Nothing Special   »   [go: up one dir, main page]

CN111295665A - 确定肺图像中高密度肺组织的区域 - Google Patents

确定肺图像中高密度肺组织的区域 Download PDF

Info

Publication number
CN111295665A
CN111295665A CN201880071495.3A CN201880071495A CN111295665A CN 111295665 A CN111295665 A CN 111295665A CN 201880071495 A CN201880071495 A CN 201880071495A CN 111295665 A CN111295665 A CN 111295665A
Authority
CN
China
Prior art keywords
image
region
density
processor
lung
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.)
Pending
Application number
CN201880071495.3A
Other languages
English (en)
Inventor
R·维姆科
A·扎尔巴赫
J·冯贝格
T·布罗施
T·P·哈德
F·文策尔
C·S·霍尔
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN111295665A publication Critical patent/CN111295665A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Quality & Reliability (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

提供了一种用于确定肺的图像中的高密度肺实质的区域的计算机实施的方法和系统(100)。系统(100)包括：存储器(106)，其包括表示一组指令的指令数据；以及处理器(102)，其被配置为与存储器通信并且运行所述一组指令。所述一组指令当由处理器(102)运行时使处理器(102)定位图像中的血管，确定在所述图像中与所定位的血管相邻的区域中的肺实质的密度，并且基于所确定的密度来确定图像的区域是否包括高密度肺实质，高密度肺实质具有大于‑800HU的密度。

Description

确定肺图像中高密度肺组织的区域
技术领域
本公开涉及图像处理领域，并且特别地涉及用于确定肺的图像中的高密度肺组织的区域的方法和系统。
背景技术
健康的肺实质通常具有非常低密度，接近于空气(-800HU)。另一方面，患病的未充气的肺组织能够比水稠密(>0HU)。某些疾病，诸如肺炎和肺不张(塌陷的组织)表现为高密度肺组织区域，其中，密度大于充气肺组织。因此，识别这些高密度区域是有益的。
在现有技术中，通过从高密度肺区手动采样密度值来识别高密度区域。然而，这种手动采样技术是耗时的，并且遭受再现性问题，这两个问题都呈现对该技术在临床实践中的使用的障碍。出于该原因，从高密度肺区自动采样密度值具有高兴趣。
然而，肺的高密度区域的自动检测能够具有挑战性，特别是因为肺的高密度区域由于其非典型的高密度而不能够由标准的肺分割算法识别。这能够导致不良(或失败)肺分割，其降低自动化方法的有效性。此外，高密度实质表现出与胸腔积液相似的密度(肺的以水填充的病变区)，并且因此即使检测到高密度区域，确定其是高密度实质还是胸腔积液也能够具有挑战性。
Edwards等人在2016年的题为“A Quantitative Approach to DistinguishPneumonia From Atelectasis Using Computed Tomography Attenuation”的文章讨论了当实质的高密度区域已经定位在肺中时在医学图像中区分肺炎和肺不张的方法。然而，文章没有首先解决上面突出显示的与检测高密度区域关联的问题。
因此，需要一种用于确定肺的图像中的高密度肺组织的区域的改进的方法和系统。
US 2017/039711A1公开了一种用于检测对象的脉管系统中的中央肺栓塞的系统和方法。在一些方面，该方法包括使用输入来接收表示对象的肺的脉管系统的一组图像，自动分析该组图像以分割与对象的肺相关联的主动脉并将主动脉与周围组织分离。该方法还包括在分割和分离主动脉后从该组图像中自动提取中央肺栓塞候选，并通过应用一系列规则在三维(3D)空间中自动评价中央肺栓塞候选。该方法还包括在显示器上自动显示指示所评价的中央肺栓塞候选的报告。
EP 1315125A2公开了一种用于肺部疾病检测的方法和系统。US2011/243403A1公开了一种医学图像处理装置和方法，以及其上记录有用于其的程序的计算机可读记录介质。US 2006/018524A1公开了一种用于胸腔低剂量CT中的良性结节和恶性结节之间的区别的计算机化方案。US2005/207630A1涉及肺结节检测和分类。
发明内容
如上所述，存在与使用图像处理自动定位和识别肺实质的高密度区域相关联的各种挑战。特别地，存在由于由疾病引起的非典型肺密度造成的与分割患病肺的图像相关联的问题。快速且准确地确定高密度区域是否包括高密度实质或胸腔积液也具有挑战性。因此，改进对高密度实质的自动识别并提供克服这些问题中的一些的系统和方法将是有价值的。
因此，根据第一方面，提供了一种被配置用于确定肺的图像中的高密度肺实质的区域的系统。所述系统包括存储器，所述存储器包括表示一组指令的指令数据。所述系统还包括处理器，所述处理器被配置为与存储器通信并运行所述一组指令。当由处理器运行时，所述一组指令使处理器定位图像中的血管，确定图像中与所定位的血管相邻的区域中的肺实质的密度(依据亨氏单位，HU)，并且基于所确定的密度(高密度肺实质具有大于-800HU的密度)来确定图像的区域是否包括高密度肺实质。
高密度肺组织包括脉管结构，而胸腔积液仅仅是水填充的袋状物。通过在图像中定位血管并在与所定位的血管相邻的区域中寻找高密度肺组织(高密度肺实质)，因此由系统确定(或识别)的任何高密度区域更可能是高密度肺实质的区域，而不是胸腔积液。有效地，该系统可以将血管用作据以搜索高密度肺组织(诸如高密度肺实质)的标记。通过集中于血管周围的区域，与不加区别地扫描整个肺的方法相比，该系统还可以更计算有效地确定高密度实质的位置。内在地避免了没有血管的肺的区(其更有可能是胸腔积液)，并且这减少了高密度肺实质的假阳性检测的数量。在2D图像的情况下，可以通过分析图像包含的像素的强度值来确定密度，或者在3D图像的情况下，可以通过分析图像包含的体素的强度值来确定密度。可以使用预定关系从与图像分量相关联的值来确定肺组织或肺实质的密度或放射密度。因此，可以基于与所述区域中的图像分量相关联的值来确定区域中的肺组织或肺实质的密度。
在一些实施例中，使处理器确定所述区域中的肺实质的密度可以包括使处理器确定在图像中围绕所定位的血管的区域中的肺实质的密度。
在一些实施例中，图像可以包括多个图像分量，并且区域中的肺实质的所确定的密度可以是所述区域中的图像分量的密度值的分布。
在一些实施例中，密度值的分布可以包括该区域中的图像分量的密度值的直方图。
在一些实施例中，如果所述区域被确定为包括高密度肺实质，则所述一组指令在由处理器运行时，还可以使处理器使用图像中与所定位的血管相邻的区域中的密度值的分布来识别与高密度肺实质相关联的医学状况。
在一些实施例中，所述一组指令在由处理器运行时，还可以使处理器确定图像中骨骼的位置，并且如果所述区域与骨骼的所确定的位置交叠，则确定所述区域中不存在高密度肺实质。
在一些实施例中，所述一组指令在由处理器运行时，还可以使处理器确定图像中的高密度区域的位置，并且如果所述高密度区域的位置位于图像中与所定位的血管相邻的区域外部，则确定所述高密度区域包括胸腔积液。
在一些实施例中，区域可以被确定为包括高密度肺实质，其中，区域中的肺实质的密度大于充气肺实质的平均密度。
在一些实施例中，充气肺实质的平均密度可以为约-800亨氏单位(HU)。
在一些实施例中，使处理器定位图像中的血管可以包括使处理器对图像进行分割以定位心脏的一个或多个部分，从分割中识别血管的残端(对应于离开心脏的血管的部分)，并且使用残端作为开始点在图像中定位血管。
在一些实施例中，图像可以包括多个图像分量，并且使处理器在图像中定位血管可以包括使得处理器针对残端周围的区域中的每个图像分量，确定指示图像分量包括血管的部分的可能性的量度，并且根据残端的位置和所确定的量度来定位血管的另外的部分。
在一些实施例中，使处理器在图像中定位血管还可以包括：针对围绕血管的另外的部分的区域中的每个图像分量，使处理器迭代地(针对被定位的血管的每个另外的部分)，确定指示图像分量包括血管的部分的可能性的量度，并且根据所确定的量度来定位血管的另一另外的部分。
在一些实施例中，可以使处理器以小于预定阈值直径的直径定位图像中的血管。
根据第二方面，提供了一种用于确定肺的图像中的高密度肺实质的区域的计算机实施的方法。所述方法包括：定位图像中的血管；确定图像中与所定位的血管相邻的区域中的肺实质的密度；并且基于所确定的密度来确定图像的区域是否包括高密度肺实质(高密度肺实质具有大于-800HU的密度)。
根据第三方面，提供了一种包括计算机可读介质的计算机程序产品，所述计算机可读介质具有在其中实现的计算机可读代码，所述计算机可读代码被配置为使得在由合适的计算机或处理器运行时，使计算机使处理器或处理器执行如上所述的方法。
因此，提供了一种用于确定肺的图像中的高密度肺组织(高密度肺实质)的区域的改进的方法和系统，其克服了现有问题。
附图说明
为了更好地理解实施例，并更清楚地示出它们可以如何实现，现在仅将通过范例参考附图，其中：
图1是根据实施例的用于确定肺的图像中的高密度肺组织的区域的系统的框图；
图2图示了根据实施例的用于确定肺的图像中的高密度肺组织的区域的计算机实施的方法；
图3示出了肺的水平截面图像；
图4a-d图示了根据实施例的在图像中定位血管的示例；
图5a和5b图示了根据实施例的在图像中定位血管的另外的示例；
图6图示了根据实施例的在肺的图像中的高密度肺组织的区域；并且
图7图示了与肺不张和肺炎相关联的肺密度直方图。
具体实施方式
如上所述，提供了一种用于确定肺的图像中的高密度肺组织的区域的改进的方法和系统，其克服了现有问题。
图1示出了根据实施例的系统100的框图，该系统可以用于确定(例如定位)肺的图像中的高密度肺组织的区域。参考图1，系统100包括处理器102，处理器102控制系统100的操作并且可以实施本文描述的方法。
系统100还包括存储器106，存储器106包括表示一组指令的指令数据。存储器106可以被配置为以可以由处理器102运行以执行本文描述的方法的程序代码的形式存储指令数据。在一些实施方式中，指令数据可以包括多个软件和/或硬件模块，每个被配置为执行或用于执行本文描述的方法的个体步骤或多个步骤。在一些实施例中，存储器106可以是还包括系统100的一个或多个其他部件(例如，处理器102和/或系统100的一个或多个其他部件)的设备的一部分。在备选实施例中，存储器106可以是与系统100的其他部件分离的设备的一部分。
在一些实施例中，存储器106可以包括多个子存储器，每个子存储器能够存储一条指令数据。在存储器106包括多个子存储器的一些实施例中，表示一组指令的指令数据可以存储在单个子存储器处。在存储器106包括多个子存储器的其他实施例中，表示一组指令的指令数据可以存储在多个子存储器中。例如，至少一个子存储器可以存储表示该组指令的至少一个指令的指令数据，而至少一个其他子存储器可以存储表示该组指令的至少一个其他指令的指令数据。因此，根据一些实施例，表示不同指令的指令数据可以存储在系统100中的一个或多个不同位置处。在一些实施例中，存储器106可以用于存储由系统100的处理器102采集或获取或来自系统100的任何其他部件的图像、信息、数据、信号和测量结果。
系统100的处理器102可以被配置为与存储器106通信以运行一组指令。该组指令在由处理器运行时可以使处理器执行本文所描述的方法。处理器102可以包括一个或多个处理器、处理单元、多核处理器和/或模块，其被配置或编程为以本文描述的方式控制系统100。在一些实施方式中，例如，处理器102可以包括被配置用于分布式处理的多个(例如，互操作的)处理器、处理单元、多核处理器和/或模块。本领域技术人员将意识到，这样的处理器、处理单元、多核处理器和/或模块可以位于不同的位置，并且可以执行本文所描述的方法的不同步骤和/或单个步骤的不同部分。
简言之，当由系统100的处理器102运行时，该组指令使处理器102在肺的图像中定位血管，确定在图像中与所定位的血管相邻的区域中的肺组织的密度，并且基于所确定的密度来确定图像的区域是否包括高密度肺组织。
在一些实施例中，该组指令在由处理器102运行时还可以使处理器102控制存储器106以存储与本文描述的方法有关的图像、信息、数据和确定。例如，存储器106可以用于存储肺的图像、在肺的图像中所定位的血管的位置、在与所定位的血管相邻的图像的区域中所确定的肺组织密度和/或与确定图像的区域是否包括高密度肺组织有关的信息。
在本文描述的实施例中的任何中，图像可以是二维图像、三维图像或任何其他维图像。该图像可以包括多个(或一组)图像分量。在图像是二维图像的实施例中，图像分量是像素。在图像是三维图像的实施例中，图像分量是体素。
该图像例如可以是肺的医学图像或任何其他类型的图像。可以使用任何成像模态来采集图像。医学图像的示例包括但不限于计算机断层摄影(CT)图像(例如，来自CT扫描)，诸如C型臂CT图像、谱CT图像或相衬CT图像；X射线图像(例如，来自X射线扫描)；磁共振(MR)图像(例如，来自MR扫描)；超声(US)图像(例如，来自超声扫描)；荧光透视图像；核医学图像或肺的任何其他医学图像。尽管已经提供了图像类型的示例，但是本领域技术人员将意识到，本文提供的教导可以等同地应用于肺的任何其他类型的图像。
如前所述，图像通常包括肺的图像。例如，图像可以包括肺组织，与肺相关联的脉管结构(例如，肺中的血管)和/或围绕肺的骨骼的部分，诸如一个或多个肋骨的至少部分。图像还可以包括其他解剖结构，诸如心脏和/或从心脏延伸的脉管结构。将意识到，图像可以不必包括整个肺，并且例如可以仅包括肺的部分和/或如果图像中存在其他解剖结构，则可以包括其他解剖结构的(一个或多个)部分。
如本文所用，术语“组织”通常用于指形成肺的部分的实质。例如，组织可以包括参与气体转移的肺的部分，诸如肺泡、肺泡管和呼吸细支气管。组织还可包括与肺相关联的脉管系统。如本文所使用的，术语“高密度肺组织”用于描述具有大于健康充气肺组织的密度的任何肺组织。健康充气肺组织通常具有与空气的低密度可比较的低密度，其具有-800HU(亨氏单位)的密度。高密度肺组织因此可以被定义为具有大于约-800HU(例如，大于-800HU)的密度的肺组织。如本领域技术人员将熟悉的，亨氏标度是用于描述放射密度(例如，电磁辐射穿过材料的能力)的定量标度。例如，计算机断层摄影(CT)扫描器的输出通常参考具有0HU的值的水校准到亨氏标度上。
再次返回到图1，在一些实施例中，系统100可以包括至少一个用户接口104。在一些实施例中，用户接口104可以是还包括系统100的一个或多个其他部件(例如，处理器102、存储器106和/或系统100的一个或多个其他部件)的设备的部分。在备选实施例中，用户接口104可以是与系统100的其他部件分离的设备的部分。
用户接口104可以用于向系统100的用户(例如，医学人员、医疗保健提供者、医疗保健专家、护理人员、对象或任何其他用户)提供由根据本文的实施例的该方法产生的信息。该组指令当由处理器102运行时可以使处理器102控制一个或多个用户接口104以提供由根据本文的实施例的方法产生的信息。例如，该组指令当由处理器102运行时可以使处理器102控制一个或多个用户接口104以绘制(或输出或显示)以下任何个体一个或任何组合：肺的图像、肺的图像中的所定位的血管的视觉表示、与所定位的血管相邻的图像的区域中所确定的肺组织密度、和/或与确定图像的区域是否包括高密度肺组织有关的信息。备选地或额外地，用户接口104可以被配置为接收用户输入。换句话说，用户接口104可以允许系统100的用户手动输入指令、数据或信息。该组指令当由处理器102运行时可以使处理器102从一个或多个用户接口104采集用户输入。
用户接口104可以是使得能够向系统100的用户绘制(或输出或显示)信息、数据或信号的任何用户接口。备选代地或额外地，用户接口104可以是使得系统100的用户能够提供用户输入、与系统100交互和/或控制系统100的任何用户接口。例如，用户接口104可以包括一个或多个开关、一个或多个按钮、小键盘、键盘、触摸屏或应用程序(例如，在平板电脑或智能手机上)、显示屏、图形用户接口(GUI)或其他视觉绘制部件、一个或多个扬声器、一个或多个麦克风或任何其他音频部件、一个或多个灯、用于提供触觉反馈(例如，振动功能)的部件、或任何其他用户接口或用户接口的组合。
在一些实施例中，如图1所图示的，系统100还可以包括通信接口(或电路)108，以用于使系统100能够与作为系统100的部分的接口、存储器和/或设备进行通信。通信接口108可以无线地或经由有线连接与任何接口、存储器和设备进行通信。
将意识到，图1仅示出了图示本公开的该方面所需的部件，并且在实际实施方式中，系统100可以包括所示出的那些部件之外的部件。例如，系统100可以包括用于为系统100供电的电池或其他电源，或者用于将系统100连接至市电电源的模块。
图2图示了根据实施例的用于确定(例如，定位)肺的图像中的高密度肺组织的区域的计算机实施的方法200。所图示的方法200通常可以由系统100的处理器102或在系统100的处理器102的控制下执行。根据一些实施例，该方法可以是部分自动化或完全自动化的。
简要地，参考图2，该方法包括在图像中定位血管(在图2的框202处)，并且确定图像中与所定位的血管相邻的区域中的肺组织的密度(在图2的框204处)。该方法还包括基于所确定的密度来确定图像的区域是否包括高密度肺组织(在图2的框206处)。
如前所述，能够难以区分高密度区域是包括图像中的高密度肺组织还是胸腔积液，因为区域能够具有相似的密度。鉴于高密度肺组织包括脉管结构而胸腔积液仅仅是水填充的袋状物的事实，图2的方法200通过确定图像中与所定位的血管相邻的区域(例如，与脉管结构相关联并且因此更可能包括高密度肺组织的肺组织的采样区)中的肺组织的密度克服了上述困难中的一些困难。这比针对高密度肺组织不加区别地扫描整个肺的方法在计算上更为有效。图2的方法200使得能够确定或识别高密度肺组织(例如高密度肺实质)，而不是胸腔积液，因为固有地避免了胸腔积液，这是因为它们不包括血管。这减少了高密度肺组织的假阳性检测的数量。
更详细地，在图2的框202处，血管位于肺的图像中。更具体地，该组指令当由系统100的处理器102运行时使处理器102在肺的图像中定位血管。可以由处理器102从成像装备(例如医学成像装备)采集肺的图像。例如，在图像是计算机断层摄影(CT)图像的实施例中，处理器102可以从CT扫描器采集肺的CT图像。类似地，例如，在图像是X射线图像的实施例中，处理器102可以从X射线机采集肺的X射线图像。在一些实施例中，肺的图像可以存储在存储器106中(其可以是例如数据库、服务器的存储器或任何其他存储器)。例如，处理器102可以从存储器106下载肺的图像。
实际上，通过在肺的图像中定位血管，可以将该血管用作标记，利用其来定位能够包括高密度肺组织的区域。通常，血管可以是与肺的脉管结构相关联的肺血管、或者与另一解剖结构(诸如，心脏或任何其他脉管结构、或脉管结构的任何组合)相关联的血管。在一些实施例中，血管可以是动脉或静脉。在血管与肺的脉管结构相关联的一些实施例中，血管可以是主肺动脉或静脉，例如左或右肺动脉或右上、右下、左上或左下静脉。
血管可以以任何合适的方式位于图像中。例如，可以通过由系统100的处理器102采集的用户输入来定位血管。备选地，可以使用用于确定图像中的血管的位置的计算机实施的方法来定位血管。用于确定图像中的血管的位置的计算机实施的方法可以例如基于图像中检测到的结构。在一些实施例中，可以通过使用图像分割在图像中定位血管。这可以使用适用于在图像中定位血管的任何分割技术来执行，并且本领域技术人员将熟悉可能使用的各种分割方法。然而，作为示例，可以用于在图像中定位血管的图像分割可以包括基于模型的图像分割。技术人员将熟悉基于模型的分割。然而，简要地，基于模型的分割包括将解剖结构的模型拟合到图像中的解剖结构。因此，在这种情况下，可以将的模型拟合到图像中的肺。在基于模型的分割中使用的模型可以包括例如多个点(诸如，多个可调节的控制点)，其中，模型的每个点可以对应于解剖结构的表面上的不同点。适当的模型可以包括包含多个分段的网格，诸如包括多个多边形分段的多边形网格(例如，包括多个三角形分段的三角形网格或任何其他多边形网格)。技术人员将熟悉这样的模型和适当的基于模型的图像分割过程。
在一些实施例中，可以参考图像中血管的已知开始点在图像中定位(或跟踪)血管。解剖结构(诸如心脏)的几何结构以及与离开解剖结构的血管的部分相对应的血管的残端是公知的并且可以用作定位图像中的血管的开始点。例如，心脏的几何结构和主肺动脉和静脉的残端(诸如当其离开心脏时动脉或静脉的前几厘米)是公知的并且可以用作定位图像中的血管的开始点。
为此目的，在一些实施例中，定位图像中的血管可以包括使系统100的处理器102对图像进行分割以定位心脏的一个或多个部分，并且从该分割中识别血管的残端(其中，如上所述，血管的残端对应于离开心脏的血管的部分)。然后可以使用残端作为开始点在图像中定位血管。例如，可以通过以下来分割心脏：确定图像中的心脏的近似位置(例如，使用任何合适的特征提取技术，诸如广义霍夫变换(GHT)，或任何其他特征提取技术)，并且然后使用前面提到的分割方法中的任何来分割心脏。例如，在一些实施例中，网格(诸如，包括多个分段的网格，所述多个分段可以是三角形分段或任何其他多边形分段)形式的心脏的模型可以被拟合到图像中的心脏。在一些实施例中，心脏的模型也可以例如使用经训练的边缘检测器诸如以迭代的方式适应于图像中的心脏。心脏的模型可以包括一个或多个前述血管残端，并且因此一旦使用该模型对图像中的心脏进行分割，就从该分割中获知图像中的血管残端的位置，例如因为模型中与血管残端对应的部分将与图像中的真实血管残端叠加。
如上所述，可以使用血管的残端作为开始点来在图像中定位血管。从该开始点，对于残端周围的区域中的每个图像分量(例如，图像是二维图像的每个像素或图像是三维图像的每个体素，如前所述)，该方法可以包括使得系统100的处理器102确定指示图像分量包括血管的部分的可能性的量度。该量度可以被称为“血管”量度。在一些实施例中，该量度可以包括图像分量包括血管的部分的概率。该方法然后还可以包括使系统100的处理器102根据残端的位置和所确定的量度来定位血管的另一部分。例如，在一些实施例中，具有高于预定阈值的量度(例如，高于预定阈值的成为血管的部分的概率)的近邻分量可以被假定为血管的部分。
在一些实施例中，在以这种方式定位血管的另外的部分之后，可以迭代地重复用于定位血管的另外的部分的方法，使得对于被定位的血管的每个另外的部分，血管的另一另外的部分以先前描述的方式定位。这可以包括使系统100的处理器102针对围绕血管的另外的部分的区域中的每个图像分量，确定指示图像分量包括血管的部分的可能性的量度，并且根据所确定的量度来定位血管的另一另外的部分。以这种方式，通过迭代地识别最可能对应于图像中的血管的区域来识别血管的位置。
在一些实施例中，可以监测在图像中识别与血管相对应的区域的方向。这可以例如确保在图像中被识别(例如定位/跟踪)的血管的位置对应于与作为肺血管的血管兼容的方向。例如，在一些实施例中，如果血管变为比预定义阈值更近尾部，则该方法可以被截断并且丢弃所定位的血管。在一些实施例中，基于肺的平均范围来确定预定阈值。在一些实施例中，如果检测到被识别的血管从主动脉弓延伸80mm(或大约80mm)，则阈值可以被设置为截断该方法，因为相比于此进一步延伸的血管越来越不可能是肺的部分。在一些实施例中，如果发现血管从残端延伸超过预定阈值，则该方法被截断。在一些实施例中，如果发现血管远离残端延伸超过300mm(或超过大约300mm)，则该方法被截断。以这种方式，防止该方法识别心脏区域中的血管，从而确保所识别的血管对应于肺中的血管。
在一些实施例中，可以从围绕残端的区域中的图像分量的密度分布来确定指示图像分量包括脉管的部分的可能性的量度。例如，如果存在近邻图像分量的密度值中的变化(例如，跨两个或三个图像分量发生的突然变化)，指示血管和其他组织之间的边界，则可以确定血管的边缘或边界。因此，如果图像分量的密度值对应于血管的密度，与如果它们具有与血管密度不同的密度相比，则可以确定图像分量更可能属于血管。在一些实施例中，可通过从血管的已知部分的中心投射搜索射线并测量密度降至与血管相关联的值以下的半径来确定血管的边缘。在这个意义上，与位于测量半径外部的图像分量相比，确定在测量半径内的图像分量具有属于血管的更高的可能性。因此，在一些示例中，如果，与已知属于血管的邻近图像分量具有不同的值(例如，像素/体素值)的图像分量相比，图像分量与已知是血管的部分的图像分量具有相似的值(例如，像素/体素值)，则图像分量被分配属于血管的较高的概率。
在一些实施例中，基于多分辨率尺度空间中的二阶空间导数的矩阵的特征值来计算指示每个图像分量包括血管的部分的可能性的量度。例如，可以将肺的图像与不同宽度的核(例如高斯核)进行卷积以创建多分辨率尺度空间。然后可以处理多分辨率尺度空间的每幅图像，以计算图像中图像分量的二阶空间导数的矩阵的特征值。对于每个图像位置，对于每幅分辨率图像，确定第二大特征值的最小值。可以通过该最小值的负幅度(并且对于该最小值的正值，设置为零)来确定指示每个图像分量包括血管的部分的可能性的量度。
在一些实施例中，指示每个图像分量包括血管的部分的可能性的量度还可以考虑图像中其他解剖结构的位置。例如，可以将已知对应于骨骼(例如，肋骨)的图像分量分配为零的量度，指示不存在这些图像分量对应于血管的概率。备选地或额外地，如果血管的另外的部分与已知包括骨骼的图像的区域相交，则该方法可以被截断。本领域技术人员将意识到，可以使用本文所述的任何分割技术来确定骨骼(例如，肋骨)的位置。
将意识到，本文中提供的计算指示图像分量包括血管的部分的可能性的量度的方法仅是示例，并且技术人员将意识到确定指示图像分量包括血管的部分的可能性的量度的其他可能方法。
在一些实施例中，在框202中，可以使处理器以小于预定义的阈值直径的直径定位图像中的血管。例如，可以优先定位直径小于预定阈值的血管。以这种方式，例如，排除了大的纵隔血管，并且定位了对肺部典型的(以及对诸如肺中的高密度实质的高密度肺组织典型的)较小血管的影响。
图3-5图示了在图2的框202处确定图像中的血管的位置的前述方法中的一些。
图3示出了根据实施例的肺的示例图像。在该示例实施例中，肺地图像包括肺的二维图像，或更具体地，穿过肺的水平截面切片。肺的图像包括正常密度实质302、高密度实质304、胸腔积液306和肋骨308的区域。
图4图示了实施例，其中，在图像中定位血管(在图2的框202处)包括对图像进行分割以定位心脏的一个或多个部分，从该分割中识别血管的残端并且使用残端作为开始点在图像中定位血管。图4a-d图示了通过胸腔的三维图像的四个水平截面。已经使用上文关于图2的框202概述的方法对心脏进行了分割。图4a-d因此示出了心脏402的分割部分，血管的残端(如从分割中识别的)404和血管本身(使用残端作为开始点定位)406。
图5a示出了心脏和相关联的脉管结构的另一分割。分割的心脏部分标记502，并且血管(例如，静脉)被标记504。图5b中示出了确定的脉管结构的三维图示，图5b示出了分支结构。
与根据使用血管离开心脏的部分作为开始点的前述实施例中的一些来定位血管相关联的优点在于，可以在不分割肺本身的情况下确定(或识别)包括高密度肺组织的图像的区域。如上所述，与肺组织自动诊断相关联的困难之一是肺分割针对患病肺部常常不准确，因为患病区不适合标准肺模型(如从图3所示的患病肺的图像可以意识到)。因此，通过从离开心脏(其可能受疾病影响较小)的血管而不是肺开始，可以避免这些问题，并且提高方法的效率。
因此，如上所述，血管位于肺的图像中。转回到图2，在框204处，一旦在框202处定位了血管，则该组指令使系统100的处理器102确定与所定位的血管相邻的图像的区域中的肺组织的密度。在一些实施例中，与所定位的血管相邻的图像的区域可以包括邻近于所定位的血管的多个连接的图像分量(例如，彼此接界的图像分量)。多个连接的分量可以是例如图像为二维图像的多个连接像素或图像为三维图像的多个连接体素。在一些实施例中，与所定位的血管相邻的图像的区域可以邻近于该血管或该血管的部分。例如，与所定位的血管相邻的图像的区域可以是位于血管旁边的多边形，诸如正方形或矩形(在二维图像中)或多面体(诸如长方体)(针对三维图像)。在一些实施例中，使系统100的处理器102确定图像中与所定位的血管相邻的区域中的肺组织的密度可以包括使处理器102确定图像中围绕所定位的血管的区域中的肺组织的密度。例如，图像中与所定位的血管相邻的区域可以以近似圆柱形或管形方式缠绕在血管周围。因此，图像中与所定位的血管相邻的区域可以涵盖血管的最小阈值半径内的所有图像分量。在一些示例中，阈值半径可以是20mm(或大约20mm)。在一些实施例中，可以根据图像中的近邻特征来整形图像中与所定位的血管相邻的区域。例如，图像中与所定位的血管相邻的区域可以被定义为包括具有高于最小阈值的值的在血管的预定义半径内的所有像素。
图6示出了在肺的计算机断层摄影(CT)图像中与定位血管相邻的图像的不同区域的示例。该图像示出了心脏602的部分和所定位的血管604。已经在每个所定位的血管604周围定义了圆柱形区域(对应于图6中的圆圈)，以图示与所定位的血管604相邻的图像的区域，其是用于高密度肺组织的候选区域并且因此是(在图2的框204处)肺组织密度被确定的区域。
在一些实施例中，确定在图像中与所定位的血管相邻的区域中的肺组织的密度(在图2的框204处)可以包括计算在图像中与所定位的血管相邻的区域中的平均密度。例如，可以根据所确定区域中图像分量的值的平均值、中值或众数值来确定密度。在一些实施例中，确定与定位的血管相邻的图像的区域中的肺组织的密度包括确定该区域中图像分量的密度值的分布。例如，在一些示例中，确定区域中图像分量的密度值的直方图。在一些实施例中，所确定的密度包括与该区域中图像分量的密度值的分布相关联的量度。例如，所确定的密度可以包括与所定位的血管相邻的图像的区域中的图像分量的值的标准偏差。
通常，可以使用预定关系根据与图像分量相关联的值来确定图像中与所定位的血管相邻的区域的每个图像分量(例如，二维图像的每个像素或三维图像的每个体素)中的肺组织的密度。如前所述，计算机断层摄影(CT)扫描器是参考水(其具有0HU的值)和空气(其具有-1000HU的值)校准到亨氏标度上。密度D(以g/mm3为单位)根据亨氏数V(以HU为单位)计算为D＝(V+1000)/1000。本领域技术人员将熟悉亨氏标度以及该标度如何与其他密度量度有关。
返回到图2，在框206处，该组指令当由系统100的处理器102运行时使处理器102基于图像与所定位的血管相邻的区域中肺组织的所确定的密度来确定图像的区域是否包括高密度肺组织。因此，在图像与所定位的血管相邻的区域中的肺组织的所确定的密度用于确定图像的区域是否包括高密度肺组织。
在一些实施例中，图2的框206可以包括将图像中与所定位的血管相邻的区域中的肺组织的所确定的密度与阈值密度进行比较。在一些实施例中，区域可以被确定为包括高密度肺组织，其中，该区域中的肺组织的密度大于充气肺组织的平均密度。在一些实施例中，充气肺组织的平均密度被认为是-800(或大约-800)亨氏单位(HU)。因此，在一些示例中，如果该区域的平均密度是-800(或大约-800)亨氏单位(HU)，则该区域被确定为包含高密度肺组织。
在密度值的分布在图2的框204处被确定的一些实施例中，图2的框206可以包括将所确定的密度分布与健康肺组织的预定密度分布进行比较。框206还可以包括确定所确定的密度分布是否相对于健康肺组织的预定密度分布偏移。例如，与健康组织的预定密度分布相比，如果所确定的密度分布被移位(例如，分布的峰被移位)到更高的密度，则这可以指示该区域包括高密度肺组织。如果所确定的密度分布以0HU为中心，则这可能指示高密度实际上是胸腔积液，而不是高密度肺组织。以这种方式，密度分布可以用于从高密度肺组织的真实样本中移除假阳性的胸腔积液。
在一些实施例中，可以根据相关联的血管的直径对高密度区域进行优先排序，从而排除大的纵隔血管并强调对肺典型的较小血管的影响。这可以通过在计算密度分布时对每个图像分量进行加权来实现。密度计算中特定图像分量的加权可以例如根据图像分量距血管的中心的估计距离的倒数来计算。因此，对于小的血管半径，相比于大的血管半径，该加权较高，而对于高于上限的半径，该加权趋向于零。
尽管在图2中未图示，但是在本文所述的实施例中的任何中，其中，该区域被确定为包括高密度肺组织，该组指令在由系统100的处理器102运行时还可以使处理器102识别出与高密度肺组织相关联的医学状况。在一些实施例中，可以使用图像中与所定位的血管相邻的区域中的密度值的分布来识别医学状况。在一些实施例中，医学状况可以是以下中的任何一种或多种：肺不张或肺炎。例如，不同的医学状况具有不同的密度分布。在一些示例中，密度分布在直方图中可以具有不同的峰值，或者在不同宽度直方图中具有不同的峰值。因此，该方法还可以包括将区域中图像分量的密度值的直方图和与受医学状况影响的肺组织相关联的密度值的直方图进行比较。以这种方式，图2的方法200不仅可以用于确定图像中的高密度肺组织的(一个或多个)位置，而且用于诊断高密度肺组织的原因。
图7示出了来自三个不同肺的高密度肺组织区域的示例密度直方图，其可以用于识别与高密度肺组织相关联的医学状况。直方图示出明显不同的峰，每个峰对应于不同的疾病(例如，不同的疾病产生不同的平均密度组织)。在这种情况下，三个峰表示肺不张702、704相对于肺炎706。尽管已经提供了医学状况的特定示例，但是技术人员将意识到，本文描述的技术不限于那些医学状况，而是可以用于诊断或区分具有独特密度分布的(一个或多个)任何医学状况。
尽管在图2中未图示，但是在本文描述的实施例中的任何中，可以考虑其他解剖结构的位置。例如，该组指令当由系统100的处理器102运行时，还可以使处理器102在图像中确定骨骼(例如肋骨、椎骨或任何其他骨骼或骨的任何组合)的位置，并且如果该区域与骨骼的所确定的位置交叠，则确定图像中与所定位的血管相邻的区域中不存在高密度肺组织。
通常可以在图2的方法200的各个不同阶段考虑骨骼的位置。例如，图2的方法200还可以包括预处理块，由此一个或多个骨骼在图像中被分割。然后可以在图2的方法200的后续方框期间掩盖在分割中确定的位置，以确保包括骨骼的区域随后不会错误地确定为包括高密度肺组织。在另一示例中，可以在图2的方法200的后处理步骤中考虑骨骼，由此将被确定为包括高密度肺组织的区域的位置与图像中的骨骼的位置和区域进行比较，并且与骨骼位置交叠的、被确定为包括高密度肺组织的区域可以被丢弃。以这种方式，可以减轻由于骨组织造成的对高密度肺组织的任何假阳性检测。
尽管在图2中未图示，但是在本文所述的实施例中的任何中，该组指令在由系统100的处理器102运行时还可以使处理器102确定图像中的高密度区域的位置并如果高密度区域的位置位于与定位的血管相邻的图像的区域外部，则确定高密度区域包括胸腔积液。因此，如果通过任何方法，包括但不限于本文描述的方法，在图像中定位高密度区域，则该方法还可以包括一组指令，该一组指令使处理器102将所确定的高密度区域的位置与图像中所定位的血管的位置进行比较，并且如果该高密度区域不包括任何血管，则确定该高密度区域包括胸腔积液。以这种方式，图像中的多个定位的血管还可以用于确定图像中的胸腔积液的位置。
因此，提供了一种克服了现有问题的、用于确定肺的图像中的高密度肺组织的区域的改进的系统和方法。
还提供了一种包括计算机可读介质的计算机程序产品，所述计算机可读介质具有在其中实现的计算机可读代码，所述计算机可读代码被配置为使得在由合适的计算机或处理器运行时，使所述计算机或处理器执行本文所述的一种或多种方法。因此，将意识到，本公开还适用于适于将实施例付诸实践的计算机程序，特别是在载体上或载体中的计算机程序。该程序可以是源代码、目标代码、代码中间源和目标代码的形式，例如部分编译的形式，或者是适用于根据本文所述的实施例的方法的实施方式的任何其他形式。
还将意识到，这样的程序可以具有许多不同的架构设计。例如，可以将实施该方法或系统的功能的程序代码细分为一个或多个子例程。在这些子例程中间分配功能的许多不同方式对于技术人员将是显而易见的。子例程可以一起存储在一个可执行文件中，以形成自包含程序。这样的可执行文件可以包括计算机可执行指令，例如，处理器指令和/或解释器指令(例如，Java解释器指令)。备选地，一个或多个或所有子例程可以被存储在至少一个外部库文件中，并且静态地或动态地(例如，在运行时间处)与主程序链接。主程序包含对子例程中至少一个的至少一个调用。子例程还可以包括对彼此的函数调用。
与计算机程序产品有关的实施例包括与本文阐述的方法中的至少一个的每个处理阶段相对应的计算机可执行指令。这些指令可以细分为子例程和/或存储在可以静态或动态链接的一个或多个文件中。与计算机程序产品有关的另一实施例包括与在本文阐述的系统和/或产品中的至少一个的每个模块相对应的计算机可执行指令。这些指令可以细分为子例程和/或存储在可以静态或动态链接的一个或多个文件中。
计算机程序的载体可以是能够承载程序的任何实体或模块。例如，载体可以包括数据存储设备，诸如ROM，例如，CD ROM或半导体ROM，或者磁记录介质，例如，硬盘。此外，载体可以是可传输载体，诸如电信号或光信号，其可以经由电缆或光缆或通过无线电或其他手段来传达。当程序以这样的信号实现时，载体可以由这样的线缆或其他设备或模块构成。备选地，载体可以是其中嵌入程序的集成电路，集成电路适于执行相关方法或在相关方法的执行中使用。
通过研究附图、公开内容和所附权利要求，本领域技术人员可以理解和实现所公开的实施例的变型。在权利要求书中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以履行权利要求书中所记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定措施，但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起提供或作为其他硬件的部分提供的光学存储介质或固态介质，但计算机程序也可以以其他形式来分布，例如经由因特网或者其他有线或无线电信系统分布。权利要求书中的任何附图标记不应被解读为对范围的限制。

Claims (15)

1.一种被配置用于确定肺的图像中的高密度肺实质的区域的系统(100)，所述系统(100)包括：
存储器(106)，其包括表示一组指令的指令数据；
处理器(102)，其被配置为与所述存储器(106)进行通信并且运行所述一组指令，其中，所述一组指令当由所述处理器(102)运行时使所述处理器(102)：
定位所述图像中的血管；
确定所述图像中与所定位的血管相邻的区域中的肺实质的密度；并且
基于所确定的密度来确定所述图像的所述区域是否包括高密度肺实质，高密度肺实质具有大于-800HU的密度。
2.根据权利要求1所述的系统(100)，其中，使所述处理器(102)确定所述区域中的肺实质的密度包括：
使所述处理器(102)确定所述图像中围绕所定位的血管的区域中的肺实质的所述密度。
3.根据权利要求1或2中的任一项所述的系统(100)，其中，所述图像包括多个图像分量；并且
其中，所述区域中的肺实质的所确定的密度是所述区域中的所述图像分量的密度值的分布。
4.根据权利要求3所述的系统(100)，其中，密度值的所述分布包括所述区域中的所述图像分量的密度值的直方图。
5.根据前述权利要求中的任一项所述的系统(100)，其中，如果所述区域被确定为包括高密度肺实质，则所述一组指令当由所述处理器(102)运行时还使所述处理器(102)：
使用所述图像中与所定位的血管相邻的所述区域中的密度值的分布来识别与所述高密度肺实质相关联的医学状况。
6.根据前述权利要求中的任一项所述的系统(100)，其中，所述一组指令当由所述处理器(102)运行时还使所述处理器(102)：
确定所述图像中的骨骼的位置；并且
在所述区域与所述骨骼的所确定的位置交叠的情况下确定所述区域中不存在高密度肺实质。
7.根据前述权利要求中的任一项所述的系统(100)，其中，所述一组指令当由所述处理器(102)运行时还使所述处理器(102)：
确定所述图像中的高密度区域的位置；并且
在所述高密度区域的所述位置位于所述图像中与所定位的血管相邻的所述区域外部的情况下确定所述高密度区域包括胸腔积液。
8.根据前述权利要求中的任一项所述的系统(100)，其中，区域被确定为包括高密度肺实质，其中，所述区域中的所述肺实质的所述密度大于充气肺实质的平均密度。
9.根据权利要求8所述的系统(100)，其中，充气肺实质的平均密度为约-800亨氏单位(HU)。
10.根据前述权利要求中的任一项所述的系统(100)，其中，使所述处理器(102)定位所述图像中的血管包括使所述处理器(102)：
分割所述图像以定位心脏的一个或多个部分；
根据所述分割来识别血管的残端，其中，所述血管的所述残端对应于所述血管的离开所述心脏的部分；并且
使用所述残端作为开始点来定位所述图像中的所述血管。
11.根据权利要求10所述的系统(100)，其中，所述图像包括多个图像分量，并且其中，使所述处理器(102)定位所述图像中的血管包括使所述处理器(102)：
针对围绕所述残端的区域中的每个图像分量，确定指示所述图像分量包括所述血管的部分的可能性的量度；并且
根据所述残端的所述位置和所确定的量度来定位所述血管的另外的部分。
12.根据权利要求11所述的系统(100)，其中，使所述处理器(102)定位所述图像中的所述血管还包括针对被定位的所述血管的每个另外的部分，使所述处理器(102)迭代地：
针对围绕所述血管的所述另外的部分的区域中的每个图像分量，确定指示所述图像分量包括所述血管的部分的可能性的量度；并且
根据所确定的量度来定位所述血管的另一另外的部分。
13.根据前述权利要求中的任一项所述的系统(100)，其中，使所述处理器(102)定位所述图像中具有小于预定义的阈值直径的直径的血管。
14.一种用于确定肺的图像中的高密度肺实质的区域的计算机实施的方法(200)，所述方法包括：
定位(202)所述图像中的血管；
确定(204)所述图像中与所定位的血管相邻的区域中的肺实质的密度；并且
基于所确定的密度来确定(206)所述图像的所述区域是否包括高密度肺实质，高密度肺实质具有大于-800HU的密度。
15.一种包括计算机可读介质的计算机程序产品，所述计算机可读介质具有在其中实现的计算机可读代码，所述计算机可读代码被配置为使得在由合适的计算机或处理器运行时使所述计算机或处理器执行根据权利要求14所述的方法。
CN201880071495.3A 2017-09-05 2018-09-04 确定肺图像中高密度肺组织的区域 Pending CN111295665A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762554197P 2017-09-05 2017-09-05
US62/554,197 2017-09-05
EP17192665.2 2017-09-22
EP17192665.2A EP3460712A1 (en) 2017-09-22 2017-09-22 Determining regions of hyperdense lung tissue in an image of a lung
PCT/EP2018/073711 WO2019048418A1 (en) 2017-09-05 2018-09-04 DETERMINATION OF REGIONS OF HYPERDENSE PULMONARY TISSUE IN AN IMAGE OF A LUNG

Publications (1)

Publication Number Publication Date
CN111295665A true CN111295665A (zh) 2020-06-16

Family

ID=59968986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880071495.3A Pending CN111295665A (zh) 2017-09-05 2018-09-04 确定肺图像中高密度肺组织的区域

Country Status (5)

Country Link
US (1) US11348229B2 (zh)
EP (2) EP3460712A1 (zh)
JP (1) JP7257388B2 (zh)
CN (1) CN111295665A (zh)
WO (1) WO2019048418A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111657985A (zh) * 2020-06-30 2020-09-15 杭州依图医疗技术有限公司 肺部影像信息的处理方法、显示方法及可读存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706541B (zh) * 2020-05-20 2024-04-19 青岛海信医疗设备股份有限公司 一种图像处理方法及装置
CN113261985B (zh) * 2021-06-29 2024-06-28 上海长征医院 一种医学图像处理方法、装置、介质及电子设备
EP4167181A1 (en) 2021-10-18 2023-04-19 Koninklijke Philips N.V. System and method for evaluating a pulmonary ventilation and perfusion gradient

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
US20060056691A1 (en) * 2004-08-10 2006-03-16 Michael Vaz System and method for 3D visualization of lung perfusion or density and statistical analysis thereof
CN107045721A (zh) * 2016-10-24 2017-08-15 东北大学 一种从胸部ct图像中提取肺血管的方法及装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6058322A (en) 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
US7058210B2 (en) * 2001-11-20 2006-06-06 General Electric Company Method and system for lung disease detection
US7397937B2 (en) 2001-11-23 2008-07-08 R2 Technology, Inc. Region growing in anatomical images
WO2004088589A1 (en) * 2003-04-04 2004-10-14 Philips Intellectual Property & Standards Gmbh Volume measurements in 3d datasets
WO2006093523A2 (en) * 2004-07-15 2006-09-08 Kenji Suzuki Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose ct
US7876936B2 (en) * 2006-01-31 2011-01-25 Mevis Medical Solutions, Inc. Method for segmenting arteries and veins
US7773791B2 (en) * 2006-12-07 2010-08-10 Carestream Health, Inc. Analyzing lesions in a medical digital image
CN101686822A (zh) * 2007-07-11 2010-03-31 皇家飞利浦电子股份有限公司 用于采集冠状血管，尤其是冠状静脉的3维图像的方法
US9679389B2 (en) * 2009-05-19 2017-06-13 Algotec Systems Ltd. Method and system for blood vessel segmentation and classification
EP2443587B1 (en) 2009-06-19 2014-11-05 Edda Technology, Inc. Systems for computer aided lung nodule detection in chest tomosynthesis imaging
JP4931027B2 (ja) 2010-03-29 2012-05-16 富士フイルム株式会社 医用画像診断支援装置および方法、並びにプログラム
JP5597429B2 (ja) * 2010-03-31 2014-10-01 富士フイルム株式会社 医用画像処理装置および方法、並びにプログラム
WO2013155358A1 (en) * 2012-04-11 2013-10-17 The Trustees Of Columbia University In The City Of New York Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects
US9240034B2 (en) 2012-06-08 2016-01-19 Advanced Micro Devices, Inc. Biomedical data analysis on heterogeneous platform
US9471989B2 (en) * 2013-06-03 2016-10-18 University Of Florida Research Foundation, Inc. Vascular anatomy modeling derived from 3-dimensional medical image processing
JP6257949B2 (ja) 2013-08-06 2018-01-10 東芝メディカルシステムズ株式会社 画像処理装置および医用画像診断装置
JP6195681B2 (ja) 2014-05-19 2017-09-13 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 造影画像データにおける関心組織の視覚化
CN104809730B (zh) * 2015-05-05 2017-10-03 上海联影医疗科技有限公司 从胸部ct图像提取气管的方法和装置
US10157467B2 (en) * 2015-08-07 2018-12-18 Arizona Board Of Regents On Behalf Of Arizona State University System and method for detecting central pulmonary embolism in CT pulmonary angiography images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
US20060056691A1 (en) * 2004-08-10 2006-03-16 Michael Vaz System and method for 3D visualization of lung perfusion or density and statistical analysis thereof
CN107045721A (zh) * 2016-10-24 2017-08-15 东北大学 一种从胸部ct图像中提取肺血管的方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GIORGIO DE NUNZIO ET AL.: "Automatic Lung Segmentation in CT Images with Accurate Handling of the Hilar Region", pages 11 - 27 *
PRAGNYA MADUSKAR ET AL: "Automatic detection of pleural effusion in chest radiographs", pages 22 *
TONG JIA ET AL: "A novel lung nodules detection scheme based on vessel segmentation on CT images", pages 3179 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111657985A (zh) * 2020-06-30 2020-09-15 杭州依图医疗技术有限公司 肺部影像信息的处理方法、显示方法及可读存储介质

Also Published As

Publication number Publication date
EP3679514A1 (en) 2020-07-15
JP2020532376A (ja) 2020-11-12
EP3679514B1 (en) 2023-11-08
EP3460712A1 (en) 2019-03-27
US11348229B2 (en) 2022-05-31
US20210065361A1 (en) 2021-03-04
WO2019048418A1 (en) 2019-03-14
JP7257388B2 (ja) 2023-04-13

Similar Documents

Publication Publication Date Title
US10079071B1 (en) Method and system for whole body bone removal and vascular visualization in medical image data
US8600133B2 (en) Selection of snapshots of a medical image sequence
US9117259B2 (en) Method and system for liver lesion detection
JP5764147B2 (ja) 心臓イメージングにおける関心領域定義
US7756316B2 (en) Method and system for automatic lung segmentation
Abd-Elaziz et al. Liver tumors segmentation from abdominal CT images using region growing and morphological processing
US20080101674A1 (en) Method and system for automatic analysis of blood vessel structures and pathologies
US8165376B2 (en) System and method for automatic detection of rib metastasis in computed tomography volume
JP2013522712A5 (zh)
US11348229B2 (en) Determining regions of hyperdense lung tissue in an image of a lung
CN105793893B (zh) 解剖结构的基于模型的分割
US9582934B2 (en) Method and system for efficient extraction of a silhouette of a 3D mesh
Zsoter et al. PET-CT based automated lung nodule detection
Yamaguchi et al. Three-dimensional semiautomatic liver segmentation method for non-contrast computed tomography based on a correlation map of locoregional histogram and probabilistic atlas
Hemmati et al. Semi-automated carotid lumen segmentation in computed tomography angiography images
Hemmati et al. Segmentation of carotid arteries in computed tomography angiography images using fast marching and graph cut methods
JP2001357381A (ja) 異常陰影候補検出方法および検出システム
KR101494975B1 (ko) 3차원 자동 유방 초음파 영상의 유두 자동 검출 시스템 및 그 검출 방법
JP2002133397A (ja) 異常陰影候補検出装置
US20240177317A1 (en) Method for processing medical image
Noorda et al. Segmentation of the Cartilage in the Rib Cage in 3D MRI
JP2001346787A (ja) 異常陰影候補検出方法および検出システム
Tang et al. An algorithm for fully automatic detection of calcium in chest ct imaging
García-Berná et al. Calcification detection of abdominal aorta in CT images and 3D visualization In VR devices
Noorda et al. Rib detection in 3D MRI using dynamic programming based on vesselness and ridgeness

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination