[go: up one dir, main page]

CN104937434A - 第一部位与第二部位之间的边界的基于图像的检测 - Google Patents

第一部位与第二部位之间的边界的基于图像的检测 Download PDF

Info

Publication number
CN104937434A
CN104937434A CN201380071896.6A CN201380071896A CN104937434A CN 104937434 A CN104937434 A CN 104937434A CN 201380071896 A CN201380071896 A CN 201380071896A CN 104937434 A CN104937434 A CN 104937434A
Authority
CN
China
Prior art keywords
pixel
pixels
boundary
liver
image data
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.)
Granted
Application number
CN201380071896.6A
Other languages
English (en)
Other versions
CN104937434B (zh
Inventor
T.戈托
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GE Medical Systems Global Technology Co LLC
Original Assignee
GE Medical Systems Global Technology Co LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GE Medical Systems Global Technology Co LLC filed Critical GE Medical Systems Global Technology Co LLC
Publication of CN104937434A publication Critical patent/CN104937434A/zh
Application granted granted Critical
Publication of CN104937434B publication Critical patent/CN104937434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56509—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to motion, displacement or flow, e.g. gradient moment nulling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/567—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution gated by physiological signals, i.e. synchronization of acquired MR data with periodical motion of an object of interest, e.g. monitoring or triggering system for cardiac or respiratory gating
    • G01R33/5676—Gating or triggering based on an MR signal, e.g. involving one or more navigator echoes for motion monitoring and correction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30056—Liver; Hepatic
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Signal Processing (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种用于检测受检者的第一部位与第二部位之间的边界位置的检测设备包括：像素提取单元，用于基于跨第一部位和第二部位的第一截面的图像数据来提取充当位于边界上的像素的候选的多个候选像素；以及像素指定单元，用于通过使用采用机器学习算法已经准备的识别器，从多个候选像素中指定位于边界上的像素。

Description

第一部位与第二部位之间的边界的基于图像的检测
背景技术
本发明涉及用于检测受检者的第一部位与第二部位之间的边界位置的检测装置、对其应用检测装置的磁共振装置、检测受检者的第一部位与第二部位之间的边界位置的检测方法以及用于检测受检者的第一部位与第二部位之间的边界位置的程序。
作为对于随着受检者呼吸而移动的部位进行成像的方法，使用用于获取受检者的呼吸信号的导航仪序列的方法是已知的(参见专利文献1)。
[专利文献1]日本特开2011-193884。
发明内容
在受检者的呼吸信号要通过使用导航仪序列来获取的情况下，需要设置用于收集导航仪回波的导航仪区域。导航仪区域例如设置在肺部与肝部之间的边界上。由于肝部随着受检者的呼吸而移动，所以能够通过将导航仪区域设置在肺部与肝部之间的边界上，来收集受检者的呼吸信号。作为设置导航仪区域的方法的一个示例，存在一种方法，其中预先获取图像数据，并且操作员找出肺部与肝部之间的边界，同时查看那个图像数据以设置导航仪区域。但是，在这种方法中，操作员本身必须找出肺部与肝部之间的边界，并且对于操作员是复杂工作。因此，虽然现在正尝试自动检测肺部与肝部之间的边界的技术的发展，但是存在难以改进边界的检测准确性的这种问题。因此，要求一种能够改进边界的检测准确性的技术。本发明的第一观点是一种用于检测受检者的第一部位与第二部位之间的边界位置的检测装置，该检测装置包括：像素提取部件，用于基于跨第一部位和第二部位的第一截面的图像数据来提取充当位于边界上的像素的候选的多个候选像素；以及像素指定部件，用于通过使用采用机器学习算法已经准备的识别器，从多个候选像素中指定位于边界上的像素。
本发明的第二观点是一种用于检测受检者的第一部位与第二部位之间的边界位置的磁共振装置，该磁共振装置包括：像素提取部件，用于基于跨第一部位和第二部位的第一截面的图像数据来提取充当位于边界上的像素的候选的多个候选像素；以及像素指定部件，用于通过使用已经使用机器学习算法准备的识别器，从多个候选像素中指定位于边界上的像素。
本发明的第三观点是一种检测受检者的第一部位与第二部位之间的边界位置的方法，该检测方法包括：像素提取步骤，基于跨第一部位和第二部位的第一截面的图像数据来提取充当位于边界上的像素的候选的多个候选像素；以及像素指定步骤，通过使用已经使用机器学习算法准备的识别器，从多个候选像素中指定位于边界上的像素。
本发明的第四观点是一种用于检测受检者的第一部位与第二部位之间的边界位置的检测装置的程序，该程序使计算机运行下列过程：像素提取过程，基于跨第一部位和第二部位的第一截面的图像数据来提取充当位于边界上的像素的候选的多个候选像素；以及像素指定过程，通过使用已经使用机器学习算法准备的识别器，从多个候选像素中指定位于边界上的像素。
由于位于边界上的像素通过使用采用机器学习算法所准备的识别器从多个候选像素中指定，所以就有可能改进边界位置的检测准确性。
附图说明
图1是本发明的第一实施例的磁共振装置的示意图。
图2是示出第一实施例中运行的扫描的简图。
图3是示意示出待成像部位的简图。
图4是示出在第一实施例中对受检者进行成像时的流程的简图。
图5是定位器扫描LS的图示。
图6是定位器扫描LS的图示。
图7是在确定沿受检者肝部的AP方向的范围时的图示。
图8是在确定沿受检者体内区域中肝部的上端所在的可能性高的RL方向的范围时的图示。
图9是示出沿肝部的AP方向的区域TO中包含的冠状图像数据的简图。
图10是示意示出分别为图像数据DCi至DCk准备的投影剖面Fi至Fk的简图。
图11是检测投影剖面Fi中出现的级差的位置的方法的图示。
图12是示意示出在相对于投影剖面Fj使相关性为最大时的二进制模板BT的位置的简图。
图13是示意示出通过二进制模板BT所检测的投影剖面Fi至Fk的级差的位置bi至bk的简图。
图14是示意示出沿肺部与肝部之间的边界所在的可能性高的SI方向的范围的简图。
图15是示意示出微分图像数据DIi至DIk的简图。
图16是从冠状面COj中提取位于肺部与肝部之间的边界上的像素的候选的方法的图示。
图17是从所提取候选像素中缩减其位于肺部与肝部之间的边界上的可能性高的像素的方法的一个示例的图示。
图18是相对候选像素Xa至Xe的每个来设置区域V和W并且判定它们是否满足三个条件1至3时的图示。
图19是示意示出从搜索区域RS中缩减的候选像素的简图。
图20识别位于肝部的边界上的像素的方法的一个示例的图示。
图21是本实施例中使用的识别器的图示。
图22是示意示出在冠状面COj的搜索区域RS中已经指定的像素的简图。
图23是示意示出对冠状面COi至COk的每个已经指定的像素集合Seti至Setk的简图。
图24是当选择要在从像素集合Seti至Setk中判定导航仪区域的位置时使用的像素集合的时候的图示。
图25是预处理的图示。
图26是示意示出执行动态规划的过程之前的像素集合Setj以及执行了动态规划的过程之后的像素集合Setj的简图。
图27是滤波过程的图示。
图28是在检测位于最接近S方向侧的像素时的图示。
图29是示意示出导航仪区域Rnav的简图。
图30是第二实施例中判定像素xb是否位于肺部与肝部之间的边界上的方法的图示。
具体实施方式
虽然下面将描述用于实施本发明的模式，但是本发明并不局限于下列实施例。
图1是本发明的第一实施例的磁共振装置的示意图。磁共振装置(以下将称作“MR装置”，MR：磁共振)100具有磁体6、台架3、接收器线圈4等。
磁体2具有膛21，其中将包含受检者11。另外，磁体2具有超导线圈22、梯度线圈23和RF线圈24。超导线圈22施加磁静场，梯度线圈23施加梯度磁场，以及RF线圈传送RF信号。顺便提到，永磁体可用来代替超导线圈22。
台架3具有用于支承受检者11的托架3a。托架3a配置成移动到膛21中。受检者11由托架3a传送到膛21中。接收器线圈4附连到受检者11，并且接收来自受检者11的磁共振信号。
MR装置100还具有发射器5、梯度磁场电源6、接收器7、控制单元8、操作单元9、显示单元10等。发射器5向RF线圈24提供电流，梯度磁场电源6向梯度线圈23提供电流。接收器7对于从接收器线圈4所接收的信号执行处理、例如检测等。
控制单元8控制MR装置100的相应单元的操作，以便实现向显示单元10传递所需信息、基于从MR装置100的接收器7等所接收的数据重新配置图像的各种操作。控制单元8具有图像数据准备部件81至导航仪区域确定部件88等。
图像数据准备部件81准备受检者11的被成像部位的图像数据。脂肪去除部件82从图像数据准备部件81已经准备的图像数据中去除脂肪。AP范围确定部件83确定沿受检者11的肝部的AP方向的范围。RL范围确定部件84确定沿肝部的上端所在的可能性高的RL方向的范围。SI范围确定部件85确定沿肺部与肝部之间的边界所在的可能性高的SI方向的范围。像素提取部件86提供充当位于肺部与肝部之间的边界上的像素的候选的候选像素。像素指定部件87具有像素缩减部件87a和识别部件87b。像素缩减部件87从所提取候选像素中缩减其位于肺部与肝部之间的边界上的可能性高的像素。识别部件87b使用识别器从缩减像素中指定位于肺部与肝部之间的边界上的像素。导航仪区域确定部件88基于所指定像素来确定导航仪区域的位置。
控制单元8是配置图像数据准备部件81至导航仪区域确定部件88的一个示例，并且通过运行预定程序来用作这些部件。顺便提到，控制单元8对应于检测装置。
操作单元9由操作员来操作，以将各个信息输入控制单元8中。显示单元10显示各个信息。按以上所述来配置MR装置100。
图2是示出在第一实施例中要运行的扫描的简图，以及图3是示意示出被成像部位的简图。在本实施例中，运行定位器扫描LS、主要扫描MS等。
定位器扫描LS是对设置导航仪区域Rnav所运行的扫描(参见图3)。导航仪区域Rnav是对收集受检者的呼吸信号所设置的区域。主要扫描MS适合收集来自导航仪区域Rnav的呼吸信号，并且收集包括肝部的部位的图像数据。下面将描述运行定位器扫描LS和主要扫描MS时的流程。
图4是示出在第一实施例中对受检者进行成像时的流程的简图。在步骤ST1，运行定位器扫描LS(参见图2)。
图5和图6是定位器扫描LS的图示。在定位器扫描LS中，运行跨包括肝部的被成像部位的多个控制面CO1至COn扫描(参见图5)以及跨包括肝部的被成像部位的多个轴向面AX1至AXm的扫描(参见图6)。图像数据准备部件81(参见图1)准备冠状面CO1至COn的图像数据DC1至DCn以及轴向面AX1至AXm的图像数据DA1至DAm。下文中，冠状面的图像数据将称作“冠状图像数据”，以及轴向面的图像数据将称作“轴向图像数据”。在准备了冠状图像数据DC1至DCn和轴向图像数据DA1至DAm之后，进入步骤ST2。
在步骤ST2，脂肪去除部件82(参见图1)从冠状图像数据DC1至DCm和轴向图像数据DA1至DAm中去除脂肪。由于脂肪呈现高信号，所以脂肪能够通过预先设置去除脂肪的阈值并且检测其像素值大于阈值的像素被去除。在去除脂肪之后，进入步骤ST3。
在步骤ST3，AP范围确定部件83(参见图1)基于轴向图像数据DA1至DAm(参见图6)来确定沿受检者的肝部的AP方向的范围。
图7是在检测沿受检者肝部的AP方向的范围时的图示。AP范围确定部件33首先对轴向面AX1至AXm的每个来得到沿受检者的体内区域的AP方向的范围T1至Tm。虽然受检者的体外区域呈现低信号，但是受检者的体内区域呈现高信号，并且因此沿受检者的体内区域的AP方向的范围T1至Tm能够对于轴向面AX1至AXm的每个从信号值的差来得到。
随后，AP范围确定部件83基于这些范围T1至Tm来确定沿肝部的AP方向的范围To。由于沿肝部的AP方向相对于受检者的体内区域的位置大致固定，所以沿肝部的AP方向的范围To能够从关于范围T1至Tm的信息来确定。作为这种确定方法的一个示例，存在一种从范围T1至Tm中选择一个范围Tj并且将范围Tj的中心部分确定为沿肝部的AP方向的范围To的方法。在确定了沿肝部的AP方向的范围To之后，进入步骤ST4。
在步骤ST4，RL范围确定部件84(参见图1)基于轴向图像数据DA1至DAm(参见图6)从受检者的体内区域中确定沿肝部的上端所在的可能性高的RL方向的范围。
图8是在检测沿受检者体内区域中肝部的上端所在的可能性高的RL方向的范围时的图示。
RL范围确定部件84首先对相应轴向面AX1至AXm来得到沿受检者的体内区域的RL方向的范围W1至Wm。虽然受检者的体外区域呈现低信号，但是受检者的体内区域呈现高信号，并且因此沿受检者的体内区域的RL方向的范围W1至Wm能够对于轴向面AX1至AXm的每个从信号值的差来得到。RL范围确定部件84基于这些范围W1至Wm来确定沿肝部的上端所在的可能性高的RL方向的范围WRL。由于肝部的上端一般位于受检者的右半侧，所以沿肝部的上端所在的可能性高的RL方向的范围WRL能够从关于范围W1至Wm的信息来得到。在确定了沿肝部的上端所在的可能性高的RL方向的范围WRL之后，进入步骤ST5。
在步骤ST5，在冠状图像数据DC1至DCn中选择沿肝部的AP方向的范围To中包含的冠状图像数据。沿肝部的AP方向的范围To中包含的冠状图像数据在图9中示出。在本实施例中，假定冠状图像数据DCi至DCk包含在沿肝部的AP方向的范围To中。在选择了沿肝部的AP方向的范围To中包含的冠状图像数据DCi至DCk之后，进入步骤ST6。
在步骤ST6，SI范围确定部件85(参见图1)对于在步骤ST5所选择的每个冠状图像数据DCi至DCk来确定沿肺部与肝部之间的边界所在的可能性高的SI方向的范围。这个范围确定如下。SI范围确定部件85首先准备通过对于冠状图像数据DCi至DCk相加沿RL方向的像素值所得到的投影剖面。对每个图像数据DCi至DCk已经准备的投影剖面Fi至Fk在图10中示意示出。虽然肝部呈现高信号，但是肺部呈现低信号，并且因此如果准备跨肺部和肝部的冠状图像数据的投影剖面，则附加值将在肺部侧变小，而附加值将在肝部侧变大。由于如上所述的附加值之间的差，附加值的级差沿SI方向出现在投影剖面Fi至Fk中。因此，就有可能通过检测投影剖面Fi至Fk中出现的级差的位置，来得到沿肺部与肝部之间的边界所在的可能性高的SI方向的范围。接下来将描述检测投影剖面Fi至Fk中出现的级差的位置的方法。顺便提到，由于检测级差的位置的方法对投影剖面的任一个是相同的，所以下面将通过从投影剖面Fi至Fk中取投影剖面Fj，来描述检测投影剖面Fj上出现的级差的位置的方法。
图11是检测投影剖面Fj上出现的级差的位置的方法的图示。在本实施例中，投影剖面Fj上的级差通过使用二进制模板BT来检测。二进制模板是具有作为值“1”和值“0”的信号值的级差Δs的模板。在要检测投影剖面Fj上的级差的情况下，二进制模板BT从肺部侧朝投影剖面Fj的肝部侧渐渐移动，以及每次移动二进制模板BT时计算二进制模板与投影剖面Fj之间的相关性。由于二进制模板BT具有级差Δs，所以投影剖面Fj上出现的级差的位置能够通过指定使相关性为最大的模板BT的位置来检测。当相对于投影剖面Fj使相关性为最大时的二进制模板BT的位置在图12中示意示出。图12中，投影剖面Fj与二进制模板BT之间的相关性在二进制模板BT达到位置bj时为最大。因此，发现冠状图像数据DCj中的肝部的上端相对SI方向存在于位置bj周围。
顺便提到，虽然在图11和图12中描述了检测投影剖面Fj上的级差的位置的方法，但是也在其他投影剖面上的级差的位置能够通过计算与二进制模板BT的相关性并且指定使相关性为最大的二进制模板BT的位置来检测。通过二进制模板BT所检测的投影剖面Fi至Fk上的级差的位置bi至bk在图13中示意示出。在已经检测相应投影剖面Fi至Fk上的级差的位置bi至bk之后，沿肺部与肝部之间的边界所在的可能性高的SI方向的范围基于级差的所检测位置bi至bk来确定(参见图14)。
图14是示意示出沿肺部与肝部之间的边界所在的可能性高的SI方向的范围的简图。SI范围确定部件85基于级差的所检测位置bi至bk来定义肺部侧上的宽度w1的范围，并且定义肝部侧上的宽度w2的范围。将按照上述方式对冠状图像数据DCi至DCk的每个所定义的范围确定为沿肺部与肝部之间的边界所在的可能性高的IS方向的范围WSI_i至WSI_k。宽度w1和w2具有在对受检者进行成像之前预先设置的值，并且能够设置成例如数厘米。在对于冠状图像数据DCi至DCk的每个确定了沿肺部与肝部之间的边界所在的可能性高的IS方向的范围WSI_i至WSI_k之后，进入步骤ST7。
在步骤ST7，通过对冠状图像数据DCi至DCk微分来准备微分图像数据。微分图像数据DIj至DIk在图15中示意示出。顺便提到，虽然正值和负值存在于微分值中，但是为了便于说明，图15中示出在微分值通过绝对值来表达时的微分图像数据DIj至DIk。
在冠状图像数据DCi至DCk中，肝部的像素的像素值与肺部的像素的像素值之间的差较大。因此，在对冠状图像数据DCi至DCk微分时，位于肺部与肝部之间的边界上的像素的微分值增加。另一方面，肝部中的像素的微分值和肺部中的像素的微分值减小。因此，就有可能通过准备微分图像数据DIi至DIk，着重示出位于肺部与肝部之间的边界上的像素。在图15的微分图像数据DIi至DIk中，表明白色部分的微分值较大，而黑色部分的微分值较小。在准备了冠状面COi至COk的微分图像数据DIi至DIk之后，进入步骤ST8。
在步骤ST8，像素提取部件86(参见图1)基于微分图像数据DIi至DIk对冠状面COi至COk的每个提取位于肺部与肝部之间的边界上的像素的候选。下面将描述提取位于肺部的上端上的像素的候选的方法。顺便提到，由于这种提取对任何冠状位置是相同的，所以下面将通过从冠状面COi至COk中取冠状面COj，来描述从冠状面COj中提取位于肺部与肝部之间的边界上的像素的候选的方法。
图16是从冠状面COj中提取位于肺部与肝部之间的边界上的像素的候选的方法的图示。像素提取部件86首先在微分图像数据DIj上设置执行像素的搜索的区域(以下称作“搜索区域”)Rs。搜索区域Rs设置为一个区域，其中沿在步骤ST4所得到的RL方向的范围WRL(参见图8)叠加于沿在步骤ST6所得到的SI方向的范围WSI-j上。
随后，像素提取部件86在微分图像数据DIj上考虑沿跨搜索区域Rs的SI方向的线条L，并且得到线条L上的像素的微分值的剖面。图16中，示出沿PL方向的坐标值P=Pc的线条L上的微分值的剖面。顺便提到，虽然实际上在微分值中存在正值和负值，但是为了便于说明，图16中将仅考虑正微分值。
如上所述，位于肺部与肝部之间的边界上的像素的微分值增加。因此，位于肺部与肝部之间的边界上的像素的候选能够通过检测剖面的搜索区域Rs中出现的峰值来提取。图16中，五个峰值a至e出现在微分值的剖面上。因此，与峰值a至e对应的像素xa至xe将是位于肺部与肝部之间的边界上的像素的候选(以下称作“候选像素”)。
虽然在上述描述中描述了提取坐标值P=Pc的线条L上的候选像素的方法，但是候选像素甚至在线条L具有除了Pc之外的坐标值时也能够通过相同方法来提取。因此，就有可能通过改变沿搜索区域Rs中的线条L的RL方向的坐标值P，得到各坐标值P的线条L上的微分值的剖面，并且检测每剖面的峰值，从搜索区域Rs中提取位于肺部与肝部之间的边界上的像素的候选。
另外，虽然图16中描述从冠状面COj中提取候选像素的情况，但是它们在从另一个冠状面中提取坐标像素的情况下也能够通过相同方法来提取。因此，位于肺部与肝部之间的边界上的像素的候选能够对冠状面COi至COk的每个来提取。在提取了候选像素之后，进入步骤ST9。
在步骤ST9，像素指定部件78(参见图1)从所提取候选像素中指定位于肺部与肝部之间的边界上的像素。下面将描述指定位于肺部与肝部之间的边界上的像素的方法。由于步骤ST9具有两个步骤ST91和ST92，所以它们将在下面按顺序来描述。
在步骤ST91，像素缩减部件87a(参见图1)从所提取候选像素中缩减其位于肺部与肝部之间的边界上的可能性高的像素。例如，参照图16，在坐标值P=Pc的线条L上提取五个候选像素xa至xe。在候选像素Xa至Xe中，位于肺部与肝部之间的边界上的像素是候选像素xd，以及其余候选像素xa、xb、xc和xe没有位于肺部与肝部之间的边界上。因此，在本实施例中，从所提取候选像素xa至xe中缩减其位于肺部与肝部之间的边界上的可能性高的像素。下面将描述缩减像素的方法。
图17是从所提取候选像素中缩减位于肺部与肝部之间的边界上的像素的方法的一个示例的图示。首先，位于肺部与肝部之间的边界上的像素被认为处于冠状图像数据DC中。在这里，位于肺部与肝部之间的边界上的像素通过符号“x”来表示。
随后，对于像素x，区域V设置在肺部侧上，以及区域W设置在肝部侧上。区域V和W的大小是n×m的像素大小。图17中，示出5×5的像素大小的示例。然后，得到区域V中包含的像素的像素值的平均值M1和区域W中包含的像素的像素值的平均值M2。
一般来说，存在肺部的区域中的像素的像素值减小而肝部的区域中的像素的像素值增加的趋势。因此，认为在将区域V中的像素值的平均值M1与区域W中的像素值的平均值M2进行比较时建立如下关系M1 < M2。
另外，区分V位于肺部侧上。由于存在肺部中包含的像素的像素值减小的趋势，所以区域V中的像素值的平均值M1可取的值能够缩减到某个程度。具体来说，认为像素值的平均值M1包含在下式所表达的范围中的可能性高：P < M1 < q。在这里，p：作为平均值M1的容许值的下限值，q：作为平均值M1可允许的值的上限值。
下限值p和上限值q是参照例如通过实际扫描多个人所获取的图像数据的肺部的像素值来确定的值。
此外，区域W位于肝部侧上。由于存在肝部中包含的像素的像素值增加的趋势，所以区域W中的像素值的平均值M2可取的值能够缩减到某个程度。具体来说，认为像素值的平均值M2包含在下式所表达的范围中的可能性高：R < M2 < s。在这里，r：作为平均值M2可允许的值的下限值，s：作为平均值M2可允许的值的上限值。
下限值r和上限值s是参照例如通过实际扫描多个人所获取的图像数据的肝部的像素值来确定的值。
也就是说，在像素x位于肺部与肝部之间的边界上的情况下，认为区域V中的像素值的平均值M1和区域W中的像素值的平均值M2满足下列条件。(条件1) M1 < M2 (条件2) p < M1 < q (条件3) r < M2 M s。
因此，如果可找到满足全部三个条件1至3的像素，则能够从所提取候选像素中缩减其位于肺部与肝部之间的边界上的可能性高的像素。因此，在本实施例中，对候选像素xa至xe的每个来设置区域V和W，并且判定它们是否满足三个条件1至3(参见图18)。
图18是对于候选像素Xa至Xe的每个来设置区域V和W并且判定它们是否满足三个条件1至3时的图示。顺便提到，由于这种判定方法对于任何候选像素是相同的，所以将通过代表性地从图18的候选像素xa至xe中取两个候选像素xa和xd进行描述。
像素缩减部件87a首先对冠状图像数据DCi检测候选像素xa和xd的位置。然后，它对于候选像素xa和xd的每个设置区域V和W，并且计算像素值的平均值M1和M2。
在对于候选像素xd设置了区域V和W的情况下(参见放大图(a))，区域V位于肺部侧上，以及区域W位于肝部侧上。因此，在候选像素xd的情况下，认为像素值的平均值M1和M2满足全部三个条件1至3。
但是，在对于候选像素xa设置了区域V和W的情况下(参见放大图(b))，由于不仅区域V而且区域W均位于肺部侧上，所以认为它们不满足条件3。
因此，能够通过指定满足三个条件1至3的候选像素，从所提取候选xa于xe中缩减其位于肺部与肝部之间的边界上的可能性高的像素。在这里，假定候选像素xb、xc和xd在候选像素xa至xd中满足了三个条件1至3。因此，将候选像素xb、xc和xd选择作为其位于肺部与肝部之间的边界上的可能性高的像素。
在上述描述中，描述从坐标值P=Pc的线条L上已经提取的候选像素xa至xe中缩减其位于肺部与肝部之间的边界上的可能性高的像素的方法。但是，在除了Pc之外的坐标值的线条上提取两个或更多候选像素的情况下，其位于肺部与肝部之间的边界上的可能性高的像素也能够通过相同方法来缩减。因此，能够从搜索区域Rs的所有候选像素中缩减其位于肺部与肝部之间的边界上的可能性高的像素。从搜索区域Rs中已经缩减的候选像素在图19中示意示出。图19中，缩减像素通过“o”来表示。在缩减了候选像素之后，进入步骤ST92。
在步骤ST92，识别部件87b(参见图1)从缩减候选像素中指定位于肺部与肝部之间的边界上的像素。例如，参照图19，在坐标值P=Pc的线条上缩减三个候选像素xb、xc和xd。但是，位于肺部与肝部之间的边界上的像素是候选像素xb、xc和xd中的候选像素xd，以及候选像素xb和xc没有位于肺部与肝部之间的边界上。因此，发现没有位于肺部与肝部之间的边界上的像素也作为候选像素来缩减。因此，需要识别哪一个像素在缩减候选像素xb、xc和xd中位于肺部与肝部之间的边界上。下面将描述这种识别方法。
图20是识别位于肺部与肝部的边界上的像素的方法的一个示例的图示。首先，设置以候选像素xb为中心的窗口W。窗口W的大小是n×m的像素大小(例如19×19的像素大小)。然后，像素xb是否位于肺部与肝部的边界上通过使用识别器来判定。下面将描述本实施例中使用的识别器。
图21是本实施例中使用的识别器的图示。识别器Ci(i=1至n)在对受检者进行成像之前预先准备。在本实施例中，识别器Ci使用AdaBoost(其是机器学习算法)来准备。具体来说，通过准备指导数据(例如跨实际人类的肺部和肝部的截面的图像数据)，并且通过AdaBoost使它学习指导数据，来准备适合于检测肺部与肝部之间的边界的识别器Ci。
识别器Ci判定窗口W的区域Ri中的像素值是否满足预定条件。具体来说，两个子区域ai和bi被认为处于区域Ri中，以及子区域ai中的像素值和子区域bi中的像素值是否满足下式(4)。然后，识别器Ci按照判定结果来输出一个输出值OUTi。在本实施例中，在它们满足公式(4)的情况下，输出一个输出值OUTi=1，以及在它们不满足公式(4)的情况下，输出一个输出值OUTi=0。VAi – VBi > THi …(4)在这里，VAi：子区域ai中的相应像素的平均值，VBi：子区域bi中的相应像素的平均值，THi：通过AdaBoost所得到的区域Ri的阈值。
例如，i=1的识别器C1将公式(4)中的i设置为i=1，并且判定子区域a1中的像素值和子区域b1中的像素值是否满足公式(4)。然后，识别器C1在它们满足公式(4)的情况下输出OUT1=1，以及在它们不满足公式(4)的情况下输出OUT1=0。
然后，i=2的识别器C2至Cn将公式(4)中的i设置为i=2至n，并且类似地判定它们是否满足公式(4)。然后，识别器C2至Cn在它们满足公式(4)的情况下输出OUTi=1，以及在它们不满足公式(4)的情况下输出OUTi=0。
随后，识别部件87b判定超过识别器C1至Cn的输出值OUT1至OUTn(“1”或“0”)的一半的输出值是否输出了“1”。在超过输出值OUT1至OUTn的一半的输出值是“1”的情况下，识别部件87b输出判定结果“真”，指示像素位于肺部与肝部之间的边界上。另一方面，在超过输出值OUT1至OUTn的一半的输出值不是“1”的情况下，识别部件87b输出判定结果“假”，指示像素没有位于肺部与肝部之间的边界上。虽然在图21中示出与像素xb有关的判定结果(“真”或“假”)，但是窗口W被设置，并且判定结果(“真”或“假”)也相对其他像素xc和xd使用识别器C1至Cn来得到。因此，像素是否位于肺部与肝部之间的边界上能够相对像素xb、xc和xd的每个来判定。在这里，假定当像素xb和xc的判定结果为“假”时，像素xd的判定结果为“真”。因此，能够判定像素xd位于肺部与肝部之间的边界上。
通过AdaBoost所准备的识别器C1至Cn在单独查看它们时是弱识别器。但是，高识别能力能够通过组合地使用识别器C1至Cn来得到。因此，位于肺部与肝部之间的边界上的像素的检测中的准确性能够通过使用上述识别器C1至Cn来改进。
在图20和图21中，描述从坐标值P=Pc的线条L上已经缩减的候选像素xb、xc和xd中识别位于肺部与肝部之间的边界上的像素xd的方法。但是，位于肺部与肝部之间的边界上的像素也能够通过相同方法从除了Pc之外的坐标值的线条L上已经缩减的候选像素中识别。因此，位于肺部与肝部之间的边界上的像素能够从搜索区域Rs的候选像素中指定。冠状面COj上的搜索区域Rs中已经指定的像素在图22中示意示出。图22中，所指定像素集合通过符号“Setj”来表示。顺便提到，由于没有位于肺部与肝部之间的边界上的像素N也存在于所指定像素中，所以需要从位于肺部与肝部之间的边界上的像素中排除像素N。作为从位于肺部与肝部之间的边界上的像素中排除像素N的方法，存在使用微分图像数据中的像素的微分值的方法。一般来说，存在没有位于肺部与肝部之间的边界上的像素的微分值的绝对值与位于肺部与肝部之间的边界上的像素的微分值的绝对值相比变小的趋势。因此，像素N是否位于肺部与肝部之间的边界上能够通过准备用于判定像素的微分值的绝对值是大还是小的阈值并且判定像素N的微分值的绝对值是否小于阈值来判定。
虽然在上述描述中描述了对冠状面COj来指定位于肺部与肝部之间的边界上的像素的情况，但是在位于肺部与肝部之间的边界上的像素要对其他冠状面来指定的情况下，它们也能够通过相同方法来指定。因此，位于肺部与肝部之间的边界上的像素能够对冠状面COi至COk的每个来指定。对相应冠状面COi至COk已经指定的像素集合Seti至Setk在图23中示意示出。在指定了位于肺部与肝部之间的边界上的像素之后，进入步骤ST10。
在步骤ST10，导航仪区域确定部件88(参见图1)确定导航仪区域的位置。下面将描述步骤ST10中的相应步骤ST101至ST104。
在步骤ST101，导航仪区域确定部件88对冠状面COi至COk(参见图24)从像素集合Seti至Setk(参见图23)中选择在确定导航仪区域的位置时要使用的像素集合。
图24是当选择要在从像素集合Seti至Setk中确定导航仪区域的位置时使用的像素集合的时候的图示。图24中，为了便于描述，仅代表性地示出像素集合Seti至Setk中的像素集合Seti、Setj和Setk。
在本实施例中，在像素集合Seti至Setk中，将位于最接近S侧的像素集合选择作为确定导航仪区域的位置时要使用的像素集合。参照图24，在像素集合Seti至Setk中，位于最接近S侧的像素集合是Setj。因此，导航仪区域确定部件88从像素集合Seti至Setk中选择冠状面COj上的像素集合Setj。在选择了像素集合Setj之后，进入步骤ST102。
在步骤ST102，导航仪区域确定部件88对所选像素集合Setj执行预处理(参见图25)。
图25是预处理的图示。肺部与肝部之间的边界连续延伸。因此，像素集合Setj必须如图25(a)所示理想地连续延伸。但是，在一些情况下，理想的像素集合Setj实际上无法得到。其示例在图25(b)中示出。图25(b)中，在坐标值P=Pt、Pu和Pv中存在像素间隙，以及将坐标值P=Pg中的两个像素xg1和xg2指定为位于肺部与肝部之间的边界上的像素。
因此，导航仪区域确定部件88执行用于使像素集合Setj连续延伸的过程。作为使像素集合Setj连续延伸的方法，例如能够使用动态规划。在动态规划中，首先通过将位于最接近R侧的像素x1设置为起始点并且将位于最接近L侧的像素xz设置为结束点，考虑连接起始点和结束点的多个路径。然后，像素的微分值的倒数的附加值按路径来计算，以及指定使附加值为最小的路径，并且所指定路径上的像素用作桥接间隙的像素。在执行动态规划的过程之前的像素集合Setj以及在已经运行动态规划的过程之后的像素集合Setj’在图26中示意示出。像素能够通过使用如上所述的动态规划来连接。在连接了像素之后，进入步骤ST103。
在步骤ST103，导航仪区域确定部件88对像素集合Setj’执行拟合过程(参见图27)。
图27是滤波过程的图示。图27(a)示出在拟合过程之前的像素集合Setj’，以及图27(b)示出在拟合过程之后的像素集合Setj”。
即使在像素集合Setj’中存在最初在肺部与肝部之间的边界上没有观察到的不自然曲线，它也能够通过执行拟合过程来修改。能够使用拟合、例如多项式拟合(例如二次拟合)。在运行了拟合过程之后，进入步骤ST104。
在步骤ST104，从拟合过程之后的像素集合Setj"中检测位于最接近S方向侧的像素(参见图28)。
图28是在检测位于最接近S方向侧的像素时的图示。图28中，位于最接近S方向侧的像素的坐标值Q为Q=q1。顺便提到，多个一作为坐标值q1的像素而存在。在这种情况下，从多个像素中选择像素的任一个。在本实施例中，从坐标值q1的像素中检测位于最接近R侧的像素xf。这样检测的像素xf的位置确定为导航仪区域Rnav的位置。导航仪区域Rnav的位置在图29中示意示出。沿像素xf的RL方向的坐标值P及其沿SI方向的坐标值Q为Q=q1。另外，由于像素xf包含在冠状面COj中，所以沿冠状面COj的AP方向的坐标值将是沿像素xf的AP方向的坐标值。因此，由于得到沿像素xf的三个方向(RL方向、SI方向和AP方向)的坐标值，所以导航仪区域Rnav能够设置在像素xf的位置。由于导航仪区域Rnav能够通过将位于最接近R侧的像素xa的位置设置为导航仪区域Rnav的位置来与心脏分离，所以能够降低心跳所引起的呼吸信号的降级。在确定了导航仪区域Rnav的位置之后，进入步骤ST11。
在步骤ST11，运行主要扫描。在主要扫描中，运行用于从导航仪区域Rnav来收集呼吸信号的导航仪序列以及用于收集包括肝部的部位的图像数据的成像序列。在主要扫描完成时，该流程终止。
在本实施例中，充当位于肺部与肝部之间的边界上的像素的候选的候选像素基于跨肺部和肝部的冠状面的图像数据(冠状图像数据)来提取。随后，从所提取候选像素中缩减其位于肺部与肝部之间的边界上的可能性高的候选像素。然后，通过使用通过AdaBoost已经准备的识别器C1至Cn从缩减候选像素中指定位于肺部与肝部之间的边界上的像素。由于高识别能力能够通过组合地使用识别器C1至Cn来得到，所以能够改进位于肺部与肝部之间的边界上的像素的检测准确性。另外，由于导航仪区域Rnav的位置基于对相应冠状面COi至COk所指定的像素集合Seti至Setk来确定，所以导航仪区域能够设置在肺部与肝部之间的边界上，以及有利呼吸信号的获取成为可能。此外，由于操作员无需找出导航仪区域的位置，所以对操作员的工作负荷也能够降低。
在本实施例中，使用在其位于肺部与肝部之间的边界上的可能性高的像素要从候选像素中缩减的情况下，区域V中的像素的像素值的平均值M1和区域W中的像素的像素值的平均值M2(参见图17和图18)。但是，如果能够缩减位于肺部与肝部之间的边界上的像素，则可使用与像素值的平均值不同的特性量。例如，可使用区域V中的像素的像素值的中心值(中值)和区域W中的像素的像素值的中心值(中值)。
在本实施例中，从候选像素中缩减其位于肺部与肝部之间的边界上的可能性高的候选像素，并且将识别器应用于缩减候选像素，由此指定位于肺部与肝部之间的边界上的像素。但是，位于肺部与肝部之间的边界上的像素可通过将识别器应用于所有候选像素来指定，而无需执行缩减候选像素的过程。
虽然在本实施例中描述将导航仪设置在肺部与肝部之间的边界上的示例，但是本发明并不局限于将导航仪区域设置在肺部与肝部之间的边界上的情况，而是也能够适用于将导航仪区域设置在另一个边界上的情况。
虽然在本实施例中，在定位器扫描LS中获取n个冠状面CO1至COn的图像数据，但是可以仅获取跨肝部和肺部的一个冠状面的图像数据。但是，为了将导航仪区域Rnav定位在更适宜位置，期望在定位器扫描LS中获取多个冠状面的图像数据。
在本实施例中，识别器Ci通过使用公式(4)来判定像素是否位于肺部与肝部之间的边界上。但是，像素是否位于肺部与肝部之间的边界上可通过使用除了公式(4)之外的公式来判定。
在本实施例中，在定位器扫描LS中获取m个轴向面AX1至AXm的图像数据。但是，可以仅获取跨肝部的一个轴向面的图像数据，以得到沿肝脏的AP方向的区域To(参见图7)以及沿肝脏的上端所在的可能性高的RL方向的范围WRL(参见图8)。
虽然在本实施例中，导航仪区域Rnav的位置基于冠状图像数据来确定，但是导航仪区域Rnav的位置可基于除了冠状面之外的面(例如与冠状面倾斜相交的倾斜面)的图像数据来确定。
虽然在本实施例中，在步骤ST2去除了脂肪之后进入步骤ST3，但是可在无需在步骤ST2执行脂肪去除的情况下进入步骤ST3。
(2)第二实施例。下面将参照图4所示流程来描述第二实施例。顺便提到，第二实施例的MR装置的硬件配置与第一实施例相同。
由于步骤ST1至步骤ST8和步骤ST91与第一实施例中相同，所以省略其描述。在步骤ST91缩减候选像素之后，进入步骤ST92。
在步骤ST92，从缩减候选像素中指定位于肺部和肝部之间的边界上的像素。下面将描述指定方法。
首先，如图20所示，设置以候选像素xb为中心的窗口W。窗口W的大小是n×m的像素大小(例如19×19的像素大小)。在设置窗口W方面与第一实施例相同。在设置了窗口W之后，判定像素xb是否位于肺部与肝部之间的边界上(参见图30)。
图30是第二实施例中判定像素xb是否位于肺部与肝部之间的边界上的方法的图示。识别部件87b(参见图1)使用识别器C来判定像素xb是否位于肺部与肝部之间的边界上。识别器C使用公式y，以便判定像素xb是否位于肺部与肝部之间的边界上。公式y包括窗口W中作为变量的相应像素的像素值x11至xmm。另外，公式y还包括因子F1至Fz。因子F1至Fz使用作为机器学习算法的支持向量机(Support Vector Machine)预先确定。因子F1至Fz能够例如在下列过程中确定。
首先，准备指导数据。指导数据是例如跨实际人类的肺部和肝部的截面的图像数据。然后，得到用于将指导数据分离为两种数据(关于位于肺部与肝部之间的边界上的像素的数据以及关于没有位于肺部与肝部之间的边界上的像素的数据)的超平面。在那时，得到因子F1至Fz的值，使得超平面具有最小余量。
识别器C使用包括这样得到的因子F1至Fz的公式y来判定像素xb是否位于肺部与肝部之间的边界上。具体来说，识别器C将窗口W中的相应像素的像素值x11至xmm代入公式y中。虽然在像素xb位于肺部与肝部之间的边界上的情况下，y=1，但是在像素xb没有位于肺部与肝部之间的边界上的情况下，y=0。因此，像素xb是否位于肺部与肝部之间的边界上能够从y的值来判定。图30中，进行关于像素xb的描述。但是，又相对其他像素xc和xd，能够通过设置以像素xc和xd为中心的窗口W并且将窗口W中的像素的像素值代入公式y，来判定它们是否位于肺部与肝部之间的边界上。在这里，虽然对于像素xb和xc，y=0，但是对于像素xd，y=1。因此，能够判定像素xd位于肺部与肝部之间的边界上。
位于肺部与肝部之间的边界上的像素能够从搜索区域Rs的候选像素中按照上述方式来指定。在指定了位于肺部与肝部之间的边界上的像素之后，进入步骤ST10和步骤ST11，并且该流程终止。
在第二实施例中，公式y中的因子F1至Fz通过支持向量机来得到。由于因子F1至Fz确定成使得超平面具有最大余量，所以能够改进位于肺部与肝部之间的边界上的像素的检测准确性。
顺便提到，在第一实施例中，AdaBoost用作机器学习算法，而在第二实施例中，支持向量机用作机器学习算法。但是，机器学习算法并不局限于这些，而是例如可使用神经网络。
可配置本发明的许多极为不同的实施例，而没有背离本发明的精神和范围。应当理解，本发明并不局限于本说明书中的具体实施例，而是由所附权利要求书来限定。
工业适用性
本发明适用于通过使用识别器从多个候选像素中指定位于边界上的像素的设备，并且该设备能够改进边界的位置的检测准确性。

Claims (20)

1. 一种用于检测受检者的第一部位与第二部位之间的边界的位置的检测设备，所述检测设备包括：
像素提取单元，用于基于跨所述第一部位和所述第二部位的第一截面的图像数据来提取充当位于所述边界上的像素的候选的多个候选像素；以及
像素指定单元，用于通过使用采用机器学习算法已经准备的识别器从所述多个候选像素中指定位于所述边界上的所述像素。
2. 如权利要求1所述的检测设备，其中，所述识别器通过使它通过AdaBoost学习指导数据来准备。
3. 如权利要求1所述的检测设备，其中，所述识别器通过使它通过支持向量机学习指导数据来准备。
4. 如权利要求1所述的检测设备，其中，所述像素指定单元从所述多个候选像素中缩减其位于所述边界上的可能性高的候选像素，并且通过使用所述识别器来从所述缩减的候选像素中指定位于所述边界上的所述像素。
5. 如权利要求1所述的检测设备，还包括：
导航仪区域确定单元，用于基于所述指定的像素来确定所述导航仪区域的位置。
6. 如权利要求5所述的检测设备，
其中，所述像素提取单元基于跨所述第一部位和所述第二部位的多个第一截面的图像数据按每个所述第一截面来提取所述多个候选像素，
所述像素指定单元按每个所述第一截面来指定位于所述边界上的像素集合，以及
所述导航仪区域确定单元从按每个所述第一截面所指定的所述像素集合中选择要用于确定所述导航仪区域的位置的像素集合，并且基于所述选择的像素集合来确定所述导航仪区域的位置。
7. 如权利要求6所述的检测设备，
其中，所述导航仪区域确定单元判定所述选择的像素集合中是否存在像素间隙，当存在所述像素间隙时，桥接所述像素间隙，并且基于桥接了所述像素间隙之后的所述像素集合来确定所述导航仪区域的位置。
8. 如权利要求7所述的检测设备，
其中，所述导航仪区域确定单元对桥接了所述像素间隙之后的所述像素集合执行拟合过程，并且基于拟合处理之后的所述像素集合来确定所述导航仪区域的位置。
9. 如权利要求8所述的检测设备，
其中，所述导航仪区域确定单元将拟合处理之后的所述像素集合中位于最上位置的像素确定为所述导航仪区域的位置。
10. 如权利要求1所述的检测设备，
其中，所述第一截面的图像数据是微分图像数据。
11. 如权利要求10所述的检测设备，
其中，所述像素提取单元使用所述微分图像数据来得到跨所述边界的线条上的像素的微分值的剖面，并且基于所述剖面来提取所述候选像素。
12. 如权利要求11所述的检测设备，
其中，所述像素指定单元在线条上已经提取两个或更多候选像素的情况下，基于位于所述线条上的各候选像素周围的像素的像素值从所述两个或更多候选像素中缩减其位于所述边界上的可能性高的像素。
13. 如权利要求12所述的检测设备，
其中所述像素指定单元设置所述候选像素的第一区域和第二区域，并且基于所述第一区域中包含的像素的像素值以及所述第二区域中包含的像素的像素值来缩减其位于所述边界上的可能性高的像素。
14. 如权利要求1所述的检测设备，其中，所述像素提取单元得到包括所述边界的搜索区域，并且从所述搜索区域中提取所述候选像素。
15. 如权利要求14所述的检测设备，其中，在得到搜索区域的情况下，使用与所述第一截面相交的第二截面的图像数据。
16. 如权利要求15所述的检测设备，其中，所述第一截面是冠状面，而所述第二截面是轴向面。
17. 如权利要求1所述的检测设备，其中，所述图像数据是去除了脂肪的图像数据。
18. 如权利要求1所述的检测设备，其中，所述第一部位是肺部，以及所述第二部位是肝部。
19. 一种用于检测受检者的第一部位与第二部位之间的边界的位置的磁共振设备，所述磁共振设备包括：
像素提取单元，用于基于跨所述第一部位和所述第二部位的第一截面的图像数据来提取充当位于所述边界上的像素的候选的多个候选像素；以及
像素指定单元，用于通过使用采用机器学习算法已经准备的识别器从所述多个候选像素中指定位于所述边界上的所述像素。
20. 一种检测受检者的第一部位与第二部位之间的边界的位置的检测方法，所述检测方法包括：
像素提取步骤，基于跨所述第一部位和所述第二部位的第一截面的图像数据来提取充当位于所述边界上的像素的候选的多个候选像素；以及
像素指定步骤，通过使用采用机器学习算法已经准备的识别器从所述多个候选像素中指定位于所述边界上的所述像素。
CN201380071896.6A 2012-11-30 2013-11-04 第一部位与第二部位之间的边界的基于图像的检测 Active CN104937434B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2012-262965 2012-11-30
JP2012262965A JP5977158B2 (ja) 2012-11-30 2012-11-30 検出装置、磁気共鳴装置、検出方法、およびプログラム
PCT/US2013/068244 WO2014085027A1 (en) 2012-11-30 2013-11-04 Image-based detection of the boundary between a first part and a second part

Publications (2)

Publication Number Publication Date
CN104937434A true CN104937434A (zh) 2015-09-23
CN104937434B CN104937434B (zh) 2018-03-27

Family

ID=49585631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380071896.6A Active CN104937434B (zh) 2012-11-30 2013-11-04 第一部位与第二部位之间的边界的基于图像的检测

Country Status (4)

Country Link
US (1) US9582729B2 (zh)
JP (1) JP5977158B2 (zh)
CN (1) CN104937434B (zh)
WO (1) WO2014085027A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109069058A (zh) * 2016-04-21 2018-12-21 通用电气公司 血管检测装置、磁共振成像装置以及程序

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10706359B2 (en) * 2012-11-30 2020-07-07 Servicenow, Inc. Method and system for generating predictive models for scoring and prioritizing leads
JP5755285B2 (ja) * 2013-05-31 2015-07-29 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴装置およびプログラム
JP6224560B2 (ja) * 2014-09-12 2017-11-01 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴装置およびプログラム
JP6309417B2 (ja) * 2014-09-30 2018-04-11 富士フイルム株式会社 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
JP6554718B2 (ja) * 2014-10-31 2019-08-07 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー データ処理装置、磁気共鳴装置、およびプログラム
JP6998218B2 (ja) * 2015-07-15 2022-01-18 コーニンクレッカ フィリップス エヌ ヴェ 動き検出を用いるｍｒ撮像
JP6742758B2 (ja) * 2016-02-29 2020-08-19 ゼネラル・エレクトリック・カンパニイ 磁気共鳴装置およびプログラム
US20190219655A1 (en) 2016-09-13 2019-07-18 Institut National De La Sante Et De La Recherche Medicale (Inserm) Method for post-processing images for compensating respiratory movements
US10521907B2 (en) * 2018-03-21 2019-12-31 Shimadzu Corporation Image processing apparatus, program, and radiation image capturing apparatus
EP3657393A1 (en) * 2018-11-20 2020-05-27 Koninklijke Philips N.V. Determination of a further processing location in magnetic resonance imaging
CN110031786B (zh) * 2019-05-14 2022-01-11 上海联影医疗科技股份有限公司 磁共振图像重建方法、磁共振成像方法、设备及介质
JP7462925B2 (ja) * 2020-02-28 2024-04-08 国立大学法人東北大学 血流場推定装置、学習装置、血流場推定方法及びプログラム
JP7668115B2 (ja) * 2021-01-15 2025-04-24 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置およびプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1116078A (zh) * 1994-08-04 1996-02-07 深圳安科高技术有限公司 一种磁共振成像图象重构的技术
WO2007037848A2 (en) * 2005-09-28 2007-04-05 Siemens Medical Solutions Usa, Inc. Systems and methods for computer aided diagnosis and decision support in whole-body imaging
CN101493507A (zh) * 2006-01-11 2009-07-29 株式会社东芝 磁共振成像装置和磁共振成像方法
US20110116698A1 (en) * 2009-11-18 2011-05-19 Siemens Corporation Method and System for Segmentation of the Prostate in 3D Magnetic Resonance Images

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3046326B2 (ja) * 1990-06-15 2000-05-29 株式会社東芝 画像処理装置及び画像処理方法
JP2903995B2 (ja) * 1994-03-08 1999-06-14 株式会社島津製作所 臓器輪郭の自動抽出方法
AU2002348241A1 (en) * 2001-11-24 2003-06-10 Image Analysis, Inc. Automatic detection and quantification of coronary and aortic calcium
JP3967210B2 (ja) * 2002-06-27 2007-08-29 株式会社日立メディコ 磁気共鳴イメージング装置
JP2004052873A (ja) 2002-07-18 2004-02-19 Honda Motor Co Ltd 液圧式オートテンショナ
US7894647B2 (en) * 2004-06-21 2011-02-22 Siemens Medical Solutions Usa, Inc. System and method for 3D contour tracking of anatomical structures
JP2007249115A (ja) 2006-03-20 2007-09-27 Ricoh Co Ltd 現像装置、プロセスカートリッジ及び画像形成装置
JP4999163B2 (ja) * 2006-04-17 2012-08-15 富士フイルム株式会社 画像処理方法および装置ならびにプログラム
WO2008144751A1 (en) * 2007-05-21 2008-11-27 Cornell University Method for segmenting objects in images
JP5177367B2 (ja) * 2007-08-28 2013-04-03 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴イメージング装置及びナビゲータデータ解析方法
EP2347274B1 (en) * 2008-11-05 2019-08-07 Koninklijke Philips N.V. Automated sequential planning of mr scans
JP5461255B2 (ja) 2010-03-17 2014-04-02 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴イメージング装置
JP5011426B2 (ja) * 2010-08-11 2012-08-29 富士フイルム株式会社 画像診断支援装置、方法及びプログラム
JP5345610B2 (ja) 2010-12-28 2013-11-20 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴イメージング装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1116078A (zh) * 1994-08-04 1996-02-07 深圳安科高技术有限公司 一种磁共振成像图象重构的技术
WO2007037848A2 (en) * 2005-09-28 2007-04-05 Siemens Medical Solutions Usa, Inc. Systems and methods for computer aided diagnosis and decision support in whole-body imaging
CN101493507A (zh) * 2006-01-11 2009-07-29 株式会社东芝 磁共振成像装置和磁共振成像方法
US20110116698A1 (en) * 2009-11-18 2011-05-19 Siemens Corporation Method and System for Segmentation of the Prostate in 3D Magnetic Resonance Images

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
STEPHANIE POWELL 等: "Automated Image Segmentation Using Support Vector Machines", 《PROCEEDINGS OF SPIE,MEDICAL IMAGING 2007:IMAGE PROCESSING》 *
TAKAO GOTO等: "Automated Navigator Tracker positioning for MRI liver scans", 《PROCEEDINGS OF THE INTERNATIONAL SOCIETY FOR MAGNETIC RESONANCE IN MEDICINE，20TH ANNUAL MEETING PROCEEDINGS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109069058A (zh) * 2016-04-21 2018-12-21 通用电气公司 血管检测装置、磁共振成像装置以及程序
CN109069058B (zh) * 2016-04-21 2022-10-28 通用电气公司 血管检测装置、磁共振成像装置以及非瞬态存储介质

Also Published As

Publication number Publication date
US9582729B2 (en) 2017-02-28
US20150310299A1 (en) 2015-10-29
JP2014108164A (ja) 2014-06-12
WO2014085027A1 (en) 2014-06-05
CN104937434B (zh) 2018-03-27
JP5977158B2 (ja) 2016-08-24

Similar Documents

Publication Publication Date Title
CN104937434B (zh) 第一部位与第二部位之间的边界的基于图像的检测
CN102458225B (zh) 图像处理设备及其控制方法
KR102294193B1 (ko) 프로브 속도에 기초한 컴퓨터 보조 진단 지원 장치 및 방법
CN101116103A (zh) 从三维医学图像中自动提取肺动脉树的方法
US11751823B2 (en) Image processing apparatus, image processing method, and program
GB2545641A (en) A method for detecting motion in a series of image data frames, and providing a corresponding warning to a user
CN110782434B (zh) 一种脑结核mri图像病灶智能标记定位装置
JP2005334298A (ja) 異常陰影検出方法および装置並びにプログラム
CN109426769A (zh) 人脸辅助的虹膜识别方法及虹膜识别系统
JP5922465B2 (ja) 磁気共鳴装置、ナビゲータ領域設定方法、およびプログラム
JP2011250811A (ja) 医用画像処理装置及びプログラム
Sridar et al. Automatic measurement of thalamic diameter in 2-D fetal ultrasound brain images using shape prior constrained regularized level sets
Liu et al. Accurate and robust extraction of brain regions using a deformable model based on radial basis functions
WO2006028416A1 (en) A method and apparatus for determining asymmetry in an image
JP3668629B2 (ja) 画像診断装置及び画像処理方法
US10307124B2 (en) Image display device, method, and program for determining common regions in images
US20080112605A1 (en) Methods and Apparatus for Automatic Body Part Identification and Localization
Zheng et al. Fast and automatic heart isolation in 3D CT volumes: Optimal shape initialization
JP2017097836A (ja) 画像処理装置、画像処理方法および超音波診断装置
Park et al. Medical image segmentation using level set method with a new hybrid speed function based on boundary and region segmentation
CN105225234A (zh) 基于支持向量机mri图像分割的肺部肿瘤识别方法
US10416262B2 (en) Apparatus and method for detecting position of a part in magnetic resonance imaging
CN112070801A (zh) 一种基于图像的运动检测方法
Suinesiaputra et al. Detecting regional abnormal cardiac contraction in short-axis MR images using independent component analysis
JP6797623B2 (ja) 画像処理装置および画像処理方法

Legal Events

Date Code Title Description
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant