[go: up one dir, main page]

CN104700397B - 医用图像中的构造物分割用的医用图像处理装置 - Google Patents

医用图像中的构造物分割用的医用图像处理装置 Download PDF

Info

Publication number
CN104700397B
CN104700397B CN201410742244.7A CN201410742244A CN104700397B CN 104700397 B CN104700397 B CN 104700397B CN 201410742244 A CN201410742244 A CN 201410742244A CN 104700397 B CN104700397 B CN 104700397B
Authority
CN
China
Prior art keywords
mentioned
image data
medical image
classification
feature
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.)
Active
Application number
CN201410742244.7A
Other languages
English (en)
Other versions
CN104700397A (zh
Inventor
B·莫赫
M·拉择图
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.)
Canon Medical Systems Corp
Original Assignee
Toshiba Medical Systems Corp
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 Toshiba Medical Systems Corp filed Critical Toshiba Medical Systems Corp
Publication of CN104700397A publication Critical patent/CN104700397A/zh
Application granted granted Critical
Publication of CN104700397B publication Critical patent/CN104700397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Evolutionary Biology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)
  • Nuclear Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)

Abstract

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。

Description

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。或者，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 calciumclassification)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模块或者其他的软件组件并执行。
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 coronaryarteries for volumetric CT digital subtraction angiography”、InternationalConference on Graphic and Image Processing(SPIE的程序)、第8768卷、876834-1～876834-6页、2013中进行了记载。可以说图6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 forclassification and analysis of multivariate observations”(Proceedings of theFifth Symposium on Math，Statistics，and Probability，281～297页、University ofCalifornia 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”(SignalProcessing 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。或者，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 andstenosis detection and quantification in coronary CTA”、Proc.of MICCAIWorkshop“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。划定的管状的形状意图概略地对血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。

Claims (29)

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并包含高吸收体区域的非造影图像确定上述高吸收体区域；
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，上述第1集合与上述第2集合不同；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，
上述第1集合包含上述第1构造物区域，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。
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2构造物区域是血管壁或者血管内腔区域。
11.根据权利要求10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。
12.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。
13.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。
14.根据权利要求13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。
15.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。
16.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。
17.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。
18.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。
19.根据权利要求18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。
20.根据权利要求19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。
21.根据权利要求19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。
22.根据权利要求21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。
23.根据权利要求22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。
24.根据权利要求23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。
25.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。
26.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集合分别具备体医用图像数据。
27.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。
28.一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，上述第1集合与上述第2集合不同；
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，上述医用图像的第1集合包含上述第1类型的特征，上述第1类型的特征包括钙化和支架中的至少一个，上述医用图像的第1集合包括非造影图像；
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，上述第2类型的特征包括血管，上述医用图像的第2集合包括减影图像以及造影图像中的至少一个；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。
29.一种用于对医用图像数据进行分割的装置，其特征在于，具备：
用于得到表示第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集合的部件，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，上述第1集合与上述第2集合不同；
用于从医用图像数据的上述第1集合判断第1类型的特征的分类的部件，上述医用图像的第1集合包含上述第1类型的特征，上述第1类型的特征包括钙化和支架中的至少一个，上述医用图像的第1集合包括非造影图像；
用于从医用图像数据的上述第2集合判断第2类型的特征的分类的部件，上述第2类型的特征包括血管，上述医用图像的第2集合包括减影图像以及造影图像中的至少一个；以及
用于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的部件。
CN201410742244.7A 2013-12-06 2014-12-08 医用图像中的构造物分割用的医用图像处理装置 Active CN104700397B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/099,092 2013-12-06
US14/099,092 US9311570B2 (en) 2013-12-06 2013-12-06 Method of, and apparatus for, segmentation of structures in medical images

Publications (2)

Publication Number Publication Date
CN104700397A CN104700397A (zh) 2015-06-10
CN104700397B true CN104700397B (zh) 2018-03-09

Family

ID=53271692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410742244.7A Active CN104700397B (zh) 2013-12-06 2014-12-08 医用图像中的构造物分割用的医用图像处理装置

Country Status (3)

Country Link
US (1) US9311570B2 (zh)
JP (2) JP6510221B2 (zh)
CN (1) CN104700397B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9595088B2 (en) * 2013-11-20 2017-03-14 Toshiba Medical Systems Corporation Method of, and apparatus for, visualizing medical image data
US20150164605A1 (en) * 2013-12-13 2015-06-18 General Electric Company Methods and systems for interventional imaging
US9697603B2 (en) * 2014-12-19 2017-07-04 Toshiba Medical Systems Corporation Medical image data processing system and method for vessel segmentation using pre- and post-contrast data
US9962086B2 (en) * 2015-03-31 2018-05-08 Toshiba Medical Systems Corporation Medical image data processing apparatus and method for determining the presence of an abnormality
US10037603B2 (en) * 2015-05-04 2018-07-31 Siemens Healthcare Gmbh Method and system for whole body bone removal and vascular visualization in medical image data
US10664970B2 (en) * 2015-07-27 2020-05-26 Koninklijke Philips N.V. Apparatus and method of automatic pre and post quantitative coronary angiography for qualifying an outcome of a vascular treatment
WO2017086433A1 (ja) * 2015-11-19 2017-05-26 国立大学法人 東京大学 医用画像処理方法及び装置及びシステム及びプログラム
CN106725564B (zh) * 2015-11-25 2021-08-13 东芝医疗系统株式会社 图像处理装置及图像处理方法
US9984314B2 (en) * 2016-05-06 2018-05-29 Microsoft Technology Licensing, Llc Dynamic classifier selection based on class skew
US11182901B2 (en) * 2016-06-29 2021-11-23 Koninklijke Philips N.V. Change detection in medical images
JP7104034B2 (ja) * 2016-11-30 2022-07-20 コーニンクレッカ フィリップス エヌ ヴェ スペクトルｃｔにおける骨及びハードプラークのセグメンテーション
CN108172275B (zh) * 2016-12-05 2022-02-11 北京东软医疗设备有限公司 一种医学影像处理方法及装置
CN106803241A (zh) * 2017-01-20 2017-06-06 深圳市安健科技股份有限公司 血管造影图像的处理方法及装置
JP6817128B2 (ja) * 2017-03-29 2021-01-20 ザイオソフト株式会社 医用画像処理装置、医用画像処理方法、及び医用画像処理プログラム
JP7175606B2 (ja) * 2017-04-13 2022-11-21 キヤノンメディカルシステムズ株式会社 医用画像処理装置、その制御方法、及びプログラム
CN108389193B (zh) * 2018-02-12 2021-03-16 中国人民解放军第三军医大学 一种颈动脉支架后三维体素模型分析方法及系统
JP7022195B2 (ja) * 2018-02-28 2022-02-17 富士フイルム株式会社 機械学習装置、方法およびプログラム並びに記録媒体
CN109859140A (zh) * 2019-02-15 2019-06-07 数坤（北京）网络科技有限公司 一种用于医疗图像的修复方法及设备
JP2022543330A (ja) * 2019-08-05 2022-10-12 エルシド バイオイメージング インコーポレイテッド 形態学的および血管周囲疾患の複合評価
JP2021051573A (ja) * 2019-09-25 2021-04-01 キヤノン株式会社 画像処理装置、および画像処理装置の制御方法
US20230394670A1 (en) * 2020-10-20 2023-12-07 The Johns Hopkins University Anatomically-informed deep learning on contrast-enhanced cardiac mri for scar segmentation and clinical feature extraction
FR3117329A1 (fr) * 2020-12-15 2022-06-17 Nurea Procédé d’aide au diagnostic d’une maladie cardiovasculaire d’un vaisseau sanguin
KR102534166B1 (ko) * 2020-12-16 2023-05-18 성균관대학교산학협력단 혈관계 다형성 선정보를 이용한 구조적 거시 혈관계와 미세 혈관계의 기능적 지도의 영상 복원 방법 및 장치
US11678853B2 (en) * 2021-03-09 2023-06-20 Siemens Healthcare Gmbh Multi-task learning framework for fully automated assessment of coronary artery disease
CN115131270B (zh) 2021-03-26 2025-08-19 西门子(深圳)磁共振有限公司 医疗成像中的图像呈现方法及系统、成像系统及存储介质
CN113077441B (zh) * 2021-03-31 2024-09-27 上海联影智能医疗科技有限公司 冠脉钙化斑块分割方法和计算冠脉钙化积分的方法
CN113456093B (zh) * 2021-06-09 2024-06-28 北京东软医疗设备有限公司 图像处理方法、装置及图像处理系统
KR102695790B1 (ko) * 2022-03-03 2024-08-20 연세대학교 산학협력단 하이브리드 방식을 통한 관상동맥 ct 이미지에서의 관상동맥 및 상행 대동맥 자동 추출 시스템 및 그 방법
CN119318543B (zh) * 2023-07-17 2025-10-10 上海联影医疗科技股份有限公司 医学影像的血管跟踪方法、手术路径的规划方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7995824B2 (en) * 2006-02-10 2011-08-09 University Of Medicine And Dentistry Of New Jersey Precision subtraction computed tomographic angiography
CN102688060A (zh) * 2011-03-23 2012-09-26 株式会社东芝 图像处理装置、x 线ct 装置以及图像处理方法

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05336447A (ja) 1992-05-31 1993-12-17 Shimadzu Corp Ｘ線撮像装置
US5602891A (en) 1995-11-13 1997-02-11 Beth Israel Imaging apparatus and method with compensation for object motion
US6922462B2 (en) * 2002-07-31 2005-07-26 Ge Medical Systems Global Technology Company, Llc Method, system and computer product for plaque characterization
EP1392047B1 (en) * 2002-08-22 2013-10-30 Samsung Electronics Co., Ltd. Digital document processing for image enhancement
US7764814B2 (en) * 2003-07-10 2010-07-27 Mount Sinai School Of Medicine Display and analysis of multicontrast-weighted magnetic resonance images
JP2005034211A (ja) * 2003-07-16 2005-02-10 Fuji Photo Film Co Ltd 画像判別装置、方法およびプログラム
US20060036167A1 (en) * 2004-07-03 2006-02-16 Shina Systems Ltd. Vascular image processing
JP4874810B2 (ja) * 2004-11-26 2012-02-15 株式会社東芝 Ｘ線ｃｔ装置
JP2006181149A (ja) 2004-12-28 2006-07-13 Canon Inc 放射線画像処理装置、放射線画像処理方法、プログラム及びコンピュータ可読媒体
US7796815B2 (en) * 2005-06-10 2010-09-14 The Cleveland Clinic Foundation Image analysis of biological objects
US9299156B2 (en) * 2005-10-17 2016-03-29 The General Hospital Corporation Structure-analysis system, method, software arrangement and computer-accessible medium for digital cleansing of computed tomography colonography images
US7620227B2 (en) * 2005-12-29 2009-11-17 General Electric Co. Computer-aided detection system utilizing temporal analysis as a precursor to spatial analysis
US20070160276A1 (en) * 2005-12-29 2007-07-12 Shoupu Chen Cross-time inspection method for medical image diagnosis
DE102006046285A1 (de) 2006-09-29 2009-04-23 Siemens Ag Verfahren zur Gefäßhervorhebung und Segmentierung in 3D Volumendaten
US8077939B2 (en) * 2006-11-22 2011-12-13 General Electric Company Methods and systems for enhanced plaque visualization
WO2010058398A2 (en) * 2007-03-08 2010-05-27 Sync-Rx, Ltd. Image processing and tool actuation for medical procedures
US8229201B2 (en) * 2007-06-15 2012-07-24 General Electric Company Systems, methods and apparatus for plaque visualization and quantification using fuzzy and adaptive region classes
US8311306B2 (en) * 2008-04-30 2012-11-13 Otismed Corporation System and method for image segmentation in generating computer models of a joint to undergo arthroplasty
US9070181B2 (en) 2007-12-21 2015-06-30 General Electric Company System and method for extracting features of interest from an image
JP5337416B2 (ja) * 2008-07-02 2013-11-06 株式会社東芝 画像処理装置及び画像診断装置
US8064674B2 (en) * 2008-11-03 2011-11-22 Siemens Aktiengesellschaft Robust classification of fat and water images from 1-point-Dixon reconstructions
CA2753488C (en) * 2009-02-25 2014-04-29 Mohamed Rashwan Mahfouz Customized orthopaedic implants and related methods
US20110019889A1 (en) * 2009-06-17 2011-01-27 David Thomas Gering System and method of applying anatomically-constrained deformation
US8797405B2 (en) * 2009-08-31 2014-08-05 Behavioral Recognition Systems, Inc. Visualizing and updating classifications in a video surveillance system
WO2011039681A1 (en) * 2009-09-29 2011-04-07 Koninklijke Philips Electronics N.V. Live registration for vessel treatment
US8478011B2 (en) * 2009-10-01 2013-07-02 Cerebral Data Systems, Inc. Image segmentation method
US8838201B2 (en) * 2010-06-22 2014-09-16 The Johns Hopkins University Atlas-based analysis for image-based anatomic and functional data of organism
EP2595541B1 (en) * 2010-07-19 2020-09-30 Koninklijke Philips N.V. Adaptive roadmapping
US8494244B2 (en) * 2010-09-27 2013-07-23 General Electric Company System and method for blood vessel stenosis visualization and quantification using spectral CT analysis
WO2012046844A1 (ja) * 2010-10-08 2012-04-12 株式会社東芝 医用画像処理装置
US9245208B2 (en) * 2011-08-11 2016-01-26 The Regents Of The University Of Michigan Patient modeling from multispectral input image volumes
JP5173050B2 (ja) * 2012-06-04 2013-03-27 株式会社東芝 医用画像処理装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7995824B2 (en) * 2006-02-10 2011-08-09 University Of Medicine And Dentistry Of New Jersey Precision subtraction computed tomographic angiography
CN102688060A (zh) * 2011-03-23 2012-09-26 株式会社东芝 图像处理装置、x 线ct 装置以及图像处理方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AdaBoost Classification for Model Based Segmentation of the Outer Wall of the Common Carotid Artery in CTA;Vukadinovic D 等;《Medical Imaging.International Society for Optics and Photonics》;20081231;第6914卷;第1-4页 *
Segmentation of the Outer Vessel Wall of the;Vukadinovic D 等;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20100131;第29卷(第1期);第65-76页 *
基于GA 与模糊连接的冠状动脉造影图像分割;闫灿 等;《医学物理与工程学》;20091231;第25卷(第3期);第488-491页 *
基于图像配准的数字减影图像增强研究;周正东 等;《计算机工程与应用》;20021231;第38卷(第14期);第112页 *

Also Published As

Publication number Publication date
US9311570B2 (en) 2016-04-12
US20150161782A1 (en) 2015-06-11
JP2015112487A (ja) 2015-06-22
CN104700397A (zh) 2015-06-10
JP2019055230A (ja) 2019-04-11
JP6510221B2 (ja) 2019-05-08
JP6703082B2 (ja) 2020-06-03

Similar Documents

Publication Publication Date Title
CN104700397B (zh) 医用图像中的构造物分割用的医用图像处理装置
US11816836B2 (en) Method and system for assessing vessel obstruction based on machine learning
JP6058093B2 (ja) 医療用画像のコンピュータ支援による解析装置、および、医療用画像解析のためのコンピュータプログラム
Shahzad et al. Vessel specific coronary artery calcium scoring: an automatic system
JP6877868B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
Athanasiou et al. Three-dimensional reconstruction of coronary arteries and plaque morphology using CT angiography–comparison and registration with IVUS
JP2011517986A (ja) 腹部大動脈瘤の自動検知および正確なセグメント分割
US20180199997A1 (en) Method and apparatus for segmentation of blood vessels
EP3005291B1 (en) Automated aorta detection in a cta volume
US20050063579A1 (en) Method of automatically detecting pulmonary nodules from multi-slice computed tomographic images and recording medium in which the method is recorded
Saur et al. Automatic detection of calcified coronary plaques in computed tomography data sets
WO2022164374A1 (en) Automated measurement of morphometric and geometric parameters of large vessels in computed tomography pulmonary angiography
M'hiri et al. A graph-based approach for spatio-temporal segmentation of coronary arteries in X-ray angiographic sequences
KR101611488B1 (ko) 의료 영상에서 아티팩트와 병변을 구분하는 방법
EP3928285B1 (en) Systems and methods for calcium-free computed tomography angiography
Sobisch et al. Automated intracranial vessel labeling with learning boosted by vessel connectivity, radii and spatial context
Wu et al. A fully automated multi-modal computer aided diagnosis approach to coronary calcium scoring of MSCT images
M’hiri et al. Automatic evaluation of vessel diameter variation from 2D X-ray angiography
Jähne et al. Novel techniques for automatically enhanced visualization of coronary arteries in msct data and for drawing direct comparisons to conventional angiography
Shingrani et al. Automation process for morphometric analysis of volumetric CT data from pulmonary vasculature in rats
Chen Analysis of Cardiovascular Disease using Cardiac Computed Tomography and Deep Learning
Mordang et al. A pattern recognition framework for vessel segmentation in 4D CT of the brain
Kigka et al. on Computed Tomography Coronary Angiography Images: Comparison with Virtual Histology Intravascular
Isgum et al. Automatic coronary calcium scoring in low-dose non-ECG-synchronized thoracic CT scans
de Gouw Automatic Coronary Calcium Scoring using Computed Tomography

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20160711

Address after: Japan Tochigi

Applicant after: Toshiba Medical System Co., Ltd.

Address before: Tokyo, Japan, Japan

Applicant before: Toshiba Corp

Applicant before: Toshiba Medical System Co., Ltd.

GR01 Patent grant
GR01 Patent grant