專利名稱：肺結(jié)節(jié)檢測的候選項集產(chǎn)生的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像分析，并且尤其是涉及用于根據(jù)3D體積數(shù)據(jù)產(chǎn)生目標候選項的列表的候選項集產(chǎn)生(candidate generation)方法。
2.相關(guān)領(lǐng)域討論能夠可靠地和準確地從輸入的3D體積數(shù)據(jù)中檢測到結(jié)節(jié)候選項的候選項集產(chǎn)生方法在自動結(jié)節(jié)檢測中起關(guān)鍵作用。在典型的3D體積數(shù)據(jù)(尺寸為512×512×300)中，包括體積數(shù)據(jù)中能識別對象的主要部分的、諸如血管樹的非結(jié)節(jié)(背景組織)結(jié)構(gòu)構(gòu)成極其復雜。另一方面，目標結(jié)節(jié)僅是少數(shù)小型圓形對象，其位于附近或者利用復雜的背景組織結(jié)構(gòu)遮蔽。不存在能夠輕易被確定的區(qū)別特征，以區(qū)分目標結(jié)節(jié)與復雜的背景組織結(jié)構(gòu)。存在大量背景組織顯示類似結(jié)節(jié)屬性的位置。設(shè)計通過有效地舍棄那些大量假冒位置而能夠可靠和準確地識別存在真正結(jié)節(jié)的少數(shù)真正位置的方法是非常困難的。另外，需要在3D體積數(shù)據(jù)中處理的信息量巨大(胸部HRCT(高分辨率計算機斷層掃描)數(shù)據(jù)的尺寸通常是512×512×300)。使用將復雜的和耗費計算的分析用于3D體積數(shù)據(jù)中的每個位置(體素)的技術(shù)通常是不實用的。
因此，需要一種用于計算上高效的候選項集產(chǎn)生方法的系統(tǒng)和方法。

發(fā)明內(nèi)容
根據(jù)本公開內(nèi)容的實施例，一種用于三維體積數(shù)據(jù)中的候選項集產(chǎn)生的計算機實現(xiàn)方法包括形成包括被標記的前景體素的三維體積數(shù)據(jù)的二進制體積圖像；估計二進制體積數(shù)據(jù)中的被標記的前景體素的多個形狀特征，這包括從二進制體積圖像中的前景體素中識別出峰值體素和高曲率體素、對邊界和每個峰值體素累加多個置信度值(confidence value)、并且從多個置信度值中檢測到置信度峰值，其中這些置信度峰值被確定為候選點；以及在給出已檢測到的置信度峰值的情況下精煉候選點，其中已精煉的候選點被確定為候選項。
形成二進制體積圖像包括低通濾波三維體積數(shù)據(jù)，移除三維體積數(shù)據(jù)的邊界，將三維體積數(shù)據(jù)分割成前景和背景部分，其中前景中的體素被標記，并且對大于預定尺寸的所有前景對象確定區(qū)域增長標記，其中前景對象包括多個前景體素，而預定尺寸是體素的數(shù)目。
分割包括確定體素強度的估計閾值，并且將每個體素與該估計閾值進行比較，以確定前景體素，并且標記這些前景體素。
累加多個置信度值包括確定每個峰值體素周圍的曲面，確定包括邊界上或圍繞每個曲面中心的每個高曲率點和峰值點的置信度得分的置信度陣列，將體素周圍的置信度得分與閾值進行比較，用于確定候選點的存在，并且通過候選點標記具有所需置信度得分的點。
精煉候選點包括重新定位候選點，調(diào)節(jié)候選點的置信度得分，根據(jù)所調(diào)節(jié)的置信度得分將候選點分類，以及返回最高的n個候選點作為目標對象，其中n是正整數(shù)。根據(jù)本公開內(nèi)容的實施例，提供一種程序存儲裝置，其能由機器讀取，確實地包括由機器能執(zhí)行的程序指令，以執(zhí)行用于三維體積數(shù)據(jù)中的候選項集產(chǎn)生的方法步驟。該方法包括形成包括被標記的前景體素的三維體積數(shù)據(jù)的二進制體積圖像，以及估計二進制體積數(shù)據(jù)中的被標記的前景體素的多個形狀特征。估計多個形狀特征包括從二進制體積圖像中的前景體素中識別出峰值體素和高曲率體素，對每個邊界和每個峰值體素累加多個置信度值，從多個置信度值中檢測到置信度峰值，其中這些置信度峰值被確定為候選點。該方法還包括在給出已檢測到的置信度峰值的情況下精煉候選點，其中已精煉的候選點被確定為候選項。
根據(jù)本公開內(nèi)容的實施例，用于在三維體積數(shù)據(jù)中產(chǎn)生結(jié)節(jié)候選項的計算機實現(xiàn)方法包括在三維體積數(shù)據(jù)中確定多個前景對象，確定多個前景對象的多個形狀特征，其中這些形狀特征得自三維體積數(shù)據(jù)的橫截面分析，該橫截面分析包括選擇具有所需形狀特征的前景對象，并且將選定的前景對象標記為候選項，以及返回這些候選項。
該橫截面分析包括從二進制體積圖像中的前景對象中識別出峰值體素和高曲率體素，對每個邊界體素和每個峰值體素累加多個置信度值，并且從多個置信度值中檢測到置信度峰值，其中這些置信度峰值被確定為候選項。該方法包括當且僅當在三維體積數(shù)據(jù)的所有其橫截面中將體素分類為峰值體素時，才將該體素分類為峰值體素。該方法包括當且僅當體素不是峰值體素并且在三維體積數(shù)據(jù)的所有其橫截面中被分類為峰值體素或高曲率體素時，才將該體素分類為高曲率點。
附圖簡述下面將參考附圖，更詳細地描述本發(fā)明的優(yōu)選實施例

圖1是根據(jù)本公開內(nèi)容實施例的用于候選項集產(chǎn)生的方法的流程圖；圖2是根據(jù)本公開內(nèi)容實施例的系統(tǒng)的圖示；圖3是根據(jù)本公開內(nèi)容實施例的分割方法的流程圖；圖4是根據(jù)本公開內(nèi)容實施例的用于橫截面分析的方法的流程圖；以及圖5是根據(jù)本公開內(nèi)容實施例的用于峰值檢測的方法的流程圖。
優(yōu)選實施例詳述通常，肺結(jié)節(jié)顯示了小型圓形屬性。該肺結(jié)節(jié)可能是實心對象或利用血管樹遮蔽?？色@得多種技術(shù)來確定3D形狀特征，這些3D形狀特征能被用于區(qū)分小型圓形結(jié)節(jié)與具有其它形狀屬性的對象。然而，在這種情形下，出于多種原因，諸如噪聲的穩(wěn)定性、目標對象的不規(guī)則性(難以估計連續(xù)高斯曲率值)、限定感興趣的目標區(qū)域的困難和計算成本，這些技術(shù)不是有效的。根據(jù)本公開內(nèi)容的實施例，一種方法使用得自多個橫截面分析的形狀特征在3D體積數(shù)據(jù)(例如，計算機斷層掃描數(shù)據(jù)(CT)或磁共振成像數(shù)據(jù)(MRI))中有效地產(chǎn)生了結(jié)節(jié)候選項。已經(jīng)在兩組HRCT圖像上論證了，這種技術(shù)能夠?qū)崿F(xiàn)很高的準確度，同時具有有限量的計算成本。
根據(jù)本公開內(nèi)容的實施例，一種用于候選項集檢測的方法包括處理塊101，其中結(jié)節(jié)和諸如血管樹的具有高強度值的背景組織結(jié)構(gòu)被標記為前景對象，以形成二進制體積圖像；檢測塊102，其中使用橫截面分析來估計形狀特征，識別高曲率段，與橫截面分析一起累加置信度值，從置信度值和對象強度值中檢測到置信度峰值；以及后處理塊103被用來精煉候選項集結(jié)果，(參見圖1)。
應(yīng)理解的是，可用各種形式的硬件、軟件、固件、專用處理器或其組合來實現(xiàn)本發(fā)明。在一個實施例中，本發(fā)明可用軟件被實現(xiàn)為確實被包含在程序存儲裝置上的應(yīng)用程序。該應(yīng)用程序可被上載到包括任何適當結(jié)構(gòu)的機器并且由該機器執(zhí)行。
參考圖2，根據(jù)本公開內(nèi)容的實施例，用于實現(xiàn)用于在3D體積數(shù)據(jù)中產(chǎn)生候選項的方法的計算機系統(tǒng)201尤其能夠包括中央處理單元(CPU)202、存儲器203和輸入/輸出(I/O)接口204。該計算機系統(tǒng)201通常通過I/O接口204被耦合到顯示器205和諸如鼠標及鍵盤的各種輸入裝置206。顯示器205能夠顯示虛擬體積和所記錄的圖像的視圖。輔助電路能夠包括諸如高速緩沖存儲器、電源、時鐘電路和通信總線的電路。存儲器203能夠包括隨機存取存儲器(RAM)、只讀存儲器(ROM)、磁盤驅(qū)動器、磁帶驅(qū)動器等或者其組合。本發(fā)明能夠被實現(xiàn)為例行程序207，該例行程序207被存儲在存儲器203中并且由CPU 202執(zhí)行，以處理來自信號源208的信號。同樣，計算機系統(tǒng)201是通用計算機系統(tǒng)，當執(zhí)行本發(fā)明的例行程序207時，該通用計算機系統(tǒng)成為專用計算機系統(tǒng)。
計算機平臺201還包括操作系統(tǒng)和微指令代碼。在此所描述的各種過程和功能可以是部分微指令代碼或者是部分經(jīng)由操作系統(tǒng)執(zhí)行的應(yīng)用程序(或者它們的組合)。另外，各種其它外圍裝置可被連接到諸如附加的數(shù)據(jù)存儲裝置和打印裝置的計算機平臺。
還應(yīng)理解的是，因為一些在附圖中所描述的組成系統(tǒng)部件和方法步驟可用軟件來實現(xiàn)，所以系統(tǒng)部件(或者過程步驟)之間的實際連接可能取決于本發(fā)明被編程的方式而不同。在給出在此所提供的本發(fā)明的教導的情況下，相關(guān)領(lǐng)域的普通技術(shù)人員能夠設(shè)想本發(fā)明的這些和相似的實現(xiàn)方式或結(jié)構(gòu)。
處理階段101包括低通濾波104、邊界移除105、分割106和區(qū)域增長107。
輸入的3D體積CT數(shù)據(jù)的低通濾波104改進了目標前景對象的二進制化(平滑邊界)，并且改進了后面的處理步驟中的不同形狀參數(shù)(法向方向，曲率等)的估計。低通濾波104能夠以多種不同方式來實現(xiàn)。低通濾波的一種方法是在x-y平面中進行濾波。低通濾波器能夠是在x-維和y-維上具有相同的標準偏差值的3D高斯濾波器，其具有例如為2的缺省值。低通濾波獨立用于每個切片。
對于邊界移除105，清除鄰近3D體積CT數(shù)據(jù)的邊緣(例如，距離體積數(shù)據(jù)邊界5個體素)的每個體素，以確保后面的步驟并不需要處理邊界體素，這些邊界體素具有不同的鄰域定義。這顯然簡化了后面的處理步驟的實現(xiàn)。
分割106標記了前景對象，這些前景對象包括血管、結(jié)節(jié)以及其它具有比來自背景(其它任何東西)的輸入的CT圖像(表示前景對象的強度值可能自動或由用戶調(diào)整)中的其它體素的強度值更高的強度值的其它組織，以形成二進制體積圖像。這通過輸入的體積圖像的二進制化來實現(xiàn)。這種二進制化過程應(yīng)當能夠正確地將所有結(jié)節(jié)標記為前景對象。在后面的處理步驟中不能檢測到未被標記為前景對象的任何結(jié)節(jié)。同樣重要的是，被標記的前景對象并不包含太多背景體素，這有助于使結(jié)節(jié)在形狀上能與其它非目標前景結(jié)構(gòu)相區(qū)分，并且因而顯著地減少了結(jié)節(jié)被正確識別的可能性。使用自適應(yīng)閾值方法沿著z-維逐個切片地實現(xiàn)分割106。
參考圖3，自適應(yīng)閾值方法包括估計強度值的平均值，這些強度值在目標像素周圍有效大小(約40×40)的窗內(nèi)的預定義范圍中。在切片中針對每個像素確定估計值，301。預定義范圍的實例是0-800。所估計的平均值增大預定義的偏移量(例如，350)，以形成目標像素的估計閾值(ET)，302。如果ET大于預定義的高閾值(例如，800)，那么將ET設(shè)置為預定義的高閾值。如果其強度值低于預定義的低閾值的體素的百分比大于預定義閾值(例如，70％)，那么ET被設(shè)置為預定義的低閾值。如果目標像素的強度值大于估計閾值ET，則該像素被標記為前景，303。
區(qū)域增長標記所有前景體素以及邊界體素，這些體素被用于后面的處理。在塊107，形態(tài)學上的膨脹運算被用于大小(被包含在對象中的體素數(shù)目)小于預定義閾值(例如，100)的所有被連接的前景對象。形態(tài)學運算的動機是確保后面的處理步驟中的可靠曲率估計。
檢測階段102包括橫截面分析108、置信度陣列的低通濾波109、以及峰值檢測110。
通過將已分割的體積數(shù)據(jù)分解成多個橫截面并且分析在橫截面中追蹤的曲線(邊界)，橫截面分析108從在先步驟中產(chǎn)生的被標記的前景區(qū)域中檢測到小型圓形對象，以累加所追蹤的曲線周圍的證據(jù)(evidence)。建立與輸入的3D體積CT數(shù)據(jù)大小相同的3D陣列(置信度陣列)，以記住所累加的證據(jù)。如果存在結(jié)節(jié)，則在結(jié)節(jié)周圍的每個橫截面中的2D曲線上能夠檢測到比血管和其它非結(jié)節(jié)結(jié)構(gòu)數(shù)目更多的高曲率點。結(jié)節(jié)可以充分地利用非目標前景組織來遮蔽，存在在2D橫截面曲線上產(chǎn)生比非目標前景組織結(jié)構(gòu)更多高曲率點的高概率。
參考圖4，橫截面分析108包括在每個橫截面中識別出高曲率(曲率值大于閾值，例如，210度)和峰值(曲率值在局部鄰近處達到最大值，例如，中心在峰值的15-點窗)體素，401。分析將每個表面點分類402成(i)峰值或(ii)高曲率點或(iii)正常點。當且僅當點在所有其橫截面中被分類為峰值點時，該點才被分類為峰值點。當且僅當點不是峰值點且在所有其橫截面中被分類為峰值或高曲率點時，該點才為高曲率點。橫截面分析對在每個橫截面中具有有效的高曲率點和峰值的百分比的邊界累加證據(jù)，403。橫截面分析對每個峰值累加置信度證據(jù)，404-從峰值點開始，應(yīng)用邊界片增長(boundary patch growing)方法來產(chǎn)生小曲面，該邊界片增長方法在具有高曲率或峰值標記的對象表面點上增長并且使用到初始峰值位置的距離和增長大小來控制增長形狀。所產(chǎn)生的片的形狀為半球形。
-由于確定了曲面的每個要素點，那么估計法線方向。
-確定曲面上的兩個高曲率要素的法線的交叉點。如果該交叉點距離曲面的中心足夠近，則其值由點類型(高曲率或峰值)確定的置信度得分被加到置信度陣列中的交叉點位置。需要將交叉點位置加到置信度陣列的交叉點到曲面中心的接近性可被調(diào)整，以實現(xiàn)所需的結(jié)果。
在每個位置，置信度陣列中的置信度得分指示了附近可能存在結(jié)節(jié)的可能性。如果大量附近的點顯示置信度得分值，則這表示存在結(jié)節(jié)。
由于結(jié)節(jié)形狀變化以及在輸入的體積數(shù)據(jù)中存在復雜的非目標前景結(jié)構(gòu)，所以結(jié)節(jié)和置信度陣列中的其他類似結(jié)節(jié)的非目標前景對象周圍的置信度得分值以類簇形式稀疏分布。因此，需要低通濾波塊109，用于進行可靠的真實的峰值檢測。能夠使用高斯濾波器。置信度陣列的濾波被用在所有x-維、y-維和z-維上。
局部峰值檢測
局部峰值檢測110識別出置信度陣列中的證據(jù)的有效濃度，以產(chǎn)生初始檢測候選項。圖5圖示了局部峰值檢測方法中的一種方法，其中-首先應(yīng)用局部最大值檢測，以檢測潛在的峰值候選項位置，501。
-然后在具有與最大可檢測對象的大小(例如，10mm)相同的局部鄰域中再檢查峰值候選項位置，以確保其將具有最大得分值的體素安置在未被標記為已檢測到的體素中，502。應(yīng)用受控體積增長方法，以獲得加權(quán)總和和已更新的最大權(quán)重以及相應(yīng)的被檢測到的位置(并不必在前景區(qū)域中的具有最大置信度得分值的位置)，該受控體積增長方法在具有有限增長大小的非零置信度陣列要素內(nèi)增長。
-如果檢測到的位置不在前景區(qū)域的內(nèi)部，則應(yīng)用局部搜索過程，以找到如新檢測到的位置的最近邊界點，503。
-應(yīng)用在具有有限增長大小的前景區(qū)域內(nèi)增長的受控體積增長，以獲得置信度得分的已更新的加權(quán)總和。最大置信度得分、增長區(qū)域中的置信度得分的總和以及加權(quán)最小大小前景對象的局部峰值調(diào)節(jié)的線性組合被確定為當前檢測的最終置信度得分值，并且隨同檢測到的位置一起被插入到檢測列表中，504。
-所有在到被檢測到的位置的小距離內(nèi)的周圍體素被標記為已被處理，505。
后處理后處理對最初被檢測到的候選項進行調(diào)節(jié)。該最初被檢測到的候選項位置是具有有限移位量(a limited among of shift)的置信度陣列中已檢測到的峰值的位置，以確保該位置在前景區(qū)域中，由于形狀變化和在一些小前景對象上的形態(tài)學運算，該位置可能不總是在目標對象區(qū)域中。后處理步驟實現(xiàn)了變形方法，該變形方法使用迭代梯度遞降方法來調(diào)節(jié)候選項的位置，以確保該位置在前景區(qū)域內(nèi)。
候選項集再定位方法包括-根據(jù)強度、曲率和圖像梯度信息定義成本函數(shù)，以將最初被檢測到的位置調(diào)整到最可能的前景位置。
-指定值為4的由預定義參數(shù)控制的變形過程的迭代次數(shù)。
-沿著迭代地達到最小成本值的方向調(diào)節(jié)已檢測到的位置。
在調(diào)節(jié)每個位置之后，應(yīng)用標準化方法來調(diào)節(jié)最終置信度得分值。標準化方法包括-定義3D鄰域，該3D鄰域為球形。
-圍繞每個已檢測到的對象的已定義的3D鄰域迭代地進行搜索，以核查前景體素輪廓的連貫性。
-根據(jù)最大連貫性值調(diào)節(jié)已檢測到的位置。
-使用連貫性和平均強度值的組合，調(diào)節(jié)已檢測到的候選項的置信度得分值。
該標準化方法確保被調(diào)整的候選項位置在目標候選項對象中心的附近，并且使用連貫性值(輪廓的標準偏差)和前景對象的平均強度值的組合來調(diào)節(jié)置信度得分，以使得最終候選項結(jié)果更準確。最終，根據(jù)標準化的置信度值分類已檢測到的結(jié)節(jié)。返回最高的n個候選項，例如，在數(shù)據(jù)中顯示或識別出這些候選項。然后可以診斷這些返回的候選項。
實驗結(jié)果在兩組胸部HRCT數(shù)據(jù)上測試了根據(jù)本公開內(nèi)容的實施例的一種方法。數(shù)據(jù)組1包括40個體積數(shù)據(jù)，其中x-維和y-維是512×512。平均而言，CT數(shù)據(jù)在z-維上包括300個切片，其中最小值為246個切片，而最大值為446個切片。通常，存在成千上萬個位置(想象512×512×300圖像，血管樹和噪聲結(jié)構(gòu)遍布該圖像)，其中局部組織結(jié)構(gòu)在輸入的體積胸部圖像中顯示類似結(jié)節(jié)的屬性。然而，在數(shù)據(jù)組1中，醫(yī)生僅識別出總共109個標準分割圖像(ground truth)結(jié)節(jié)。應(yīng)當注意，即時僅存在醫(yī)生標記為標準分割圖像的109個結(jié)節(jié)，在兩個數(shù)據(jù)集中仍存在大量類似于結(jié)節(jié)、但不是結(jié)節(jié)或未被識別為結(jié)節(jié)的對象，這些對象可能是醫(yī)生遺漏的結(jié)節(jié)或者根據(jù)除形狀信息之外的附加知識而被認為是正常血管樹結(jié)構(gòu)的對象。
所提出的技術(shù)的目標應(yīng)用將被用于肺部CAD系統(tǒng)，以根據(jù)輸入的肺部CT圖像產(chǎn)生結(jié)節(jié)候選項，這些結(jié)節(jié)候選項由肺部CAD系統(tǒng)使用附加的結(jié)構(gòu)和環(huán)境信息進一步驗證。對于實踐中的候選項集產(chǎn)生方法，在濾波通過大量潛在的位置之后，該真正的結(jié)節(jié)應(yīng)當出現(xiàn)在已檢測到的候選項列表中，該候選項列表可能包括500個候選項。被定義為在所有被證實的標準分割圖像結(jié)節(jié)中的候選項列表中檢測到的標準分割圖像結(jié)節(jié)的百分比的靈敏度成為有效的性能標準。在測試中，使用該標準來作為所提出的技術(shù)的性能的基準。
在數(shù)據(jù)組1上的實驗示出了所提出的方法的靈敏度對于500個候選項集產(chǎn)生是96.4％。該結(jié)果表明，所提出的對象檢測技術(shù)性能良好。從實例的3D視圖中能夠看出，該方法能夠檢測廣泛利用血管樹遮蔽的結(jié)節(jié)，這證實了所提出的3D對象檢測方法在實際應(yīng)用中的有效性。
數(shù)據(jù)組2包括具有與數(shù)據(jù)組1相似尺寸的16個體積數(shù)據(jù)?？偣沧R別出50個結(jié)節(jié)。對外部研究組，該數(shù)據(jù)組不可獲得。該性能測試由在Malvern，PA的西門子CAD組獨立執(zhí)行。該靈敏度證明對于500個候選項集產(chǎn)生為96％。
通常，使用運行Windows XP的Dell P4 2.4Ghz，用于處理具有300個切片的CT數(shù)據(jù)的計算時間為約35秒。低通濾波、二進制化和后處理步驟花費計算時間的約87％。
已經(jīng)描述了3D體積數(shù)據(jù)中的候選項集產(chǎn)生的系統(tǒng)和方法的實施例，應(yīng)注意到，本領(lǐng)域技術(shù)人員根據(jù)上述教導能夠進行修改和變型。因而應(yīng)理解的是，在所公開的本發(fā)明的特殊實施例中可以進行改變，所述改變在如由隨附權(quán)利要求所定義的本發(fā)明的范圍和精神之內(nèi)。因而已經(jīng)詳細和尤其根據(jù)專利法所需描述了本發(fā)明，要求保護和需要得到專利特許證保護的內(nèi)容在隨附的權(quán)利要求中被闡述。
權(quán)利要求
1.一種用于三維體積數(shù)據(jù)中的候選項集產(chǎn)生的計算機實現(xiàn)方法，該計算機實現(xiàn)方法包括形成包括被標記的前景體素的三維體積數(shù)據(jù)的二進制體積圖像；估計二進制體積數(shù)據(jù)中的被標記的前景體素的多個形狀特征，這包括從二進制體積圖像中的前景體素中識別峰值體素和高曲率體素，對每個邊界體素和每個峰值體素累加多個置信度值，從多個置信度值中檢測置信度峰值，其中所述置信度峰值被確定為候選點；以及在給出已檢測到的置信度峰值的情況下，精煉候選點，其中已精煉的候選點被確定為候選項。
2.根據(jù)權(quán)利要求1所述的計算機實現(xiàn)方法，其中，形成二進制體積圖像包括低通濾波三維體積數(shù)據(jù)；移除三維體積數(shù)據(jù)的邊界體素；將三維體積數(shù)據(jù)分割成前景和背景部分，其中前景中的體素已被標記；以及對大于預定尺寸的所有前景對象確定區(qū)域增長標記，其中前景對象包括多個前景體素，而預定尺寸是體素的數(shù)目。
3.根據(jù)權(quán)利要求2所述的計算機實現(xiàn)方法，其中，分割包括確定體素強度的估計閾值，并且將每個體素與估計閾值進行比較以確定前景體素；以及標記所述前景體素。
4.根據(jù)權(quán)利要求1所述的計算機實現(xiàn)方法，其中，累加多個置信度值包括確定圍繞每個峰值體素的曲面；確定包括每個高曲率點和圍繞每個曲面中心的峰值點的置信度得分的置信度陣列；將體素周圍的置信度得分與閾值進行比較，用于確定候選點的存在；以及通過候選點標記具有所需置信度得分的體素。
5.根據(jù)權(quán)利要求1所述的計算機實現(xiàn)方法，其中，精煉候選點包括重新定位候選點；調(diào)節(jié)候選點的置信度得分；根據(jù)所調(diào)節(jié)的置信度得分將候選點分類；以及返回最高的n個候選點，其中n是正整數(shù)。
6.根據(jù)權(quán)利要求5所述的計算機實現(xiàn)方法，其中，診斷所述最高的n個候選點。
7.一種機器可讀的程序存儲裝置，該程序存儲裝置確實地包括可由機器執(zhí)行的程序指令，以執(zhí)行用于三維體積數(shù)據(jù)中的候選項集產(chǎn)生的方法步驟，所述方法步驟包括形成包括被標記的前景體素的三維體積數(shù)據(jù)的二進制體積圖像；估計二進制體積數(shù)據(jù)中的被標記的前景體素的多個形狀特征，這包括從二進制體積圖像中的前景體素中識別峰值體素和高曲率體素，對每個邊界體素和每個峰值體素累加多個置信度值，從多個置信度值中檢測置信度峰值，其中置信度峰值被確定為候選點；以及在給出已檢測的置信度峰值的情況下，精煉候選點，其中已精煉的候選點被確定為候選項。
8.根據(jù)權(quán)利要求7所述的方法，其中，形成二進制體積圖像包括低通濾波三維體積數(shù)據(jù)；移除三維體積數(shù)據(jù)的邊界體素；將三維體積數(shù)據(jù)分割成前景和背景部分，其中前景中的體素被標記；以及針對大于預定尺寸的所有前景對象確定區(qū)域增長標記，其中，前景對象包括多個前景體素，而預定尺寸是體素的數(shù)目。
9.根據(jù)權(quán)利要求8所述的方法，其中，分割包括確定體素強度的估計閾值，并且將每個體素與估計閾值進行比較，以確定前景體素；以及標記所述前景體素。
10.根據(jù)權(quán)利要求7所述的方法，其中，累加多個置信度值包括確定圍繞每個峰值體素的曲面；確定包括每個高曲率點和圍繞每個曲面中心的峰值點的置信度得分的置信度陣列；將體素周圍的置信度得分與閾值進行比較，用于確定候選點的存在；以及通過候選點標記具有所需置信度得分的體素。
11.根據(jù)權(quán)利要求7所述的方法，其中，精煉候選點包括重新定位候選點；調(diào)節(jié)候選點的置信度得分；根據(jù)所調(diào)節(jié)的置信度得分將候選點分類；以及返回最高的n個候選點，其中n是正整數(shù)。
12.根據(jù)權(quán)利要求11所述的方法，其中診斷所述最高的n個候選點。
13.一種用于在三維體積數(shù)據(jù)中產(chǎn)生結(jié)節(jié)候選項的計算機實現(xiàn)方法，該計算機實現(xiàn)方法包括在三維體積數(shù)據(jù)中確定多個前景對象；確定多個前景對象的多個形狀特征，其中所述形狀特征得自三維體積數(shù)據(jù)的橫截面分析，該橫截面分析包括選擇具有所需形狀特征的前景對象，并且將選定的前景對象標記為候選項；以及返回所述候選項。
14.根據(jù)權(quán)利要求13所述的計算機實現(xiàn)方法，其中，橫截面分析包括從二進制體積圖像中的前景對象中識別峰值體素和高曲率體素；對每個邊界體素和每個峰值體素累加多個置信度值；以及從多個置信度值中檢測置信度峰值，其中置信度峰值被確定為候選項。
15.根據(jù)權(quán)利要求14所述的計算機實現(xiàn)方法，還包括，當且僅當在三維體積數(shù)據(jù)的所有其橫截面中將體素分類為峰值體素時，才將該體素分類為峰值體素。
16.根據(jù)權(quán)利要求14所述的計算機實現(xiàn)方法，還包括，當且僅當體素不是峰值體素并且在三維體積數(shù)據(jù)的所有其橫截面中被分類為峰值體素或高曲率體素時，才將該體素分類為高曲率點。
全文摘要
一種用于三維體積數(shù)據(jù)中的候選項集產(chǎn)生的方法包括形成包括被標記的前景體素的三維體積數(shù)據(jù)的二進制體積圖像(101)；估計二進制體積數(shù)據(jù)中的被標記的前景體素的多個形狀特征(102)，這包括從二進制體積圖像中的前景體素中識別峰值體素和高曲率體素、對邊界和每個峰值體素累加多個置信度值、并且從多個置信度值中檢測置信度峰值，其中置信這些度峰值被確定為候選點；并且在給出已檢測到的置信度峰值的情況下精煉候選點(103)，其中已精煉的候選點被確定為候選項。
文檔編號G06T7/00GK101048798SQ200580036941
公開日2007年10月3日 申請日期2005年7月1日 優(yōu)先權(quán)日2004年8月31日
發(fā)明者L·洪, Y·施, H·沈, S·青 申請人:美國西門子醫(yī)療解決公司