專利名稱：毛玻璃狀結(jié)節(jié)(ggn)分割的系統(tǒng)和方法
技術(shù)領(lǐng)域：
本發(fā)明涉及結(jié)節(jié)分割，并且更具體地涉及采用馬爾可夫隨機(jī)場在肺部計(jì)算機(jī)斷層攝影(CT)體積中進(jìn)行毛玻璃狀結(jié)節(jié)(GGN)分割。
2.相關(guān)技術(shù)的討論毛玻璃狀結(jié)節(jié)(GGN)是例如與底層脈管暗淡不相關(guān)的模糊肺部陰影的射線攝影外觀。GGN以兩種形式出現(xiàn)，即如

圖1中所示的“純的”和“混合的”這兩種形式。純GGN不由任何固體成份組成，而混合GGN由一些固體成份組成。
GGN在高分辨率計(jì)算機(jī)斷層攝影(HRCT)圖像中比平的射線攝影中顯示得更清晰。在HRCT圖像中，GGN還不同于固態(tài)結(jié)節(jié)地顯現(xiàn)，因?yàn)楣虘B(tài)結(jié)節(jié)具有較高的對比度和清晰的邊界。此外，GGN在HRCT圖像中的外觀是極有意義的發(fā)現(xiàn)，因?yàn)樗鼈兘?jīng)常指示活性的和潛在可治療的過程的存在，諸如細(xì)支氣管肺泡癌或擴(kuò)散性腺癌的存在。
因?yàn)镚GN通常與活性肺病相關(guān)，所以GGN的存在常常導(dǎo)致進(jìn)一步診斷評價(jià)，該診斷評價(jià)包括例如肺活檢。因此，基于計(jì)算機(jī)的分割可有助于醫(yī)學(xué)專家進(jìn)行某些類型肺病的診斷和治療。因此，需要一種基于計(jì)算機(jī)的分割的系統(tǒng)和方法，其可用于準(zhǔn)確地和一致地分割GGN以進(jìn)行快速診斷。
發(fā)明概要本發(fā)明通過提供一種用于毛玻璃狀結(jié)節(jié)(GGN)分割的系統(tǒng)和方法來克服在已知教導(dǎo)中遇到的上述和其它問題。
在本發(fā)明的一個實(shí)施例中，一種用于毛玻璃狀結(jié)節(jié)(GGN)分割的方法包括在醫(yī)學(xué)圖像中選擇一點(diǎn)，其中該點(diǎn)位于GGN內(nèi)；在該點(diǎn)周圍定義感興趣體積(VOI)，其中VOI包括GGN；從VOI中除去胸壁；獲取馬爾可夫隨機(jī)場的初始狀態(tài)；以及分割VOI，其中采用馬爾可夫隨機(jī)場來分割VOI。該方法還包括獲得醫(yī)學(xué)圖像，其中采用計(jì)算機(jī)斷層攝影(CT)成像技術(shù)來獲得該醫(yī)學(xué)圖像。
該方法還包括采用計(jì)算機(jī)輔助的GGN檢測技術(shù)來檢測GGN；以及手動檢測GGN。自動或手動地選擇該點(diǎn)。GGN為純GGN和混合GGN中的一種。該方法還包括定義VOI的形狀和大小之一。通過執(zhí)行區(qū)域生長來除去胸壁。通過在除去胸壁后在VOI上執(zhí)行區(qū)域生長來獲得馬爾可夫隨機(jī)場的初始狀態(tài)。
采用馬爾可夫隨機(jī)場來分割VOI的步驟包括定義VOI的后驗(yàn)概率；以及采用后驗(yàn)概率的最大值來標(biāo)注VOI中的每個像素，其中VOI中的每個像素被標(biāo)注為GGN和背景之一。所定義的后驗(yàn)概率由P(L|F)∝P(F|L)P(L)來計(jì)算。標(biāo)注每個像素的步驟由lx‾(i)=argminl∈{g,b}{U(g,i-1)+12σ2[f(x)_-μg],U(b,i-1)+12σ2[f(x)_-μb]}]]>來計(jì)算，其中標(biāo)注包括掃描VOI，直到達(dá)到收斂。
該方法還包括在已采用馬爾可夫隨機(jī)場對VOI進(jìn)行分割之后，執(zhí)行形狀分析，以除去附著于GGN上或其附近的血管；以及顯示采用馬爾可夫隨機(jī)場進(jìn)行分割的VOI。
在本發(fā)明的另一實(shí)施例中，一種用于GGN分割的系統(tǒng)包括用于存儲程序的存儲設(shè)備；與存儲設(shè)備進(jìn)行通信的處理器，該處理器用程序?qū)嵤﹣聿捎门c肺部的醫(yī)學(xué)圖像相關(guān)的數(shù)據(jù)定義GGN周圍的感興趣體積(VOI)；從VOI中除去胸壁；獲取馬爾可夫隨機(jī)場的初始狀態(tài)；以及分割VOI，其中采用馬爾可夫隨機(jī)場來分割VOI。該處理器還用程序代碼實(shí)施來獲得醫(yī)學(xué)圖像，其中采用CT成像技術(shù)來獲得該醫(yī)學(xué)圖像。
通過執(zhí)行區(qū)域生長來除去胸壁。通過除去胸壁之后在VOI上執(zhí)行區(qū)域生長來獲取馬爾可夫隨機(jī)場的初始狀態(tài)。
當(dāng)采用馬爾可夫隨機(jī)場來分割VOI時，該處理器還用程序代碼實(shí)施來定義VOI的后驗(yàn)概率；以及采用后驗(yàn)概率的最大值來標(biāo)注VOI中的每個像素，其中VOI中的每個像素被標(biāo)注為GGN和背景之一。所定義的后驗(yàn)概率由P(L|F)∝P(F|L)P(L)來計(jì)算。標(biāo)注每個像素的步驟由lx‾(i)=argminl∈{g,b}{U(g,i-1)+12σ2[f(x)_-μg],U(b,i-1)+12σ2[f(x)_-μb]}]]>來計(jì)算。
該處理器還用程序代碼實(shí)施來在采用馬爾可夫隨機(jī)場進(jìn)行分割的VOI內(nèi)執(zhí)行形狀分析，以除去附著于GGN的血管；以及顯示采用馬爾可夫隨機(jī)場進(jìn)行分割的VOI，其中GGN是可見的。
在本發(fā)明的又一實(shí)施例中，一種計(jì)算機(jī)程序產(chǎn)品包括具有其上記錄有用于GGN分割的計(jì)算機(jī)程序邏輯的計(jì)算機(jī)可用介質(zhì)，該計(jì)算機(jī)程序邏輯包括用于在醫(yī)學(xué)圖像中選擇一點(diǎn)的程序代碼，其中該點(diǎn)位于GGN內(nèi)或其附近；用于在該點(diǎn)周圍定義VOI的程序代碼，其中VOI包括GGN；用于從VOI中除去胸壁的程序代碼；用于獲取馬爾可夫隨機(jī)場的初始狀態(tài)的程序代碼；以及用于分割VOI的程序代碼，其中采用馬爾可夫隨機(jī)場來分割VOI。
在本發(fā)明的另一實(shí)施例中，一種用于GGN分割的系統(tǒng)包括用于在醫(yī)學(xué)圖像中選擇一點(diǎn)的裝置，其中該點(diǎn)位于GGN內(nèi)；用于在該點(diǎn)周圍定義VOI的裝置，其中VOI包括GGN；用于從VOI中除去胸壁的裝置；用于獲得馬爾可夫隨機(jī)場的初始狀態(tài)的裝置；以及用于分割VOI的裝置，其中采用馬爾可夫隨機(jī)場來分割VOI。
在本發(fā)明的又一實(shí)施例中，一種采用馬爾可夫隨機(jī)場在肺部CT體積內(nèi)進(jìn)行GGN分割的方法包括從與肺部CT體積相關(guān)的數(shù)據(jù)中選擇GGN；在GGN周圍定義VOI；通過在VOI上執(zhí)行區(qū)域生長來從VOI中除去胸壁；通過在除去胸壁之后分割VOI來獲得迭代條件模式(ICM)過程的初始狀態(tài)；以及采用馬爾可夫隨機(jī)場來分割VOI，其中該分割包括定義VOI的后驗(yàn)概率；以及執(zhí)行ICM過程，其中ICM過程包括采用后驗(yàn)概率的最大值來標(biāo)注VOI中的每個像素，其中VOI中的每個像素被標(biāo)注為GGN和背景之一，直到VOI中的每個像素都被標(biāo)注。
所定義的后驗(yàn)概率由P(L|F)∝P(F|L)P(L)來計(jì)算。在ICM過程期間標(biāo)注每個像素的步驟由lx‾(i)=argminl∈{g,b}{U(g,i-1)+12σ2[f(x)_-μg],U(b,i-1)+12σ2[f(x)_-μb]}]]>來計(jì)算，其中ICM過程從初始狀態(tài)開始。
上述特征代表實(shí)施例，并被呈現(xiàn)來幫助理解本發(fā)明。應(yīng)當(dāng)理解，這些特征不打算被認(rèn)為是對由權(quán)利要求所限定的本發(fā)明的限制，或者是對權(quán)利要求的等同物的限制。因此，特征的這個概要不應(yīng)該在確定等同物時被認(rèn)為是決定性的。本發(fā)明的附加的特征將在下面的描述中、從附圖以及從權(quán)利要求中變得明顯。
附圖簡述圖1示出“純”毛玻璃狀結(jié)節(jié)(GGN)和“混合”GGN；圖2是根據(jù)本發(fā)明的示范性實(shí)施例的、用于GGN分割的系統(tǒng)的框圖；圖3是示出根據(jù)本發(fā)明的示范性實(shí)施例的、用于GGN分割的方法的流程圖；圖4示出根據(jù)本發(fā)明的示范性實(shí)施例的、在區(qū)域生長期間采用的連通類型；圖5示出根據(jù)本發(fā)明的示范性實(shí)施例的、在區(qū)域生長期間采用的一系列團(tuán)(clique)；圖6示出根據(jù)本發(fā)明的示范性實(shí)施例的、由迭代條件模式(ICM)采用的光柵掃描的次序；以及圖7示出根據(jù)本發(fā)明的示范性實(shí)施例的、在執(zhí)行GGN分割之前和在執(zhí)行GGN分割之后的幾個GGN。
示范性實(shí)施例的詳細(xì)描述圖2是根據(jù)本發(fā)明的示范性實(shí)施例的、用于毛玻璃狀結(jié)節(jié)(GGN)分割的系統(tǒng)的框圖。如圖2中所示，該系統(tǒng)尤其包括掃描設(shè)備205、個人計(jì)算機(jī)(PC)210和操作者控制臺和/或連接在例如以太網(wǎng)網(wǎng)絡(luò)220上的虛擬導(dǎo)航終端215。掃描設(shè)備205為高分辨率計(jì)算機(jī)斷層攝影(HRCT)成像設(shè)備。
可以是便攜式或膝上型計(jì)算機(jī)、個人數(shù)字助理(PDA)等的PC 210包括中央處理單元(CPU)225和存儲器230，這些裝置被連接到輸入255和輸出260。PC 210被連接到感興趣體積(VOI)選擇器245和包括一個或多個毛玻璃狀結(jié)節(jié)(GGN)分割方法的分割設(shè)備250上。PC 210還可被連接到和/或包括診斷模塊，該診斷模塊被用來執(zhí)行醫(yī)學(xué)圖像數(shù)據(jù)的自動診斷或評價(jià)功能。此外，PC 210還可被耦合到肺容量檢查設(shè)備上。
存儲器230包括隨機(jī)存取存儲器(RAM)235和只讀存儲器(ROM)240。存儲器230還可包括數(shù)據(jù)庫、磁盤驅(qū)動器、磁帶驅(qū)動器等或這些設(shè)備的組合。RAM 235用作數(shù)據(jù)存儲器，其存儲在執(zhí)行CPU225中的程序期間所采用的數(shù)據(jù)，以及被用作工作區(qū)。ROM 240用作程序存儲器，用于存儲在CPU 225中所執(zhí)行的程序。輸入255由鍵盤、鼠標(biāo)等組成，而輸出260由液晶顯示器(LCD)、陰極射線管(CRT)顯示器、打印機(jī)等組成。
系統(tǒng)的操作由操作者控制臺215來控制，該操作者控制臺215包括控制器270(例如鍵盤)和顯示器265(例如CRT顯示器)。操作者控制臺215與PC 210和掃描設(shè)備205通信，從而由掃描設(shè)備205收集的2D圖像數(shù)據(jù)可由PC 210繪成3D數(shù)據(jù)并可在顯示器265上觀察。應(yīng)當(dāng)理解，在沒有操作者控制臺215的情況下，采用例如輸入255和輸出260設(shè)備來執(zhí)行由控制器270和顯示器265所執(zhí)行的某些任務(wù)，PC 210可被配置來操作和顯示由掃描設(shè)備205所提供的信息。
操作者控制臺215還包括任何合適的圖像繪制(rendering)系統(tǒng)/工具/應(yīng)用程序，其可處理所獲得的圖像數(shù)據(jù)集(或其一部分)的數(shù)字圖像數(shù)據(jù)，以生成和在顯示器265上顯示2D和/或3D圖像。更具體地，圖像繪制系統(tǒng)可以是提供醫(yī)學(xué)圖像數(shù)據(jù)的2D/3D繪制和可視化的應(yīng)用程序，并且其在通用或?qū)Ｓ糜?jì)算機(jī)工作站上執(zhí)行。此外，圖像繪制系統(tǒng)使用戶能夠在3D圖像或多個2D圖像切片中導(dǎo)航。PC 210還可包括用于處理所獲得的圖像數(shù)據(jù)集的數(shù)字圖像數(shù)據(jù)的圖像繪制系統(tǒng)/工具/應(yīng)用程序，以生成和顯示2D和/或3D圖像。
如圖2中所示，PC 210還采用分割設(shè)備250來接收和處理數(shù)字醫(yī)學(xué)圖像數(shù)據(jù)，該數(shù)字醫(yī)學(xué)圖像數(shù)據(jù)如上所述可以采取的形式是原始圖像數(shù)據(jù)、2D重建數(shù)據(jù)(例如軸向切片)或3D重建數(shù)據(jù)(諸如體積圖像數(shù)據(jù)或多平面重組)，或者是這些格式的任意組合。數(shù)據(jù)處理結(jié)果可通過網(wǎng)絡(luò)220從PC 210輸出到操作者控制臺215中的圖像繪制系統(tǒng)，用于生成根據(jù)數(shù)據(jù)處理結(jié)果(諸如器官或解剖結(jié)構(gòu)的分割、顏色或強(qiáng)度變化等)的圖像數(shù)據(jù)的2D和/或3D繪制。
應(yīng)當(dāng)理解，根據(jù)本發(fā)明的用于GGN分割的系統(tǒng)和方法可以被實(shí)施為用于處理醫(yī)學(xué)圖像數(shù)據(jù)的傳統(tǒng)分割方法的擴(kuò)展或替代。此外，應(yīng)當(dāng)意識到，在此描述的示范性系統(tǒng)和方法可易于利用3D醫(yī)學(xué)圖像和計(jì)算機(jī)輔助診斷(CAD)系統(tǒng)或應(yīng)用程序來實(shí)施，所述系統(tǒng)或應(yīng)用程序適于寬范圍的成像模式(例如CT、MRI等)，并適于診斷和評價(jià)各種異常肺部結(jié)構(gòu)或損傷，諸如肺結(jié)節(jié)、腫瘤、狹窄、發(fā)炎區(qū)域等。在這方面，雖然示范性實(shí)施例在此可參考特定成像模式或特定解剖學(xué)特征進(jìn)行描述，但不應(yīng)將這些解釋為對本發(fā)明范圍的限制。
還應(yīng)當(dāng)理解，本發(fā)明可以各種形式的硬件、軟件、固件、專用處理器或其組合來實(shí)施。在一個實(shí)施例中，本發(fā)明可以作為有形地體現(xiàn)在程序存儲設(shè)備(例如磁性軟盤、RAM、CD ROM、DVD、ROM和閃存)上的應(yīng)用程序的軟件來實(shí)施。該應(yīng)用程序可被下載到包括任何合適結(jié)構(gòu)的機(jī)器并由其執(zhí)行。
圖3是示出根據(jù)本發(fā)明的示范性實(shí)施例的、用于GGN分割的方法的操作的流程圖。如圖3中所示，從肺或一對肺中獲取3D數(shù)據(jù)(步驟31O)。這是通過采用掃描設(shè)備205(例如HRCT掃描儀)來掃描肺從而生成一系列與該肺相關(guān)的2D圖像而完成的。肺的2D圖像然后可被轉(zhuǎn)變或變換成3D繪制圖像，例如如圖7中的(a)列所示。
在從肺中獲得3D數(shù)據(jù)后，選擇GGN(步驟320)。這是例如由醫(yī)學(xué)專家(諸如放射科醫(yī)師)手動從數(shù)據(jù)中選擇GGN或者通過采用計(jì)算機(jī)輔助的GGN檢測和/或特征技術(shù)來完成的。作為替換，在步驟320中，可在GGN中或其附近選擇一點(diǎn)。該過程也可由放射科醫(yī)師檢查與該肺或該對肺相關(guān)的數(shù)據(jù)來手動執(zhí)行，或者由被編程來識別醫(yī)學(xué)圖像數(shù)據(jù)中的GGN中的點(diǎn)的計(jì)算機(jī)來自動執(zhí)行。
在選擇GGN之后，采用VOI選擇器245來定義VOI(步驟330)。在該步驟中，VOI的尺寸和/或形狀被自動定義成包括GGN。實(shí)例VOI由圖7的(a)列中位于GGN周圍的方框內(nèi)的區(qū)域來指示。圖7的(b)列中示出VOI的放大視圖。接下來，執(zhí)行VOI的預(yù)處理。具體地，從VOI中除去胸壁(步驟340)。因此，例如屬于胸壁的VOI的部分從VOI中被排除。這是通過執(zhí)行區(qū)域生長以除去屬于胸壁的VOI中的區(qū)域來完成的。因此，消除了胸壁對進(jìn)一步處理技術(shù)的潛在影響，諸如對MRF分割(如下所討論)的影響。
接下來，對(具有已除去的胸壁的)VOI進(jìn)行分割(步驟350)。這采用例如區(qū)域生長來執(zhí)行，其中該區(qū)域生長的種子點(diǎn)為VOI中的一點(diǎn)，該點(diǎn)在GGN中或在其附近?？稍趨^(qū)域生長期間采用的連通類型的實(shí)例如圖4中所示。例如，當(dāng)像素和切片間隔(分別為Xres和Zres)滿足如下面公式1中所示的10-連通的條件時(其中d為預(yù)定的距離常數(shù))，執(zhí)行10-連通區(qū)域生長，如圖4中所示。類似地，當(dāng)預(yù)定距離常數(shù)d滿足公式1中所示的18-連通的條件時，執(zhí)行18-連通區(qū)域生長，如圖4中所示。
應(yīng)當(dāng)理解，在步驟350中可采用各種附加的分割技術(shù)，諸如基于直方圖分析的取閾值、高斯平滑、邊緣檢測和模板匹配。還應(yīng)當(dāng)理解，執(zhí)行步驟350來獲得將在下面討論的步驟360中執(zhí)行的迭代條件模式(ICM)過程的初始分割狀態(tài)。
在步驟350中分割VOI之后，采用馬爾可夫隨機(jī)場(MRF)對VOI進(jìn)行再次分割(步驟360)。例如，通過引入關(guān)于待估計(jì)的特征的一般知識來利用MRF合并和組織空間和時間信息，該MRF規(guī)定了相似和不同特征之間的非線性相互作用。例如，通過在步驟360應(yīng)用MRF，MRF通過應(yīng)用來自VOI中的相鄰體素的空間約束而給出先驗(yàn)概率。然后可通過考慮相鄰體素的強(qiáng)度和空間約束，對VOI中的每個體素指定標(biāo)記。因此，GGN可被給予一種標(biāo)記類型，而非GGN或背景信息(例如肺實(shí)質(zhì)、血管、胸壁部分等)被給予另一種標(biāo)記類型。從而允許采用MRF來分割的VOI被顯示離散地說明例如如圖7的列(c)中所示的GGN和背景，其中由圖像中央的鋸齒狀邊緣指示的區(qū)域說明GGN，而外部區(qū)域?yàn)楸尘啊?br> 步驟360的MRF分割過程如下被得出和執(zhí)行。首先，令Ω_R3表示VOI，然后將VOI的強(qiáng)度考慮為隨機(jī)場F(x)，其中x∈Ω。接下來，令l表示體素x的分割標(biāo)記，且l∈L＝{GGN，背景}。然后采用如下面公式2中所示的貝葉斯定理，從條件強(qiáng)度概率P(F|L)和先驗(yàn)概率P(L)中獲得用于標(biāo)注GGN和背景信息的后驗(yàn)概率P(L/F)。
P(L|F)∝P(F|L)P(L) [2]因此，由后驗(yàn)的最大值(MAP)給出MRF分割的統(tǒng)計(jì)學(xué)最佳標(biāo)注。
上面示出的條件概率P(F/L)GGN和背景強(qiáng)度分布中獲得，這些分布由如下面公式3中所示的高斯分布來模擬，P(F=f|L=1)=12πσexp[-12σ2(f-μl)2]---[3]]]>其中μl是GGN或背景強(qiáng)度的平均值。假設(shè)分割標(biāo)記L為MRF，則先驗(yàn)概率P(L)由如下面公式4中所示的吉布斯分布給出，P(L＝l)∝exp[-U(l)]，[4]其中能量函數(shù)U(l)=Σc∈CVc(l)]]>是在由26-連通的3D鄰域定義的所有一像素和二像素團(tuán)的集合C上的總和，其用于定義團(tuán)(圖5所示)，此后參考公式7進(jìn)行討論。一像素團(tuán)C1的勢函數(shù)Vc(l)由公式5來定義， 其中l(wèi)x為當(dāng)前體素x的標(biāo)記。αl指示特定標(biāo)記l的先驗(yàn)概率，也就是，較小的αl意味著標(biāo)記l由先驗(yàn)概率優(yōu)選，而較大的αl意味著標(biāo)記l不是優(yōu)選的。二像素團(tuán)c∈C2的勢函數(shù)Vc(l)由公式6來定義， 其中 表示例如二像素團(tuán)中的相鄰體素，而βk基于公式7中所示的團(tuán)類型來設(shè)計(jì)， 其中(b)、(c)、...、(n)為同平面(例如b-e)和交叉平面(例如f-n)團(tuán)，如圖5中所示，β是預(yù)定的勢常數(shù)，而w是加權(quán)常數(shù)。當(dāng)團(tuán)的兩個像素之間的距離較大時，βk較?。欢?dāng)團(tuán)的兩個像素之間的距離較小時，βk較大。
在采用公式3確定條件概率以及采用公式4確定先驗(yàn)概率P(L)之后，從公式3和4得出的數(shù)據(jù)被代入到公式2中，以計(jì)算出用于標(biāo)注GGN和背景信息的后驗(yàn)概率P(L/F)。MAP的優(yōu)化則變成最小化過程，如下面公式8中所示。
MAP=argminL[U(L)+12σ2(F-μL)]---[8]]]>其中L＝{l|GGN,背景}.
然后由ICM過程確定公式8的MAP，該公式8的MAP為最后的分割結(jié)果。開始于由步驟350中的區(qū)域生長確定的初始狀態(tài)(例如迭代0)的ICM過程將標(biāo)記lx(i)指定給公式9中每個迭代i上的體素x，
其中U(g，i-1)和U(b，i-1)為分別從GGN和背景標(biāo)記的迭代i-1的標(biāo)注狀態(tài)中計(jì)算出的能量值。f(x)為體素x的強(qiáng)度值，以及μg和μb分別為GGN和背景標(biāo)記的平均強(qiáng)度值。
在每次ICM迭代期間執(zhí)行VOI的光柵掃描，并且因此VOI中的體素被指定GGN或背景標(biāo)記。如圖6中所示，體素標(biāo)記由以八種不同方式執(zhí)行的光柵掃描來更新(1)從VOI的左前上角(A)到右后下角(H)；(2)從VOI的右前上角(B)到左后下角(G)；(3)從VOI的左前下角(C)到右后上角(F)；(4)從VOI的右前下角(D)到右后下角(E)；(5)從VOI的右后下角(H)到左前上角(A)；(6)從VOI的左后下角(G)到右前上角(B)；(7)從VOI的右后上角(F)到左前下角(C)；以及(8)從VOI的左后上角(E)到右前下角(D)。
重復(fù)上述過程(其中對于每次ICM迭代，以八種方式中的一種來執(zhí)行光柵掃描)，直到觀察到收斂。換句話說，重復(fù)上述過程，直到VOI中的所有體素均被標(biāo)注。應(yīng)當(dāng)理解，在上述過程中可采用具有不同數(shù)量的掃描次序和/或順序的可替換的光柵掃描過程。
在步驟360中采用馬爾可夫隨機(jī)場對VOI進(jìn)行分割之后，所分割的VOI可經(jīng)過進(jìn)一步處理(步驟370)。特別地，附著于GGN上或其附近的血管通過執(zhí)行形狀分析而從所分割的VOI中被除去。這種情況的實(shí)例可在圖7的(c)列中觀察到，其中除去了附著于GGN的血管。例如，首先通過執(zhí)行取閾值和緊湊性測量以將血管和GGN區(qū)分開來識別出附著在GGN上或其附近的血管，然后除去附著在GGN上或其附近的血管并通過應(yīng)用一系列形態(tài)學(xué)操作來平滑這些結(jié)果，由此從GGN和/或VOI中除去血管。在VOI中從GGN中除去血管的技術(shù)在2003年9月17日提交的標(biāo)題為“Improved GGO Nodule Segmentation withShape Analysis”的美國臨時申請No.60/503,602中被公開，該申請的副本在此引入作為參考。接下來，通過例如操作者控制臺215的顯示器265向用戶顯示GGN(步驟380)。在執(zhí)行根據(jù)本發(fā)明的MRF分割之后顯示的GGN的實(shí)例在圖7的(d)列中示出，其中圖像中央的深色部分為GGN。
因此，通過執(zhí)行根據(jù)本發(fā)明的MRF分割，醫(yī)學(xué)圖像中的GGN就可以通過對它們的相關(guān)體素指定標(biāo)記來從背景信息中準(zhǔn)確且快速地被區(qū)分出來，從而使GGN能夠?qū)︶t(yī)學(xué)專家可見，以用于診斷和評價(jià)某些肺部疾病。
應(yīng)當(dāng)理解，因?yàn)楦綀D中示出的一些構(gòu)成的系統(tǒng)組件和方法步驟可以軟件來實(shí)施，所以系統(tǒng)組件(或過程步驟)之間的實(shí)際連接可根據(jù)本發(fā)明被編程的方式而有所不同。給定在此提供的本發(fā)明的教導(dǎo)，本領(lǐng)域普通技術(shù)人員將能夠想到本發(fā)明的這些和類似的實(shí)施方案或構(gòu)造。
還應(yīng)當(dāng)理解，上面的描述只代表說明性實(shí)施例。為了方便讀者，上面的描述集中在可能的實(shí)施例的代表性實(shí)例上，該實(shí)例是說明本發(fā)明的原理。該描述不是想要嘗試窮舉所有可能的變型。本發(fā)明特定部分的可替換實(shí)施例可能沒有呈現(xiàn)出來，或某一部分可獲得另外的未描述的可替換物，這些不應(yīng)認(rèn)為是放棄那些可替換的實(shí)施例。在不偏離本發(fā)明的精神和范圍的情況下，可直接實(shí)施其它應(yīng)用程序和實(shí)施例。因此，本發(fā)明不打算被限于具體描述的實(shí)施例，因?yàn)榭梢陨啥喾N上述的變換和組合以及涉及對上述進(jìn)行無創(chuàng)造性替換的實(shí)施方案，但是本發(fā)明將根據(jù)下面的權(quán)利要求來限定。應(yīng)當(dāng)理解的是，許多未描述的實(shí)施例都落入下列權(quán)利要求的字面范圍內(nèi)，并且其它是等同物。
權(quán)利要求
1.一種用于毛玻璃狀結(jié)節(jié)(GGN)分割的方法，其包括在醫(yī)學(xué)圖像中選擇一點(diǎn)，其中該點(diǎn)位于GGN中；在該點(diǎn)周圍定義感興趣體積(VOI)，其中VOI包括GGN；從VOI中除去胸壁；獲取馬爾可夫隨機(jī)場的初始狀態(tài)；以及分割VOI，其中采用馬爾可夫隨機(jī)場來分割VOI。
2.根據(jù)權(quán)利要求1所述的方法，還包括獲取所述醫(yī)學(xué)圖像。
3.根據(jù)權(quán)利要求2所述的方法，其中采用計(jì)算機(jī)斷層攝影(CT)成像技術(shù)來獲取所述醫(yī)學(xué)圖像。
4.根據(jù)權(quán)利要求1所述的方法，其中所述點(diǎn)是自動選擇的。
5.根據(jù)權(quán)利要求1所述的方法，其中所述點(diǎn)是手動選擇的。
6.根據(jù)權(quán)利要求1所述的方法，還包括采用計(jì)算機(jī)輔助的GGN檢測技術(shù)來檢測GGN。
7.根據(jù)權(quán)利要求1所述的方法，還包括手動檢測GGN。
8.根據(jù)權(quán)利要求1所述的方法，其中GGN是純GGN和混合GGN中的一種。
9.根據(jù)權(quán)利要求1所述的方法，其中通過執(zhí)行區(qū)域生長來除去所述胸壁。
10.根據(jù)權(quán)利要求1所述的方法，還包括定義VOI的形狀和尺寸中的一個。
11.根據(jù)權(quán)利要求1所述的方法，其中馬爾可夫隨機(jī)場的初始狀態(tài)是通過在除去所述胸壁之后在VOI上執(zhí)行區(qū)域生長而獲得的。
12.根據(jù)權(quán)利要求1所述的方法，其中采用馬爾可夫隨機(jī)場來分割VOI的步驟包括定義VOI的后驗(yàn)概率；以及采用后驗(yàn)概率的最大值來標(biāo)注VOI中的每個像素，其中VOI中的每個像素被標(biāo)注為GGN和背景之一。
13.根據(jù)權(quán)利要求12所述的方法，其中所定義的后驗(yàn)概率由P(L|F)∝P(F|L)P(L)來計(jì)算。14、根據(jù)權(quán)利要求12所述的方法，其中標(biāo)注每個像素的步驟由lx‾(i)=argminl∈{g,b}{U(g,i-1)+12σ2[f(x‾)-μg],U(b,i-1)+12σ2[f(x‾)-μb]}]]>來計(jì)算。
15.根據(jù)權(quán)利要求12所述的方法，其中所述標(biāo)注包括掃描VOI，直到達(dá)到收斂。
16.根據(jù)權(quán)利要求1所述的方法，還包括在采用馬爾可夫隨機(jī)場對VOI進(jìn)行分割之后，執(zhí)行形狀分析以除去附著于GGN上或其附近的血管。
17.根據(jù)權(quán)利要求1所述的方法，還包括顯示采用馬爾可夫隨機(jī)場來分割的VOI。
18.一種用于毛玻璃狀結(jié)節(jié)(GGN)分割的系統(tǒng)，其包括用于存儲程序的存儲設(shè)備；與該存儲設(shè)備進(jìn)行通信的處理器，該處理器用程序?qū)嵤﹣聿捎门c肺的醫(yī)學(xué)圖像相關(guān)的數(shù)據(jù)定義GGN周圍的感興趣體積(VOI)；從VOI中除去胸壁；獲得馬爾可夫隨機(jī)場的初始狀態(tài)；以及分割VOI，其中采用馬爾可夫隨機(jī)場來分割VOI。
19.根據(jù)權(quán)利要求18所述的系統(tǒng)，其中處理器還用程序代碼實(shí)施來獲取所述醫(yī)學(xué)圖像，其中采用計(jì)算機(jī)斷層攝影(CT)成像技術(shù)來獲取該醫(yī)學(xué)圖像。
20.根據(jù)權(quán)利要求18所述的系統(tǒng)，其中通過執(zhí)行區(qū)域生長來除去所述胸壁。
21.根據(jù)權(quán)利要求18所述的系統(tǒng)，其中通過在除去所述胸壁之后在VOI上執(zhí)行區(qū)域生長而獲得馬爾可夫隨機(jī)場的初始狀態(tài)。
22.根據(jù)權(quán)利要求18所述的系統(tǒng)，其中，當(dāng)采用馬爾可夫隨機(jī)場來分割VOI時，該處理器還用程序代碼實(shí)施來定義VOI的后驗(yàn)概率；以及采用后驗(yàn)概率的最大值來標(biāo)注VOI中的每個像素，其中，VOI中的每個像素被標(biāo)注為GGN和背景之一。
23.根據(jù)權(quán)利要求22所述的系統(tǒng)，其中所定義的后驗(yàn)概率由P(L|F)∝P(F|L)P(L)來計(jì)算。
24.根據(jù)權(quán)利要求22所述的系統(tǒng)，其中標(biāo)注每個像素的步驟由lx‾(i)=argminl∈{g,b}{U(g,i-1)+12σ2[f(x‾)-μg],U(b,i-1)+12σ2[f(x‾)-μb]}]]>來計(jì)算。
25.根據(jù)權(quán)利要求18所述的系統(tǒng)，其中該處理器還用程序代碼實(shí)施來在采用馬爾可夫隨機(jī)場來分割的VOI中執(zhí)行形狀分析，以除去附著于GGN的血管。
26.根據(jù)權(quán)利要求18所述的系統(tǒng)，其中該處理器還用所述程序代碼實(shí)施來顯示采用馬爾可夫隨機(jī)場來分割的VOI，其中GGN是可見的。
27.一種計(jì)算機(jī)程序產(chǎn)品，其包括具有其上記錄有用于毛玻璃狀結(jié)節(jié)(GGN)分割的計(jì)算機(jī)程序邏輯的計(jì)算機(jī)可用介質(zhì)，該計(jì)算機(jī)程序邏輯包括用于在醫(yī)學(xué)圖像中選擇一點(diǎn)的程序代碼，其中該點(diǎn)位于GGN中或其附近；用于在該點(diǎn)周圍定義感興趣體積(VOI)的程序代碼，其中VOI包括GGN；用于從VOI中除去胸壁的程序代碼；用于獲得馬爾可夫隨機(jī)場的初始狀態(tài)的程序代碼；以及用于分割VOI的程序代碼，其中采用馬爾可夫隨機(jī)場來分割VOI。
28.一種用于毛玻璃狀結(jié)節(jié)(GGN)分割的系統(tǒng)，其包括用于在醫(yī)學(xué)圖像中選擇一點(diǎn)的裝置，其中該點(diǎn)位于GGN中；用于在該點(diǎn)周圍定義感興趣體積(VOI)的裝置，其中VOI包括GGN；用于從VOI中除去胸壁的裝置；用于獲得馬爾可夫隨機(jī)場的初始狀態(tài)的裝置；以及用于分割VOI的裝置，其中采用馬爾可夫隨機(jī)場來分割VOI。
29.一種采用馬爾可夫隨機(jī)場在肺部計(jì)算機(jī)斷層攝影(CT)體積中進(jìn)行毛玻璃狀結(jié)節(jié)(GGN)分割的方法，其包括從與肺部CT體積相關(guān)的數(shù)據(jù)中選擇GGN；在GGN周圍定義感興趣體積(VOI)；通過在VOI上執(zhí)行區(qū)域生長來從VOI中除去胸壁；通過在除去胸壁之后分割VOI而獲得迭代條件模式(ICM)過程的初始狀態(tài)；以及采用馬爾可夫隨機(jī)場來分割VOI，其中該分割包括定義VOI的后驗(yàn)概率；以及執(zhí)行ICM過程，其中ICM過程包括采用后驗(yàn)概率的最大值來標(biāo)注VOI中的每個像素，其中VOI中的每個像素被標(biāo)注為GGN和背景之一，直到VOI中的每個像素都被標(biāo)注。
30.根據(jù)權(quán)利要求29所述的方法，其中所定義的后驗(yàn)概率由P(L|F)∝P(F|L)P(L)來計(jì)算。
31.根據(jù)權(quán)利要求29所述的方法，其中在所述ICM過程期間標(biāo)注每個像素的步驟由以下公式來計(jì)算，即lx‾(i)=argminl∈{g,b}{U(g,i-1)+12σ2[f(x‾)-μg],U(b,i-1)+12σ2[f(x‾)-μb]}.]]>
32.根據(jù)權(quán)利要求29所述的方法，其中所述ICM過程從所述初始狀態(tài)開始。
全文摘要
提供一種用于毛玻璃狀結(jié)節(jié)(GGN)分割的系統(tǒng)和方法。該方法包括在醫(yī)學(xué)圖像中選擇一點(diǎn)(320)，其中該點(diǎn)位于GGN內(nèi)；在該點(diǎn)周圍定義感興趣體積(VOI)(330)，其中VOI包括GGN；從VOI中除去胸壁(340)；獲得馬爾可夫隨機(jī)場的初始狀態(tài)(350)；以及分割VOI，其中采用馬爾可夫隨機(jī)場來分割VOI(360)。
文檔編號G06T5/00GK1830005SQ200480022112
公開日2006年9月6日 申請日期2004年7月27日 優(yōu)先權(quán)日2003年7月31日
發(fā)明者L·張, M·房 申請人:西門子共同研究公司