• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 29
    • 下载费用:30 金币  

    重庆时时彩后三六胆: 医用图像中的构造物分割用的医用图像处理装置.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201410742244.7

    申请日:

    2014.12.08

    公开号:

    CN104700397A

    公开日:

    2015.06.10

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||专利申请权的转移IPC(主分类):G06T 7/00登记生效日:20160711变更事项:申请人变更前权利人:株式会社东芝变更后权利人:东芝医疗系统株式会社变更事项:地址变更前权利人:日本东京都变更后权利人:日本枥木变更事项:申请人变更前权利人:东芝医疗系统株式会社|||实质审查的生效IPC(主分类):G06T 7/00申请日:20141208|||公开
    IPC分类号: G06T7/00 主分类号: G06T7/00
    申请人: 株式会社东芝; 东芝医疗系统株式会社
    发明人: B·莫赫; M·拉择图
    地址: 日本东京都
    优先权: 14/099,092 2013.12.06 US
    专利代理机构: 中国国际贸易促进委员会专利商标事务所11038 代理人: 金光华
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201410742244.7

    授权公告号:

    |||||||||

    法律状态公告日:

    2018.03.09|||2016.08.03|||2015.07.08|||2015.06.10

    法律状态类型:

    授权|||专利申请权、专利权的转移|||实质审查的生效|||公开

    摘要

    本发明提供一种医用图像中的构造物分割用的医用图像处理装置。在自动的或者半自动的血管等构造物的分割中,减少对内腔等进行过小评估或者过大评估的事态。医用图像处理装置(40)具备:确定处理部(56),从基于X射线的与被检体相关的非造影图像确定高吸收体区域;差分图像产生部(62),通过对与被检体相关的造影图像和非造影图像进行差分处理来产生差分图像;血管分类处理部(56),参照确定的高吸收体区域对差分图像所包含的血管组织进行分类。

    权利要求书

    权利要求书
    1.  一种医用图像处理装置,其特征在于,具备:
    确定处理部,从基于X射线的与被检体相关的非造影图像确定高 吸收体区域;
    差分图像产生部,通过对与上述被检体相关的造影图像和上述非 造影图像进行差分处理来产生差分图像;以及
    血管分类处理部,参照上述确定的高吸收体区域对上述差分图像 所包含的血管组织进行分类。

    2.  根据权利要求1所述的医用图像处理装置,其特征在于,还具 备:
    配准处理部,在上述差分处理的前工序中进行上述造影图像与上 述非造影图像的位置对准。

    3.  根据权利要求1所述的医用图像处理装置,其特征在于,
    上述医用图像处理装置还具备血管区域提取部,上述血管区域提 取部从上述差分图像中提取血管区域,
    上述血管分类处理部从上述提取出的血管区域,对血管组织初始 地进行分类并根据上述高吸收体区域进行修正。

    4.  根据权利要求1所述的医用图像处理装置,其特征在于,
    上述高吸收体区域是钙化部和支架中的至少一方。

    5.  根据权利要求1所述的医用图像处理装置,其特征在于,
    上述血管分类处理部从上述血管组织,分类血管壁和血管内腔中 的至少一方。

    6.  根据权利要求5所述的医用图像处理装置,其特征在于,
    上述血管分类处理部使用上述血管壁与上述血管内腔中的至少一 方来计算血管狭窄率。

    7.  一种用于将医用图像分类为多个构造物区域的装置,其特征在 于,具备:
    数据处理单元,用于接收包含上述构造物区域的第1、第2集合;
    分类单元,构成为从上述第1集合确定具有第1类型的特征的第 1构造物区域,从上述第2集合确定具有第2类型的特征的第2构造 物区域;以及
    分割单元,使用上述第1构造物区域,对上述第2构造物区域的 范围进行校正。

    8.  根据权利要求7所述的装置,其特征在于,
    上述分类单元为如下a)和b)中的至少一个:
    a)上述分类单元构成为从上述第1集合以及与上述医用图像有关 的至少一个其他集合,判断上述第1构造物区域,
    b)上述分类单元构成为从上述第2集合以及与上述医用图像有关 的至少一个另外的其他集合,判断上述第2构造物区域。

    9.  根据权利要求7所述的装置,其特征在于,
    上述分割单元从上述第1集合、上述第2集合、与上述医用图像 有关的其他集合中的至少一个,确定上述第1、第2构造物区域。

    10.  根据权利要求7所述的装置,其特征在于,
    上述第1构造物区域是钙化区域和支架区域中的至少一个,上述 第1集合是非造影图像的集合,上述第2构造物区域是血管区域,上 述第2集合是减影图像以及造影图像中的至少一个。

    11.  根据权利要求7所述的装置,其特征在于,
    上述第2构造物区域是血管壁或者血管内腔区域。

    12.  根据权利要求11所述的装置,其特征在于,
    由上述分割单元从上述血管壁或者血管内腔区域对血管狭窄进行 定量化。

    13.  根据权利要求7所述的装置,其特征在于,
    上述第1集合以及上述第2集合包括三维图像,该三维图像包括 多个体素,
    针对上述第1集合内的多个体素的各个体素,判断是否是上述第 1构造物区域,
    针对上述第2集合内的多个体素的各个体素,判断是否是上述第 2构造物区域。

    14.  根据权利要求7所述的装置,其特征在于,
    针对上述第1集合内的多个体素的各个体素,判断是上述第1构 造物区域的第1可能性,针对上述第2集合内的多个体素的各个体素, 判断是上述第2构造物区域的第2可能性。

    15.  根据权利要求14所述的装置,其特征在于,
    判断是上述第1、第2构造物的第1、第2可能性的水平,上述水 平的集合的速度函数是根据上述第1可能性以及上述第2可能性中的 至少一个而被确定。

    16.  根据权利要求7所述的装置,其特征在于,
    在上述第1、第2构造物的判断处理中使用无监督分类技术。

    17.  根据权利要求7所述的装置,其特征在于,
    上述第1、第2集合被位置对准。

    18.  根据权利要求7所述的装置,其特征在于,
    上述分割单元在上述第1集合以及上述第2集合中的至少一个中 根据上述第1、第2类型的特征对上述第1、第2构造物近似地进行分 割,
    a)根据上述第1类型的特征对上述第1构造物近似地进行分割, 由此从上述第1集合确定上述第1构造物区域,
    b)根据上述第2类型的特征对上述第2构造物近似地进行分割, 由此从上述第2集合确定上述第2构造物区域。

    19.  根据权利要求7所述的装置,其特征在于,
    上述第1集合具备分别具有各个值的多个体素,对上述第1类型 的特征的上述分类进行判断是指根据各体素的上述值与阈值的值的比 较而从上述多个体素中选择体素的子集。

    20.  根据权利要求19所述的装置,其特征在于,
    上述阈值是根据针对多个阈值候补各自的选择参数来选择的。

    21.  根据权利要求20所述的装置,其特征在于,
    上述选择参数具备贝叶斯信息准则。

    22.  根据权利要求20所述的装置,其特征在于,
    为了判断上述第1类型的特征的上述分类,对上述体素的上述子 集进行连结分量分析。

    23.  根据权利要求22所述的装置,其特征在于,
    为了判断上述第1类型的特征的上述分类,使信号强度分布与从 上述连结分量分析得到的至少一个独立的区域拟合。

    24.  根据权利要求23所述的装置,其特征在于,
    为了使上述信号强度分布拟合,使用无监督学习方法。

    25.  根据权利要求24所述的装置,其特征在于,
    上述无监督学习方法具备混合高斯分布模型、K平均、期望值最 大化中的至少一个。

    26.  根据权利要求7所述的装置,其特征在于,
    判断上述第2类型的特征的上述分类包括如下处理:
    将血管分割为区间;
    在区域分组上述区间,对各区域应用加权内核;
    对各区域应用多集群分布;以及
    针对各区域,根据分类算法来判断上述第2类型的特征的分类。

    27.  根据权利要求7所述的装置,其特征在于,
    上述第1医用图像数据以及上述第2医用图像数据分别具备体医 用图像数据。

    28.  根据权利要求7所述的装置,其特征在于,
    医用图像数据的上述第1集合以及医用图像数据的上述第2集合 分别具备CT数据、MRI数据、PET数据、断层数据中的至少一个。

    29.  一种用于对医用图像数据进行分割的方法,其特征在于,具 备:
    得到表示第1医用图像的医用图像数据的第1集合以及表示第2 医用图像的医用图像数据的第2集合,其中,在医用图像数据的上述 第1集合以及医用图像数据的上述第2集合中示出至少一个构造物;
    从医用图像数据的上述第1集合判断第1类型的特征的分类;
    从医用图像数据的上述第2集合判断第2类型的特征的分类;以 及
    根据来自医用图像数据的上述第1集合的上述第1类型的特征的 上述分类以及来自医用图像数据的上述第2集合的上述第2类型的特 征的上述分类这两者,识别表示上述构造物的医用图像数据。

    30.  一种非瞬态计算机可读存储介质,其特征在于,存储用于进 行权利要求29所述的方法的计算机程序。

    说明书

    说明书医用图像中的构造物分割用的医用图像处理装置
    技术领域
    本发明的实施方式涉及对医用图像中的构造物进行分割的医用图 像处理装置。
    背景技术
    在现代的医用图像技术中,希望自动地或者半自动地识别在患者 或者其他的被检体的医用图像中示出的构造物。在医用图像中示出的 构造物例如能够是解剖学构造的血管或者脏器。构造物还能够是支架 等人工的构造物。
    分割能够表示为可能包含对医用图像的像素或者体素进行分离的 步骤的、识别表示医用图像内的构造物的像素或者体素的处理。通过 对表示构造物的像素或者体素进行识别和/或分离,从而进一步提取与 构造物相关的信息、测量构造物、或者通过与医用图像内的其他的构 造物不同的方法绘制构造物等变得容易。对医用图像的构造物进行分 离需要知道哪一像素或者体素与哪一组织类型(或者人工制品的类型) 对应。接着,医用图像能够分割成表示与构造物对应的组织类型的医 用图像的一部分和不表示组织类型的剩余的部分。在医用图像中,能 够区域分割(分割)为与组织对应的构造物和不与其对应的剩余的构 造物。多个构造物还有时在一个医用图像中被分割。
    有时难以将体素向特定的组织类型进行分类。不同的组织类型在 医用图像中作为具有不同的信号强度的体素而出现,但针对任意的所 提供的组织类型的信号强度有时根据要素的范围而变化,该要素包含 医用图像收集硬件的差异、患者中的解剖学构造物的变化、患病区域 的存在、将任意的造影染料(contrast dye)或者造影剂注射给患者时 所使用的医疗步骤、以及由造影染料造成的衰减。
    为了识别血管的患病区域,需要对血管进行准确的分割。例如, 为了进行冠状动脉中的狭窄测量,例如,有时需要对血管内腔以及血 管壁进行准确的分割。狭窄是血管的异常的收缩或者狭小化。血管壁 具备组织和斑块沉积物。内腔是被壁包围的、充满血液的空间。当在 血管内存在钙化的斑块(钙化)时,为了能够进行更准确的内腔/壁分 割,作为医用图像处理中的预备工序能够从数据集中除去钙化体素的 情况有利。
    自动的或者半自动的血管跟踪算法能够用于跟踪医用图像数据中 的血管。当在跟踪中的血管内存在大的钙沉积物时,在通常的血管跟 踪算法中,有时不能进行充分的血管跟踪。例如,由于大的钙沉积物 的存在,血管分割的精度降低。大多数情况下,冠状动脉通过对冠状 动脉导入造影剂来摄影。通过对冠状动脉投放造影剂,从而在基于计 算机断层摄影(CT)的医用图像中显示的血管内腔的信号强度增加, 区分内腔和周围组织。但是,由于信号强度变高,因此,有时难以将 被造影(contrasted)的内腔与钙化的信号强度进行区分。减影处理(差 分处理)是改善或者明确造影扫描中的造影(contrast)的效果而频繁 使用的方法。非造影扫描(non-contrast scan)以及造影扫描相对于 一个或者多个所提供的血管而取得。为了除去造影扫描(contrast  scan)以及非造影扫描(例如,包含骨骼和软组织)共同的特征而仅 使造影图像的被造影剂强调的部分剩下,从2个扫描体内的各对应的 体素位置的造影扫描的信号强度减去非造影扫描的信号强度。
    来自非造影扫描的数据与来自造影扫描的数据之间的形态的对准 通常需要使两个扫描的体素位置在解剖学上切实地对应。医用图像能 够手动地对准。其还能够作为像素偏移被熟知。例如,临床医生能够 通过重叠医用图像将一医用图像的位置相对于另一医用图像的位置进 行调整,从而能够手动地使造影后图像与造影前图像相匹配?;蛘?, 医用图像例如在正电子放射断层摄影/计算机断层摄影(PET/CT)或 者多谱CT中,能够根据各个装置的机械的位置信息进行对准。现代 的系统能够使用软件使医用图像自动地匹配,能够适当地应用线性配 准处理或者非线性配准处理。
    冠状动脉计算机断层血管造影(CCTA)是对冠状动脉进行摄影 的一种方法。当在冠状动脉中不存在造影剂时,收集非造影图像。当 在冠状动脉中存在造影剂时,收集造影图像。造影剂提高冠状动脉的 信号强度。造影图像以及非造影图像的减影用于区分钙化的斑块(钙 化)与动脉内腔。减影还用于区分支架或者其他的任意的类似的信号 强度高的区域和动脉内腔。骨骼是信号强度高的特征性的区域,能够 通过减影来除去。
    另外,减影在对造影图像的数据和非造影图像的数据进行比较的 用途以外的用途中使用。例如,减影利用于对与灌流(灌注)相关的 医用图像进行比较。
    减影的效果的一个例子在图1A、图1B、以及图1C中示出。图 1A是包含包围血管内腔12的钙化10的基于造影(CCTA)的医用图 像。图1B表示示出相同的钙化10的、相同的血管的非造影图像(例 如,钙化评分图像(calcium score image))。在图1B的非造影图像 中,内腔没有被造影剂强调,因此,有时难以区分内腔12和背景组织。
    钙化、特别是重度的钙化有时妨碍临床医生直接地对CCTA数据 进行评估。在存在钙化的斑块的情况下,有时难以对内腔进行解释。
    为了解决这样的困难,执行使用造影图像和非造影图像的减影处 理。即,通过在2个体中的对应的体素位置将非造影图像的数据的信 号强度从造影图像的数据的信号强度中减除,从而从造影图像中除去 钙化10的影响。
    图1C表示从与图1A对应的医用图像数据(造影图像数据)中减 去与图1B对应的医用图像数据(非造影图像数据)而取得的减影图 像。在图1C的减影图像中,钙化10被减除,因此,与图1A的造影 图像相比较,能够更清晰地观察内腔12。另外,在图1C的减影图像 中不存在钙化10,因此,与图1A、图1B的情况相比较,能够简单地 观察内腔12,临床医生能够更容易地推定内腔的尺寸(例如,内腔的 直径)和狭窄度。
    目前,提出了许多自动血管分割技术。图2A以及图2B表示在造 影图像上进行的已知的冠状血管分割方法的结果的一个例子。在各图 中,大的钙沉积物存在于应该分割的血管内。
    图2A以及图2B表示示出冠状血管的CCTA图像的数据集的两 个不同的图。即,图2A表示沿着血管中心线成为笔直的血管图。图 2B表示与中心线垂直地摄影的血管的剖面图。大的钙沉积物20在双 方的图中观察为高强度的区域。
    使用已知的冠状血管分割方法,对图2A以及图2B所示的各医用 图像进行位置对准而执行内腔分割。分割的边界线在图2A以及图2B 的各个中表示为粗线18。
    然而,粗线18所示的自动地分割的内腔边界与使用图2A以及图 2B所示的医用图像由临床医生评估的内腔的范围(extent)相比较, 有时被过小评估。这是由于在血管内腔内存在大的钙沉积物20,血管 内腔内的被造影的血液的信号强度与钙的信号强度类似而造成的。
    针对上述过小评估的一个可以考虑的解决方案是不在造影图像的 数据中而是在被相减的数据中对血管进行跟踪以及分割。这是由于支 架、钙化区域、或者其他的(血管内腔以外的)类似的高强度区域能 够通过使用了造影图像的数据和非造影图像的数据的减影处理而除 去。
    图3A以及图3B表示进行已知的内腔分割处理的、血管的被相减 的CT图像的两个图。图3A表示沿着血管中心线成为笔直的血管图。 图3B表示与中心线垂直地摄影的血管的剖面图。在减影处理中相减 了钙30的区域。
    另外,图3A以及图3B表示在减影图像上进行时的已知的冠状血 管分割方法的结果。图3A以及图3B的减影图像与图2A以及图2B 的CCTA图像对应。如由图3A以及图3B知道的那样,存在大的钙 沉积物。
    内腔分割的边界线在图3A以及图3B的各个中表示为粗线18。 与使用图2A以及图2B的上述例子的情况相同,使用图3A以及图3B, 对以往的自动的内腔分割与由临床医生给出的内腔的范围(区域)进 行了比较。其结果,在已知的冠状血管分割处理中,与临床医生进行 的评估相比较对内腔过大评估,血管内的狭窄度被推定为4%,不能 发现显著的狭窄。
    即,在自动的或者半自动的以往的血管分割中,有时对内腔过小 评估或者过大评估。从而,使用以往的血管分割的结果提供的狭窄的 评估或规定的定量结果有时可靠性不充分,存在改善的余地。
    发明内容
    目的在于在自动的或者半自动的血管等构造物的分割中,减少对 内腔等过小评估或者过大评估的事态。
    本实施方式所涉及的医用图像处理装置具备:确定处理部,从基 于X射线的与被检体相关的非造影图像中确定高吸收体区域;差分图 像产生部,通过对与被检体相关的造影图像和非造影图像进行差分处 理来产生差分图像;血管分类处理部,参照所确定的高吸收体区域对 差分图像所包含的血管组织进行分类。
    附图说明
    图1A是以往表示造影剂增强医用图像的图。
    图1B是以往表示非造影图像的图。
    图1C是表示减影图像的图。
    图2A是以往表示CCTA图像数据中的示例的已知的血管分割的 结果的图。
    图2B是以往表示CCTA图像数据中的示例的已知的血管分割的 结果的图。
    图3A是以往表示减影图像数据中的示例的已知的血管分割的结 果的图。
    图3B是以往表示减影图像数据中的示例的已知的血管分割的结 果的图。
    图4是基于本实施方式的装置的概略图。
    图5是概要地示出由本实施方式进行的方法的流程图。
    图6是概要地示出由本实施方式进行的方法的流程图。
    图7是概要地示出由本实施方式执行的无监督钙分类 (unsupervised calcium classification)的方法的流程图。
    图8是由本实施方式执行的无监督内腔分类的方法的流程图。
    图9是在本实施方式中应该应用分类方法的被摄影的血管的概略 图。
    图10A是表示基于图6的方法的内腔分割的结果的图。
    图10B是表示基于图6的方法的内腔分割的结果的图。
    图11A是表示重叠了图3A所示的已知的血管分割方法的结果的、 基于图6的方法的内腔分割的结果的图。
    图11B是表示重叠了图3B所示的已知的血管分割方法的结果的、 基于图6的方法的内腔分割的结果的图。
    图12A是表示在本实施方式中重叠了针对相同的数据的已知的血 管分割方法的结果的、存在钙沉积物的基于图6的内腔分割的结果的 图。
    图12B是表示在本实施方式中重叠了针对相同的数据的已知的血 管分割方法的结果的、存在钙沉积物的基于图6的内腔分割的结果的 图。
    图12C是表示在本实施方式中重叠了针对相同的数据的已知的血 管分割方法的结果的、存在钙沉积物的基于图6的内腔分割的结果的 图。
    图13A是表示在本实施方式中重叠了针对相同的数据的已知的血 管分割方法的结果的、不存在钙沉积物的基于图6的内腔分割的结果 的图。
    图13B是表示在本实施方式中重叠了针对相同的数据的已知的血 管分割方法的结果的、不存在钙沉积物的基于图6的内腔分割的结果 的图。
    图13C是表示在本实施方式中重叠了针对相同的数据的已知的血 管分割方法的结果的、不存在钙沉积物的基于图6的内腔分割的结果 的图。
    具体实施方式
    本实施方式所涉及的医用图像处理装置例如对使用X射线CT扫 描仪等医用图像诊断装置取得的、与规定的被检体相关的非造影图像 以及造影图像进行处理。本医用图像处理装置从非造影图像中确定高 吸收体区域,对造影图像和非造影图像进行差分处理从而产生差分图 像,参照所确定的高吸收体区域,高精度地对差分图像所包含的血管 组织进行分类。以下,针对内置有本实施方式所涉及的医用图像处理 装置的医用图像诊断装置40进行说明。
    本实施方式所涉及的医用图像诊断装置40在图4中概略地示出。 医用图像诊断装置40具备与CT扫描仪44、一个或者多个显示器画 面46、以及计算机键盘、鼠标或者轨迹球等的一个或者多个输入设备 48连接的计算装置42,此时具备个人计算机(PC)或者工作站。另 外,由计算装置42、显示器画面46、输入设备48、存储器50构成本 实施方式所涉及的医用图像处理装置。
    CT扫描仪44也可以是构成为取得三维医用图像数据的任意的 CT扫描仪。在其他的实施方式或者变形例中,CT扫描仪44也可以 由其他的任意的医用图像医疗器械中的扫描仪置换或者补充,例如, MRI扫描仪、X射线扫描仪、或者PET扫描仪。
    在本实施方式中,由CT扫描仪44取得的医用图像数据集存储于 存储器50,之后提供给计算装置42。在其他的一实施方式或者变形例 中,医用图像数据集由能够形成PACS(Picture Archiving and  Communication System,影像存档与通信系统)的一部分的远程数据 存储器(未图示)来供给。存储器50、即远程数据存储器也可以具备 任意的合适的形态的存储器。
    计算装置42提供用于自动或者半自动地对医用图像数据集进行 处理的处理资源。计算装置42具备中央处理装置(CPU)52,该中央 处理装置(CPU)52能够进行动作,使得加载构成为执行以下使用图 5说明的方法的各种软件??榛蛘咂渌娜砑榧⒅葱?。
    计算装置42包含用于接收医用图像的数据处理单元54、用于对 医用图像数据内的体素进行分类的分类单元56、以及用于对医用图像 数据中的构造物进行分割的分割单元58。
    在本实施方式中,计算装置42还包含配准单元60和减影单元62。
    在本实施方式中,数据处理单元54、分类单元56、分割单元58、 配准单元60、以及减影单元62分别通过具有为了进行实施方式的方 法而能够执行的计算机可读命令的计算机程序,在计算装置42中被实 施。但是,在其他的实施方式中,各单元能够在软件、硬件、或者硬 件与软件的任意的合适的组合下实施。在几个实施方式中,各种单元 能够实施为一个或者多个ASIC(特定用途集成电路)或者FPGA(现 场可编程门阵列)。在附加的实施方式中,一个或者多个单元能够在 GPU(图形处理单元)上实施。
    计算装置42还包含硬盘驱动器和其他的构成要素,其他的构成要 素包含:RAM、ROM、数据总线、包含各种设备驱动器的操作系统、 以及包含显卡的硬件设备。为了易于理解,这样的构成要素在图4中 没有示出。
    图4的系统构成为进行具有在图5的流程图中概要地示出的一系 列的工序的方法。图5的方法具备组织分类、和使用来自非造影图像、 对应的造影图像以及将非造影图像和造影图像相减而取得的减影图像 中的至少两个的数据的血管分割。
    在工序70中,数据处理单元54从存储器50,或者从远程数据存 储器,或者直接从扫描仪44,取得非造影图像数据集(在图5的流程 图中称为A)。该非造影图像数据具备表示患者的确定的解剖学区域、 例如表示躯干或者头部的医用图像的体医用图像数据。在本实施方式 中,该非造影图像数据例如通过患者的冠状动脉的钙化评分扫描取得。
    在附加的实施方式中,数据处理单元54能够由工序70取得任意 的合适的医用图像数据集,该医用图像数据集也可以不是非造影图像 的数据。在本实施方式中,作为解剖学区域例如设想了心脏。然而, 并不拘泥于该例子,成为诊断对象的解剖学区域能够选择患者的任意 的解剖学区域。
    在工序72中,数据处理单元54从存储器50、能够通过有线或者 无线来发送接收数据的远程数据存储器、或者直接从扫描仪44等取得 造影图像数据集(在图5的流程图中称为B)。该造影图像数据具备 表示与由工序70取得的非造影图像数据所示的相同的患者的相同的 解剖学区域的体医用图像数据。
    在本实施方式中,由工序72取得的医用图像数据是由作为与工序 70的非造影扫描相同的检查的一部分而被摄影的患者的冠状动脉的 CCTA扫描取得的造影图像数据集。作为其他的实施方式,造影图像 的数据能够由工序70收集,非造影图像的数据能够由工序72收集。 另外,医用图像数据的双方的集合可以是非造影图像的数据,双方也 可以是造影图像的数据。另外,能够使用适合减影的任意的两个集合 的医用图像数据。
    在工序74中,配准单元60进行与非造影图像数据(A)的造影 图像数据(B)的自动的配准(解剖学上的位置对准)。也可以使用 任意的合适的配准方法。
    在工序76中,减影单元62为了得到表示减影图像的减影图像数 据集,将被配准了的非造影图像的数据集(A)从造影图像的数据集 (B)中减除。在本实施方式中,在减影处理中将非造影图像的数据 集(A)的各体素的信号强度(HU单位的CT数)从造影图像的数据 集(B)内的对应的体素的信号强度减除。数据集间的体素的对应建 立是通过工序74的配准处理来实现的。
    在附加的实施方式中,关于非造影图像的数据集以及造影图像的 数据集,当由工序70以及72接收时也可以已经被执行了配准以及减 法的至少一方。此时,也可以省略工序74以及工序76的至少一方。
    在工序78中,分类单元56从数据处理单元54或者任意的合适的 数据存储器接收非造影图像的数据集、造影图像的数据集、减影数据 集。接着,分类单元56使用接收到的数据集中的至少2个,对存在于 医用图像数据中的至少2个组织类型进行组织分类(即,至少血管内 腔、血管壁的分类)。
    在本实施方式中,分类单元56对非造影图像的数据集进行钙分 类,对减影数据集进行血管内腔以及血管壁的分类。分类单元56判断 数据集内的体素为钙、内腔、或者血管壁的似然性(或者概率)。
    能够使用任意的合适的组织分类法,该组织分类法可以具备无监 督分类法,也可以具备监督分类法。
    在附加的实施方式中,分类单元56对任意的类型的特征进行分 类。分类的类型既可以是组织类型,也可以是支架等人工制品的类型。
    在本实施方式中,要注意,血管内腔的分类以及血管壁的分类针 对与来自钙的分类的医用图像数据不同的数据集进行。血管壁以及血 管内腔的分类针对减影数据集进行,但钙的分类针对非造影图像的数 据集进行。进行减影数据内的血管的分类意味着区分血管内腔更简单。 这是由于存在造影剂、钙通过减影处理被从减影图像中除去而造成的。 在其他的实施方式中,各类型的特征的分类能够针对接收到的数据集 中的任意的一个或者多个进行。
    在工序80中,为了对来自数据集中的一个或者多个的各类型的特 征进行分割,分割单元58使用由工序78取得的类型的特征的分类。 也可以使用任意的合适的分割方法。在本实施方式中,至少一个血管 使用工序78的组织分类,从数据集中的一个或者多个进行分割。为了 由工序78进行分类而使用多个数据集的分类(在本实施方式中,使用 非造影图像的数据集、造影图像的数据集、以及减影数据集中的至少 2个)与将单一的数据集(例如,造影图像的数据集)全部使用的组 织类型的分类相比较,能够提供几个组织类型的改善后的分类。
    改善后的分类与改善后的分割相关联。工序80的分割还能够使用 来自医用图像数据集中的多个的信号强度。由此,与对单一的数据集 进行的处理相比较,能够改善分割的精度。
    在一个附加的实施方式中,图4的系统构成为执行具有在图6的 流程图的概要中示出的一系列的工序的方法。
    在工序70中,数据处理单元54从存储器50、远程数据存储器、 或者直接从扫描仪44等取得非造影图像数据集。在图6的实施方式中, 该非造影图像数据通过患者的冠状动脉的钙化评分扫描来取得。
    在附加的实施方式中,数据处理单元54能够由工序70取得任意 的合适的医用图像数据集,该医用图像数据集也可以不是非造影图像 的数据。在本实施方式中,如上所述,作为解剖学区域例如设想了心 脏。然而,并不拘泥于该例子,成为诊断对象的解剖学区域能够选择 患者的任意的解剖学区域。
    在工序72中,数据处理单元54从存储器50,或者从远程数据存 储器,或者直接从扫描仪44取得造影图像数据集。在本实施方式中, 由工序72取得的医用图像数据是由作为与工序70的非造影扫描相同 的检查的一部分进行了摄影的患者的冠状动脉的CCTA扫描取得的造 影图像数据集。
    非造影图像数据以及造影图像数据是为了在图5的方法的下一工 序中一起使用而必要的数据,因此,非造影图像数据以及造影图像数 据也可以以相同的分辨率被摄影。优选考虑和非造影图像的数据与造 影图像的数据的减影相关的互换性,两者能够以相同程度的分辨率被 摄像。
    在附加的实施方式中,造影图像的数据能够由工序70收集,非造 影图像的数据能够由工序72收集。另外,还能够使用适合减影的任意 的两个集合的医用图像数据。
    在工序74中,配准单元60进行与非造影图像数据(A)的造影 图像数据(B)的自动的配准。在本实施方式中,配准单元进行不严 格的配准步骤与严格的配准步骤的组合。在本实施方式中使用的配准 方法在M RAzeto等,“Accurate registration of coronary arteries for  volumetric CT digital subtraction angiography”、International  Conference on Graphic and Image Processing(SPIE的程序)、第8768 卷、876834-1~876834-6页、2013中进行了记载??梢运低?的方法 之后的工序中的准确的分割取决于准确的配准。
    在本实施方式中,配准单元60对非造影图像数据的全部以及造影 图像数据的全部进行配准处理。另外,作为其他的实施方式,配准单 元60能够只使用非造影图像数据的一部分以及造影图像数据的一部 分的至少一方进行配准。
    在其他的实施方式或者变形例中,非造影图像数据集(A)以及 造影图像数据集(B)当由数据处理单元54接收时,已经相互被配准。 从而,此时,也可以省略工序74。在这样的实施方式中,在装置40 的结构中也可以除去配准单元60。在附加的实施方式中,非造影图像 数据集和造影图像数据集能够通过配准以外的方法来匹配。例如,非 造影图像的数据集和造影图像的数据集能够根据摄像装置所具有的坐 标系而机械地匹配。
    在工序76中,减影单元62为了得到表示减影图像(差分图像) 的减影图像数据集,将非造影图像的数据集(A)从造影图像的数据 集(B)中减除。在本实施方式中,在减影处理中将非造影图像的数 据集(A)的各体素的信号强度(HU单位的CT值)从造影图像的数 据集(B)内的对应的体素的信号强度中减除。数据集间的体素的对 应建立通过工序74的配准处理来实现。在附加的实施方式中,由工序 70以及72接收到的医用图像数据集的一方能够从另一方中减除。在 本实施方式中,减影单元62使用全造影图像数据和全非造影图像数据 进行减影处理。在其他的实施方式中,减影单元62能够进行使用了非 造影图像数据的一部分和造影图像数据的一部分的减影。
    作为其他的实施方式,医用图像数据集在由工序70以及72向数 据处理单元54供给之前也可以相减。在这样的实施方式中,减影图像 用的医用图像数据集在工序72中,可以与造影图像数据一起、或者代 替造影图像数据而供给到数据处理单元54。也可以省略工序76。在这 样的实施方式中,装置40能够省略减影单元62。
    在工序90中,分割单元58接收由工序76生成的减影图像数据集, 使用任意的合适的分割方法根据减影图像数据对血管近似地进行分 割。作为其他的实施方式,能够根据造影图像的数据或者非造影图像 的数据,近似地对血管进行分割。在本实施方式中,血管的体素使用 有效的动态轮廓算法,根据减影数据集概略地被分割。图6的方法的 最终的结果不会较强地取决于初始近似分割,因此,也可以使用任意 的希望的近似分割技术。另外,初始近似分割技术能够包含血管跟踪 方法。该血管跟踪方法没有特别的限定。
    在近似分割中,推定哪一体素是血管的一部分。该推定有时包含 包围血管的几个软组织等,有时不准确。
    通过近似分割,能够缩小进行成为之后的处理对象的动作的数据 集的大小。由此,能够改善通过图6的方法的工序进行的之后的处理。 近似分割能够从进行了进一步的动作的数据集中除去不是图6的分割 处理中的对象的骨骼等解剖学构造的特征。
    在其他的实施方式中,也可以不进行近似分割,方法从工序76 的减影直接进入工序92以及94。
    工序92以及94分别执行组织分类。在本实施方式中,工序92 执行钙分类,工序94执行血管内腔以及血管壁的分类。在本实施方式 中,工序92和工序94并行地进行。但是,在其他的实施方式中,工 序92可以在工序94前执行,工序94也可以在工序92之前执行。
    针对工序92以及工序94,关于图7(与工序92的钙分类相关的) 以及图8(工序94的血管内腔以及血管壁的分类)的流程图进行说明。
    在本实施方式的工序92中,分类单元56使用无监督分类法,进 行非造影图像数据中的钙分类。然而,并不拘泥于该例子,无论有监 督还是无监督,都能够使用任意的分类法。
    本实施方式的钙分类法在图7的流程图中示出。按照图7的处理 的流程从来自由工序70收集到的非造影图像集的输入和工序90的近 似分割开始。
    在图7的工序100中,分类单元56识别与通过工序90的近似分 割而识别的减影数据集的部分对应的非造影图像数据集的部分。由于 非造影图像的数据集和减影数据集相互进行配准,因此,在配准后, 医用图像位于相同的坐标空间内,因此能够进行该识别。
    分类单元56将形态学扩张(dilation)应用于近似分割。在本实 施方式中,例如,针对近似分割设因子(因素)为2而执行扩张。分 类单元56识别与扩张了的近似分割对应的非造影图像数据集的体素 的子集。非造影图像的数据集中的体素的该子集是为了进行钙分类而 使用的体素的子集。
    在工序101中,分类单元56判断为了将钙体素从非钙体素中分离 而使用的信号强度阈值。在本实施方式中,该阈值如以下说明的那样, 通过使用贝叶斯信息准则(BIC)法确定为各种阈值候补中的某一个 来发现。
    但是,并不拘泥于上述例子,能够使用确定为钙体素以及非钙体 素阈值中的某一个的任意的合适的方法。例如,能够使用不同的形态 的信息准则,例如,能够使用赤池信息量准则(AIC)。
    另外,存在阈值由使用者确定的实施方式。使用者能够经由用户 接口来选择阈值。例如,使用者也可以通过从阈值候补的列表中选择 所希望的值来输入阈值。
    另外,还能够利用不包含阈值确定工序101的实施方式。在这样 的实施方式中,能够使用规定的信号强度阈值。例如,规定的阈值能 够被编程到分类单元56中。只要任一信号强度阈值能够作为向工序 102的输入而利用,图7的方法就能够省略工序101而从工序100直 接进入工序102。
    着眼于本实施方式的阈值确定时,分类单元56最初在由工序100 确定的非造影图像的数据集中,识别子集内的体素信号强度的最大值 和最小值。
    分类单元56接着将最大信号强度值设定为第1阈值的值候补,直 到阈值的值候补比最小信号强度小为止,将预先设定的固定间隔从第 1阈值的值候补中反复相减,生成进一步的阈值的值,从而确定阈值 的值候补的集合。
    分类单元56对分别使用信号强度阈值候补的集合中的不同的一 个信号强度阈值候补的、模型的有限的集合进行定义。各模型具备非 造影图像数据的子集,该子集由工序100确定,为了生成超过信号强 度阈值候补的体素的第1划分和低于信号强度阈值候补的体素的第2 划分而通过信号强度阈值候补来划定。
    分类单元56接着将似然性基准或者信息量准则应用于各个模型, 识别得到最优拟合的模型,即,阈值识别使钙体素最优地从其他的体 素中分离的模型。
    合适的分布、例如高斯分布在两个划分的各个中进行数据拟合。 目的在于,在两个分布之间最优地分离的阈值相当于钙化组织和非钙 化组织之间的边界,因此,发现该情况。非钙化组织具备包含没有被 强调的血管的软组织。
    针对各模型,分类单元56将针对2个划分即子组的BIC作为阈 值的函数来计算。分类单元56由此取得针对模型的有限的集合的各个 的BIC测度。
    分类单元56接着生成针对阈值的值的BIC测度的曲线,选择与 BIC测度曲线的第1最大值对应的模型,将针对该模型的阈值的值候 补设定为钙分类所使用的钙阈值。
    在图7的实施方式中,针对非造影图像数据集内的血管的各个, 使用不同的钙阈值。其考虑了贯穿数据集的信号强度的背景变化和任 意的局部性的变动或者伪影。在其他的实施方式中,能够涵盖数据集 整体应用相同的阈值。
    在工序102中,分类单元56将钙阈值应用于非造影图像数据的子 集,在扩张后的近似分割中,识别超过钙阈值的体素。分类单元56 能够将识别出的体素作为钙体素而添加标志或者通过其他的方法进行 标记。在本实施方式中,分类单元56对识别为钙的体素的集合进行定 义。
    在工序103中,分类单元56为了识别各个钙沉积物而使用连结分 量分析。识别为钙的体素的集合分别具备包含多个连结体素 (connected voxel)的区域的集合。将连结分量分析处理应用于识别 为表示钙的体素。在连结分量分析中,将相互连结体素的集群的各个 识别为独立的区域。为了识别连结体素的区域,能够使用任意的合适 的已知的连结分量分析处理。
    当一个体素与其他的体素邻接时,能够看作与该邻接的体素连结。 在几个实施方式中,邻接的体素能够设为仅是面邻接的体素(此时, 确定的体素最大能够与6个其他的体素邻接)。在其他的实施方式中, 邻接的体素能够设为仅是面或者边邻接的体素(此时,确定的体素最 大能够与18个其他的体素邻接)。另外,在其他的实施方式中,邻接 的体素能够设为仅是面、边、或者角点邻接的体素(此时,确定的体 素最大能够与26个其他的体素邻接)。应该理解,邻接的体素能够与 一个或者多个其他的体素邻接,从而,连结区域也可以是任意的形状 或者大小,直至成为该数据集,在此成为识别为钙的体素的集合的最 大的大小。
    连结分量分析的结果,在由工序78识别的非造影图像的子集中识 别独立的钙区域的集合。
    在工序104中,分类单元56使用K平均以及/或者期望值最大化 (EM),使针对各钙区域的信号强度分布与高斯分布拟合。K平均 算法在JB McQueen的“Some methods for classification and analysis  of multivariate observations”(Proceedings of the Fifth Symposium on  Math,Statistics,and Probability,281~297页、University of  California Press、1967年)和J Marroquin以及F Girosi的“Some  extension of the k-means algorithm for image segmentation and  pattern recognition”(AI Memo 1390,Massachusetts Institute of  Technology、Cambridge、MA、1993年)中进行了记载。期望值最 大化(EM)算法在TK Moon的“The expectation-maximization  algorithm”(Signal Processing Magazine、IEEE、第13卷、47~60 页、1996年11月)中进行了记载。
    在附加的实施方式中,能够使用任意的合适的拟合函数。例如, 能够使各信号强度分布不与高斯分布拟合,而与代替分布拟合。
    分类单元56根据恰好的拟合(fitted)分布,针对非造影图像的 数据的子集内的各体素,对体素表示钙的可能性进行定义。由此,图 7的钙分类结束。图7的钙分类的输出是可能为钙的集合。
    再次参照图6,关于工序92的钙分类,对图7已经进行了说明, 能够得到可能为钙的集合。
    在本实施方式中,图6的工序94与工序92同时进行。在工序94 中,分类单元56进行血管的分类,该分类能够进行血管内腔的分类、 血管壁的分类、或者斑块图的特征添加。在本实施方式中,使用无监 督分类法,但并不拘泥于该例子,也可以使用监督分类法。
    本实施方式的血管内腔以及血管壁的分类在图8的流程图中示 出。从图8的工序120开始,分类单元56使用由图6的工序90进行 的近似分割。分类单元56将由在近似分割中判断的体素的子集所表示 的血管沿着血管的长度而分割成多个区间。图9表示通过具备血管壁 142和血管内腔144的被摄影的血管140的一部分的概略的剖面图。 该血管被分割成虚线所示的多个邻接的段(区间)146。
    在图8的工序122中,分类单元56将邻接的段汇总起来而分组为 多个区域。该多个区域具备在图9中分别具有段间的小的重复的5个 段。在工序124中,分类单元56将高斯内核150应用于区域,从而, 生成加权体素值的集合。
    在工序126中,分类单元56使用混合高斯分布模型,进行区域内 的体素的概率分类。在工序128中,将无监督分类算法应用于规定的 分布,计算具有所提供的信号强度的体素与壁或者内腔等特定的组织 类型对应的似然性(或者概率)。从而,能够将各组织类型的似然性 分配给区域内的各体素。
    能够将任意的已知的技术用于分类算法,由此,为了实现针对各 信号强度的似然性(或者概率),在由2个种类构成的分布内推定2 个分布各自的平均、方差、以及加权。例如,也可以使用K平均算法 或者EM算法。EM算法能够与K平均算法一起使用。
    在工序130中,分类单元56将更多的区域作为处理的对象。当存 在还没有进行概率计算的区域时,直到对所有的区域进行处理为止, 方法重复工序124、工序126、以及工序128。
    在工序132中,分类单元56按照由工序128计算出的似然性(或 者概率),将组织类型或者种类的似然性(或者概率)分配给各体素。 在本实施方式中,分类单元56对被相减的数据的子集内的各体素,按 照工序128的似然性,对体素表示内腔的似然性和体素表示血管壁的 似然性进行定义。
    由此,图8的血管内腔以及血管壁的分类结束。图8的血管内腔 以及血管壁的分类的输出是血管内腔似然性的集合和血管壁似然性的 集合。
    返回到图6,工序92以及94(钙以及内腔/壁的分类)在此结束, 分类单元56针对医用图像数据内的体素,取得钙似然性、血管内腔似 然性、以及血管壁似然性。
    在其他的实施方式或者变形例中,能够使用任意的合适的血管内 腔以及血管壁分类处理,例如,能够使用任意的合适的无监督血管内 腔以及血管壁分类处理。
    当对钙分类、以及血管内腔及壁的分类使用无监督的方法时,这 些方法不需要任何训练,也不用分别参照其他的任何数据集,而针对 单一的分离后(isolated)的数据集(即,单一种类的图像数据集)准 确地进行动作?;蛘?,无监督的方法也可以涵盖多个(multiple)数据集 (即,多种图像数据集)使用。例如,在与相同的血管相关的非造影 图像的数据集和减影数据集的情况下,无监督的方法能够应用于多种 图像数据集。
    另外,作为其他的实施方式,分类单元56也可以使用监督学习法, 根据造影图像的数据集、非造影图像的数据集、以及减影数据集中的 一个或者多个,对一个或者多个类型的特征进行分类。在这样的实施 方式中,监督学习法例如监督由临床医生分类的组织,能够用于实习 医生等的训练中。
    在图6的实施方式中,组织分类具备使用非造影图像的数据集的 钙分类、和使用减影数据集的血管壁以及血管内腔的分类。在本实施 方式中,分类单元56进行来自医用图像数据的第1集合的第1类型的 特征的分类和来自医用图像数据的第2集合的第2类型的特征的分类。 在本实施方式中,第1类型的特征具备钙,医用图像数据的第1集合 具备非造影图像的数据集,第2类型的特征具备血管内腔(或者血管 壁),医用图像数据的第2集合具备减影数据集。另外,作为其他的 实施方式,医用图像数据的第1集合能够具备造影图像的数据集或者 减影数据集,医用图像数据的第2集合能够具备非造影图像的数据集 或者造影图像的数据集。另外,各类型的特征也可以是任意的合适的 组织类型或者人工构造物(例如,支架)的类型。
    返回到图6的流程图,在工序92以及94中,分类单元56执行体 素为钙、血管壁、或者血管内腔的似然性的判定。接着,进入工序80, 利用被判断的可能性,分割来自数据集中的至少一个的至少一根血管。
    在工序80中,分割单元58从分类单元56接收在工序92以及94 中与各体素相关联地取得的钙、内腔、壁的似然性(或者概率)。在 本实施方式中,分割单元58接收在工序80(具备工序90~104)中从 非造影图像的数据的子集取得的钙的似然性、和在工序82(具备工序 110~122)中从减影数据的子集取得的血管内腔、血管壁的似然性。
    一旦对体素分配似然性(或者,概率),则能够使用这些似然性 (或者概率),对来自具备信号强度数据的数据集的各确定的类型的 体素进行分割。在本实施方式中,各类型的体素被分割的数据集是编 入来自减影数据和造影前数据这双方的医用图像数据的合成数据集。 在本实施方式中,该合成数据集针对各体素,具备来自非造影图像的 数据集的信号强度数据和来自减影数据集的信号强度数据。
    在本实施方式中,体素被分割的数据集具备来自非造影图像数据 集以及减影数据集的全部信号强度。在分割中使用来自数据集整体的 数据,并不限定于近似分割。在其他的实施方式中,体素被分割的数 据集只具备在图6的工序90中被近似地分割的子集或者其他的任意的 合适的子集。
    另外,作为其他的实施方式,各类型的体素也可以从非造影图像 的数据集、或者造影图像的数据集、或者被相减的数据集、或者非造 影图像的数据集、造影图像的数据集及被相减的数据集的某个组合、 或者非造影图像的数据集、造影图像的数据集及被相减的数据集的某 个子集进行分割。
    另外,合成数据集也可以具备来自非造影图像的数据集、造影图 像的数据集以及被相减的数据集中的至少一个数据集的信号强度、和 由图6的工序92以及工序94取得的似然性。
    数据集均在共用的坐标系中进行匹配,因此,在工序92以及94 中确定的可能性能够应用于数据集的任一个。例如,在工序92中针对 非造影图像的数据集的体素取得的钙分类的似然性,之后能够被应用 于造影图像的数据集或者减影数据集。
    在本实施方式中,分割单元58使用由工序92的无监督钙分类和 工序94的无监督内腔以及壁分类取得的数据,进行来自合成数据集的 内腔的分割。
    在本实施方式中,内腔的分割使用水平集方法进行。与内腔的分 割相关的水平集方法在Mohr B、Masood S、Plakas C、2012年、 “Accurate lumen segmentation and stenosis detection and  quantification in coronary CTA”、Proc.of MICCAI Workshop“3D  Cardiovascular Imaging:a MICCAI Segmentation Challenge”中进行 了记载。血管组织分类以及钙分类的概率被利用于对移动水平集的速 度函数进行加权。在该速度函数中,使用确定了概率的三种(钙、血 管内腔、血管壁)中的一种的概率。解决水平集,实现分割。
    水平集处理将各独立的体素分配给组织类型。分割单元58提取分 配给血管内腔的这些体素。
    另外,并不拘泥于分割的方法,在工序80中能够使用任意的合适 的分割方法,例如,能够使用动态轮廓方法。
    另外,还能够进行血管壁的分割。关于血管壁的分割,也能够应 用任意的方法。作为示例的方法,存在以下的方法。将由被分类的血 管体素的集合所示出的血管沿着其长度而分割成多个区间。对于各区 间,划定大致管状的几何学形状?;ǖ墓茏吹男巫匆馔几怕缘囟匝?管壁的外表面进行建模,为了表示3D的能量函数或者费用函数而取 得。各管状的形状通过使能量函数最小来拟合。相对于血管的各区间 的成为最小的能量函数例如通过应用规定的制约,从而,将恰好拟合 (fitted)的管状形状进行连接使得位置对准(对准)或者接在一起。 恰好拟合(fitted)的管状形状接着被利用于将血管壁的体素从剩余的 体素中分割。
    在本实施方式中,工序80表示单一血管的分割。作为其他的实施 方式,工序80可以对医用图像数据内的更多的血管重复执行,另外, 在图6的方法的工序的几个或者全部中,也可以针对多个血管同时进 行处理。
    在本实施方式中,医用图像数据的第1集合中的第1类型的特征 的分类使用图7的方法进行,第2类型的特征的分类中的医用图像数 据的第2集合使用图8的方法进行。然而,并不拘泥于该例子,例如, 第2类型的特征的分类可以使用图7的方法进行,第1类型的特征的 分类也可以使用图8的方法进行。另外,双方的分类可以使用图7的 方法进行,双方的分类也可以使用图8的方法进行。另外,任意的合 适的分类法均能够用于任一工序,可以对于双方的分类应用相同的方 法,也可以对各分类分别应用不同的方法。
    在关于图6在上述中说明的方法中,当分割血管时,使用配准后 的非造影图像数据(即,配准后的造影前数据)和减影数据这双方。 减影数据内的钙的存在根据造影前数据来推论。以考虑与钙相关的信 息的方式恰当地修正分割。
    造影前数据(非造影图像数据)往往钙晕(calcium blooming) 的效果更低,因此,认为比造影后数据(造影图像数据)更适合钙分 类步骤。钙晕是某种医用图像伪影,因此,看上去钙化的区域比其真 正的物理的范围大。钙晕有时由于射束硬化以及运动等伪影的组合而 造成。已知与在非造影图像中相比,在CCTA图像中钙晕有时更显著。 另外,由于造影较少,因此,与使用造影图像数据或者减影图像数据 的情况相比较,使用造影前图像数据来识别钙有时简单得多。因此, 在钙分类步骤中能够使用造影图像的数据。
    在减影数据内不存在与钙对应的区域。另外,在减影数据中存在 被造影强调的区域,但在造影前数据中不存在被造影强调的区域。因 此,与对造影前数据或者造影图像数据内的血管内腔进行识别以及分 类相比,对减影数据内的血管内腔进行识别以及分类有时简单得多。
    根据图6所示的方法,能够提供以下优点,即,不会丢失与只根 据钙被减影除去的医用图像数据进行分割时可能丢失的钙相关的信息 而使用减影。
    在图6的方法中,为了使由使用血管的自动分割的系统提供的狭 窄的尺寸对于临床医生而言更可靠,能够使自动分割的定量化结果的 可靠性进一步提高并更准确。目前,在最新技术中,使摄像系统对狭 窄度进行定量化,但临床医生能够将该系统的结果仅作为引导来使用, 依然不使用由系统提供的定量化结果而使用基于自己本身的医用图像 的评估进行诊断。图6的方法的结果,临床医生使用由系统提供的定 量化结果的准备要更充分。
    只应用于减影数据的以往所熟知的分割法有时存在对内腔进行过 大评估、并对狭窄进行过小评估的倾向。另一方面,只对被造影的 (CCTA)数据进行的以往所熟知的分割法有时存在对内腔进行过小 评估的倾向。为了实现内腔的大小以及狭窄度的良好的评估。图6所 示的方法使用非造影图像数据(钙化评分数据)和减影图像数据这双 方。
    另外,还能够利用与非造影图像的数据和减影数据对应的造影 (CCTA)数据。这样的实施方式能够从造影图像的数据取得至少一 个类型的特征的可能性(内腔、壁、钙等的可能性),将这些可能性 与由通过图6的方法说明的钙分类以及内腔/壁分类取得的可能性进行 组合。
    图6的内腔分割技术使用比只存在于减影数据中的信息还多的信 息,因此,可以说优点众多。造影前数据内的钙分类还解决了由于减 影数据内的伪影(例如,暗点或者暗环)造成的任何问题,与只基于 减影数据的分割法相比较,能够以高精度推定血管壁。图10A、图10B、 图11A、以及图11B表示通过对图3A以及图3B的减影数据集及其对 应的非造影图像的数据集应用图6所示的方法得到的结果。即,图 10A、图10B、图11A、以及图11B表示医用图像示出在图3A以及图 3B中的减影数据被分割了的试验的结果。
    在图10A、图10B、图11A、以及图11B中,粗线18是表示使用 图6所示的方法进行的血管内腔的分割的边界线的标志。在图11A以 及图11B中,一组虚线19对只将减影数据进行了分割的图3A以及图 3B所示的内腔的分割的边界线添加了标志。该分割的虚线19能够与 表示基于(相对于减影数据和非造影图像的数据的组合进行的)图6 的方法的分割的粗线18进行比较。
    粗线18(图6的方法)表示只基于减影数据的分割、与狭窄的推 定相比改善后的分割、以及狭窄的推定。对于图10A、图10B、图11A、 以及图11B中使用的数据集,不能利用定量的QCA(定量的冠状动 脉造影法)数据。然而,使用图6的方法取得的分割结果与由临床医 生作出的该医用图像数据的解释更一致。
    通过图6的分割处理得到的结果与只基于减影数据的分割的方法 的结果相比较,接近临床医生的评估结果。从而,能够减少对内腔等 进行过小评估或者过大评估的事态。
    图12A、图12B、以及图12C表示减影图像的附加的例子。即, 图12A、图12B、以及图12C是对根据基于减影图像数据和非造影图 像数据这双方的图5的方法得到的分割法和只基于减影数据的分割法 进行比较。图12A、图12B、以及图12C所示的图像分别包含被相减 的钙30的区域。表示基于图6的方法的分割的边界线的线被表示为粗 线18。表示只基于减影数据的分割的线被表示为虚线19。
    在图12A、图12B、以及图12C的各个中,可知被粗线18包围 的区域比被虚线19包围的区域小。目前,知道只基于减影数据的血管 的分割有时存在对内腔进行过大评估的倾向。通过图6的方法实现的 分割比只基于减影数据的相同的血管的分割更好地与临床医生的解释 一致。与只基于减影数据的分割相比较,使用图6的方法能够改善针 对存在钙的数据的分割结果。
    图13A、图13B、以及图13C表示不知道存在钙的减影数据的例 子。表示基于图6的方法的分割的边界线的线被表示为粗线18。表示 只基于减影数据的分割的线被表示为虚线19。相对于图13A、图13B、 以及图13C的各个,大概知道被粗线18包围的区域实质上与被虚线 19包围的区域相同。从而,当不存在钙时,在图6的方法与只基于减 影数据的分割法之间不存在分割结果的显著的变化。
    虽然针对与CT数据的分割相关的实施方式进行了说明,但能够 为了对任意的合适的类型的医用图像数据、例如X射线数据、MRI 数据、或者PET数据进行分割,而使用这些实施方式。医用图像数据 也可以包含与兽医学相关的医用图像数据。虽然针对与来自非造影图 像以及减影图像的数据相关的实施方式进行了说明,但也能够使用能 够对不同的特征进行分类的任意的医用图像类型。医用图像数据也可 以是与身体的任意的部分相关的数据。
    虽然在本说明书中针对确定的单元进行了说明,但在其他的实施 方式或者变形例中,这些单元的功能中的一个或者多个能够由单一的 单元、处理资源、或者其他的构成要素来提供,或者,由单一的单元 提供的功能能够由组合的两个以上的单元来提供。说到单一的单元, 即使提供该单元的功能的多个构成要素相互分离,也包括那样的构成 要素,说到多个单元,包括提供这些单元的功能的单一的构成要素。
    虽然说明了本发明的几个实施方式,但这些实施方式是作为例子 而提示的,并不意图限定发明的范围。这些实施方式能够以其他的各种 方式进行实施,在不脱离发明的要旨的范围内,能够进行各种的省略、 置换、变更。这些实施方式及其变形如果包含于发明的范围、要旨中, 则同样地包含于权利要求书记载的发明及其均等的范围中。

    关 键 词:
    医用 图像 中的 构造 分割 处理 装置
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:医用图像中的构造物分割用的医用图像处理装置.pdf
    链接地址://www.4mum.com.cn/p-5890302.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03