医学图像中的变化检测制造技术

提供了用于医学图像中的变化检测的系统和方法。生成表示第一医学图像与第二医学图像之间的强度差值的差值图像。将混合模型拟合到所述差值图像的强度分布以识别共同地建模所述强度分布的多个概率分布。多个强度范围是根据所述多个概率分布来确定的。通过确定标记的图像数据落入所述多个强度范围中的哪个强度范围内来标记所述差值图像的图像数据。因此，获得比已知的系统和方法更准确的变化检测。

Change Detection in Medical Images

A system and method for change detection in medical images are provided. A difference image representing the intensity difference between the first medical image and the second medical image is generated. The mixed model is fitted to the intensity distribution of the difference image to identify multiple probability distributions that collectively model the intensity distribution. A plurality of intensity ranges are determined according to the plurality of probability distributions. The image data of the difference image is marked by determining which intensity range of the marked image data falls into the plurality of intensity ranges. Therefore, change detection is more accurate than known systems and methods.

【技术实现步骤摘要】
【国外来华专利技术】医学图像中的变化检测
本专利技术涉及用于医学图像中的变化检测的系统和方法。本专利技术还涉及包括所述系统的服务器、成像装置和工作站。本专利技术还涉及包括用于使处理器系统执行所述方法的指令的计算机可读介质。
技术介绍
医学图像可以示出患者的解剖结构和/或下层组织的功能属性。可能希望检测患者的解剖结构(的部分)或下层组织的功能属性的变化。这些变化可以表示疾病状态的变化或其他类型的解剖学变化。例如，变化可以是由于肿瘤的生长、多发性硬化症(MS)的进展等或与之相关联。通过检测变化以及变化的类型，可能能够例如通过调整处置策略来更好地处置疾病。为了检测这些变化，可以对示出不同时刻的解剖结构的医学图像进行比较。备选地或额外地，医学图像可以在例如与健康和患病的患者相关的其他方面不同。用于检测医学图像中的变化的常见方法是例如由放射科医生进行的人工视觉检查。然而，这样的人工视觉检查往往是耗时的，并且例如肿瘤生长、水肿等的精细变化的检测可能是困难的且不准确的。I.Kakadiaris等人的文章“Signal-ProcessingApproachestoRiskAssessmentinCoronaryArteryDisease”(IEEESignalProcessingMagazine，第23卷，第59至62页，(2006年))公开了一种用于血管滋养管微血管的血管内超声成像的方法。V.Bevilacqua等人的文章“Retinaimagesprocessingusinggeneticalgorithmandmaximumlikelihoodmethod”(Proceedingsadvancesincomputerscienceandtechnology，第277至280页，(2004年))公开了一种用于使用遗传算法和最大似然方法的视网膜图像处理的系统。J.SuarezdeLezo等人的文章“IntracoronaryUltrasoundAssessmentofDirectionalCoronaryAtherectomy:ImmediateandFollow-UpFindings”(JournaloftheAmericanCollegeofCardiology，第21卷，第298至307页，(1993年))公开了一种包括调整超声增益和灰度设置以优化期望结构的可视化的方法。L.Bruzzone等人的文章“AutomaticAnalysisoftheDifferenceImageforUnsupervisedChangeDetection”(IEEETransactionsonGeoscienceandRemoteSensing，第38卷，第1171至1182页，(2000年))公开了用于确定变化是否已经在图像的像素位置处发生的技术，其中，这些技术是基于贝叶斯理论的。此外，US2004/0092809A1公开了一种用于诊断对象的状况的计算机辅助方法，其中，所述状况与可以由例如脑部的离散定位区域定义的一个或多个感兴趣区域中的激活相关联，其中，所述离散定位区域可以通过找到三维医学图像中的由与背景状况相比的刺激或行为调制的体素而在生理学上进行定义。用于自动检测医学图像中的变化的许多方法在本领域中是已知的。例如，Patriarche和Erickson在“AreviewoftheAutomatedDetectionofChangeinSerialImagingStudies”(JournalofDigitalImaging，第17卷，第3期，2004年(9月)，第158-174页)中评述了许多已知的方法。由Patriarche和Erickson引用的方法中的一种是Hsu等人的方法(“Newlikelihoodtestmethodsforchangedetectioninimagesequences”(ComputerVision,Graphics,andImageProcessing，第26卷，1984年，第73-106页)。提出的方法使用似然比来测试一组体素是否正在变化，只要其幅度足够高，其允许更小的集群被检测为变化，以及在更小的变化要求的情况下更大的集群被检测为变化。据称基于集群大小的阈值不仅能够将大幅度的变化与噪声分开，而且将由经历相同类型的变化的空间邻近组体素组成的小得多的幅度的变化分开。Patriarche和Erickson在“AutomatedChangeDetectionandCharacterizationinSerialMRStudiesofBrain-TumorPatients”(JournalofDigitalImaging，2007年，20(3)，第203-222页)中进一步描述了比较脑部肿瘤患者的序列MRI脑部检查并且将它们判断为稳定的或进展的算法。据说该算法比较脑部肿瘤患者的序列成像研究，产生变化图：针对每个脑部体素的变化的性质(如果有的话)和变化的幅度两者。作为输出，获得被叠加在解剖图像上的颜色编码的变化图。
技术实现思路
不利地，自动变化检测的已知方法是不够准确的。具有提供医学图像中的更准确的变化检测的系统和方法将是有利的。本专利技术的第一方面提供了一种用于医学图像中的变化检测的系统，包括：-图像数据接口，其被配置为访问第一医学图像和第二医学图像；-处理器，其被配置为：-生成表示所述第一医学图像与所述第二医学图像之间的强度差值的差值图像；-确定所述差值图像的强度分布；-将混合模型拟合到所述强度分布以识别共同地建模所述强度分布的多个概率分布，其中，所述多个概率分布中的每个概率分布表示不同类型的变化；-确定所述强度分布中的多个强度范围，其中，所述多个强度范围中的每个强度范围是根据所述多个概率分布中的相应概率分布来确定的并且表示所述不同类型的变化；并且-通过确定标记的图像数据落入所述多个强度范围中的哪个强度范围内来标记所述差值图像的图像数据。本专利技术的又一方面提供了一种包括所述系统的服务器、工作站或成像装置。本专利技术的又一方面提供了一种医学图像中的变化检测的方法，包括：-访问第一医学图像和第二医学图像；-生成表示所述第一医学图像与所述第二医学图像之间的强度差值的差值图像；-确定所述差值图像的强度分布；-将混合模型拟合到所述强度分布以识别共同地建模所述强度分布的多个概率分布，其中，所述多个概率分布中的每个概率分布表示不同类型的变化；-确定所述强度分布中的多个强度范围，其中，所述多个强度范围中的每个强度范围是根据所述多个概率分布中的相应概率分布来确定的并且表示所述不同类型的变化；并且-通过确定标记的图像数据落入所述多个强度范围中的哪个强度范围内来标记所述差值图像的图像数据。本专利技术的又一方面提供了一种计算机可读介质，包括表示用于使处理器系统执行所述方法的指令的瞬态或非瞬态数据。以上措施提供了被配置为访问第一医学图像和第二医学图像的图像数据接口。医学图像可以通过各种成像模态来进行采集。这样的成像模态可以包括CT和MRI、正电子发射断层摄影、SPECT扫描、超声波扫描等。以上措施提供了被配置为生成表示第一医学图像与第二医学图像的图像强度之间的差值的差值图像的处理器。差值图像可以通过例如第一医学图像与第二医学图像的相减或第二医学图像与第一本文档来自技高网...

【技术保护点】
1.一种用于医学图像中的变化检测的系统(100)，包括：‑图像数据接口(120)，其被配置为访问第一医学图像(022、200)和第二医学图像(024、210)；‑处理器(160)，其被配置为：‑生成表示所述第一医学图像(022、200)与所述第二医学图像(024、210)之间的强度差值的差值图像(220)；‑确定所述差值图像(220)的强度分布(300)；‑将混合模型拟合到所述强度分布以识别共同地建模所述强度分布(300)的多个概率分布(315、320)，其中，所述多个概率分布中的每个概率分布表示不同类型的变化；‑确定所述强度分布(300)中的多个强度范围，其中，所述多个强度范围中的每个强度范围是根据所述多个概率分布(315、320)中的相应概率分布来确定的并且表示所述不同类型的变化；并且‑通过确定标记的图像数据落入所述多个强度范围中的哪个强度范围内来标记所述差值图像(220)的图像数据。

【技术特征摘要】
【国外来华专利技术】2016.06.29 EP 16176819.71.一种用于医学图像中的变化检测的系统(100)，包括：-图像数据接口(120)，其被配置为访问第一医学图像(022、200)和第二医学图像(024、210)；-处理器(160)，其被配置为：-生成表示所述第一医学图像(022、200)与所述第二医学图像(024、210)之间的强度差值的差值图像(220)；-确定所述差值图像(220)的强度分布(300)；-将混合模型拟合到所述强度分布以识别共同地建模所述强度分布(300)的多个概率分布(315、320)，其中，所述多个概率分布中的每个概率分布表示不同类型的变化；-确定所述强度分布(300)中的多个强度范围，其中，所述多个强度范围中的每个强度范围是根据所述多个概率分布(315、320)中的相应概率分布来确定的并且表示所述不同类型的变化；并且-通过确定标记的图像数据落入所述多个强度范围中的哪个强度范围内来标记所述差值图像(220)的图像数据。2.根据权利要求1所述的系统(100)，其中，所述混合模型是高斯混合模型，并且其中，所述概率分布(315、320)是高斯分布。3.根据权利要求1所述的系统(100)，其中，所述处理器(160)被配置为确定所述多个概率分布(315、320)之间的交叉点(325)，并且其中，所述多个强度范围是基于所述交叉点(325)来定义的。4.根据上述权利要求中的任一项所述的系统(100)，其中，所述处理器(160)被配置为在生成所述差值图像(220)之前执行以下项中的至少一项：所述第一医学图像与所述第二医学图像之间的-图像配准，以及-强度归一化。5.根据上述权利要求中的任一项所述的系统(100)，其中，所述处理器(160)被配置为在生成所述差值图像(220)之后：-选择所述差值图像中的至少一个感兴趣区域；并且-确定所述强度分布以选择性地表示所述至少一个感兴趣区域的所述强度分布。6.根据权利要求5所述的系统(100)，其中，所述处理器(160)被配置为基于表示非零差值的所述感兴趣区域的所述图像数据来选择所述差值图像(22...

【专利技术属性】
技术研发人员：T·D·席尔曼，S·T·耶海兹克利，Y·卡姆，G·沙基林，F·O·蒂勒，R·卡茨，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：荷兰,NL