專利名稱：空間-時間腫瘤檢測，分割和診斷信息提取系統及方法
技術領域：
本發明主要涉及用于醫學影像處理的系統和方法。具體地講，本發明涉及 用于計算機輔助醫療診斷的方法和系統，以及采用本發明的系統。
2. 相關技術說明
診斷腫瘤/癌的過程是復雜的，并且經常需要考慮從不同來源提取的不同類 型診斷信息，如診斷影像。這些診斷影像可以在不同的數據采集設備獲得，如超 聲(US)，電腦斷層造影(CT)，或核磁共振成像(MRI)。每種影像采集設 備可以對疾病提供不同程度了解，并提供不同醫療證據用于得出診斷結果。即使 借助由現代技術提供的這些信息，對某些器官中腫瘤/癌的診斷，諸如肝臟腫瘤/ 癌，仍舊證實是重大挑戰。這一事實的一個重要原因是，相同的疾病在不同數據 采集設備的診斷影像中可能視覺上看起來不同，而不同的疾病在不同數據采集設 備的影像中可能看上去相似。結果，非癌肝病有時會與肝癌疾病混淆，反之亦然。 例如，非癌肝病如血管瘤，肝細胞腺瘤，和肝臟局灶性結節增生(FNH)有時候 可能看上去像肝癌。
由于處理來自各種采集設備的數據存在上述困難，根據這些數據得到醫療 診斷通常需要豐富的臨床經驗。診斷的準確性和得到正確診斷結果所花費的時間 也可能在不同的使用放射能診治疾病的專家之間有很大不同。需要便于自動檢測 腫瘤/癌并提取有用診斷信息的工具，以改進診斷腫瘤/癌過程的處理能力和效 率。
本文要求保護和/或描述的發明進一步通過示例性實施例描述。這些示例性 實施例結合附圖進行詳細描述。這些實施例是非限定性的示例性實施例，其中所有附圖的多個視圖中相同的附圖標記代表類似結構，其中
圖l示出根據本發明的一個實施例，空間時間數據處理系統的示例性構成； 圖2是根據本發明的一個實施例，空間域腫瘤檢測的示例性程序的流程圖； 圖3是根據本發明的一個實施例，基于器官灰度減少(OIST)腫瘤檢測的
示例性程序的流程圖4是根據本發明的一個實施例，計算最大頻率-幅度差(MFMD)圖的示
例性程序的流程圖5是根據本發明的一個實施例，時間域腫瘤檢測的示例性程序的流程圖； 圖6是根據本發明的一個實施例，器官加權時間數據匹配的示例性程序的
流程圖7是根據本發明的一個實施例，進行對象分割的示例性程序的流程圖； 圖8 (a)和8 (b)示出在包含腫瘤的關注區域的兩個不同切片位置獲得的
影像；
圖8 (c)和8 (d)示出根據本發明的一個實施例，使用空間時間整合方法 分割疊加在包含腫瘤的關注區域影像上的腫瘤邊界；和
圖9是根據本發明的一個實施例的示例性程序的流程圖，其中診斷信息根 據匹配的數據集計算。
具體實施例方式
本發明涉及腫瘤檢測，分割和特征提取的方法和系統。本發明披露的方法 和系統能夠整合影像信息的空域時域處理，便于識別包含其中的腫瘤并對其量 化。在一些實施例中，可用來自影像的OIST (器官灰度減少)影像檢測具有均 勻灰度分布的腫瘤。例如，當患者數據器官是肝臟時，可以從包含肝臟的影像中 取得肝臟灰度減色(LIST)影像。可以使用從相同影像獲得的MFMD圖檢測具 有不均勻灰度分布的腫瘤。基于OIST的檢測結果可以與基于MFMD的檢測結 果結合，以生成整合的空間域腫瘤檢測結果。在一些實施例中，也可以根據器官 加權匹配方案在時間域檢測腫瘤。
可以使用時間域腫瘤檢測結果在時間域中驗證空間域腫瘤檢測結果。時間 域腫瘤檢測結果可以利用空間域腫瘤檢測結果在空間域進行驗證。驗證的空間域 腫瘤檢測結果可以與驗證的時間域腫瘤檢測結果整合，以生成融合的腫瘤檢測結果。在一些實施例中，包含在融合的腫瘤檢測結果中的腫瘤候選者可通過混合圖 進一步分割，該混合圖根據腫瘤候選者的OIST圖和MFMD圖計算生成。與疾 病診斷相關的分割出的腫瘤特征可以自動提取。
圖1示出根據本發明的一個實施例，空間時間數據處理系統100的示例性 構成。所述示例性系統100包括空間域對象檢測單元110，時間域對象檢測單元 115,時間域驗證單元120，空間域驗證單元125，空間時間整合檢測單元130， 置信度計算單元135，和對象分割單元140。在運行時，系統100處理來自多個 數據集102， 104， ...， 106的數據，并生成對象分割結果140-a。不同的數據集 102， 104， ...， 106可能彼此相關。例如，這些不同的數據集可根據相同實體， 例如患者在不同時間點或不同階段而獲得。每個數據集有一定維數。例如，每個 數據集可以是對應某種數據采集設備的3D體積的體數據集，并通過MRI成像獲 得。每個數據集還可以對應某種數據釆集設備的二維(2D)影像。這些數據集 可以包括一個或多個關注對象。所述關注對象可以是器官中的腫瘤，如肝臟中的 腫瘤/癌。數據集102， 104， ...， 106可以通過本地或遠程訪問或獲取。
在一些實施例中，為了根據包含在數據集102， 104， ...， 106中的信息提取 關注對象，空間域對象檢測單元IIO和時間域對象檢測單元115可以單獨執行對 象檢測。前者可以對每個單獨的數據集在空間域進行對象檢測。后者可以根據沿 時間線相關的數據集在時間域進行對象檢測。在一些實施例中，檢測結果可以是 數據集其中的位置，表示例如，對象主體的中心(例如，肝臟中的腫瘤)。這個
檢測到的位置可被當作關注對象的候選者。可以檢測到一個以上候選者。通過空 間域對象檢測單元110檢測到的候選者可以與通過時間域對象檢測單元115檢測 到的候選者重疊或不重疊。
在系統100中，通過空間域對象檢測單元IIO檢測到的每個候選者可以通 過時間域驗證單元120在時間域，例如，利用來自時間域對象檢測單元115的時 域證據或時間域檢測結果進行交叉確認或驗證。例如，在空間域檢測到的腫瘤候 選者可根據不同類型腫瘤的灰度增強圖案的相關知識進行驗證。該驗證候選者構 成空間域檢測結果120-a。類似地，通過時間域對象檢測單元115檢測到的每個 候選者可以通過空間域驗證單元125，利用來自空間域對象檢測單元110的空域 證據或檢測結果進行交叉確認或驗證。例如，在時間域檢測到的腫瘤候選者可根據特定類型腫瘤的預計形狀或大小的相關知識進行驗證。該驗證候選者構成時間
域檢測結果125-a。
在一些實施例中，空間域檢測結果120-a和時間域檢測結果125-a被送至空 間時間整合檢測單元130，在那里對來自空間域和時間域的檢測結果進行整合， 以生成整合的對象檢測結果130-a，該結果可能包括一個或多個檢測到的對象候 選者，通過例如，它們的相應位置表示。整合的檢測結果還可以包括各種測量結 果，表征每個檢測到的候選者。
在一些實施例中，所述整合可以通過對空間域檢測結果120-a和時間域檢測 結果125-a進行OR運算完成。例如，當候選者僅出現在一個數據集時，整合的 檢測結果可以包括所述候選者。在一些情況，兩個候選者各自來自不同的數據集， 彼此位置接近，盡管它們不重合，它們實際上可能對應相同的腫瘤。這可以根據 與每個候選者相關的特征確定。例如，可用每個候選者的相應大小或邊界測量結 果來確定與候選者位置相關的腫瘤是否明顯重疊。如果是，則來自空間和時間檢 測結果集的兩個候選者可以合并，以生成更新的候選者，具有位置估計在，例如， 兩個合并候選者的中點。另外，還可以使用AND運算進行整合，來自一個檢測 結果的候選者只有當來自其他檢測結果的候選者表示相同的腫瘤時才得以保留。 還可以采用其他方案，以將空間域檢測結果120-a和時間域檢測結果125-a整合， 并生成整合的檢測結果130-a。
在一些實施例中，對于來自整合的檢測結果130-a的每個候選者來說，置信 度計算單元135可以獲得置信度測量結果135-a，其表示關注對象存在于候選者 位置的可能性程度。該置信度測量結果可以根據不同類型的信息進行計算。例如， 可以考慮每個候選者的某些特征(例如，邊界形狀或灰度分布)和這些特征的相 應預計值之間的一致性。在另一個例子，當候選者既出現在空間檢測結果又出現 在時間檢測結果時，這可能使候選者具有更高程度的可信度。置信度可以通過不 同種類的特征(例如，形狀、灰度分布和灰度變化圖形)進行計算，并隨后組合 以獲得整體置信度。
根據整合的對象檢測結果130-a，對象分割單元140還可以對每個候選者進 行對象分割，并根據分割結果140-a提取與醫療診斷相關的特征。關于系統IOO 不同方面的詳細流程將在下面討論。圖2是根據本發明的一個實施例，空間域腫瘤檢測的示例性程序的流程圖。 為進行空間域對象檢測，對在不同時間獲得的數據集(例如，體積或影像)分別 進行處理。在本發明的一個實施例中，每個影像可以完成兩種轉換。 一種是OIST 轉換，它是相同影像尺寸的減灰度圖。另一種是MFMD轉換，生成相同影像尺 寸的紋理圖，在每個像素包含轉換的紋理特征。在一些實施例中，當數據集是體 積時，轉換適用于包含在體積內的每一切片影像。
每種轉換可有助于檢測具有不同特征的對象。例如，OIST轉換可便于檢測 對象或腫瘤，所述對象或腫瘤具有均勻灰度分布，不同于其中存在有對象的器官 的灰度值。例如，小的肝臟腫瘤通常表現為具有均勻灰度分布，不同于周圍正常 肝臟組織的灰度值。具有這些特性的腫瘤可根據OIST圖進行檢測。這在圖2中 由210完成。MFMD轉換便于檢測具有不均勻灰度分布，表現為例如，紋理粗 糙的腫瘤。具有這些灰度特征的腫瘤可根據MFMD圖進行檢測。這在220完成。 有關基于OIST對象檢測和基于MFMD對象檢測的細節將結合圖3-4進行討論。 在一些實施例中，為了能夠檢測不同灰度特性的腫瘤，在230，可將基于OIST 的檢測結果與基于MFMD的檢測結果結合，并在240生成組合的對象檢測結果。
圖3是根據本發明的一個實施例，基于OIST的腫瘤檢測的示例性程序的流 程圖。在300進行OIST轉換，以計算OIST圖。在一些實施例中，可通過從每 個像素的原始灰度值減去進行檢測的器官的平均灰度值來獲得OIST影像。例如， 在CT肝臟體影像中，平均肝臟CT值可從腫瘤灰度值減去，所述平均肝臟CT 值可通過識別由影像構成的灰度直方圖中的峰值自動獲得。
根據OIST影像，在310可以識別一個或多個腫瘤候選者。在一個實施例中， 當要檢測肝臟腫瘤/癌候選者時，可通過OIST影像中的OIST值識別低/高密度區， 來定位腫瘤候選者。低密度區的像素具有較低的灰度值，高密度區的像素具有較 高的灰度值。在OIST影像中，具有負值的像素可被看作來自低密度區，具有正 值的像素可被看作來自高密度區。在一個實施例中，OIST影像中的每個像素可 被分類為來自低密度區，高密度區，或兩者都不是。候選者種子對應像素點的中 心，所述像素對應低密度或高密度區，并可通過計算例如所述區域的質心獲得。
為了識別腫瘤的候選者，在320，從每個種子開始，區域生長過程漸進進行。 在每一生長步驟中，在330可對生長區域內的平均OIST影像灰度和生長面的平 均邊緣強度進行計算。在一些實施例中，像素的邊緣強度可被定義為像素的梯度幅值，而生長面可被定義為生長區域的邊界。可以采用不同的生長算法。在一個 實施例中，可采用球形模板，其中球形模板的邊界是生長面。在另一個實施例中， 單個像素可根據單個像素的優先順序生長。例如，具有較高優先順序的像素可以 最先生長。在一些實施例中，這種與每個像素相關的優先順序可根據像素的灰度 值進行計算。例如，對于低密度腫瘤，較高優先順序可以分配給具有較低灰度值 的像素。
在一些實施例中，根據每個生長步驟的區域生長結果，在340可提取一個 或多個特征。例如，在區域生長的每個步驟可提取并分析灰度分布和/或邊緣強 度分布和/或其特征。所述特征的例子包括平均灰度水平，整體灰度對比，和區 域形狀。這些動態計算的特征在350可被用來確定或選擇腫瘤的候選者。在350 可用不同的標準來確定哪個生長區域對應腫瘤候選者。在一些實施例中，可通過 提取的特征評估知識型規則。不符合規則中所定義標準的區域可被看作非腫瘤， 并可從生長過程中排除。
在一些實施例中，可根據特定領域的知識生成該知識型規則。例如，如果 目標對象是肝臟腫瘤，醫生就肝臟腫瘤具有什么特征的專業知識可轉化以形成知 識型規則，并應用在區域生長過程中以排除沒有這些特征的區域。還可用知識型 規則確定何時區域停止生長。例如，區域在檢測到明顯灰度變化時會停止生長， 對應邊緣分布的峰值，表示最大灰度變化。可根據下面的區域是低密度還是高密 度區域來評估該灰度變化。對于低密度區域，最大灰度變化可能與腫瘤邊界吻合， 對應OIST值的升高。對于高密度區域，最大灰度變化出現在邊界點，對應OIST 值下降。在一些實施例中，采用與腫瘤形狀，大小和內部對比相關標準的規則還 可用于過濾掉非腫瘤候選者。
如前面所提到的，使用MFMD圖便于檢測具有不均勻灰度分布的腫瘤或表 現為紋理狀的腫瘤。當采用合適的轉換時，該紋理狀腫瘤的原始影像可以轉換成 具有均勻像素值或具有與非腫瘤區域分離的像素值的圖。檢測具有均勻灰度分布 的腫瘤的腫瘤檢測方法然后可應用于轉換的圖，以識別腫瘤區域。例如，本文所 描述的基于OIST的腫瘤檢測方法可應用于MFMD圖，以檢測具有不均勻灰度 分布的腫瘤。圖4是根據本發明的一個實施例，計算MFMD圖的示例性程序的 流程圖。在410，對具有一定窗口大小的數據集(體積或影像)中的每個像素進 行傅立葉變換。例如，16x16窗口大小可用于傅立葉變換運算。在420，可以計算像素的每個傅立葉變換的幅度。
根據所計算的信息，在430計算每個像素的MFMD值。MFMD值可對應數 值，表示所有頻率分量的最大頻率幅度差。在一些實施例中，該MFMD值可計 算作為特定像素位置的最大幅度和最小幅度之間差。對于對應例如正常肝臟組織 的區域中像素來說，MFMD值可能接近于零，即，表示傅立葉變換頻率響應的 幅度基本上在相同水平。對于具有不均勻灰度增強腫瘤內的像素，MFMD值可 能明顯較高。在440，對像素的所述計算MFMD值形成了 MFMD圖，可采用對 于均勻腫瘤區域的腫瘤檢測方法，例如基于OIST的檢測。
在一些實施例中，可分別完成基于OIST的腫瘤檢測和基于MFMD的腫瘤 檢測。每個產生一組腫瘤候選者。每個候選者可通過，例如，影像坐標來表示， 其指出腫瘤的中心，和/或表征檢測到的潛在腫瘤的某些特征，包括估計的大小， 形狀，灰度分布，或內部灰度對比。在一個實施例中，來自OIST方法和MFMD 方法的檢測結果可以融合以生成空間域腫瘤檢測結果。在一些實施例中，所述融 合可通過在兩組檢測結果間進行OR運算來完成。例如，當候選者出現在一組中 但卻不在另一組時，整合的檢測結果可包括所述候選者。這提供了更具包含性的 檢測。在一些情況，分別來自每組的兩個候選者可能在距離上彼此接近(例如， 根據影像坐標測量)，即使它們彼此不重合。這可能對于兩個候選者是否實際上 對應相同的腫瘤造成不確定。為確定是否是這樣，可用與每個相關的特征進行評 估。例如，可用估計的大小或邊界來確定兩個候選者的位置是否在相同的腫瘤邊 界內。如果是這樣，可以合并來自兩組檢測結果的兩個候選者以產生更新的候選 者。例如，該更新候選者的影像坐標可以是兩個合并候選者的中點。
另外，還可以使用AND運算進行融合，并且來自一個檢測結果的候選者只 有在來自其他檢測結果的另一個候選者表示相同的腫瘤時才得以保留。這提供了 更保守的檢測結果，且這種融合方案結果對檢測提供了更高程度的置信度。
還可以在時間域中進行腫瘤檢測，其中有多個數據集(體積或影像)是在 不同時間或不同階段獲得的結果。 一些類型的腫瘤會順序展示某些變化圖形，就 臨床診斷而言相當重要。例如，肝臟腫瘤隨時間或跨不同階段會顯示灰度增強。 在所述情況下，當識別到序列中跨不同數據集的已知變化圖形時，可以檢測到腫 瘤。例如，當從不同階段的相應區域識別到灰度增強時，可能存在腫瘤。
圖5是根據本發明的一個實施例，時間域肝臟腫瘤檢測的示例性程序的流程圖。在該示例性程序中，在510，時間域中的腫瘤檢測可通過首先相對選定的 基礎影像/體積跨不同階段匹配影像/體積進行。在根據本發明的一些實施例中， 可采用器官加權匹配方法以獲得描述基礎影像/體積和匹配影像/體積之間運動 的參數，所述參數可用于完成影像/體積的移動，以便與基礎影像/體積匹配。在 520，可在序列的每個影像/體積之間相對選定的基礎影像/體積進行匹配。有關 器官加權匹配的細節將結合圖6進行討論。當序列中的所有影像/體積彼此匹配 時，可記錄下匹配參數。然后可在515取回OIST影像/體積。在520，可用記錄 下的匹配參數匹配不同階段的OIST影像/體積。在530，可在每對相鄰的OIST 影像/體積之間進行減色，以取得一個或多個減色的OIST影像/體積。然后可以 在540根據所獲得的減色OIST影像/體積進行腫瘤檢測。
在一些實施例中，如果在減色OIST影像/體積中的像素減色值超過某個臨 界值，則表示其在腫瘤內，所述腫瘤隨時間顯現灰度增強。當一個以上減色OIST 影像/體積的相應像素的減色值超過所述臨界值時，則更有力證明所述像素處在 腫瘤區域內。可單獨或以整合方式進行減色OIST影像/體積的腫瘤檢測。當在每 個單獨的減色OIST影像/體積進行檢測時，可在本地作出分類決定(例如，在腫 瘤內或在腫瘤外)，而不需考慮在空間或時間鄰域中相鄰像素的減色值。在其他 實施例中，對每個像素的分類決定可以根據該像素的減色值以及與其相鄰像素的 減色值作出。例如，可用不同階段的減色值建立數據圖表，并對該圖表進行分析， 以檢査其是否顯示符合目標腫瘤特征的某些變化圖形。
在一些實施例中，當要檢測的目標腫瘤是肝臟腫瘤時，可以例如Housfield 單位測量肝臟腫瘤內OIST影像隨時間的灰度變化。當灰度變化超過一定數量 Housfield單位時，它會被視為在肝臟腫瘤的候選者區域內。由于類似的灰度增 強還可能發生在其他解剖結構上，如血管，可用其他信息來區分腫瘤和非腫瘤解 剖體。在一些實施例中，可以使用空間信息來評估檢測到的具有灰度增強的區域 是否對應肝臟腫瘤。用于這一目的的示例性空間信息可以包括與區域的形狀或大
小相關的測量結果。這些信息可用于驗證檢測到在不同階段具有灰度增強的區域 還具有預計的形狀或大小。以這種方式進行的驗證可以排除從形狀和/或大小不
會認為是腫瘤的區域。例如，由于血管的形狀通常是具有大縱橫比的曲線，而腫 瘤預計具有相對圓形和小縱橫比，通過比較測量結果，可以排除血管是腫瘤的候選者。在醫學成像中，可在幾分鐘的時間間隔獲得多相位影像，例如，在造影劑 注射后。在這期間，被成像的器官可由于，例如，呼吸或受治療者其他類型的運 動而移動。這種移動可能導致器官在不同采集階段偏移或變形。可觀察到明顯的 偏移，例如，在5mm切片厚度CT采集中超過3個切片偏移。在這些情況，根 據幾何成像參數本身的匹配通常不會產生足以令人滿意的結果。在本發明中，采 用了器官加權匹配技術。在器官加權匹配的優選實施例中，分配給肝臟樣區域內 像素的權重高于分配給非肝臟樣區域內的像素。
圖6是根據本發明的一個實施例，器官加權時間數據匹配的示例性程序的 流程圖。在該示例性程序中，要匹配兩個體積，體積1和體積2。該示例性匹配 程序也可應用于影像匹配。對于要匹配的每個體積，在610首先建立并分析灰度 直方圖。在620,可通過確定直方圖的峰值，其對應大量像素的灰度水平，來識 別明顯占據所述體積的器官(例如，肝臟)。在一些實施例中，可以在630采用 分段的線性函數，對體積中每個像素的灰度值加權，以使對應直方圖峰值的灰度 值的像素被給予最大權重，例如，1。相應地，對應直方圖中非峰值位置的灰度 值的像素可給予與直方圖中非峰值位置到峰值位置之間距離成反比的權重。可采 用不同的線性加權函數將權重分配給不同灰度值的像素。
在一些實施例中，根據灰度加權量，可以在640進行交叉相關性運算，以 識別兩個體積之間的運動參數。這種兩個體積之間的交叉相關性運算可對一個以 上平移位置進行，以便搜索在兩個體積之間產生最大交叉相關性的偏移(或運動 參數)。可以根據下面的應用程序來確定用于計算交叉相關性的多個平移位置。 例如，可以假設肝臟在兩個相鄰階段之間沒有經歷大運動。在優選實施例中，當 假設在兩個體積間有小運動時，可以將搜索范圍限制在更小的窗口，如3x3x3 或5x5x5區域。
在一些實施例中，對于每個像素，相對給定搜索范圍的每個可能平移位置 (例如，在體積中的可能平移位置(-l,O，O)表示像素向左平移，而高度和深度 不變)，計算交叉相關性以產生交叉關聯值。在650，這會產生交叉相關值體積， 厚度對應在每個像素搜索到的可能平移位置量。在一些實施例中，在660，每個 像素的匹配參數可以通過從所有與像素關聯的這些分值中識別最大交叉關聯值 而得到。
在一些實施例中，利用器官加權匹配方法匹配的影像/體積能夠同步看到影像/體積序列。例如，為了觀察肝臟腫瘤如何隨時間在大小和密度發生變化，可 以并列觀察包含肝臟腫瘤的影像，或者如播放電影一樣，通過基于肝臟加權匹配 產生的多個匹配影像示出這些變化。
在一些實施例中，還可以對每個檢測到的候選者進行對象分割。分割可以 從周圍非腫瘤解剖體勾畫出腫瘤的邊界。本文披露了腫瘤分割的示例性程序，能 夠為不同類型腫瘤提取腫瘤邊界，包括具有均勻和不均勻灰度分布的腫瘤。
圖7是根據本發明的一個實施例，對象分割的示例性程序的流程圖。在該 示例性程序中，在710取回表示估計對象位置的候選者。可以如本文所述生成 OIST影像和MFMD圖，或者分別在720和730訪問OIST影像和MFMD圖， 當它們已經在例如空間域對象檢測期間被計算過并被保存。如前面所描述的， OIST影像可提供有用的信息，有助于從其周圍(例如，正常肝臟)組織辨別具 有均勻灰度分布的腫瘤(例如，在肝臟內)。MFMD紋理圖可提供有助于識別 紋理狀腫瘤的信息。
在一些實施例中，在740，可以根據OIST圖和MFMD圖生成混合圖。在一 個實施例中，所述混合圖通過線性加權產生，其中每幅圖(OIST或MFMD)的 每個像素的標準權重可相對圖中最大值進行計算。所述混合圖的每個像素值然后 可計算為OIST的像素值和MFMD的像素值的加權總和。在750，這個混合圖可 用來估計潛在腫瘤的中心和大小。在一些實施例中，為了獲得潛在腫瘤的估計中 心和大小，可用一個或多個具有一定形狀和不同尺寸的模板進行各種巻積運算。 每種巻積運算可生成響應。在一些實施例中，可在腫瘤候選者位置周圍的多個像 素位置應用巻積。在每個這樣的像素位置，可以使用例如，具有不同半徑值的球 形模板進行多次巻積運算。然后通過從巻積結果中識別最大響應獲得潛在腫瘤的 中心和大小。
在一些實施例中，根據估計的腫瘤中心和大小，通過例如，在混合圖中識 別沿多個灰度分布在一定徑向方向從估算的腫瘤中心開始的邊界點，可以在760 估算潛在腫瘤的多個邊界點。例如，對應從腫瘤區域過渡到正常肝臟組織的明顯 灰度降低/升高可以順著每個灰度分布識別。在一些實施例中，這種搜索可以局 限在腫瘤邊界范圍內，例如，根據潛在腫瘤的估計大小來確定形成帶狀。可以強 制限定，以使只有范圍內的降低/升高可被識別為腫瘤的邊界點。灰度分布量可 確定為固定數量或可適應性確定。例如，它可以相對潛在腫瘤的估算大小而確定。腫瘤尺寸越大，會用更多的灰度分布搜索邊界點。例如，對于小的腫瘤來說，徑
向方向可以是環繞腫瘤的估計中心每隔15度。對于大的腫瘤來說，可以增加到 每隔5度以便識別足夠數量的邊界點。這些檢測到的邊界點可被用作，例如，定 位點，以在770獲得連續的腫瘤邊界。在一些實施例中，可應用擬合運算得到邊 界。在其他實施例中，可以應用可變形的模型擬合運算，例如相對，例如混合圖， 最小化/最大化能量，以獲得最佳化的腫瘤邊界。
圖8 (a)和8 (b)示出包含腫瘤的關注區域的兩個切片影像。圖8 (c)和 8 (d)示出利用本文所述基于混合圖的腫瘤分割方法而獲得的相應腫瘤邊界，-并 疊加在原始影像上。
在一些實施例中，分割的腫瘤便于提取各種類型的診斷信息，這些信息在 協助自動化診斷和/或交互式診斷中可能是至關重要的。診斷信息可以是空域的 或時域的。圖9是根據本發明一個實施例的示例性程序的流程圖，其中空域和時 域診斷信息根據匹配的數據集進行計算。在這個示例性程序中，在910接收與分 割的腫瘤有關的信息。然后在920可以計算在不同階段所有影像的器官加權形 式。全局匹配可以在930進行，通過利用器官加權的影像首先匹配不同階段的腫 瘤(例如，以補償剛性的運動分量)。在940還可以進行局部匹配，根據如本文 所述融合OIST影像和MFMD影像得到的混合圖來匹配腫瘤的不同區域(例如， 以補償可變形的運動分量)。
在一些實施例中，還可以在950自動提取空間診斷信息。所述空間信息可 以包括，但不限于，腫瘤大小，腫瘤形狀，腫瘤區別正常肝臟的灰度差異特征， 腫瘤邊界灰度過渡的清晰度；腫瘤內中心疤痕的存在，腫瘤內較低灰度區域的存 在，腫瘤內較低灰度區域的分布，結節內結節結構的存在，低密度或高密度環的 存在，腫瘤內增強區域的百分比，或與其他解剖體的空間關系。示例性時間診斷 信息可以包括不同階段腫瘤的平均灰度變化，腫瘤內灰度增強的空間分布，或者 結節內結節結構的增強模式。
盡管結合某些圖示實施例對本發明進行了描述，本文所使用的文字是說明 性的文字，而非限定性文字。在所附權利要求書的范圍內，在不超出本發明的范 圍和構思的前提下可以變化。盡管結合特定的結構，動作和材料對本發明進行了 描述，本發明并不局限于所披露的細節，而是可以多種形式體現，其中某些形式 可能與所披露的實施例差別很大，并延伸至任何屬于所附權利要求書范圍的所有等同結構，動作和材料'
權利要求
1. 肝臟腫瘤檢測方法，包括根據由數據集產生的肝臟灰度減色(LIST)影像和最大頻率-幅度差(MFMD)圖檢測多個數據集中每個數據集在空間域中的肝臟腫瘤；檢測所述多個數據集在時間域中的肝臟腫瘤；和整合來自在所述空間域檢測的檢測結果和來自在所述時間域檢測的檢測結果，以生成整合的檢測結果。
2. 根據權利要求l的方法，其中數據集包括2D影像和3D體積的至少其中 之一。
3. 根據權利要求l的方法，其中所述多個數據集在時間上相關聯，并且每個 數據集在不同的時間點獲得。
4. 根據權利要求2的方法，其中所述在空間域檢測包括 根據所述LIST影像進行肝臟腫瘤檢測； 根據所述MFMD圖進行肝臟腫瘤檢測；和融合從LIST影像檢測的檢測結果和從MFMD圖檢測的檢測結果，以產生來 自空間域的檢測結果。
5. 根據權利要求4的方法，其中所述在LIST影像進行檢測包括 根據所述影像和與所述影像相關的肝臟灰度值，生成所述LIST影像，作為轉換影像；和從所述轉換影像檢測肝臟腫瘤。
6. 根據權利要求5的方法，其中所述肝臟灰度值是根據由所述影像構成的灰 度直方圖估算的。
7. 根據權利要求4的方法，其中所述在MFMD圖進行檢測包括 生成所述MFMD圖作為轉換影像；和 從所述轉換影像檢測肝臟腫瘤。
8. 根據權利要求7的方法，其中生成所述MFMD圖包括 以在所述影像的每個像素為中心計算多個傅立葉變換； 對所述影像的每個像素計算每個傅立葉變換的幅度； 選擇每個像素的最大幅度； 選擇每個像素的最小幅度；和將所述影像中每個像素的最大幅度和最小幅度之間差分配給MFMD圖中的 相應像素。
9. 根據權利要求5的方法，其中所述從轉換影像檢測包括 識別腫瘤候選者，其中所述腫瘤候選者在滿足至少一個預定標準的灰度值的區域內；從所述腫瘤候選者開始進行區域生長，以產生生長區域； 計算與所述生長區域關聯的至少一個特征；重復所述生長和計算步驟，直到所述至少一個特征滿足一定條件。
10. 根據權利要求9的方法，其中包含所述腫瘤候選者的區域包括所述影像 中的低密度區，其灰度值高于第一預定臨界值。
11. 根據權利要求9的方法，其中包含所述腫瘤候選者的區域包括所述影像 中的高密度區，其灰度值低于第二預定臨界值。
12. 根據權利要求9的方法，其中包含所述腫瘤候選者的區域包括MFMD圖 中的區域，其灰度值明顯高于第三預定臨界值。
13. 根據權利要求9的方法，其中所述進行區域生長是根據分配給生長區中 每個像素的優先順序進行的。
14. 根據權利要求13的方法，其中分配給所述生長區中像素的優先順序是根 據所述像素的灰度值確定的。
15. 根據權利要求9的方法，其中所述至少一個特征包括至少下述之一 生長區內的平均灰度值； 限定生長區邊界的像素平均邊緣強度；和生長區和生長區外部區域之間的對比值。
16. 根據權利要求4的方法，其中所述融合包括在來自LIST影像的檢測結果 和來自MFMD圖的檢測結果之間進行的OR運算。
17. 根據權利要求4的方法，其中所述融合包括合并來自LIST影像的檢測結 果中第一腫瘤候選者與來自MFMD圖的檢測結果中第二腫瘤候選者。
18. 根據權利要求2的方法，其中所述在時間域中檢測肝臟腫瘤包括 將每個影像與選自多個影像的基礎影像匹配；根據對匹配影像的灰度增強分析檢測一個或多個肝臟腫瘤候選者；和 從時間域生成所述檢測結果。
19. 根據權利要求18的方法，其中所述匹配包括利用根據第一灰度直方圖的峰值位置獲得的第一權重，所述直方圖由基礎影 像構成，加權所述基礎影像中的每個像素值，以產生所述像素的肝臟加權灰度值；利用根據第二灰度直方圖的峰值位置獲得的第二權重，所述直方圖由所述影 像構成，加權所述影像中的每個像素值，以產生所述像素的肝臟加權灰度值；計算多個相關性分值圖，每個對應位置平移，其中相關性分值圖中的每個像素表示交叉相關值，根據基礎影像中第一像素的加權灰度值，影像中第二像素的 加權灰度值，和從第一像素位置到第二像素位置的水平位移計算；根據相關性分值圖中的最高交叉相關值獲得一個或多個匹配參數；和利用所述匹配參數將所述影像與所述基礎影像匹配。
20. 根據權利要求18的方法，其中所述檢測包括在每對相鄰的匹配影像間進行影像減色，以產生一個或多個減色的影像； 在所述一個或多個減色的影像中識別具有灰度增強的區域；和 獲得對應所述區域的腫瘤候選者，如果所述區域的灰度增強滿足至少一個時 域標準。
21. 根據權利要求l的方法，還包括利用來自時間域的檢測結果驗證來自空 間域的檢測結果。4
22. 根據權利要求21的方法，其中所述驗證來自空間域的檢測結果包括-識別包括在來自空間域的檢測結果中的每個腫瘤候選者的灰度增強；和 確認所述腫瘤候選者的灰度增強滿足至少一個時域標準。
23. 根據權利要求l的方法，還包括利用來自空間域的檢測結果驗證來自時 間域的檢測結果。
24. 根據權利要求23的方法，其中所述驗證來自時間域的檢測結果包括-識別包括在來自時間域的檢測結果中的每個腫瘤候選者的至少一個空域特征；確認與所述腫瘤候選者相關的至少一個空域特征滿足至少一個空域標準。
25. 根據權利要求24的方法，其中所述至少一個空域特征包括與圍繞所述腫 瘤候選者的區域相關的尺寸，和/或所述區域的形狀。
26. 根據權利要求l的方法，其中所述整合包括在來自空間域的檢測結果和 來自時間域的檢測結果之間執行OR運算。
27. 根據權利要求l的方法，其中所述整合包括合并來自空間域的檢測結果 中的第一腫瘤候選者和來自時間域的檢測結果中的第二腫瘤候選者。
28. 根據權利要求l的方法，還包括分割所述肝臟腫瘤，包括 '將LIST影像與MFMD圖整合，以生成混合圖；使所述混合圖與至少一個模板巻積； 根據所述巻積結果估算所述肝臟腫瘤的中心和大小；和 提取所述肝臟腫瘤的邊界以生成分割的肝臟腫瘤。
29. 根據權利要求28的方法，其中用于巻積的模板具有球形形狀。
30. 根據權利要求29的方法，其中用于巻積的每個模板具有不同尺寸。
31. 根據權利要求28的方法，其中所述提取包括沿從所述肝臟腫瘤中心開始的多條徑向線的每條搜索明顯灰度變化的邊界 點；和根據沿所述徑向線識別的邊界點生成所述邊界。
32. 根據權利要求28的方法，還包括提取與分割的肝臟腫瘤相關的診斷信息。
33. —種方法，包括估算器官灰度值，表示在影像中成像的器官；從所述影像中的每個像素值減去所述器官灰度值，以獲得器官灰度減色(OIST)影像。
34. 根據權利要求33的方法，其中所述器官包括肝臟。
35. 根據權利要求33的方法，其中所述估算包括 構建所述影像的灰度直方圖；和 識別對應灰度直方圖中峰值位置的器官灰度值。
36. 根據權利要求33的方法，其中所述器官灰度值對應平均灰度值，根據影 像中器官內的像素灰度值計算。
37. 根據權利要求33的方法，還包括根據所述OIST影像檢測器官中的腫瘤。
38. —種方法，包括以影像的每個像素為中心計算多個傅立葉變換； 對所述影像的每個像素計算每個傅立葉變換的幅度； 選擇每個像素的最大幅度； 選擇每個像素的最小幅度；和為最大頻率-幅度差(MFMD)圖中的每個像素計算在所述影像中的相應像素 的最大幅度和最小幅度之間差，作為MFMD圖中像素的像素值。
39. 根據權利要求38的方法，其中所述影像包括器官外形。
40. 根據權利要求39的方法，其中所述器官包括肝臟。
41. 根據權利要求39的方法，還包括根據所述MFMD圖檢測器官中的腫瘤。
42. —種檢測腫瘤的方法，包括根據由所述數據集產生的器官灰度減色(OIST)影像和最大頻率-幅度差 (MFMD)圖檢測多個數據集中的每個數據集在空間域的腫瘤； 檢測所述多個數據集在時間域的腫瘤；和整合來自空間域檢測的檢測結果和來自時間域檢測的檢測結果，以生成整合 的檢測結果。
43. 根據權利要求42的方法，其中所述檢測時間域中的腫瘤是通過利用器官 加權匹配方案匹配所述多個數據集進行的。
44. 根據權利要求42的方法，還包括 利用來自時間域的檢測結果驗證來自空間域的檢測結果；和 利用來自空間域的檢測結果驗證來自時間域的檢測結果。
45. 根據權利要求42的方法，還包括對包括在整合檢測結果中的腫瘤進行分割。
46. 根據權利要求45的方法，還包括根據所述整合的檢測結果提取空間和/ 或時間診斷信息。
47. —種檢測空間域中腫瘤的方法，包括 在器官灰度減色(OIST)影像中進行腫瘤檢測； 在最大頻率-幅度差(MFMD)圖中進行腫瘤檢測；和 融合來自在OIST影像檢測的檢測結果和來自在MFMD圖檢測的檢測結果，以產生融合的檢測結果，其中根據影像生成所述OIST影像和MFMD圖。
48. 根據權利要求47的方法，其中所述在OIST影像檢測包括 估算與器官大體顯現在影像中相關的器官灰度值；在所述影像的每個像素減去所述器官灰度值，以生成OIST影像中相應像素 的減色灰度值；和檢測OIST影像中的腫瘤。
49. 根據權利要求47的方法，其中根據由所述影像構成的灰度直方圖估算所 述器官灰度值。
50. 根據權利要求47的方法，其中在MFMD圖的檢測包括 生成所述MFMD圖作為轉換影像；和從MFMD圖檢測腫瘤。
51. 根據權利要求50的方法，其中生成所述MFMD圖包括 以所述影像的每個像素為中心計算多個傅立葉變換； 對所述影像的每個像素計算每個傅立葉變換的幅度； 選擇每個像素的最大幅度；選擇每個像素的最小幅度；和將所述影像中每個像素的最大幅度和最小幅度之間差分配給MFMD圖中的 相應像素。
52. 根據權利要求47的方法，其中所述融合包括在來自OIST影像的檢測結 果和來自MFMD圖的檢測結果之間進行OR運算。
53. 根據權利要求47的方法，其中所述融合包括合并來自OIST影像的檢測 結果中的第一腫瘤候選者和來自MFMD圖的檢測結果中的第二腫瘤候選者。
54. —種匹配方法，包括利用根據第一灰度直方圖的峰值位置獲得的第一權重，所述第一直方圖由第 一影像構成，加權第一影像中的每個像素值，以生成第一影像中像素的加權灰度 值；利用根據第二灰度直方圖的峰值位置獲得的第二權重，所述第二直方圖由第 二影像構成，加權第二影像中的每個像素值，以生成第二影像中像素的加權灰度 值；和根據第一影像的加權灰度值和第二影像的加權灰度值將第一影像與第二影 像匹配。
55. 根據權利要求54的方法，其中所述第一權重與第一影像的像素值和對應 第一灰度直方圖峰值位置的灰度值之間差是反相關。
56. 根據權利要求54的方法，其中所述第二權重與第二影像的像素值和對應 第二灰度直方圖峰值位置的灰度值之間差是反相關。
57. 根據權利要求54的方法，其中所述匹配包括根據帶加權灰度值的第一影像和帶加權灰度值的第二影像獲得一個或多個 匹配參數；和利用所述匹配參數將所述影像與基礎影像匹配。
58. 根據權利要求57的方法，其中所述獲得步驟包括計算多個相關性分值圖，每個對應位置平移，其中相關性分值圖中的每個像 素表示第一影像中的相應第一像素和第二影像中的第二像素之間的交叉相關性， 根據第一像素的加權灰度值，第二像素的加權灰度值，以及第一像素向第二像素位置的水平位移計算；確定相關性分值圖中的最高交叉相關值和相應的位置平移；和 根據所述相應的位置平移計算一個或多個匹配參數。
59. —種腫瘤檢測的方法，包括 進行多個數據集的對象加權匹配； 在每對相鄰的匹配數據集之間進行減色，以產生一個或多個減色數據集； 識別一個或多個減色數據集中具有灰度增強的區域；和 獲得對應所述區域的腫瘤，如果所述區域的灰度增強滿足至少一個預定的標準。
60. 根據權利要求59的方法，其中每個所述數據集是2D影像。
61. 根據權利要求59的方法，其中每個所述數據集是3D體積。
62. 根據權利要求59的方法，其中所述進行對象加權匹配包括 利用根據灰度直方圖的峰值位置獲得的權重，所述直方圖由所述數據集構成，加權每個數據集中的每個像素值，以產生所述數據集中像素的加權灰度值； 根據所述數據集的加權灰度值匹配所述數據集。
63. 根據權利要求62的方法，其中所述權重與數據集中的像素值和對應數據 集的灰度直方圖峰值位置的灰度值之間差是反相關。
64. —種分割腫瘤的方法，包括接收與數據集中檢測的腫瘤相關的信息；整合根據所述數據集生成的OIST圖和MFMD圖，以生成混合圖； 將混合圖與至少一個模板迸行巻積； 根據所述巻積結果估算腫瘤的中心和大小；和 提取所述腫瘤的邊界以生成分割的腫瘤。
65. 根據權利要求64的方法，其中用于巻積的模板具有球形形狀。
66. 根據權利要求64的方法，其中用于巻積的每個模板具有不同尺寸。
67. 根據權利要求64的方法，其中所述提取包括-沿從所述腫瘤中心開始的多條徑向線的每條搜索明顯灰度變化的邊界點；和 根據沿所述徑向線識別的邊界點生成所述邊界。
68. —種檢測肝臟腫瘤的系統，包括空間域檢測單元，能夠根據肝臟灰度減色(LIST)影像和最大頻率-幅度差 (MFMD)圖檢測多個數據集的每個數據集在空間域的肝臟腫瘤；時間域檢測單元，能夠檢測所述多個數據集在時間域的肝臟腫瘤；和 空間時間整合檢測單元，能夠整合來自空間域檢測單元的檢測結果和來自時 間域檢測單元的檢測結果，以生成整合的檢測結果。
69. 根據權利要求68的系統，還包括-LIST生成單元，能夠為每個數據集構建LIST影像；和 MFMD生成單元，能夠為每個數據集構建MFMD圖。
70. 根據權利要求68的系統，其中所述空間域檢測單元包括-基于LIST的檢測單元，能夠根據對所述數據集構成的LIST影像檢測數據集 中的肝臟腫瘤；基于MFMD的檢測單元，能夠根據對所述數據集構成的MFMD圖檢測數據 集中的肝臟腫瘤；融合單元，能夠組合來自基于LIST檢測單元的檢測結果和來自基于MFMD 檢測單元的檢測結果，以生成空間域檢測結果。
71. 根據權利要求68的系統，其中所述時間域檢測單元包括肝臟加權匹配單元，能夠通過在肝臟加權方案中加權數據集值來匹配所述多個數據集；腫瘤檢測單元，能夠根據對匹配數據集的灰度增強的分析，檢測一個或多個 肝臟腫瘤候選者；和 生成時間域檢測結果。
72. 根據權利要求68的系統，還包括時間域驗證單元，能夠根據來自時間域檢測單元的檢測結果驗證來自空間域 檢測單元的檢測結果；和空間域驗證單元，能夠根據來自空間域檢測單元的檢測結果驗證來自時間域 檢測單元的檢測結果。
73. 根據權利要求68的系統，還包括分割單元，能夠獲得包括在整合檢測結 果中的肝臟腫瘤的邊界。
74. 根據權利要求68的系統，還包括診斷信息提取單元，能夠根據所述整合 的檢測結果獲得診斷信息。
全文摘要
披露了腫瘤檢測的方法和系統。根據器官灰度減色(OIST)影像，從空間域中的每個數據集檢測腫瘤。在時間域中，根據多個數據集的最大頻率-幅度差(MFMD)圖檢測腫瘤。整合來自空間域的檢測結果和來自時間域的檢測結果以生成整合的腫瘤檢測結果。
文檔編號G06T5/00GK101421745SQ200580011473
公開日2009年4月29日 申請日期2005年4月14日 優先權日2004年4月15日
發明者梁正中, 黎 范, 錢建中, 魏國慶 申請人:美國醫軟科技公司