专利名称:用于自动肋骨中心线提取的方法和系统的制作方法
技术领域:
本发明涉及3D医疗图像数据(比如3D计算机断层摄影(CT)扫描)中的肋骨中心线线条提取,并且更具体来说涉及利用基于学习的可变形模板匹配进行自动肋骨中心线提取。
背景技术:
在胸部CT扫描中,定位肋骨转移和骨折通常涉及读取数以百计的轴向CT切片,以便在视觉上跟踪肋骨截面积的改变。相应地,对于CT扫描的人工读取相当耗时,并且在实践中常常由于人为失误而错过肋骨异常。对于肋骨解剖中心线的自动提取可以被用来增强展开的肋骨篮的可视化,这可以使得例行的骨骼读取任务对于放射科医师更加高效且有效。所提取出的并且加了标记的肋骨中心线还可以用作定位器官、登记病变以及引导间隔改变分析的串行胸廓CT扫描之间的对应性的参考。此外,肋骨几何结构的所导出的信息可以帮助肋骨篮骨折固定手术。尽管具有前面描述的临床方面的重要性,但是在CT扫描中对肋骨的自动检测和标记仍然是一项具有挑战性的任务。大多数传统方法将肋骨建模为细长管状结构,并且采用海赛(Hessian)或结构张量本征系统分析以进行脊背体素检测。但是,这些算法通常在计算方面花费很高,并且可能无法对于所有患者都获得一致的结果。图1示出了不同患者的不同肋骨截面的示例。如图1中所示,图像(b)所示的肋骨截面104比图像(a)中所示的肋骨截面102具有更加清晰的暗骨髓。在许多情况中,肋骨骨髓可能比肋骨边界更暗;从而可能无法将肋骨中心点一致地检测为脊背体素。为了构造肋骨中心线,通常使用基于跟踪的方法(比如Kalman滤波)从一个切片到下一个切片对所检测到的肋骨中心点进行追踪。但是,一些传统的基于跟踪的方法需要人工初始种子点,并且这样的点到点跟踪方法对于例如骨折之类的肋骨病变(这可能是放射科医师最感兴趣的)所造成的局部模糊或不连续高度敏感。图2示出了可能导致基于追踪的方法中的不准确的肋骨中心线的不同肋骨病变的示例。如图2中所示,图像(a)示出了缺失肋骨节段202的肋骨,并且图像(b)示出了具有肋骨转移204的肋骨。此外,在传统的肋骨追踪算法中,每一根肋骨被单独地检测及追踪;因此肋骨标记需要单独的试探方法。
发明内容
本发明提供了一种用于3D CT体积中的自动肋骨中心线提取和标记的方法和系统。本发明实施例的实施例利用基于学习的肋骨中心线检测来检测种子点,并且随后将整个肋骨篮的可变形模板与种子点相匹配以便提取出肋骨中心线。通过同时地而不是单独地提取出整个肋骨篮的肋骨中心线,本发明的实施例可以在相邻的肋骨之间施加预先约束以便改进肋骨跟踪期间的鲁棒性,以及在肋骨跟踪的同时提供肋骨标记。在本发明的一个实施例中,在3D体积中检测肋骨中心线体素。通过基于所检测到的肋骨中心线体素把多根肋骨的肋骨中心线的模板与所述3D体积相匹配而提取出肋骨中心线。肋骨中心线的模板可以是对于整个肋骨篮的肋骨中心线的模板。可以利用主动形状模型单独细化所提取出的肋骨中心线。通过参照下面的详细描述和附图,本领域普通技术人员将认识到本发明的这些和其他优点。
图1示出了不同患者中的不同肋骨截面的示例;
图2示出了不同肋骨病变的示例;
图3示出了根据本发明的一个实施例的用于从3D体积提取出肋骨中心线的方法;
图4示出了示例性的肋骨中心线体素检测结果;
图5示出了对于不同肋骨篮形状的肋骨中心线的示例;
图6示出了关节式肋骨节段匹配方法的示例性结果;
图7示出了利用主动轮廓的示例性肋骨中心线细化;
图8示出了示例性肋骨中心线提取结果;
图9示出了对于利用图3的方法具有挑战性的情况的示例性肋骨中心线提取结果;以
及
图10是能够实施本发明的计算机的高层级方框图。
具体实施例方式本发明针对用于在3D医疗图像体积(比如3D计算机断层摄影(CT)体积)中提取肋骨中心线的方法和系统。在这里描述本发明的实施例以便给出对于所述肋骨中心线提取方法的视觉理解。数字图像常常由一个或多个对象(或形状)的数字表示构成。在这里常常是关于标识及操纵对象方面来描述对象的数字表示。这样的操纵是在计算机系统的存储器或其他电路/硬件中实现的虚拟操纵。相应地,应当理解的是,可以利用存储在计算机系统内的数据在所述计算机系统内施行本发明的实施例。本发明的实施例利用可变形模板匹配方法在3D医疗图像数据中提取出肋骨中心线。利用计算方面高效的类Haar特征的基于学习的肋骨中心点检测方法可以被用于3D体积中的肋骨中心点检测。为了进一步加快运行时间检测,可以使用由粗到细的金字塔形学习结构。从基于学习的肋骨中心点检测得到的概率响应图可以被用来匹配整个肋骨篮模板,以便提取出肋骨中心线。通过同时提取出所有肋骨中心线而不是单独追踪每一条肋骨中心线,本发明的实施例不仅可以在相邻肋骨之间施加预先约束并且从而显著改进肋骨中心线跟踪的鲁棒性,而且还与肋骨跟踪同时提供肋骨标记。为了应用肋骨篮的变形并且保持高计算效率,本发明的实施例将长的肋骨分解成较短的肋骨节段,并且通过按照类似于边际空间学习(MSL)的方式搜索最优相似度变换参数来施行关节式肋骨节段匹配。与传统的点到点肋骨追踪算法相比,本发明的实施例对于局部模糊和不连续更加鲁棒。一旦利用所述模板匹配对于所有肋骨节段提取出中心线之后,本发明的实施例就可以利用主动轮廓模型细化及平滑刚性匹配的肋骨中心线。图3示出了根据本发明的一个实施例的用于从3D体积提取肋骨中心线的方法。图3的方法将3D医疗图像体积(比如CT体积)变换成代表患者的肋骨的所提取出的肋骨中心线集合。如图3中所示,在步骤302处接收3D体积。根据一个有利实施例,所述3D体积可以是CT体积,但是本发明不限于此。还可以利用其他医疗成像模式采集3D体积,比如磁共振(MR)、X射线、超声等等。可以从图像采集器件(比如CT扫描器)直接接收3D体积,或者可以通过(例如从计算机系统的存储装置或存储器)加载先前存储的3D体积来接收所述3D体积。在步骤304处,利用经过训练的肋骨中心线检测器在3D体积中检测肋骨中心线体素。由于肋骨内部的暗骨髓,因此不能把肋骨简单地建模成实心明亮管状结构。相应地,通过基于海赛本征系统的滤波器的最大响应并不总是可靠地识别出肋骨中心线。此外,如图1中所示,跨越不同体积的肋骨表现出各种各样的尺寸、形状和边缘对比度。根据本发明的一个有利实施例,使用鲁棒的基于学习的特定于对象的中心线检测方法来检测肋骨中心线体素,并且使用从基于学习的检测得到的概率图来跟踪及标记肋骨中心线。利用带注释的训练数据对肋骨中心线检测器进行训练。在一种有利实现方式中,使用3D类Haar特征来训练肋骨中心线检测器。3D类Haar特征考虑检测窗口内的特定位置处的邻近框形区域,并且计算各区域内的像素强度总和之间的差。可以利用求和面积表快速地计算所述特征。为了训练肋骨中心线检测器,在训练数据内的正和负训练样本处提取出3D类Haar特征,并且基于所提取出的特征训练肋骨中心线检测器。在一个可能的实施例中,肋骨中心线检测器可以被训练成具有多个AdaBoost分类器节点的概率提升树分类器(PBT)。但是,本发明不限于PBT分类器,并且还可以使用其他机器学习算法来训练肋骨中心线检测器。在一个有利实施例中,代替仅仅使用单个PBT (或其他类型的分类器),可以训练由粗到细的金字塔形PBT分类器并且将其用于肋骨中心线体素检测,这样不仅会通过图像下采样从而减少分类早期阶段中的样本数目而显著加速检测,而且还利用了较低分辨率下的更长范围的空间要素。在给定所接收到的3D体积的情况下,对所述3D体积应用经过训练的分类器,并且对于3D体积的每一个体素确定该体素是肋骨中心线体素的概率。相应地,经过训练的肋骨中心线检测器生成概率响应图〃卜),其表明每一个体素是肋骨中心线的可能性。图4示出了示例性肋骨中心线体素检测结果。如图4中所示,图像400示出了所接收到的CT体积,并且图像402示出了利用经过训练的肋骨中心线检测器生成的概率响应图。回到图3,在步骤306处,基于所检测到的肋骨中心线体素将肋骨中心线模板与3D体积相匹配。由肋骨中心线检测器生成的概率图可能并不总是可靠的,这是由于来自相邻的类似骨骼结构(比如锁骨和肩胛骨)的撑开牵引或者由肋骨损伤导致的局部模糊或不连续而造成的。相应地,使用一种鲁棒的肋骨跟踪和标记方法来基于所述概率图提取出肋骨中心线。传统的点到点追踪方法(比如Kalman滤波或区域生长处理)对于局部肋骨异常高度敏感并且因此容易发生误差传播。本发明的实施例利用基于模板的匹配方法来进行肋骨中心线提取。肋骨中心线模板是通过对来自正常肋骨篮的12对肋骨中心线进行人工注释和标记而离线构造的,并且肋骨中心线模板的每一根肋骨我(iim由均匀采样的中心线体素集合&(ISvf Fi)表示,其中Fi是肋骨t的长度。所述模板例如被存储在计算机系统的存储器或
存储装置中,并且随后基于利用经过训练的肋骨中心线检测器生成的概率图与所接收到的3D体积相匹配。为了将模板与3D体积相匹配,使得所生成的概率图上的经过变换的模板的响应总和最大化的最佳变换Γ是:
权利要求
1.一种用于在3D体积中提取肋骨中心线的方法,包括: 在所述3D体积中检测肋骨中心线体素;以及 通过基于所检测到的肋骨中心线体素将多根肋骨的肋骨中心线的模板与所述3D体积相匹配而提取出肋骨中心线。
2.权利要求1的方法,其中,多根肋骨的肋骨中心线的模板包括对于整个肋骨篮的肋骨中心线的模板。
3.权利要求1的方法,还包括: 利用主动轮廓模型单独细化每一条所提取出的肋骨中心线。
4.权利要求1的方法,其中,在所述3D体积中检测肋骨中心线体素的步骤包括: 利用经过训练的肋骨中心线体素检测器在所述3D体积中检测肋骨中心线体素。
5.权利要求4的方法,其中,所述经过训练的肋骨中心线检测器是基于带注释的训练数据训练的概率提升树(PBT)分类器。
6.权利要求4的方法,其中,所述经过训练的肋骨中心线检测器包括由粗到细的金字塔形经过训练的分类器。
7.权利要求1的方法,其中,在所述3D体积中检测肋骨中心线体素的步骤包括通过对于所述3D体积中的多个体素当中的每一个确定关于所述体素是肋骨中心线体素的概率而生成概率响应图,并且通过基于所检测到的肋骨中心线体素将多根肋骨的肋骨中心线的模板与所述3D体积相匹配而提取出肋骨中心线的步骤包括: 将肋骨中心线的模板与所述概率响应图相匹配。
8.权利要求7的方法,其中,所述肋骨中心线的模板包括对于每一条肋骨中心线的多个肋骨节段,并且将肋骨中心线的模板与概率响应图相匹配的步骤包括: 对于每一条肋骨中心线的多个肋骨节段当中的每一个确定许多变换候选以便把该肋骨节段与所述概率响应图相匹配;以及 对于每一条肋骨中心线的多个肋骨节段确定所述变换候选的组合,以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率。
9.权利要求8的方法,其中,所述对于每一条肋骨中心线的多个肋骨节段当中的每一个确定许多变换候选以便把该肋骨节段与所述概率响应图相匹配的步骤包括对于每一个肋骨节段实施以下内容: 利用第一经过训练的分类器在所述概率响应图中检测位置候选; 利用第二经过训练的分类器基于所检测到的位置候选在所述概率响应图中检测位置-定向候选;以及 利用第三经过训练的分类器基于所检测到的位置-定向候选在所述概率响应中检测变换候选。
10.权利要求8的方法,其中,所述对于每一条肋骨中心线的多个肋骨节段确定所述变换候选的组合以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率的步骤包括: 利用动态编程对于每一条肋骨中心线的多个肋骨节段确定所述变换候选的组合,以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率。
11.一种用于在3D体积中提取肋骨中心线的设备,包括: 用于在所述3D体积中检测肋骨中心线体素的装置;以及 用于通过基于所检测到的肋骨中心线体素把多根肋骨的肋骨中心线的模板与所述3D体积相匹配以便提取出肋骨中心线的装置。
12.权利要求11的设备,其中,所述多个肋骨的肋骨中心线的模板包括对于整个肋骨篮的肋骨中心线的模板。
13.权利要求11的设备,还包括: 用于利用主动轮廓模型单独细化每一条所提取出的肋骨中心线的装置。
14.权利要求11的设备,其中,所述用于在3D体积中检测肋骨中心线体素的装置包括: 用于利用经过训练的肋骨中心线体素检测器在所述3D体积中检测肋骨中心线体素的>j-U ρ α装直。
15.权利要求11的设备,其中,所述用于在3D体积中检测肋骨中心线体素的装置包括用于针对所述3D体积中的多个体素当中的每一个生成关于所述体素是肋骨中心线体素的概率的概率响应的装置,并且所述用于通过基于所检测到的肋骨中心线体素把多根肋骨的肋骨中心线的模板与所述3D体积相匹配以便提取出肋骨中心线的装置包括: 用于把所述肋骨中心线的模板与所述概率响应图相匹配的装置。
16.权利要求15的设备,其中,所述肋骨中心线的模板包括对于每一条肋骨中心线的多个肋骨节段,并且所述用于把肋骨中心线的模板与所述概率响应图相匹配的装置包括: 用于针对每一条肋骨中心线的多个肋骨节段当中的每一个确定许多变换候选以便把该肋骨节段与所述概率响应图相匹配的装置;以及 用于针对每一条肋骨中心线的多个肋骨节段确定变换候选的组合以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率的装置。
17.一种存储用于在3D体积中提取肋骨中心线的计算机程序指令的非瞬时计算机可读介质,当由处理器执行时所述计算机程序指令使得所述处理器施行包括以下各项的操作: 在所述3D体积中检测肋骨中心线体素;以及 通过基于所检测到的肋骨中心线体素将多根肋骨的肋骨中心线的模板与所述3D体积相匹配而提取出肋骨中心线。
18.权利要求17的非瞬时性计算机可读介质,其中,所述多根肋骨的肋骨中心线的模板包括对于整个肋骨篮的肋骨中心线的模板。
19.权利要求17的非瞬时性计算机可读介质,其中,所述操作还包括: 利用主动轮廓模型单独细化每一条所提取出的肋骨中心线。
20.权利要求17的非瞬时性计算机可读介质,其中,在所述3D体积中检测肋骨中心线体素的操作包括: 利用经过训练的肋骨中心线体素检测器在所述3D体积中检测肋骨中心线体素。
21.权利要求20的非瞬时性计算机可读介质,其中,所述经过训练的肋骨中心线检测器包括由粗到细的金字塔形经过训练的分类器。
22.权利要求1的非瞬时性计算机可读介质,其中,所述在3D体积中检测肋骨中心线体素的操作包括通过对于所述3D体积中的多个体素当中的每一个确定该体素是肋骨中心线体素的概率而生成概率响应图,并且所述通过基于所检测到的肋骨中心线体素将多根肋骨的肋骨中心线的模板与所述3D体积相匹配而提取出肋骨中心线的操作包括: 将所述肋骨中心线的模板与所述概率响应图相匹配。
23.权利要求22的非瞬时性计算机可读介质,其中,所述肋骨中心线的模板包括对于每一条肋骨中心线的多个肋骨节段,并且所述将肋骨中心线的模板与所述概率响应图相匹配的操作包括: 对于每一条肋骨中心线的多个肋骨节段当中的每一个确定许多变换候选以便把该肋骨节段与所述概率响应图相匹配;以及 对于每一条肋骨中心线的多个肋骨节段确定所述变换候选的组合,以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率。
24.权利要求23的非瞬时性计算机可读介质,其中,所述对于每一条肋骨中心线的多个肋骨节段当中的每一个确定许多变换候选以便将该肋骨节段与所述概率响应图相匹配的操作包括对于每一个肋骨节段施行以下内容: 利用第一经过训练的分类器在所述概率响应图中检测位置候选; 利用第二经过训练的分类器基于所检测到 的位置候选在所述概率响应图中检测位置-定向候选;以及 利用第三经过训练的分类器基于所检测到的位置-定向候选在所述概率响应中检测变换候选。
25.权利要求23的非瞬时性计算机可读介质,其中,所述对于每一条肋骨中心线的多个肋骨节段确定所述变换候选的组合以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率的操作包括: 利用动态编程对于每一条肋骨中心线的多个肋骨节段确定所述变换候选的组合,以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率。
全文摘要
本发明涉及用于自动肋骨中心线提取的方法和系统。公开了一种用于在3D体积(比如3D计算机断层摄影(CT)体积)中提取肋骨中心线的方法和系统。利用基于学习的检测器在所述3D体积中检测肋骨中心线体素。随后通过基于所检测到的肋骨中心线体素将对于整个肋骨篮的肋骨中心线的模板与所述3D体积相匹配提取出对于整个肋骨篮的肋骨中心线。随后利用主动轮廓模型单独细化每一条所提取出的肋骨中心线。
文档编号G06K9/62GK103218800SQ20121036892
公开日2013年7月24日 申请日期2012年9月27日 优先权日2011年9月27日
发明者吴迪嘉, 刘大元, C.蒂金, G.索扎, 周少华, D.科马尼丘 申请人:西门子公司