[go: up one dir, main page]

CN107111881B - 对应性概率图驱动的可视化 - Google Patents

对应性概率图驱动的可视化 Download PDF

Info

Publication number
CN107111881B
CN107111881B CN201580069219.XA CN201580069219A CN107111881B CN 107111881 B CN107111881 B CN 107111881B CN 201580069219 A CN201580069219 A CN 201580069219A CN 107111881 B CN107111881 B CN 107111881B
Authority
CN
China
Prior art keywords
image
image data
probability map
data set
correspondence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201580069219.XA
Other languages
English (en)
Other versions
CN107111881A (zh
Inventor
S·卡布斯
H·卡洛卢斯
H·施米特
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 CN107111881A publication Critical patent/CN107111881A/zh
Application granted granted Critical
Publication of CN107111881B publication Critical patent/CN107111881B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/412—Dynamic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种方法生成并使用用于对两个图像数据集进行可视化的对应性概率图。该方法包括获得两个图像数据集并获得包括对应性模型的图像配准算法。该方法还包括配准两个图像数据集以生成位移向量场，并且基于两个图像数据集使用对应性模型来生成对应性概率图。该方法还包括使用对应性概率图来可视化两个图像数据集。计算系统(120)包括：存储器设备(124)，其被配置为存储指令，包括可视化模块(130)；以及处理器(122)，其运行该指令，该指令令处理器生成并采用用于对两个图像数据集进行可视化的对应性概率图。

Description

对应性概率图驱动的可视化
技术领域
以下总体地涉及成像，并且更具体地涉及对应性概率图驱动的可视化，并且具体应用于计算机断层摄影(CT)来描述。然而，以下适用于其它成像模态，例如，磁共振成像(MRI)、正电子发射断层摄影(PET)、单光子发射断层摄影(SPECT)、X射线、超声(US)和/或其它成像模态。
背景技术
当使用立体图像对为观众提供空间深度的印象时，图像对准是现代娱乐业中重要的一步。为了以一致的方式操纵立体图像对，需要一致的对象选择。根据Brian L Price等人2011年11月6日在计算机视觉(ICCV)2011IEEE国际会议中，IEEE，第1148-1155页，XP032101316，DOI：10.1109/ICCV.2011.6126363ISBN：97 8-1-4577-1101-5的文章“StereoCut:Consistent interactive object selection in stereo image pairs”，已知使用用于一致对象选择的对应术语。
图像对准(或图像配准或图像融合)用于后续图像分析，以提供在不同疾病状态下采集的医学图像的结构方面或体素方面的比较。例如，可以通过比较基线图像数据集和后续图像数据集来完成医师的视觉检查。一种方法包括并排显示两个图像数据集，其具有或不具有诸如在两个图像数据集中的对应解剖位置处交叠的十字准线的标记。通过这种方法，读者可以浏览每个潜在的可疑解剖位置，然后对下层结果进行视觉上的并排比较。
另一种方法包括在相同图像查看窗口中交替显示两个对准的图像数据集。在比较期间识别的任何差异可能是由于病理变化(例如，病变已经出现或肿瘤已经收缩)，并且因此对于治疗管理是非常重要的。使用这种方法，比较完全被委托给人眼，并且图像阅读器导航到每一个潜在的可疑解剖位置。是否存在病理变化的决定由人眼快速探测差异/移动以及存在、尺寸或体积变化的能力极大支持。
另一种方法包括显示使用针对每个图像数据集的不同颜色融合的两个对准的图像数据集。使用灰度编码来显示两个图像数据集中相同的体素强度。典型的输出示出了灰度中的大部分图像数据集，并且只利用颜色变化显示结构。这种方法需要利用相同成像模态和协议采集的图像数据集。否则，使用颜色编码方案会错误地显示融合图像数据集的部分。
遗憾地，所有上述比较方法往往需要医师大量的阅读时间，其在其他情况下可能会与患者一起花费。鉴于至少以上，对于用于比较图像数据集的其它方法存在未解决的需求。
发明内容
本文描述的方面解决了上述问题和其它问题。
在一个方面中，一种方法生成并使用用于第一和第二图像数据集的可视化的对应性概率图。所述方法包括：获得第一和第二图像数据集并获得包括对应性模型的图像配准算法。所述方法还包括：基于第一和第二图像数据集，使用所述对应性模型来生成对应性概率图。所述方法还包括：通过根据所述对应性概率图抑制具有不满足预定阈值的对应性的图像区域来将所述第一图像数据集和所述第二图像数据集可视化。
在另一方面中，一种计算系统包括：存储器设备以及处理器，所述存储器设备被配置为存储包括可视化模块的指令，所述处理器执行所述指令，所述指令令所述处理器生成并采用用于两个图像数据集的可视化的对应性概率图。
在另一方面中，计算机可读存储介质用计算机可读指令进行编码。所述计算机可读指令在由处理器运行时令所述处理器执行以下操作：获得基线和后续图像数据集，获得包括对应性模型的图像配准算法，配准所述基线和后续图像数据集以利用所述对应模式基于所述基线和后续图像数据集生成对应性概率图，并且通过根据所述对应性概率图抑制具有不满足预定阈值的对应性的图像区域来显示所述基线图像数据集和所述后续图像数据集。
本发明可以采取各种部件和部件布置的形式，并且可以采取各步骤和步骤安排的形式。附图仅是为了图示优选实施例，而不应被解释为对本发明的限制。
附图说明
图1示意性地图示了与具有可视化模块的计算系统结合的范例成像系统。
图2示意性地图示了可视化模块的范例。
图3图示了采用用于图像数据集的可视化的对应性概率图的范例方法。
具体实施方式
以下描述了采用对应性概率图来增强两个图像数据集(例如，基线和后续图像数据集)的可视化的方法。对应性概率图识别两个数据集之间的对应区域(例如，基线与后续图像数据集之间没有变化)和不对应区域(例如，其指示病理变化)。对应性概率图用于视觉上抑制具有不满足预定阈值的对应性的图像区域。
图1图示了成像系统100，例如计算机断层摄影(CT)扫描器。成像系统100包括固定机架102和旋转机架104，旋转机架104由固定机架102可旋转地支撑并关于z轴绕检查区域106旋转。诸如X射线管的辐射源108由旋转机架104可旋转地支撑，与旋转机架104一起旋转，并且发射穿过检查区域106的辐射。
探测器阵列110相对于辐射源108对着与检查区域106围成一角弧，探测穿过检查区域106的辐射，并生成指示其的投影数据。重建器112重建投影数据并生成体积图像数据。对象支撑体114支撑检查区域106中的对象。操作者控制台116包括诸如监测器的人类可读输出设备以及诸如键盘、鼠标等的输入设备。驻留在控制台116上的软件允许操作者操作系统100。
数据存储库118存储体积图像数据，诸如由重建器112和/或其它设备生成的体积图像数据。在一个实例中，这包括对应于基线和后续扫描(在相同检查期间采集但是具有不同的协议和/或造影剂摄取等的两个扫描)的图像数据。通常，基线扫描是在较早疾病状态下的扫描，并且后续扫描是在稍后疾病状态处的扫描。数据存储库的范例包括影像归档和通信系统(PACS)、放射学信息系统(RIS)、医院信息系统(HIS)、电子病历(EMR)、数据库、服务器、成像系统等。
计算系统120包括至少一个处理器122(例如，微处理器、中央处理单元等)，其运行存储在计算机可读存储介质(“存储器”)124中的至少一个计算机可读指令，计算机可读存储介质124不包括暂态介质并且包括物理存储器和/或其它非暂态介质。处理器122还可以运行由载波、信号或其它暂态介质承载的一个或多个计算机可读指令。计算系统120还包括输出设备126(诸如显示监测器等)以及输入设备128(诸如鼠标、键盘等)。
在该范例中，至少一个计算机可读指令包括可视化模块130。如下面更详细描述的，可视化模块130的指令在由至少一个处理器122运行时令处理器122生成和采用对应性概率图来可视化两个图像数据集。例如，对应性概率图可以用于响应于不满足预定对应性阈值的区域的对应性来淡化(fade out)(一个或多个)所显示的图像数据集的区域。
所得到的显示可以用于将图像读取器引导到具有下层变化的一个或多个图像位置(例如，不被不变化的解剖结构(其被淡化)分散)。在一个实例中，这对于用不同模式采集的解剖结构经常在尺寸或位置方面表现为不同的多模态应用而言是有益的。此外，这可以减少检查位置的数量，例如相对于不采用可视化模块130的配置减少医师的大量阅读时间。
图2示意性地图示了可视化模块130的范例。
可视化模块130包括图像配准处理器202。图像配准处理器202接收输入，两个数据集，诸如用于第一或基线扫描的第一或基线数据集以及用于随后或后续扫描的随后或后续数据集，其在第一或基线扫描之后被执行(例如，在处置之后)。图像配准处理器202配准基线和后续数据集，这产生指示两个图像数据集之间的位移向量场的信号。
在所图示的范例中，图像配准处理器202采用具有对应性模型204的配准算法。在Periaswamy等人的“Medical image registration with partial data”，Medical ImageAnalysis，2000，pp.452-64中讨论的这种算法的非限制性范例。图像配准处理器202采用对应性模型来生成对应性概率图。为此，图像配准处理器202针对两个图像数据集中的每个体素位置确定来自两个图像数据集的体素对应的概率。
作为非限制性范例，对于对应性概率图的体素，第一预定值(例如，“1”)指示两个图像数据集的体素对应，第二预定值(例如，“0”)指示来自两个图像数据集的体素不对应，其间的值指示对应与不对应之间的对应性水平。图像配准处理器202基于两个图像数据集之间的残差(residuum)的适当公式来生成对应性概率图。
通过非限制性范例，在两个图像数据集包括数据集A和数据集B的情况下，残差的适当公式包括：1)数据集A与变形数据集B或利用位移向量场变换的数据集B之间的差异(例如，这非常适合仅具有相同模态的数据集)；2)数据集A与变形数据集B之间的相关性，以及3)数据集A与变形数据集B之间的组合边缘图(例如，这非常适合于源于不同模态的数据集)。
在每个(或每几个等)迭代步骤之后重新计算公式。在一个实例中，图像配准处理器202执行两次或更多次迭代以细化对应性概率图。这种细化的对应性概率提供了对应和非对应的图像区域的分离，并且在配准期间广泛地或完全地保留病理变化(例如，在基线扫描中肿瘤比在后续扫描中更小或更大的肿瘤在变形后续扫描中既不收缩也不扩大；在组织切除后，周围组织在配准期间不变形；等)。
应当理解，即使对于单个成像模态，由于软组织和骨结构中的非对应性将被不同地处理，所以对应性概率图不能够由数据集A与变形数据集B之间的简单差异代替。
可视化模块130还包括可视化处理器206。可视化处理器采用一个或多个可视化算法208，以构建用于显示的图像。
利用第一算法210，可视化处理器206接收基线数据集、后续数据集、使来自数据集A的体素与来自数据集B的体素匹配的位移向量场以及对应性概率图作为输入。可视化处理器206将位移向量场应用于对应性概率图，并生成第二对应性概率图。第一对应性概率图对应于数据集A，并且第二对应性概率图对应于数据集B。
可视化处理器206视觉地显示彼此相邻的不同图像查看窗口或端口中的两个数据集中的每一个。每个对应性概率图用于淡化具有相应的图像数据集中的存在的对应性的所有图像区域。可视化处理器206还可以基于体素将两个图像数据集链接在一起。然后，读取器可以经由输入设备128选择第一图像中的位置处的一个显示中的体素(例如，点击图像)，并且可视化处理器206可以从位移向量场识别并显示另一个图像数据集中的匹配位置。
利用第二范例算法212，可视化处理器206接收基线数据集、变形后续数据集和对应性概率图作为输入。可视化处理器206同时显示两个数据集，例如，作为融合数据集。可视化处理器206利用概率图淡化具有存在的对应性的图像区域。
利用第三范例算法214，可视化处理器206接收基准数据集、变形后续数据集和对应性概率图作为输入。可视化处理器206以交替的方式将两个数据集显示在相同的图像查看窗口中，例如在经过预定持续时间(例如，每0.5秒)之后在两个数据集之间切换。对应性概率图用于淡化具有存在的对应性的所有图像区域。
本文还考虑了其它算法。在一个实例中，输入设备128包括基于机械或软件的滑块、旋钮等，其可以由用户用于设置和/或改变对应图像区域的抑制水平。对于100％抑制水平，只有缺少解剖学对应性的图像区域以切换/闪烁的方式显示。还可以使用70％至90％的抑制水平来显示解剖学背景。
在上述范例中，两个图像数据集包括基线和后续图像数据集。在同一会话中采集但是具有例如不同协议或造影剂摄取的两个图像数据集的情况下，图像数据集可以在没有事先配准的情况下进行比较和可视化。在这种情况下，对应性概率图基于原始数据的残差来确定。
在变型中，根据它们的重要性来分析和分类具有很少或没有对应性(即，在对应性概率图中具有低于阈值t的值)的图像区域。区域的重要性可以基于例如体积、形状或解剖学位置。然后，图像读取器被引导通过非对应的排序列表以进行更仔细检查。
在另一变型中，例如通过用户和/或以其它方式可编辑和修改在配准期间生成的对应性概率图。作为非限制性范例，读取图像的临床医师可以例如经由输入设备128给出反馈，例如在对应性概率图中指示或分配更高或更低的权重给一个或多个非对应性。这可以实现以对假阳性进行向下加权，消除假阳性等。一旦对应性概率图被修改，就可以利用经修改的对应性概率图重复配准。
图3图示了用于生成和使用用于两个图像数据集的可视化的对应性概率图的方法。
要理解，本文中描述这些方法的动作的顺序不是限制性的。这样，本文中预期其他顺序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在302处，获得两个图像数据集。如本文所描述的，在一个实例中，两个图像数据集包括基线图像数据集和后续图像数据集。
在304处，使用包括对应性模型的配准算法来配准两个图像数据集。
在306处，基于配准来创建位移向量场。
在308处，使用对应性模型和两个图像数据集之间的残差来生成对应性概率图，如本文中和/或以其它方式描述的。
在310处，利用对应性概率图来可视化两个数据集，如本文中和/或以其它方式描述的。
在变型中，在动作302与304之间，将掩模图像添加到两个图像数据集。掩模图像包括由阅读临床医师向下加权(down-weighted)或向上加权(up-weighted)的至少一个区域，并且是“固定约束”，其中，包括在对应性概率图中的概率利用来自掩模图像的值来初始化，并且不允许在迭代期间改变。
本文中的方法可以通过编码或嵌入在计算机可读存储介质上的计算机可读指令来实现，其在由(一个或多个)计算机处理器运行时令(一个或多个)处理器执行所描述的动作。额外地或备选地，计算机可读指令中的至少一个由信号、载波或其它暂态介质承载。
己经参考优选的实施例描述了本发明。他人在阅读并理解了前述详细说明之后可以进行修改和变形。本发明旨在被理解为包括所有这样的修改和变形，只要其落入权利要求书或其等价方案的范围之内。

Claims (13)

1.一种用于生成并且使用用于对第一图像数据集和第二图像数据集进行可视化的对应性概率图的方法，包括：
获得所述第一图像数据集和所述第二图像数据集；
获得包括对应性模型的图像配准算法；
利用所述图像配准算法将所述第一图像数据集与所述第二图像数据集配准，以生成位移向量场，所述位移向量场定义所述第一图像数据集中的体素位置关于所述第二图像数据集中的体素位置的位移；
基于利用所述位移向量场变形的所述第一图像数据集与所述第二图像数据集之间的差异，使用所述对应性模型来生成对应性概率图；并且
通过根据所述对应性概率图抑制具有不满足预定阈值的对应性的图像区域来将所述第一图像数据集和所述第二图像数据集可视化。
2.根据权利要求1所述的方法，还包括：
通过将所述位移向量场应用于所述对应性概率图来生成第二对应性概率图；
在第一图像显示窗口中显示所述第一图像数据集；
利用所述对应性概率图来淡化所述第一图像数据集的具有对应性的图像区域；
在第二图像显示窗口中显示所述第二图像数据集；并且
基于针对对应图像区域的抑制水平利用所述第二对应性概率图来淡化所述第二图像数据集的具有对应性的图像区域。
3.根据权利要求2所述的方法，还包括：
接收指示对所述对应性概率图的至少一个值的用户改变的反馈信号；
基于所述反馈信号来生成经修改的对应性概率图；并且
利用所述经修改的对应性概率图来重新配准所述第一图像数据集与所述第二图像数据集，以生成所述位移向量场。
4.一种计算系统(120)，包括：
存储器设备(124)，其被配置为存储包括可视化模块(130)的指令；以及
处理器(122)，其被配置为运行所述指令，其中，所述处理器被配置为：
利用包括对应性模型的图像配准算法来配准第一和第二图像数据集，以生成位移向量场，所述位移向量场定义所述第一图像数据集中的体素位置关于所述第二图像数据集中的体素位置的位移，
基于利用所述位移向量场变形的所述第一图像数据集与所述第二图像数据集之间的差异，使用所述对应性模型来生成对应性概率图，并且
通过根据所述对应性概率图抑制所述第一和第二图像数据集中的至少一个中的具有不满足预定阈值的对应性的图像区域来将所述第一和第二图像数据集可视化。
5.根据权利要求4所述的计算系统，其中，所述处理器被配置为基于所述第一和第二图像数据集之间的相关性来计算所述对应性概率图。
6.根据权利要求4所述的计算系统，其中，所述处理器被配置为基于利用所述位移向量场变形的所述第一图像数据集与所述第二图像数据集之间的组合边缘图来计算所述对应性概率图。
7.根据权利要求4至6中的任一项所述的计算系统，其中，所述处理器被配置为：
通过将所述位移向量场应用于所述对应性概率图来生成第二对应性概率图，
在第一图像显示窗口中显示所述第一图像数据集，
利用所述对应性概率图来淡化所述第一图像数据集的具有对应性的图像区域，
在第二图像显示窗口中显示所述第二图像数据集，并且
利用所述第二对应性概率图来淡化所述第二图像数据集的具有对应性的图像区域。
8.根据权利要求4至6中的任一项所述的计算系统，其中，所述处理器被配置为：
利用所述位移向量场来将所述第一图像数据集变形，
将经变形的第一图像数据集与所述第二图像数据集融合，并且
利用所述对应性概率图来淡化所融合的图像数据集的具有对应性的图像区域。
9.根据权利要求4至6中的任一项所述的计算系统，其中，所述处理器被配置为：
利用所述位移向量场来将所述第一图像数据集变形，
在相同图像查看窗口中交替显示所述第一图像数据集和所述第二图像数据集，并且利用所述对应性概率图来淡化所显示的第一图像数据集和第二图像数据集的具有对应性的图像区域。
10.根据权利要求7所述的计算系统，其中，所述处理器被配置为：接收指示针对对应图像区域的抑制水平的变化的信号，并且基于所述信号来调节针对所述对应图像区域的所述抑制水平。
11.根据权利要求7所述的计算系统，其中，所述处理器被配置为：响应于指示对所述对应性概率图的至少一个值的用户改变的输入而修改所述对应性概率图，这生成经更新的对应性概率图，并且采用所述经更新的对应性概率图来对第一和第二图像数据集进行可视化。
12.根据权利要求4至6中的任一项所述的计算系统，其中，所述处理器被配置为将用户生成的掩模图像添加到所述第一图像数据集和所述第二图像数据集，其中，所述掩模图像包括被向下加权或被向上加权的至少一个体素，并且所述处理器被配置为采用所述掩模图像来以不改变的静态值初始化所述对应性概率图的至少一个值。
13.一种编码有计算机可读指令的计算机可读存储介质，所述计算机可读指令在由处理器运行时，令所述处理器执行以下操作：
获得基线图像数据集和后续图像数据集；
获得包括对应性模型的图像配准算法；
利用所述图像配准算法将所述基线图像数据集与所述后续图像数据集配准，以生成位移向量场，所述位移向量场定义所述基线图像数据集中的体素位置关于所述后续图像数据集中的体素位置的位移；
基于利用所述位移向量场变形的所述基线图像数据集与所述后续图像数据集之间的差异，使用所述对应性模型来生成对应性概率图；并且
通过根据所述对应性概率图抑制具有不满足预定阈值的对应性的图像区域来显示所述基线图像数据集和所述后续图像数据集。
CN201580069219.XA 2014-12-16 2015-12-02 对应性概率图驱动的可视化 Expired - Fee Related CN107111881B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462092482P 2014-12-16 2014-12-16
US62/092,482 2014-12-16
PCT/IB2015/059274 WO2016097912A1 (en) 2014-12-16 2015-12-02 Correspondence probability map driven visualization

Publications (2)

Publication Number Publication Date
CN107111881A CN107111881A (zh) 2017-08-29
CN107111881B true CN107111881B (zh) 2021-06-15

Family

ID=54979881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580069219.XA Expired - Fee Related CN107111881B (zh) 2014-12-16 2015-12-02 对应性概率图驱动的可视化

Country Status (5)

Country Link
US (1) US10430947B2 (zh)
EP (1) EP3234918A1 (zh)
JP (1) JP6738332B2 (zh)
CN (1) CN107111881B (zh)
WO (1) WO2016097912A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3234918A1 (en) * 2014-12-16 2017-10-25 Koninklijke Philips N.V. Correspondence probability map driven visualization
US12178651B2 (en) 2016-05-16 2024-12-31 Bk Medical Holding Company, Inc. Real-time anatomically based deformation mapping and correction
US11064979B2 (en) * 2016-05-16 2021-07-20 Analogic Corporation Real-time anatomically based deformation mapping and correction
US20180060535A1 (en) * 2016-08-31 2018-03-01 International Business Machines Corporation Updating probabilities of conditions based on annotations on medical images
AU2016266019A1 (en) * 2016-11-30 2018-06-14 Canon Kabushiki Kaisha Image registration method
EP3474227B1 (en) * 2017-10-22 2021-05-05 RaySearch Laboratories AB A method, computer program product and computer system for correcting a ct image
CN117809067A (zh) * 2023-11-28 2024-04-02 北京大学 一种支持比较文本图像对的可视化方法
CN119729519B (zh) * 2025-02-28 2025-04-25 湖南雷诺科技发展有限公司 一种基于通讯深度覆盖的通信单元布局优化方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916443A (zh) * 2010-08-19 2010-12-15 中国科学院深圳先进技术研究院 Ct图像的处理方法及系统
CN102525525A (zh) * 2010-12-31 2012-07-04 Ge医疗系统环球技术有限公司 在定位图像上设置定位线的方法和装置及ct设备
CN102525662A (zh) * 2012-02-28 2012-07-04 中国科学院深圳先进技术研究院 组织器官三维可视化手术导航方法和系统
CN102959584A (zh) * 2011-12-21 2013-03-06 中国科学院自动化研究所 功能磁共振图像配准方法
JP2013521844A (ja) * 2010-03-11 2013-06-13 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ モデルベースのセグメント化の確率向上
WO2014141163A2 (en) * 2013-03-15 2014-09-18 Koninklijke Philips N.V. Determining a residual mode image from a dual energy image
CN104055536A (zh) * 2014-04-25 2014-09-24 深圳大学 一种超声与磁共振图像融合配准方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3658696B2 (ja) 1996-03-29 2005-06-08 能美防災株式会社 防災設備
US6771736B2 (en) 2002-07-25 2004-08-03 Ge Medical Systems Global Technology Company, Llc Method for displaying temporal changes in spatially matched images
JP2005224429A (ja) * 2004-02-13 2005-08-25 Fuji Photo Film Co Ltd 異常陰影判定装置およびそのプログラム
EP1952340B1 (en) * 2005-11-21 2012-10-24 Agency for Science, Technology and Research Superimposing brain atlas images and brain images with delineation of infarct and penumbra for stroke diagnosis
US20070165943A1 (en) * 2006-01-17 2007-07-19 Christoph Guetter System and method for image registration using nonparametric priors and statistical learning techniques
US8135199B2 (en) * 2006-12-19 2012-03-13 Fujifilm Corporation Method and apparatus of using probabilistic atlas for feature removal/positioning
DE102007015306A1 (de) * 2007-03-27 2008-10-02 Siemens Ag Ermittlungsverfahren für einen zeitlichen Verlauf einer örtlich dreidimensional aufgelösten Anwesenheitswahrscheinlichkeitsverteilung einer Substanz in einem Gefäßsystem
US8064673B2 (en) * 2008-10-15 2011-11-22 Siemens Aktiengesellschaft Combined segmentation and registration framework for parametric shapes
US20100266188A1 (en) * 2009-04-17 2010-10-21 Riverain Medical Group, Llc Chest x-ray registration, subtraction and display
EP2441052B1 (en) * 2009-06-10 2013-01-23 Koninklijke Philips Electronics N.V. Visualization apparatus for visualizing an image data set
JP5551960B2 (ja) * 2009-09-30 2014-07-16 富士フイルム株式会社 診断支援システム、診断支援プログラムおよび診断支援方法
JP5852647B2 (ja) * 2010-07-09 2016-02-03 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 呼吸運動推定の自動点別検証
JP2013119021A (ja) * 2011-12-09 2013-06-17 Hitachi Medical Corp Ｘ線ｃｔ装置及び画像処理方法
US8605972B2 (en) 2012-03-02 2013-12-10 Sony Corporation Automatic image alignment
US8755633B2 (en) 2012-03-14 2014-06-17 Sony Corporation Automated synchronized navigation system for digital pathology imaging
US10304217B2 (en) * 2012-07-30 2019-05-28 Toshiba Medical Systems Corporation Method and system for generating image using filtered backprojection with noise weighting and or prior in
EP3234918A1 (en) * 2014-12-16 2017-10-25 Koninklijke Philips N.V. Correspondence probability map driven visualization

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013521844A (ja) * 2010-03-11 2013-06-13 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ モデルベースのセグメント化の確率向上
CN101916443A (zh) * 2010-08-19 2010-12-15 中国科学院深圳先进技术研究院 Ct图像的处理方法及系统
CN102525525A (zh) * 2010-12-31 2012-07-04 Ge医疗系统环球技术有限公司 在定位图像上设置定位线的方法和装置及ct设备
CN102959584A (zh) * 2011-12-21 2013-03-06 中国科学院自动化研究所 功能磁共振图像配准方法
CN102525662A (zh) * 2012-02-28 2012-07-04 中国科学院深圳先进技术研究院 组织器官三维可视化手术导航方法和系统
WO2014141163A2 (en) * 2013-03-15 2014-09-18 Koninklijke Philips N.V. Determining a residual mode image from a dual energy image
CN104055536A (zh) * 2014-04-25 2014-09-24 深圳大学 一种超声与磁共振图像融合配准方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Stere0Cut:Consistent interactive object selection in stereo image pairs;BRIAN L PRICE 等;《COMPUTER VISION (I CCV). 2011 IEEE,INTERNATIONAL CONFERENCE ON, IEEE》;20111106;1148-1155 *
心肌灌注核磁共振图像配准研究;王建;《中国优秀硕士学位论文全文数据库-医药卫生科技辑》;20130715(第7期);E060-16 *

Also Published As

Publication number Publication date
US20170365058A1 (en) 2017-12-21
JP6738332B2 (ja) 2020-08-12
US10430947B2 (en) 2019-10-01
CN107111881A (zh) 2017-08-29
EP3234918A1 (en) 2017-10-25
JP2018500082A (ja) 2018-01-11
WO2016097912A1 (en) 2016-06-23

Similar Documents

Publication Publication Date Title
CN107111881B (zh) 对应性概率图驱动的可视化
US9754390B2 (en) Reconstruction of time-varying data
CN110770792B (zh) 确定临床靶体积
CN104508710B (zh) 对图像数据中的选择性组织的视觉抑制
US10867375B2 (en) Forecasting images for image processing
US10896504B2 (en) Image processing apparatus, medical image diagnostic apparatus, and program
US20130190602A1 (en) 2d3d registration for mr-x ray fusion utilizing one acquisition of mr data
JP6302934B2 (ja) コンピュータ支援による関心組織の特定
CN105849778B (zh) 成像中的移动结构运动补偿
US10275946B2 (en) Visualization of imaging uncertainty
Babin et al. Brain blood vessel segmentation using line-shaped profiles
EP3203914B1 (en) Radiation dose applied to different anatomical stages
WO2016067254A1 (en) Texture analysis map for image data
Lewis et al. Improving tuberculosis (TB) prediction using synthetically generated computed tomography (CT) images
RU2692038C2 (ru) Визуализация представляющей интерес ткани в данных контрастированного изображения
Caruso et al. Radiation dose optimization: the role of artificial intelligence
EP4657379A1 (en) Hybrid intelligence for knowledge driven synthesis of realistic lesions
Ashfaq et al. A modified fuzzy C means algorithm for shading correction in craniofacial CBCT images
Kan Organ segmentation of pediatric computed tomography (ct) with generative adversarial networks
GHASSEL Artificial Count Enhancement of Lung Scintigraphic Images Using Deep Learning Techniques
Skalski et al. 3D segmentation and visualisation of mediastinal structures adjacent to tracheobronchial tree from CT data
Ben-Zikri Development, Implementation and Pre-clinical Evaluation of Medical Image Computing Tools in Support of Computer-aided Diagnosis: Respiratory, Orthopedic and Cardiac Applications
Marconi et al. Image Processing and Display

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210615

CF01 Termination of patent right due to non-payment of annual fee