CN104507392B - 图像处理装置及图像处理方法 - Google Patents
图像处理装置及图像处理方法 Download PDFInfo
- Publication number
- CN104507392B CN104507392B CN201380040163.6A CN201380040163A CN104507392B CN 104507392 B CN104507392 B CN 104507392B CN 201380040163 A CN201380040163 A CN 201380040163A CN 104507392 B CN104507392 B CN 104507392B
- Authority
- CN
- China
- Prior art keywords
- pixel
- threshold
- image
- image processing
- value
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 59
- 238000003672 processing method Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims abstract description 79
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000003745 diagnosis Methods 0.000 claims description 23
- 230000033228 biological regulation Effects 0.000 claims description 10
- 239000000178 monomer Substances 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims 1
- 210000000845 cartilage Anatomy 0.000 abstract description 18
- 210000001519 tissue Anatomy 0.000 abstract description 18
- 230000008859 change Effects 0.000 abstract description 6
- 238000002591 computed tomography Methods 0.000 description 24
- 210000000988 bone and bone Anatomy 0.000 description 20
- 238000003860 storage Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 210000004204 blood vessel Anatomy 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 210000003625 skull Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000001185 bone marrow Anatomy 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000002594 fluoroscopy Methods 0.000 description 2
- 101000746134 Homo sapiens DNA endonuclease RBBP8 Proteins 0.000 description 1
- 101000969031 Homo sapiens Nuclear protein 1 Proteins 0.000 description 1
- 102100021133 Nuclear protein 1 Human genes 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
- A61B6/466—Displaying means of special interest adapted to display 3D data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Optics & Photonics (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Neurology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
在从图像中识别出特定区域的处理中,为了提供一种能够通过简单的操作高精度地识别图像内存在多处且浓度值有变化的区域的图像处理装置等,CPU(101)针对三维原图像(30)所包含的关注像素(31)及其周围的多个像素(判定范围33),应用规定的阈值条件来进行阈值判定,在满足阈值条件时,将关注像素设为识别像素。关于阈值条件,优选在与关注像素(31)位于同一平面内的像素和位于其他平面内的像素中应用不同的阈值。此外,依次移动关注像素(31)(判定范围33)来反复执行上述的阈值判定,从而针对整个三维原图像(30)进行上述的阈值判定。由此,操作者无需设定开始点,就能够自动地更高精度地识别如软骨那样浓度值有变化的组织。
Description
技术领域
本发明涉及从图像中识别特定区域的图像处理装置等。
背景技术
以往公知如下了方法,即,例如根据X射线CT(Computed Tomography)装置或MRI(Magnetic Resonance Imaging)装置等拍摄到的断层像群来生成三维原图像(三维体数据),从三维原图像种提取或去除特定的组织,生成并显示适合诊断的图像(以下称作诊断用图像)。作为诊断用图像,例如生成三维体透视图像或MIP(Maximum IntensityProjection)图像等。具体而言,在观察头部的血管流向的情况下,有时生成从上述的断层像群中去除了包含头盖骨、软骨等的骨区域的除了骨头以外的MIP图像。
另外,为了生成如上述那样提取或去除了特定组织的诊断用图像,提出了利用计算机等从称为源的图像中自动提取特定的脏器区域的方法。作为该提取方法,例如,有区域扩展法(region growing method)等。区域扩展法是,若操作者在图像上指定成为开始点的像素,则计算机针对该开始点的像素或包含该像素的周围的像素判定是否满足规定的阈值条件,在满足条件的情况下,将该像素扩展为提取区域。
专利文献1公开了如下的方法,在通过区域扩展法进行区域提取时,防止稍微的像素连结引起的多余提取。在该方法中,在已与提取区域连接且由多个像素构成的感测区域内,仅在规定比例的像素满足了条件时扩展区域。此外,专利文献2公开了如下方法,区分作为骨头的内部组织的松质骨和如骨髓等难分离的组织。具体而言,求出包括松质骨与骨髓的MR图像的像素值直方图,利用3个正态分布曲线(松质骨、骨髓、两者的中间值)来整合该直方图,分离两者来更准确地计算出松质骨体积率。
【在先技术文献】
【专利文献】
【专利文献1】 日本专利第4538260号公报
【专利文献2】 日本专利第4487080号公报
发明内容
【发明要解决的课题】
但是,即使利用如上所述的区域扩展法、组织的分离方法,也很难从图像中准确地区分识别如软骨这样浓度值的变化(变动)大的组织。此外,在头部的图像中,软骨区域并不是全部连在一起,而是以点状存在,因此在利用区域扩展法时,操作者需要一个个指定处理的开始点。因此,操作非常烦杂。
本发明鉴于以上的问题而完成,目的在于:提供一种在从图像中识别出特定区域的处理中,通过简单的操作高精度地识别在图像内存在多处且浓度值的变化大的区域的图像处理装置及图像处理方法。
【用于解决课题的手段】
为了达成上述的目的,第1发明是一种图像处理装置,执行从图像中识别出特定区域的处理,该图像处理装置的特征在于,具备:阈值判定部,其在所述图像所包含的像素中,针对包含关注像素和周围的多个像素的判定范围,应用规定的阈值条件进行阈值判定,当在所述判定范围内的任一个像素中满足所述阈值条件时,将所述关注像素设为识别像素;和处理执行部,其依次移动所述判定范围来反复执行所述阈值判定。
另外,上述的“识别”是指,将相应的像素与三维原图像内的其他像素区别地保持。其具体方法是,例如,(a)在原来的三维原图像中直接写入成为目标的特定值。或者(b)在不同于三维原图像的其他存储器内作为二值图像而记录识别像素。
第2发明是一种图像处理方法,利用计算机来从图像中识别出特定区域,该图像处理方法的特征在于,依次移动判定范围来反复执行阈值判定处理,该阈值判定处理是:在所述图像所包含的像素中,针对包含关注像素和周围的多个像素的所述判定范围,应用规定的阈值条件进行阈值判定,当在所述判定范围内的任一个像素中满足所述阈值条件时,将所述关注像素设为识别像素。
【发明效果】
通过本发明的图像处理装置及图像处理方法,在从图像中识别出特定区域的处理中,通过简单的操作高精度地识别在图像内存在多处且浓度值的变化大的区域。例如,能够更简单且高精度地进行去除软骨区域的图像处理。
附图说明
图1是表示图像处理装置100的整体结构的图。
图2是表示作为处理对象的三维原图像30内的关注像素31、和关注像素31的周围的像素即作为阈值判定对象的范围(判定范围33)的一例的图。
图3是说明本发明的图像处理装置100所执行的诊断用图像生成处理的流程的流程图。
图4是操作画面20的一例。
图5是说明各处理模式下的阈值条件的应用方法的图,(a)是说明单体模式的图,(b)是说明同向靠近判定模式的图,(c)是说明异向靠近判定模式的图。
图6是说明基于异向靠近判定模式的阈值判定处理的流程的流程图。
图7是说明自动设定阈值时所使用的浓度值直方图的图。
图8(a)是说明使用了浓度值直方图的从峰值位置向左侧(CT值低的一侧)的数据的左右对称的分布曲线72的图,(b)是从原来的浓度值直方图减去了左右对称的分布曲线的减法运算后分布曲线73。
图9是使用异向靠近判定模式及阈值自动设定来进行阈值判定,去除识别像素而生成的头部的除了骨头以外的MIP图像。
图10是使用现有技术的方法(像素单体模式及阈值手动设定)来去除了骨头的头部的MIP图像。
图11是异向靠近判定模式下的其他阈值条件设定例。
图12是在异向靠近判定模式下根据距关注像素的距离来设定不同的阈值条件的例。
具体实施方式
以下,基于附图,详细说明本发明的实施方式。
[第1实施方式]
首先,参照图1,说明应用了本发明的图像处理装置100的图像处理系统1的结构。
如图1所示,图像处理系统1具备:具有显示装置107、输入装置109的图像处理装置100;经由网络110而与图像处理装置100连接的图像数据库111;和医用图像摄影装置112。
图像处理装置100是进行图像生成、图像分析等处理的计算机。例如,包括设置在医院等中的医用图像处理装置。
如图1所示,图像处理装置100具备CPU(Central Processing Unit)101、主存储器102、存储装置103、通信接口(通信I/F)104、显示存储器105、鼠标108等与外部设备间的接口(I/F)106,经由总线113而连接各部分。
CPU101将保存在主存储器102或存储装置103等中的程序调取至主存储器102的RAM上的工作存储器区域来执行,驱动经由总线113而连接的各部分,实现图像处理装置100所进行的各种处理。
此外,CPU101在后述的诊断用图像生成处理(参照图3)中,进行从作为处理对象的图像识别出特定区域的处理。在本实施方式中,作为处理对象的图像是层叠多个断层像而构成的三维原图像。在识别区域的处理中,CPU101将包含在三维原图像中的像素之中的关注像素周围的多个像素设为判定范围,针对判定范围的各像素应用规定的阈值条件来进行阈值判定。然后,在满足阈值条件的情况下,将关注像素设为识别像素。此外,CPU101扫描整个三维原图像赖进行上述的阈值判定。即,依次移动判定范围来反复执行上述的阈值判定,从而针对整个三维原图像进行阈值判定。
在此,如图2所示,成为阈值判定的对象的“关注像素周围的多个像素(判定范围)”是指:存在于以三维原图像30所包含的关注像素31为中心的X方向、Y方向、切片(SLS)方向的规定距离范围内的像素。即,是位于关注像素31附近的像素。在本发明中,将成为阈值判定的对象的关注像素31及其周围的多个像素称为判定范围33。例如,判定范围33是以关注像素31为中心的切片(SLS)方向、左右(X)方向、进深(Y)方向的3×3×3的像素群。另外,判定范围33的宽度并不限于此,也可以如5×3×3的像素群等那样进一步扩大判定范围。
将在后面详细叙述阈值判定、阈值的设定方法。
主存储器102具备ROM(Read Only Memory)、RAM(Random Access Memory)等。ROM永久地保存着计算机的引导程序或BIOS等程序、数据等。此外,RAM暂时保存从ROM、存储装置103等下载的程序、数据等,并且具备CPU101进行各种处理时所使用的工作存储器区域。
存储装置103是向HDD(硬盘驱动器)或其他记录介质写入数据的存储装置,保存CPU101执行的程序、程序执行所需的数据、OS(操作系统)等。关于程序,保存相当于OS的控制程序、应用程序。这些各程序代码被CPU101根据需要而读取,并被移送至主存储器102的RAM,作为各种执行部而执行动作。
通信I/F104具有通信控制装置、通信端口等,媒介图像处理装置100与网络110之间的通信。此外,通信I/F104经由网络110,进行与图像数据库111、其他计算机、或者X射线CT装置、MRI装置等医用图像摄影装置112之间的通信控制。
I/F106是用于连接外围设备的端口,在与外围设备之间收发数据。例如,可经由I/F106而连接鼠标108、记录比等指示设备。
显示存储器105是暂时蓄积从CPU101输入的显示数据的缓冲器。被蓄积的显示数据在规定的时刻被输出到显示装置107。
显示装置107包括液晶面板、CRT监控器等显示装置和与显示装置协作而执行显示处理的逻辑电路,经由显示存储器105而与CPU101连接。显示装置107显示通过CPU101的控制而蓄积在显示存储器105中的显示数据。
输入装置109例如是键盘等输入装置,向CPU101输出由操作者输入的各种指示、信息。操作者使用显示装置107、输入装置109及鼠标108等外部设备,以对话方式操作图像处理装置100。
网络110包括LAN(Local Area Network)、WAN(Wide Area Network)、内部网、网络等各种通信网,媒介图像数据库111、服务器、其他信息设备等与图像处理装置100之间的通信连接。
图像数据库111蓄积并存储医用图像摄影装置112拍摄到的图像数据。在图1所示的图像处理系统1中,图像数据库111是经由网络110而与图像处理装置100连接的结构,也可以在图像处理装置100内的例如存储装置103中设置图像数据库111。
接着,参照图3~图8,说明图像处理装置100的动作。
图像处理装置100的CPU101从主存储器102或存储装置103读出与图3的诊断用图像生成相关的程序及数据,基于该程序及数据,执行处理。
另外,在开始执行诊断用图像生成处理时,从图像数据库111等经由网络110及通信I/F104获取作为处理对象的图像数据,存储在图像处理装置100的存储装置103中。
作为处理对象的图像数据是例如层叠包含对象区域的多个断层像而成的三维原图像。例如,如图2所示,将由多个切片SLSn-2、SLSn-1、SLSn、SLSn+1、…的断层像构成的三维原图像30作为处理对象的图像数据来读取。此外,作为图像数据的优选例,可列举CT图像或MR图像等。在本实施方式中,目的是最终生成残留血管的钙化区域的同时适当去除了骨头或软骨的MIP图像(诊断用图像)。因此,将作为处理对象的三维原图像30设置成了头部的图像,但是本发明的应用范围并不限于头部图像。例如,也可以应用在如下场合,即,针对骨头的断面图像与骨髓分开来识别出骨头的内部组织、即松质骨,或者针对胸部图像识别出浓度值有变化的肋骨等。
CPU101在读取的图像数据之中读取作为处理对象的断层像群(三维原图像)(步骤S101)。
接着,CPU101进行阈值条件的决定方法、阈值判定处理的处理模式的设定(步骤S102)。在步骤S102中,CPU101在显示装置107显示例如图4所示的操作画面20,受理操作者进行的各种设定、输入操作。
如图4所示,操作画面20上设有图像显示区域21、判定处理模式选择栏22、阈值决定栏23、运算按钮24、结束按钮25等各种按钮。
在图像显示区域21,显示作为处理对象的三维原图像30的全部或一部分、或作为处理结果而显示所生成的诊断用图像等。
判定处理模式选择栏22是选择阈值判定的处理方法(处理模式)的栏,设有单体模式、同向靠近判定模式、异向靠近判定模式的各单选按钮221、222、223。
单体模式是针对关注像素单体进行阈值判定的处理模式。与现有技术的一般的阈值处理相同,仅将关注像素作为对象并以规定的阈值进行阈值处理。
同向靠近判定模式是利用同一阈值条件来对关注像素及其周围的像素进行阈值判定的模式。
异向靠近判定模式是利用不同的阈值条件来对包含关注像素的位于平面的像素和位于其他平面的像素进行阈值判定的模式。
图5是说明各模式下的判定范围和所应用的阈值条件的不同的图。
如图5(a)所示,在单体模式下,仅将关注像素31设为判定范围。此外,阈值在各关注像素中使用相同的阈值t1。CPU101利用阈值t1来判定关注像素31,在满足条件的情况下将关注像素31设为识别像素。
此外,如图5(b)所示,在同向靠近判定模式下,将以关注像素31为中心的例如3×3×3的像素范围设为判定范围33,针对判定范围33所包含的各像素的全部都利用阈值t1来进行判定。并且,在判定范围33内的任一个像素中满足上述的阈值条件(t1)的情况下,将关注像素31设为识别像素。通过使判定范围33包含周围的像素,从而容易提取如软骨那样浓度值有变化的组织。
此外,如图5(c)所示,在异向靠近判定模式下,将以关注像素31为中心的例如3×3×3的像素范围设为判定范围33,在包含关注像素31的平面(切片SLSn)应用阈值t1,在其他平面(切片SLSn-1、SLSn+1)应用不同的阈值t2,进行阈值判定。然后,在任一个像素中满足上述的阈值条件的情况下,将关注像素31设为识别像素。通过使判定范围包含周围的像素,且在包含关注像素的平面和其他平面设定不同的阈值,从而能够扩大阈值条件,更容易提取浓度值有变化的组织。由此,能够更准确地识别软骨。
返回图4的说明。
在操作画面20的阈值决定栏23,设有自动设定阈值时操作的阈值自动设定单选按钮231、手动设定阈值时操作的阈值手动设定单选按钮232、手动设定阈值时用于变更阈值的滑块233。通过鼠标指示器28来移动滑块233。将在后面叙述阈值的设定。
运算按钮24是开始阈值判定处理时操作的按钮。若按下运算按钮24,则CPU101在通过判定处理模式选择栏22设定的处理模式及通过阈值决定栏23决定的阈值条件下,开始阈值判定处理。
结束按钮25是关闭操作画面20并在结束诊断用图像生成处理时所操作的按钮。
在操作画面20中,若选择阈值的决定方法及处理模式(图3的步骤S102),则CPU101设定与处理模式相应的判定范围33。然后,CPU101执行与所选择的阈值决定方法及处理模式相应的阈值判定处理(步骤S103)。将在后面详细叙述阈值判定处理。
CPU101去除或提取通过步骤S103的阈值判定处理识别出的像素,生成诊断用图像(步骤S104)。诊断用图像例如是用于血管观察时,一般是从三维原图像中去除了骨头的MIP图像、三维体透视图像等。CPU101将所生成的诊断用图像保存在存储部103中,并且显示于显示装置107(步骤S105),然后结束处理。
接着,参照图6,说明步骤S103的阈值判定处理。
如上所述,阈值判定处理使用单体模式、同向靠近判定模式及异向靠近判定模式这3个模式中的任一个模式来进行。
在本实施方式中,作为用于生成为了描绘头部血管图像而去除了骨头或软骨的诊断用图像(MIP图像)的最佳的设定例,优选选择异向靠近判定模式,且自动设定阈值。
图6是说明基于异向靠近判定模式的阈值判定处理的流程的流程图。此外,在阈值判定中所使用的第1阈值t1、第2阈值t2可预先手动设定、或者自动计算出。将在后面叙述阈值自动设定的方法。
如图6所示,首先,CPU101指定最先处理的关注像素31和判定范围33(步骤S201)。最先处理的关注像素31等并不是通过区域扩展法等进行的那样由操作者指定,而是由CPU101决定。例如,CPU101从三维原图像30的端点开始依次移动的同时扫描判定范围33,最终对三维原图像30整体进行阈值判定。在以下的说明中,作为一例,将以关注像素31为中心且沿着切片SLS方向、Y方向、X方向1个点1个点扩展的像素群(3×3×3=27像素)设为判定范围33。
在异向靠近判定模式下,CPU101首先判定包含关注像素31的切片SLSn的像素9个点中哪个点满足第1阈值t1(步骤S202)。在包含关注像素31的切片SLSn的像素9个点之中,在任一个像素中满足第1阈值t1时(步骤S202:是),将切片SLSn的中心点、即关注像素31设为识别像素(步骤S203)。在包含关注像素31的平面(切片SLSn)的像素9个点之中,在任一个像素中都不满足第1阈值t1时(步骤S202:否),在其他平面(切片SLSn-1)的像素9个点之中,判定在任一个像素中是否满足第2阈值t2(步骤S204)。
在切片SLSn-1的像素9个点之中,在任一个像素中满足第2阈值t2时(步骤S204:是),将切片SLSn的中心点、即关注像素31设为识别像素(步骤S203)。在切片SLSn-1的像素9个点之中,在任一个像素中都不满足第2阈值t2时(步骤S204:否),在其他平面(切片SLSn+1)的像素9个点之中,判断在任一个像素中是否满足第2阈值t2(步骤S205)。在切片SLSn+1的像素9个点之中,在任一个像素中满足第2阈值t2的情况下(步骤S205:是),将切片SLSn的中心点、即关注像素31设为识别像素(步骤S203)。在切片SLSn+1的像素9个点之中,在任一个像素中都不满足第2阈值t2时(步骤S205:否),不会将关注像素31设为识别像素,转移至下一个判定范围33的处理。
即,CPU101判定是否对三维原图像30的所有像素结束了阈值判定(步骤S206),在没有结束的情况下(步骤S206:否),将判定范围33移动1像素量或移动规定像素数量左右(步骤S207)。
CPU101将下一个判定范围33作为对象,反复进行基于第1阈值t1、第2阈值t2的阈值判定(步骤S202~步骤S205)。即,在下一个判定范围33之中,针对包含其中心像素(关注像素31)的平面应用第1阈值t1,针对其他平面应用第2阈值t2,在任一个像素中满足阈值条件时,将关注像素31设为识别像素。
若对三维原图像30的所有像素结束了阈值判定(步骤S206:是),则结束阈值判定处理。
另外,在上述的处理中,作为保持识别像素的方法,例如有以下的(a)、(b)所示的方法,可以使用任一种方法。
(a)在三维原图像中直接写入成为目标的特定值。
(b)在与三维原图像不同的其他存储器中作为二值图像来记录。
此外,也可以在运算诊断用图像(MIP图像等)的途中,针对在诊断用图像的生成中所使有的像素执行上述的阈值判定处理,由此识别或不识别各像素。此时,针对诊断用图像的生成不需要的像素,也可以不进行阈值判定处理。
以上说明的阈值判定处理是异向靠近判定模式的情况,在同向靠近判定模式的情况下,针对判定范围33(例如,以关注像素为中心的3×3×3的像素)内的所有像素应用同一阈值t1,在任一个像素中满足阈值t1时,将关注像素31设为识别像素。移动判定范围33的同时在整个图像中反复执行该阈值判定。
接着,参照图7、图8,说明自动设定阈值的方法。
图7(a)是示意性表示头部CT图像的浓度值(CT值)的直方图60的图,图7(b)是示意性表示胸部CT图像的浓度值(CT值)的直方图63的图。
如图7(a)所示,头部的浓度值直方图60的特征在于,出现了表示头部软部组织的峰值61和与头盖骨或软骨对应的小的峰值62。CPU101能够基于与该头盖骨或软骨对应的小的峰值62的位置信息(CT值范围),自动决定骨区域的阈值。
另一方面,如图7(b)所示,胸部的浓度值直方图63中出现了表示胸部或颈部的软部组织的峰值64,但是没有出现表示肋骨或软骨的CT值(图7(b)的虚线部65)的明显的峰值。这样,在没有出现想要区分的部位(肋骨、软骨)的特征的情况下,通过图8所示的方法来决定阈值t1(阈值t2)。
即,CPU101首先如图8(a)所示那样求出CT图像的直方图7。求出的直方图7的峰值(顶点70)与峰值位置(顶点70)处的CT值。在该直方图7的分布曲线中,将CT值比顶点70低的分布曲线称作71a,将CT值比顶点70高的分布曲线称作71b。
另外,图8(a)是分布的峰值为一个的例子,但是有时也会出现多个峰值。此时,例如,在求出骨头的阈值时能够使用峰值位置的CT值最高的峰值。
接着,CPU101将顶点70设为边界位置,在CT值高的一侧求出与CT值低的一侧的分布曲线71a对称的分布曲线72,设为对称分布曲线71a、72。然后,从原来的直方图7的分布曲线71a、71b减去对称分布曲线71a、72,求出减法运算后的分布曲线73。图8(b)表示减法运算后分布曲线73的例。
图8(b)所示的分布曲线的横轴是CT值,纵轴是频度的差分值。
CPU101基于减法运算后分布曲线73来计算阈值。
例如,求出图8(b)所示的减法运算后分布曲线73的顶点位置CT1和顶点位置CT1出的差分值A1,将差分值为A1/N的CT值之中值大的CT值(CT2)设定为第1阈值t1。在此,N是规定的常数。此外,也可以使用减法运算后分布曲线73的期待值expCT,作为f(expCT)来求出阈值t1。另外,f()表示任意的函数,期待值expCT例如利用下述式来计算即可。
【式1】
在此,i是表示CT值的等级的索引,CTi是与索引i对应的CT值(图8(b)的横轴的各值),Fi是与索引i对应的频度(图8(b)的纵轴的各值)。
此外,第2阈值t2根据以下的式(2)求出即可。
t2=t1-B …(2)
在此,B被设为包含在软骨浓度值的变动幅度(30~50程度)内的值即可。
图9表示通过图8的方法自动决定的阈值、和在异向靠近判定模式下通过阈值判定处理去除了骨头的MIP图像。将阈值t2与阈值t1之差设为50(t2=t1-50)。
作为比较例,图10表示了通过单体模式、阈值手动设定进行了阈值判定处理时得到的去骨后的MIP图像。
图9所示的图像与图10所示的图像相比,特别是去除了图像中央部的鼻子周围的软骨,变得容易观察血管流向。此外,残留了血管的钙化区域(图像的浓度值高(白)的部分)。
另外,在手动设定阈值的情况下,操作者在图4所示的操作画面20的阈值决定栏23中选择阈值手动设定单选按钮232,操作阈值设定用的滑块233来适当设定阈值。
如以上说明,根据本发明的图像处理装置100,CPU101针对层叠多个断层像而构成的三维原图像30所包含的关注像素31周围的多个像素(判定范围33),应用规定的阈值条件来进行阈值判定,在满足阈值条件时,将关注像素设为识别像素。此外,CPU101并不是如现有技术的区域扩展法那样从操作者指定的开始点开始扩展区域,而是将关注像素依次移动到其他像素来反复执行上述的阈值判定,从而针对三维原图像30的全部进行阈值判定。
由此,能够更高精度地识别如软骨这样浓度值有变化(变动幅度)的组织。并且,由于扫描整个图像来进行阈值判定处理,因此不需要开始点的指定操作。在使用现有技术的区域扩展法时,当提取(识别)以点状存在的区域时,操作者需要对每个区域指定开始点,但是若应用本发明,不需要开始点的指定操作,操作变得简单。
此外,在阈值判定处理中,在判定范围33中,对与关注像素31位于同一平面内的像素和位于其他平面内的像素应用不同的阈值,判定了在判定范围33内任一个像素中满足阈值条件时,将关注像素31设为识别像素(异向靠近判定模式)。由此,能够扩大阈值条件,特别是对头部的软骨、骨头的内部组织、肋骨等这样浓度值有变化的组织,能够高精度地进行识别。
此外,也可以在阈值判定处理中,针对关注像素和周围的多个像素(判定范围33内的各像素),应用同一阈值,判定了在任一个像素中满足阈值条件时,将关注像素31设为识别像素(同向靠近判定模式)。由此,即便关注像素31本身不满足阈值条件,只要附近的像素满足阈值条件,就能够将关注像素判定为识别像素,因此优选用于浓度值有变化的组织的识别中。
此外,优选能够基于三维原图像30的浓度值的直方图来计算阈值条件。由此,能够设定与成为源的图像的浓度值分布的特征符合的阈值,因此能够得到更高精度的结果。
此外,也可以在计算阈值条件时,求出三维原图像30的浓度值的直方图(71a、71b)的峰值位置(顶点70),利用浓度值比峰值位置(顶点70)低的部分的数据(分布曲线71a)并以峰值位置作为顶点来求处左右对称的形状的分布曲线72,从原来的直方图的分布曲线71a、71b中减去左右对称的形状的分布曲线71a、72,从而求出减法运算后分布曲线73,基于减法运算后分布曲线73的特征来求出阈值条件。
由此,例如,如胸部图像那样,也可以根据不具备表示想要识别的组织的特征性分布形状的直方图,自动设定最佳的阈值。
此外,为了使操作者设定阈值条件,例如优选还具备在操作画面20中变更阈值的滑块233等GUI(Graphical User Interface)。
此外,优选在操作画面20中,设置判定处理模式选择栏22,作为阈值判定的处理模式而选择针对关注像素单体进行阈值判定的“单体模式”、或使用同一阈值条件来对关注像素和周围的像素进行阈值判定的“同向靠近判定模式”、或者在包含关注像素的平面和其他平面使用不同的阈值条件来进行阈值判定的“异向靠近判定模式”。由此,能够容易切换处理模式来执行阈值判定处理。
此外,优选在操作画面20中设置阈值决定栏23,使操作者选择手动设定阈值条件还是自动设定阈值条件。由此,能够容易切换阈值的设定方法来执行阈值判定处理。
此外,优选从三维原图像30中去除或提取通过上述阈值判定处理识别出的识别像素,来生成三维图像或MIP图像等诊断用图像。由此,能够为了生成诊断用图像而利用本发明。例如,为了用在血管流向观察中,能够生成适当去除了头盖骨、软骨的最佳的MIP图像。
另外,在上述的第1实施方式中,说明作为处理模式设定异向靠近判定模式且自动设定阈值的例子,但是并不限于该组合。例如,也可以在异向靠近判定模式下手动设定阈值。此外,也可以在同向靠近判定模式下自动设定阈值,在同向靠近判定模式向手动设定阈值。
此外,在上述的说明中,例示了在异向靠近判定模式下应用在切片方向上不同的阈值,但是并不限于此。例如,如图11所示,也可以应用在X方向上不同的阈值(第1阈值t1、第2阈值t2)。即,也可以在包含关注像素的Y-SLS平面(X=X的面)应用阈值t1,在其旁边的Y-SLS平面(X=X-1的面及X=X+1的面)应用阈值t2。同样地,也可以应用在Y方向上不同的阈值。
此外,在上述的说明中,说明了通过阈值判定识别(提取/去除)区域之后生成诊断用图像(MIP图像)的情况,但是阈值判定的时刻和诊断用图像生成的时刻的时间上的前后关系并不限于该顺序。也可以进行诊断用图像的运算的同时进行上述的阈值判定处理,并且有效利用/无视识别像素来生成诊断用图像。
[第2实施方式]
接着,参照图12,说明第2实施方式。
第2实施方式的图像处理装置100中,在异向靠近判定模式下取较宽的判定范围时,根据距关注像素的距离来设定不同的阈值条件。
另外,第2实施方式的图像处理装置100的硬件结构与第1实施方式相同,因此省略重复的说明,对同一各个部分赋予同一符号。
即,第2实施方式中,在阈值判定处理中,CPU101如图12所示的判定范围33a那样,在关注像素的周围设定比较宽的判定范围。并且,在包含关注像素的平面SLSn应用第1阈值t1,在1像素旁边的平面SLSn-1、SLSn+1应用第2阈值t2,在2像素旁边的平面SLSn-2、SLSn+2运用第3阈值t3。并且,CPU101在判定了判定范围33a内的任一个像素中满足阈值条件时,将关注像素设为识别像素。
在自动设定阈值的情况下,与第1实施方式相同,基于三维原图像30的浓度值直方图,决定将想要识别的组织的CT值范围,设定阈值t1。此外,其他阈值t2可利用上述的式(2)(t2=t1-B)来计算出,阈值t3利用以下的式(3)即可。
t3=t1-C …(3)
在此,C是不同于B的值。例如,想要识别软骨时,设为软骨的浓度值的变动幅度(30~50程度)的范围内的数值。
如以上说明,第2实施方式的图像处理装置100在异向靠近判定模式下,根据距关注像素的距离来设定不同的阈值条件,在判定范围33a的任一个像素中满足阈值条件时,将关注像素设为识别像素。
由此,能够高精度地识别浓度值的变动幅度大且分布复杂的组织。
另外,在图12的例中,设定了3个阈值t1、t2、t3,但是在取更宽的判定范围时,设定更多的阈值条件、且根据距关注像素的距离分别变更阈值条件即可。此外,阈值的应用范围也不限于以1像素为单位,也可以应用每隔某一程度的幅度(像素数)不同的阈值。
以上,参照所添加的附图来说明了本发明的图像处理装置的优选实施方式,但是本发明并不限于这些例。只要是本领域的技术人员,应当明了在本申请公开的技术思想的范围内,能够想到各种变更例或修正例,这些也当然属于本发明的技术范围内。
【符号说明】
1 图像处理系统、100 图像处理装置、101 CPU、102 主存储器、103 存储装置、104通信I/F、105 显示存储器、106 I/F、107 显示装置、108 鼠标、109 输入装置、110 网络、111 图像数据库、112医用图像摄影装置、113 总线、20 操作画面、21 图像显示区域、22判定处理模式选择栏、23 阈值决定栏、30 三维原图像、31 关注像素、33、33a 判定范围(关注像素周围的像素)、7 浓度值直方图、70 浓度值直方图的顶点、71a、71b 分布曲线、72 对称分布曲线、73 减法运算后分布曲线、t1、t2、t3 阈值。
Claims (9)
1.一种图像处理装置,执行从图像中识别出特定区域的处理,该图像处理装置的特征在于,具备:
阈值判定部,其在所述图像所包含的像素中,针对包含关注像素和周围的多个像素的判定范围,应用规定的阈值条件进行阈值判定,当在所述判定范围内的任一个像素中满足所述阈值条件时,将所述关注像素设为识别像素;
处理执行部,其依次移动所述判定范围来反复执行所述阈值判定;和
阈值自动计算部,其求出所述图像的浓度值的直方图中的最大的峰值位置,使用浓度值比所述峰值位置低的部分的数据并以所述峰值位置作为顶点来求出左右对称的形状的分布曲线,从所述直方图的分布曲线中减去所述左右对称的形状的分布曲线,从而求出减法运算后分布曲线,基于减法运算后分布曲线的特征来计算出所述阈值条件,
所述阈值判定部应用通过所述阈值自动计算部计算出的阈值条件来进行所述阈值判定。
2.根据权利要求1所述的图像处理装置,其特征在于,
所述阈值判定部在与所述关注像素位于同一平面内的像素和位于其他平面内的像素中应用不同的阈值条件,当判定了在所述判定范围内的任一个像素中满足所述阈值条件时,将所述关注像素设为所述识别像素。
3.根据权利要求2所述的图像处理装置,其特征在于,
根据距所述关注像素的距离来设定不同的阈值,作为所述阈值条件。
4.根据权利要求1所述的图像处理装置,其特征在于,
所述阈值判定部针对所述判定范围内的所有像素应用同一阈值条件,当判定了在任一个像素中满足所述阈值条件时,将所述关注像素设为所述识别像素。
5.根据权利要求1所述的图像处理装置,其特征在于,
所述图像处理装置还具备:阈值手动设定部,其用于使操作者设定所述阈值条件,
所述阈值判定部应用通过所述阈值手动设定部设定的阈值条件来进行所述阈值判定。
6.根据权利要求1所述的图像处理装置,其特征在于,
所述图像处理装置还具备:处理模式选择部,其选择针对所述关注像素的单体进行阈值判定、还是使用同一阈值条件来对所述判定范围所包含的所有像素进行阈值判定、还是在与所述关注像素位于同一平面的像素和位于其他平面的像素中使用不同的阈值条件来进行阈值判定,以作为所述阈值判定中的处理模式。
7.根据权利要求1所述的图像处理装置,其特征在于,
所述图像处理装置还具备:阈值设定方法选择部,其选择使操作者手动设定所述阈值条件、还是基于所述图像的浓度值分布的直方图来计算所述阈值条件,
所述阈值判定部利用由所述阈值设定方法选择部选择出的方法来设定所述阈值条件。
8.根据权利要求1所述的图像处理装置,其特征在于,
所述图像处理装置还具备:诊断用图像生成部,其生成从所述图像中去除或提取出了所述阈值判定部识别出的识别像素的诊断用图像。
9.一种图像处理方法,利用计算机从图像中识别出特定区域,该图像处理方法的特征在于,
依次移动判定范围来反复执行阈值判定处理,在该阈值判定处理中,在所述图像所包含的像素中,针对包含关注像素和周围的多个像素的所述判定范围,应用规定的阈值条件进行阈值判定,当在所述判定范围内的任一个像素中满足所述阈值条件时,将所述关注像素设为识别像素,
求出所述图像的浓度值的直方图中的最大的峰值位置,使用浓度值比所述峰值位置低的部分的数据并以所述峰值位置作为顶点来求出左右对称的形状的分布曲线,从所述直方图的分布曲线中减去所述左右对称的形状的分布曲线,从而求出减法运算后分布曲线,基于减法运算后分布曲线的特征来计算出所述阈值条件,
应用计算出的所述阈值条件来进行所述阈值判定。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012197462 | 2012-09-07 | ||
JP2012-197462 | 2012-09-07 | ||
PCT/JP2013/072802 WO2014038428A1 (ja) | 2012-09-07 | 2013-08-27 | 画像処理装置及び画像処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104507392A CN104507392A (zh) | 2015-04-08 |
CN104507392B true CN104507392B (zh) | 2017-03-08 |
Family
ID=50237040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380040163.6A Expired - Fee Related CN104507392B (zh) | 2012-09-07 | 2013-08-27 | 图像处理装置及图像处理方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9396395B2 (zh) |
JP (1) | JP6407718B2 (zh) |
CN (1) | CN104507392B (zh) |
WO (1) | WO2014038428A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3175298A1 (en) * | 2013-10-15 | 2015-04-23 | Mohamed Rashwan Mahfouz | Bone reconstruction and orthopedic implants |
CN105096332B (zh) * | 2015-08-25 | 2019-06-28 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
EP3213296B1 (en) | 2014-12-02 | 2020-02-19 | Shanghai United Imaging Healthcare Co., Ltd. | A method and system for image processing |
TW201737206A (zh) * | 2016-04-13 | 2017-10-16 | Nihon Medi-Physics Co Ltd | Ct影像中的骨區域之自動推定 |
JP2018126389A (ja) * | 2017-02-09 | 2018-08-16 | キヤノン株式会社 | 情報処理装置、情報処理方法、およびプログラム |
EP3633603A4 (en) * | 2017-06-30 | 2020-06-17 | Shanghai United Imaging Healthcare Co., Ltd. | TISSUE DENSITY ANALYSIS METHOD AND SYSTEM |
US10470825B2 (en) * | 2017-08-16 | 2019-11-12 | Synaptive Medical (Barbados) Inc. | Method, system and apparatus for surface rendering using medical imaging data |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4731863A (en) * | 1986-04-07 | 1988-03-15 | Eastman Kodak Company | Digital image processing method employing histogram peak detection |
JP2768786B2 (ja) * | 1990-02-20 | 1998-06-25 | キヤノン株式会社 | 画像読み取り装置 |
US6678393B1 (en) * | 1997-12-23 | 2004-01-13 | Intel Corporation | Image selection based on image content |
US20020131643A1 (en) * | 2001-03-13 | 2002-09-19 | Fels Sol Sidney | Local positioning system |
JP2004201730A (ja) * | 2002-12-24 | 2004-07-22 | Hitachi Ltd | 複数方向の投影映像を用いた3次元形状の生成方法 |
WO2005013197A1 (en) * | 2003-07-31 | 2005-02-10 | Siemens Corporate Research, Inc. | System and method for ground glass nodule (ggn) segmentation |
US7209581B2 (en) | 2003-07-31 | 2007-04-24 | Siemens Medical Solutions Usa, Inc. | System and method for ground glass nodule (GGN) segmentation |
JP2005073817A (ja) * | 2003-08-29 | 2005-03-24 | Hitachi Medical Corp | 医用画像表示装置 |
US7653225B2 (en) | 2003-09-17 | 2010-01-26 | Siemens Corporation | Method and system for ground glass nodule (GGN) segmentation with shape analysis |
JP2005316583A (ja) * | 2004-04-27 | 2005-11-10 | Konica Minolta Photo Imaging Inc | 画像処理方法、画像処理装置及び画像処理プログラム |
GB2414357A (en) * | 2004-05-18 | 2005-11-23 | Medicsight Plc | Nodule boundary detection |
JP2007028362A (ja) * | 2005-07-20 | 2007-02-01 | Seiko Epson Corp | 背景画像と目的画像が混在する画像データを処理するための装置及び方法 |
CN101448459B (zh) * | 2006-05-19 | 2012-01-04 | 株式会社日立医药 | 医用图像显示装置和程序 |
JP2007312838A (ja) * | 2006-05-23 | 2007-12-06 | Konica Minolta Medical & Graphic Inc | モデリング装置、モデリング方法およびプログラム |
WO2009108135A1 (en) | 2008-02-29 | 2009-09-03 | Agency For Science, Technology And Research | A method and system for anatomy structure segmentation and modeling in an image |
JP2009226043A (ja) * | 2008-03-24 | 2009-10-08 | Gifu Univ | 医用画像処理装置及び異常陰影検出方法 |
US8326013B2 (en) * | 2008-05-28 | 2012-12-04 | Hitachi Medical Corporation | Image processing device, image processing method, and image processing program |
JP2010187756A (ja) * | 2009-02-16 | 2010-09-02 | Olympus Corp | 画像処理装置、画像処理方法および画像処理プログラム |
-
2013
- 2013-08-27 CN CN201380040163.6A patent/CN104507392B/zh not_active Expired - Fee Related
- 2013-08-27 US US14/408,362 patent/US9396395B2/en active Active
- 2013-08-27 WO PCT/JP2013/072802 patent/WO2014038428A1/ja active Application Filing
- 2013-08-27 JP JP2014534308A patent/JP6407718B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
US20150235085A1 (en) | 2015-08-20 |
CN104507392A (zh) | 2015-04-08 |
JPWO2014038428A1 (ja) | 2016-08-08 |
WO2014038428A1 (ja) | 2014-03-13 |
JP6407718B2 (ja) | 2018-10-17 |
US9396395B2 (en) | 2016-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104507392B (zh) | 图像处理装置及图像处理方法 | |
CN103530890B (zh) | 运动校正装置以及方法 | |
US8265362B2 (en) | Pathological tissue image capturing system, method, and program | |
CN103402435B (zh) | 医用图像处理装置及医用图像处理方法 | |
RU2640000C2 (ru) | Обработка и отображение изображения грудной железы | |
WO2018070285A1 (ja) | 画像処理装置、及び画像処理方法 | |
JP4785371B2 (ja) | 動的制約を用いる多次元構造の抽出方法及びシステム | |
Liu et al. | Integrate domain knowledge in training CNN for ultrasonography breast cancer diagnosis | |
Michiels et al. | Measurement of the accuracy of 3D-printed medical models to be used for robot-assisted partial nephrectomy | |
JP2007172604A (ja) | 取得システムのプロトコル及び/又はパラメータに基づいてコンピュータ利用アルゴリズムを選択するための方法及び装置 | |
US9324157B2 (en) | Medical image data processing apparatus and method | |
JP5536644B2 (ja) | 医用画像処理装置、医用画像処理方法および医用画像処理プログラム | |
US12039718B2 (en) | Inference apparatus, medical apparatus, and program | |
JP2007151645A (ja) | 医用画像診断支援システム | |
JP6309417B2 (ja) | 検出器生成装置、方法およびプログラム並びに画像検出装置 | |
JP5750381B2 (ja) | 領域抽出処理システム | |
CN114067154B (zh) | 基于多序列mri的克罗恩病纤维化分级方法及相关设备 | |
WO2021246013A1 (ja) | 画像診断方法、画像診断支援装置、及び計算機システム | |
EP3639239A1 (en) | Creation of a decision support material indicating damage to an anatomical joint | |
CN109840898A (zh) | 一种医学图像的成像显示方法和成像设备 | |
JP2008043565A (ja) | 画像抽出装置 | |
JP2007105207A (ja) | 医用画像処理装置 | |
CN114271837A (zh) | 图像诊断辅助装置和图像处理方法 | |
Kumar et al. | 21 Multifocus Image Fusion Using Content-Adaptive Blurring | |
Martin et al. | Semi-automatic feature delineation in medical images |
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: 20160720 Address after: Tokyo, Japan, Japan Applicant after: Hitachi Ltd. Address before: Japan Tokyo Chiyoda District Kanda four chome 14 No. 1 Applicant before: Hitachi Medical Corporation |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170308 Termination date: 20200827 |
|
CF01 | Termination of patent right due to non-payment of annual fee |