割，因为其它的目标也可以具有在该阈值之上的强度值。例如，大脑和头皮与其它的体素相比具有类似地相对较高的强度。此外，在本实施例中，在增长的泡的边界上，存在有效的球形小波，在该中心上具有有效的种子。该泡由小波所扫描过的区域构成。在每次重复之后，小波层传播直到不再存在有效的种子。完全在上述阈值之上的所有的球形区的联合(小波)限定了被连接的体积(泡)。注意，在尺寸上形成比所选择的泡直径更小的桥的区域不包括在被连接的区域中。此外，所连接的体积不传播到噪声区中，这些噪声区中在阈值之上的体素被随机地选择。
本发明前文的讨论是用于说明和描述的目的。此外，这些描述并不希望将本发明限制到在此所公开的形式。因此，上述教导的各种变型和改进以及相关领域的技术和知识都在本发明的范围内。在上文所描述的实施例希望进一步解释实施本发明的当前已知的最佳模式并使在本领域中的其它普通技术人员能够利用本发明本身，或者在其它的实施例中由它们的特定应用或本发明的使用所要求的不同的变型。希望将附加的权利要求解释为包括由已有技术所允许的程度的变型。

Claims (7)

1.一种对包含感兴趣区的三维医疗图像进行分割的方法，该方法包括如下的步骤：
标识在感兴趣区之内的第一组种子点；
标识在感兴趣区之外的第二组种子点；
在以第一组种子点为中心的感兴趣区内构造第一球形区；
使用空间约束模糊簇聚算法对包含在三维医疗图像内的体素进行分类，由此基于均匀性函数将包含在三维医疗图像内的体素变换为模糊划分域；
产生多个第二球形区；
接受满足由空间约束模糊簇聚算法所定义的均匀性函数阈值的多个第二球形区中的球形区；
基于所述接受满足由空间约束模糊簇聚算法所定义的均匀性函数阈值的多个第二球形区中的球形区的步骤自适应地增长限定感兴趣区的三维区域；和
显示通过自适应地增长限定感兴趣区的三维区域的步骤所限定的感兴趣区。
2.权利要求1所述的方法，其中该多个第二球形区产生在第一球形区周围。
3.权利要求1所述的方法，其中至少通过磁共振成像(MRI)、计算机断层成像(CT)、正电子发射断层成像(PET)和x-射线系统中的一种采集三维图像。
4.权利要求1所述的方法，其中第一球形区和多个第二球形区具有基于预定的曲率半径选择的半径。
5.一种对包含感兴趣区的三维医疗图像进行分割的方法，该方法包括如下的步骤：
标识在感兴趣区内的第一组种子点；
标识在感兴趣区之外的第二组种子点；
在以第一组种子点为中心的感兴趣区内构造第一球形区；
使用空间约束模糊簇聚算法对包含在三维医疗图像内的体素进行分类，由此基于均匀性函数将包含在三维医疗图像内的体素变换为模糊划分域；
产生多个第二球形区；
接受满足由空间约束模糊簇聚算法所定义的均匀性函数阈值的多个第二球形区中的球形区；
基于所述接受满足由空间约束模糊簇聚算法所定义的均匀性函数阈值的多个第二球形区中的球形区的步骤自适应地增长限定感兴趣区的三维区域；
选择第一球形区和多个第二球形区的曲率半径以消除在感兴趣区里面和感兴趣区外面之间的界面上的噪声体素；和
显示通过自适应地增长限定感兴趣区的三维区域和选择曲率半径的步骤所限定的感兴趣区。
6.权利要求5所述的方法，其中至少通过磁共振成像(MRI)、计算机断层成像(CT)、正电子发射断层成像(PET)和x-射线系统中的一种采集三维图像。
7.权利要求5所述的方法，其中第一球形区和多个第二球形区具有基于预定的曲率半径选择的半径。
CNB031231926A 2002-04-15 2003-04-15 一种对包含感兴趣区的三维医疗图像进行分割的方法 Expired - Fee Related CN100550004C (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/122,892 US7006677B2 (en) 2002-04-15 2002-04-15 Semi-automatic segmentation algorithm for pet oncology images
US10/122892 2002-04-15

Publications (2)

Publication Number Publication Date
CN1452089A CN1452089A (zh) 2003-10-29
CN100550004C true CN100550004C (zh) 2009-10-14

Family

ID=28790644

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB031231926A Expired - Fee Related CN100550004C (zh) 2002-04-15 2003-04-15 一种对包含感兴趣区的三维医疗图像进行分割的方法

Country Status (5)

Country Link
US (1) US7006677B2 (zh)
EP (1) EP1365356B1 (zh)
JP (1) JP4310773B2 (zh)
CN (1) CN100550004C (zh)
AT (1) ATE537519T1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI490790B (zh) * 2012-11-14 2015-07-01 Far Eastern Memorial Hospital Dynamic cardiac imaging analysis and cardiac function assessment system

Families Citing this family (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6589948B1 (en) * 2000-11-28 2003-07-08 Eukarion, Inc. Cyclic salen-metal compounds: reactive oxygen species scavengers useful as antioxidants in the treatment and prevention of diseases
US7457444B2 (en) * 2003-05-14 2008-11-25 Siemens Medical Solutions Usa, Inc. Method and apparatus for fast automatic centerline extraction for virtual endoscopy
US7457445B2 (en) * 2004-03-01 2008-11-25 Siemens Medical Solutions Usa, Inc. Using corner pixels as seeds for detection of convex objects
US8913074B2 (en) * 2004-05-05 2014-12-16 Yissum Research Development Company Of The Hebrew University Of Jerusalem Colorization method and apparatus
GB2414357A (en) * 2004-05-18 2005-11-23 Medicsight Plc Nodule boundary detection
JP2006034785A (ja) * 2004-07-29 2006-02-09 Ge Medical Systems Global Technology Co Llc Ｘ線ｃｔ画像処理方法およびｘ線ｃｔ装置
CN1300741C (zh) * 2004-08-06 2007-02-14 上海大学 皮肤显微图像的预处理方法
DE102004038670B4 (de) * 2004-08-09 2014-06-26 Siemens Aktiengesellschaft Verfahren zur Segmentierung eines medizinischen Datensatzes
US7734119B2 (en) * 2004-09-21 2010-06-08 General Electric Company Method and system for progressive multi-resolution three-dimensional image reconstruction using region of interest information
WO2006054267A1 (en) * 2004-11-19 2006-05-26 Koninklijke Philips Electronics, N.V. System and method for automated detection and segmentation of tumor boundaries within medical imaging data
JP4681857B2 (ja) * 2004-11-25 2011-05-11 オリンパス株式会社 超音波診断装置
CN100370952C (zh) * 2004-12-30 2008-02-27 中国医学科学院北京协和医院 一种肺部图像处理方法
WO2006104468A1 (en) * 2005-03-31 2006-10-05 Agency For Science, Technology And Research Method and apparatus for image segmentation
FR2886433B1 (fr) 2005-05-30 2007-09-07 Commissariat Energie Atomique Methode de segmentation d'une sequence d'images tridimensionnelles, notamment en pharmaco-imagerie.
JP4638783B2 (ja) * 2005-07-19 2011-02-23 オリンパスイメージング株式会社 ３ｄ画像ファイルの生成装置、撮像装置、画像再生装置、画像加工装置、及び３ｄ画像ファイルの生成方法
CA2617382A1 (en) * 2005-08-04 2007-02-08 Koninklijke Philips Electronics N.V. 3d-2d adaptive shape model supported motion compensated reconstruction
US20070116338A1 (en) * 2005-11-23 2007-05-24 General Electric Company Methods and systems for automatic segmentation of biological structure
DE102006025402A1 (de) * 2006-05-31 2007-12-06 Siemens Ag Bildverarbeitungsvorrichtung zum artefaktreduzierten Erfassen eines Objekts in drei Dimensionen
EP1892671A3 (en) 2006-08-23 2009-07-29 Medison Co., Ltd. System and method for determining the volume of an object by image processing
US7756310B2 (en) * 2006-09-14 2010-07-13 General Electric Company System and method for segmentation
US7953265B2 (en) 2006-11-22 2011-05-31 General Electric Company Method and system for automatic algorithm selection for segmenting lesions on pet images
US11228753B1 (en) 2006-12-28 2022-01-18 Robert Edwin Douglas Method and apparatus for performing stereoscopic zooming on a head display unit
US11275242B1 (en) 2006-12-28 2022-03-15 Tipping Point Medical Images, Llc Method and apparatus for performing stereoscopic rotation of a volume on a head display unit
US9349183B1 (en) * 2006-12-28 2016-05-24 David Byron Douglas Method and apparatus for three dimensional viewing of images
US11315307B1 (en) 2006-12-28 2022-04-26 Tipping Point Medical Images, Llc Method and apparatus for performing rotating viewpoints using a head display unit
US10795457B2 (en) 2006-12-28 2020-10-06 D3D Technologies, Inc. Interactive 3D cursor
US7680240B2 (en) * 2007-03-30 2010-03-16 General Electric Company Iterative reconstruction of tomographic image data method and system
US7920670B2 (en) * 2007-03-30 2011-04-05 General Electric Company Keyhole computed tomography
US7894569B2 (en) * 2007-11-23 2011-02-22 Koninklijke Philips Electronics N.V. Medical X-ray examination apparatus for performing K-edge imaging
US8611628B2 (en) * 2008-05-15 2013-12-17 Koninklijke Philips N.V. Using non-attenuation corrected PET emission images to compensate for incomplete anatomic images
US8170271B2 (en) * 2008-06-25 2012-05-01 Jadak Llc System and method for test tube and cap identification
GB2463141B (en) * 2008-09-05 2010-12-08 Siemens Medical Solutions Methods and apparatus for identifying regions of interest in a medical image
US20100268223A1 (en) * 2009-04-15 2010-10-21 Tyco Health Group Lp Methods for Image Analysis and Visualization of Medical Image Data Suitable for Use in Assessing Tissue Ablation and Systems and Methods for Controlling Tissue Ablation Using Same
US20100268225A1 (en) * 2009-04-15 2010-10-21 Tyco Healthcare Group Lp Methods for Image Analysis and Visualization of Medical Image Data Suitable for Use in Assessing Tissue Ablation and Systems and Methods for Controlling Tissue Ablation Using Same
RU2544479C2 (ru) * 2009-07-20 2015-03-20 Конинклейке Филипс Электроникс Н.В. Построение анатомической модели для обозначения границ представляющей интерес опухолевой области
JP5927829B2 (ja) * 2011-02-15 2016-06-01 株式会社リコー 印刷用データ作成装置、印刷用データ作成方法、プログラム及び記録媒体
CN102509273B (zh) * 2011-11-21 2013-09-04 电子科技大学 基于同质片和模糊测度的乳腺超声图像的肿瘤分割方法
CN103854274B (zh) * 2012-11-28 2016-12-21 广州医学院第一附属医院 一种基于放射性核素成像图像的分割方法及装置
CN103177252B (zh) * 2013-03-04 2017-04-12 苏州瑞派宁科技有限公司 一种自动识别并分割位置谱的方法及装置
JP6434036B2 (ja) * 2014-01-06 2018-12-05 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 脳の磁気共鳴画像における多関節構造レジストレーション
JP6534193B2 (ja) 2014-07-02 2019-06-26 コヴィディエン リミテッド パートナーシップ 実時間自動位置合わせフィードバック
US9754367B2 (en) 2014-07-02 2017-09-05 Covidien Lp Trachea marking
US20160000414A1 (en) 2014-07-02 2016-01-07 Covidien Lp Methods for marking biopsy location
US9770216B2 (en) 2014-07-02 2017-09-26 Covidien Lp System and method for navigating within the lung
AU2015284303B2 (en) 2014-07-02 2019-07-25 Covidien Lp System and method for detecting trachea
CA2953146A1 (en) 2014-07-02 2016-01-07 Covidien Lp System and method for segmentation of lung
US9603668B2 (en) 2014-07-02 2017-03-28 Covidien Lp Dynamic 3D lung map view for tool navigation inside the lung
US10643371B2 (en) 2014-08-11 2020-05-05 Covidien Lp Treatment procedure planning system and method
US10986990B2 (en) 2015-09-24 2021-04-27 Covidien Lp Marker placement
US10709352B2 (en) 2015-10-27 2020-07-14 Covidien Lp Method of using lung airway carina locations to improve ENB registration
WO2017092615A1 (zh) 2015-11-30 2017-06-08 上海联影医疗科技有限公司 一种计算机辅助诊断系统及方法
CN105976367B (zh) * 2016-04-29 2019-06-28 上海联影医疗科技有限公司 图像分割方法、肺结节检测方法及其计算机辅助检测系统
JP6792364B2 (ja) * 2016-07-22 2020-11-25 キヤノン株式会社 画像処理装置、画像処理システム、画像処理方法、およびプログラム
CN106934806B (zh) * 2017-03-09 2019-09-10 东南大学 一种基于结构清晰度的无参考图失焦模糊区域分割方法
WO2018208974A1 (en) * 2017-05-10 2018-11-15 Boston Scientific Scimed Inc. Region-of-interest representations for electroanatomical mapping
US11224392B2 (en) 2018-02-01 2022-01-18 Covidien Lp Mapping disease spread
CN109064443B (zh) * 2018-06-22 2021-07-16 哈尔滨工业大学 一种基于腹部超声图像的多模型器官分割方法
CN109345629A (zh) * 2018-08-08 2019-02-15 安徽慧软科技有限公司 一种三维医学图像模糊凸显显示方法
CN109509179B (zh) * 2018-10-24 2023-03-28 深圳市旭东数字医学影像技术有限公司 基于医学图像的眼球和晶状体的自动分割方法及系统
CN110610481A (zh) * 2019-08-06 2019-12-24 深圳市旭东数字医学影像技术有限公司 基于医学图像的脑干自动分割方法及系统
US11854281B2 (en) 2019-08-16 2023-12-26 The Research Foundation For The State University Of New York System, method, and computer-accessible medium for processing brain images and extracting neuronal structures
CN111145901B (zh) * 2019-12-04 2021-02-09 深圳大学 深静脉血栓溶栓疗效预测方法及系统、存储介质与终端
CN112132854B (zh) * 2020-09-22 2021-11-09 推想医疗科技股份有限公司 图像分割的方法及装置，以及电子设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4905148A (en) * 1988-08-04 1990-02-27 General Electric Company Three-dimensional surface representation using connectivity method without leaks
US5758257A (en) 1994-11-29 1998-05-26 Herz; Frederick System and method for scheduling broadcast of and access to video programs and other data using customer profiles
US6154560A (en) 1996-08-30 2000-11-28 The Cleveland Clinic Foundation System and method for staging regional lymph nodes using quantitative analysis of endoscopic ultrasound images
US6343936B1 (en) 1996-09-16 2002-02-05 The Research Foundation Of State University Of New York System and method for performing a three-dimensional virtual examination, navigation and visualization
US6310967B1 (en) 1998-04-29 2001-10-30 University Of South Florida Normal and abnormal tissue identification system and method for medical images such as digital mammograms
US6204064B1 (en) 1999-01-30 2001-03-20 David S. Alberts Measurement of lesion progression via mapping of chromatin texture features along progression curve
DE10015121A1 (de) 2000-03-28 2001-10-04 Leica Microsystems Verfahren zur Detektion und Analyse eines Objekts

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI490790B (zh) * 2012-11-14 2015-07-01 Far Eastern Memorial Hospital Dynamic cardiac imaging analysis and cardiac function assessment system

Also Published As

Publication number Publication date
JP4310773B2 (ja) 2009-08-12
CN1452089A (zh) 2003-10-29
US20030194119A1 (en) 2003-10-16
JP2004033749A (ja) 2004-02-05
EP1365356A2 (en) 2003-11-26
ATE537519T1 (de) 2011-12-15
EP1365356A3 (en) 2005-10-19
US7006677B2 (en) 2006-02-28
EP1365356B1 (en) 2011-12-14

Similar Documents

Publication Publication Date Title
CN100550004C (zh) 一种对包含感兴趣区的三维医疗图像进行分割的方法
US6978039B2 (en) Method and system for segmentation of medical images
US11744465B2 (en) Method and program for generating three-dimensional brain map
JP7271000B2 (ja) パッチガイド方法及びプログラム
US11745012B2 (en) Method and program for navigating TMS stimulation
US7283652B2 (en) Method and system for measuring disease relevant tissue changes
CN106600609B (zh) 一种医学图像中脊柱的分割方法及系统
US5412563A (en) Gradient image segmentation method
US7116810B2 (en) Method and system for airway measurement
US8218848B2 (en) System and method for the generation of attenuation correction maps from MR images
CN102525466B (zh) 图像处理装置和磁共振成像装置
US4903202A (en) Three-dimensional object removal via connectivity
US7136516B2 (en) Method and system for segmenting magnetic resonance images
CN106558045A (zh) 一种肺组织分割方法、装置，医学图像处理系统
DE102006062465A1 (de) Computer unterstütztes Detektionssystem unter Verwendung einer zeitlichen Analyse als Vorläufer einer räumlichen Analyse
CN105849775A (zh) Pet/mr系统中的密度引导的衰减图生成
CN109308728A (zh) 正电子发射型计算机断层扫描图像处理方法及装置
CN110570508B (zh) 骨质疏松状况三维可视化渲染方法
CN103919571A (zh) 超声图像分割
CN102713979A (zh) 基于临床分类群体处理图像数据集
Gifford et al. Implementing visual search in human-model observers for emission tomography
US20050010097A1 (en) System and method for measuring fluid volumes in brain images
CN111862014A (zh) 一种基于左右侧脑室分割的alvi自动测量方法及装置
Avola et al. A novel T-CAD framework to support medical image analysis and reconstruction
Uhlemann Modelling the human anatomy and simulating medical image retrieval

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20091014

Termination date: 20140415