CN1830005A - 毛玻璃状结节(ggn)分割的系统和方法 - Google Patents

Abstract

提供一种用于毛玻璃状结节(GGN)分割的系统和方法。该方法包括：在医学图像中选择一点(320)，其中该点位于GGN内；在该点周围定义感兴趣体积(VOI)(330)，其中VOI包括GGN；从VOI中除去胸壁(340)；获得马尔可夫随机场的初始状态(350)；以及分割VOI，其中采用马尔可夫随机场来分割VOI(360)。

Description

毛玻璃状结节(GGN)分割的系统和方法

相关申请的相互参考

本申请要求于2003年7月31日提交的美国临时申请No.60/491,650的利益，该申请的副本在此引入作为参考。

发明背景

1.技术领域

本发明涉及结节分割，并且更具体地涉及采用马尔可夫随机场在肺部计算机断层摄影(CT)体积中进行毛玻璃状结节(GGN)分割。

2.相关技术的讨论

毛玻璃状结节(GGN)是例如与底层脉管暗淡不相关的模糊肺部阴影的射线摄影外观。GGN以两种形式出现，即如图1中所示的“纯的”和“混合的”这两种形式。纯GGN不由任何固体成份组成，而混合GGN由一些固体成份组成。

GGN在高分辨率计算机断层摄影(HRCT)图像中比平的射线摄影中显示得更清晰。在HRCT图像中，GGN还不同于固态结节地显现，因为固态结节具有较高的对比度和清晰的边界。此外，GGN在HRCT图像中的外观是极有意义的发现，因为它们经常指示活性的和潜在可治疗的过程的存在，诸如细支气管肺泡癌或扩散性腺癌的存在。

因为GGN通常与活性肺病相关，所以GGN的存在常常导致进一步诊断评价，该诊断评价包括例如肺活检。因此，基于计算机的分割可有助于医学专家进行某些类型肺病的诊断和治疗。因此，需要一种基于计算机的分割的系统和方法，其可用于准确地和一致地分割GGN以进行快速诊断。

发明概要

本发明通过提供一种用于毛玻璃状结节(GGN)分割的系统和方法来克服在已知教导中遇到的上述和其它问题。

在本发明的一个实施例中，一种用于毛玻璃状结节(GGN)分割的方法包括：在医学图像中选择一点，其中该点位于GGN内；在该点周围定义感兴趣体积(VOI)，其中VOI包括GGN；从VOI中除去胸壁；获取马尔可夫随机场的初始状态；以及分割VOI，其中采用马尔可夫随机场来分割VOI。该方法还包括获得医学图像，其中采用计算机断层摄影(CT)成像技术来获得该医学图像。

该方法还包括：采用计算机辅助的GGN检测技术来检测GGN；以及手动检测GGN。自动或手动地选择该点。GGN为纯GGN和混合GGN中的一种。该方法还包括定义VOI的形状和大小之一。通过执行区域生长来除去胸壁。通过在除去胸壁后在VOI上执行区域生长来获得马尔可夫随机场的初始状态。

采用马尔可夫随机场来分割VOI的步骤包括：定义VOI的后验概率；以及采用后验概率的最大值来标注VOI中的每个像素，其中VOI中的每个像素被标注为GGN和背景之一。所定义的后验概率由P(L|F)∝P(F|L)P(L)来计算。标注每个像素的步骤由 $l_{\stackrel{\‾}{x}}\left(i\right)=\underset{l\∈\{g,b\}}{\arg \min }\{U(g,i-1)+\frac{1}{{2\mathrm{\σ}}^2}[f\stackrel{\_}{\left(x\right)}-{\mathrm{\μ}}_g],U(b,i-1)+\frac{1}{{2\mathrm{\σ}}^2}[f\stackrel{\_}{\left(x\right)}-{\mathrm{\μ}}_b\left]\right\}$ 来计算，其中标注包括扫描VOI，直到达到收敛。

该方法还包括：在已采用马尔可夫随机场对VOI进行分割之后，执行形状分析，以除去附着于GGN上或其附近的血管；以及显示采用马尔可夫随机场进行分割的VOI。

在本发明的另一实施例中，一种用于GGN分割的系统包括：用于存储程序的存储设备；与存储设备进行通信的处理器，该处理器用程序实施来：采用与肺部的医学图像相关的数据定义GGN周围的感兴趣体积(VOI)；从VOI中除去胸壁；获取马尔可夫随机场的初始状态；以及分割VOI，其中采用马尔可夫随机场来分割VOI。该处理器还用程序代码实施来获得医学图像，其中采用CT成像技术来获得该医学图像。

通过执行区域生长来除去胸壁。通过除去胸壁之后在VOI上执行区域生长来获取马尔可夫随机场的初始状态。

当采用马尔可夫随机场来分割VOI时，该处理器还用程序代码实施来：定义VOI的后验概率；以及采用后验概率的最大值来标注VOI中的每个像素，其中VOI中的每个像素被标注为GGN和背景之一。所定义的后验概率由P(L|F)∝P(F|L)P(L)来计算。标注每个像素的步骤由 $l_{\stackrel{\‾}{x}}\left(i\right)=\underset{l\∈\{g,b\}}{\arg \min }\{U(g,i-1)+\frac{1}{{2\mathrm{\σ}}^2}[f\stackrel{\_}{\left(x\right)}-{\mathrm{\μ}}_g],U(b,i-1)+\frac{1}{{2\mathrm{\σ}}^2}[f\stackrel{\_}{\left(x\right)}-{\mathrm{\μ}}_b\left]\right\}$ 来计算。

该处理器还用程序代码实施来：在采用马尔可夫随机场进行分割的VOI内执行形状分析，以除去附着于GGN的血管；以及显示采用马尔可夫随机场进行分割的VOI，其中GGN是可见的。

在本发明的又一实施例中，一种计算机程序产品包括具有其上记录有用于GGN分割的计算机程序逻辑的计算机可用介质，该计算机程序逻辑包括：用于在医学图像中选择一点的程序代码，其中该点位于GGN内或其附近；用于在该点周围定义VOI的程序代码，其中VOI包括GGN；用于从VOI中除去胸壁的程序代码；用于获取马尔可夫随机场的初始状态的程序代码；以及用于分割VOI的程序代码，其中采用马尔可夫随机场来分割VOI。

在本发明的另一实施例中，一种用于GGN分割的系统包括：用于在医学图像中选择一点的装置，其中该点位于GGN内；用于在该点周围定义VOI的装置，其中VOI包括GGN；用于从VOI中除去胸壁的装置；用于获得马尔可夫随机场的初始状态的装置；以及用于分割VOI的装置，其中采用马尔可夫随机场来分割VOI。

在本发明的又一实施例中，一种采用马尔可夫随机场在肺部CT体积内进行GGN分割的方法包括：从与肺部CT体积相关的数据中选择GGN；在GGN周围定义VOI；通过在VOI上执行区域生长来从VOI中除去胸壁；通过在除去胸壁之后分割VOI来获得迭代条件模式(ICM)过程的初始状态；以及采用马尔可夫随机场来分割VOI，其中该分割包括：定义VOI的后验概率；以及执行ICM过程，其中ICM过程包括采用后验概率的最大值来标注VOI中的每个像素，其中VOI中的每个像素被标注为GGN和背景之一，直到VOI中的每个像素都被标注。

所定义的后验概率由P(L|F)∝P(F|L)P(L)来计算。在ICM过程期间标注每个像素的步骤由 $l_{\stackrel{\‾}{x}}\left(i\right)=\underset{l\∈\{g,b\}}{\arg \min }\{U(g,i-1)+\frac{1}{{2\mathrm{\σ}}^2}[f\stackrel{\_}{\left(x\right)}-{\mathrm{\μ}}_g],U(b,i-1)+\frac{1}{{2\mathrm{\σ}}^2}[f\stackrel{\_}{\left(x\right)}-{\mathrm{\μ}}_b\left]\right\}$ 来计算，其中ICM过程从初始状态开始。

上述特征代表实施例，并被呈现来帮助理解本发明。应当理解，这些特征不打算被认为是对由权利要求所限定的本发明的限制，或者是对权利要求的等同物的限制。因此，特征的这个概要不应该在确定等同物时被认为是决定性的。本发明的附加的特征将在下面的描述中、从附图以及从权利要求中变得明显。

附图简述

图1示出“纯”毛玻璃状结节(GGN)和“混合”GGN；

图2是根据本发明的示范性实施例的、用于GGN分割的系统的框图；

图3是示出根据本发明的示范性实施例的、用于GGN分割的方法的流程图；

图4示出根据本发明的示范性实施例的、在区域生长期间采用的连通类型；

图5示出根据本发明的示范性实施例的、在区域生长期间采用的一系列团(clique)；

图6示出根据本发明的示范性实施例的、由迭代条件模式(ICM)采用的光栅扫描的次序；以及

图7示出根据本发明的示范性实施例的、在执行GGN分割之前和在执行GGN分割之后的几个GGN。

示范性实施例的详细描述

图2是根据本发明的示范性实施例的、用于毛玻璃状结节(GGN)分割的系统的框图。如图2中所示，该系统尤其包括扫描设备205、个人计算机(PC)210和操作者控制台和/或连接在例如以太网网络220上的虚拟导航终端215。扫描设备205为高分辨率计算机断层摄影(HRCT)成像设备。

可以是便携式或膝上型计算机、个人数字助理(PDA)等的PC 210包括中央处理单元(CPU)225和存储器230，这些装置被连接到输入255和输出260。PC 210被连接到感兴趣体积(VOI)选择器245和包括一个或多个毛玻璃状结节(GGN)分割方法的分割设备250上。PC 210还可被连接到和/或包括诊断模块，该诊断模块被用来执行医学图像数据的自动诊断或评价功能。此外，PC 210还可被耦合到肺容量检查设备上。

存储器230包括随机存取存储器(RAM)235和只读存储器(ROM)240。存储器230还可包括数据库、磁盘驱动器、磁带驱动器等或这些设备的组合。RAM 235用作数据存储器，其存储在执行CPU225中的程序期间所采用的数据，以及被用作工作区。ROM 240用作程序存储器，用于存储在CPU 225中所执行的程序。输入255由键盘、鼠标等组成，而输出260由液晶显示器(LCD)、阴极射线管(CRT)显示器、打印机等组成。

系统的操作由操作者控制台215来控制，该操作者控制台215包括控制器270(例如键盘)和显示器265(例如CRT显示器)。操作者控制台215与PC 210和扫描设备205通信，从而由扫描设备205收集的2D图像数据可由PC 210绘成3D数据并可在显示器265上观察。应当理解，在没有操作者控制台215的情况下，采用例如输入255和输出260设备来执行由控制器270和显示器265所执行的某些任务，PC 210可被配置来操作和显示由扫描设备205所提供的信息。

操作者控制台215还包括任何合适的图像绘制(rendering)系统/工具/应用程序，其可处理所获得的图像数据集(或其一部分)的数字图像数据，以生成和在显示器265上显示2D和/或3D图像。更具体地，图像绘制系统可以是提供医学图像数据的2D/3D绘制和可视化的应用程序，并且其在通用或专用计算机工作站上执行。此外，图像绘制系统使用户能够在3D图像或多个2D图像切片中导航。PC 210还可包括用于处理所获得的图像数据集的数字图像数据的图像绘制系统/工具/应用程序，以生成和显示2D和/或3D图像。

如图2中所示，PC 210还采用分割设备250来接收和处理数字医学图像数据，该数字医学图像数据如上所述可以采取的形式是原始图像数据、2D重建数据(例如轴向切片)或3D重建数据(诸如体积图像数据或多平面重组)，或者是这些格式的任意组合。数据处理结果可通过网络220从PC 210输出到操作者控制台215中的图像绘制系统，用于生成根据数据处理结果(诸如器官或解剖结构的分割、颜色或强度变化等)的图像数据的2D和/或3D绘制。

应当理解，根据本发明的用于GGN分割的系统和方法可以被实施为用于处理医学图像数据的传统分割方法的扩展或替代。此外，应当意识到，在此描述的示范性系统和方法可易于利用3D医学图像和计算机辅助诊断(CAD)系统或应用程序来实施，所述系统或应用程序适于宽范围的成像模式(例如CT、MRI等)，并适于诊断和评价各种异常肺部结构或损伤，诸如肺结节、肿瘤、狭窄、发炎区域等。在这方面，虽然示范性实施例在此可参考特定成像模式或特定解剖学特征进行描述，但不应将这些解释为对本发明范围的限制。

还应当理解，本发明可以各种形式的硬件、软件、固件、专用处理器或其组合来实施。在一个实施例中，本发明可以作为有形地体现在程序存储设备(例如磁性软盘、RAM、CD ROM、DVD、ROM和闪存)上的应用程序的软件来实施。该应用程序可被下载到包括任何合适结构的机器并由其执行。

图3是示出根据本发明的示范性实施例的、用于GGN分割的方法的操作的流程图。如图3中所示，从肺或一对肺中获取3D数据(步骤31O)。这是通过采用扫描设备205(例如HRCT扫描仪)来扫描肺从而生成一系列与该肺相关的2D图像而完成的。肺的2D图像然后可被转变或变换成3D绘制图像，例如如图7中的(a)列所示。

在从肺中获得3D数据后，选择GGN(步骤320)。这是例如由医学专家(诸如放射科医师)手动从数据中选择GGN或者通过采用计算机辅助的GGN检测和/或特征技术来完成的。作为替换，在步骤320中，可在GGN中或其附近选择一点。该过程也可由放射科医师检查与该肺或该对肺相关的数据来手动执行，或者由被编程来识别医学图像数据中的GGN中的点的计算机来自动执行。

在选择GGN之后，采用VOI选择器245来定义VOI(步骤330)。在该步骤中，VOI的尺寸和/或形状被自动定义成包括GGN。实例VOI由图7的(a)列中位于GGN周围的方框内的区域来指示。图7的(b)列中示出VOI的放大视图。接下来，执行VOI的预处理。具体地，从VOI中除去胸壁(步骤340)。因此，例如属于胸壁的VOI的部分从VOI中被排除。这是通过执行区域生长以除去属于胸壁的VOI中的区域来完成的。因此，消除了胸壁对进一步处理技术的潜在影响，诸如对MRF分割(如下所讨论)的影响。

接下来，对(具有已除去的胸壁的)VOI进行分割(步骤350)。这采用例如区域生长来执行，其中该区域生长的种子点为VOI中的一点，该点在GGN中或在其附近。可在区域生长期间采用的连通类型的实例如图4中所示。例如，当像素和切片间隔(分别为X_res和Z_res)满足如下面公式1中所示的10-连通的条件时(其中d为预定的距离常数)，执行10-连通区域生长，如图4中所示。类似地，当预定距离常数d满足公式1中所示的18-连通的条件时，执行18-连通区域生长，如图4中所示。

应当理解，在步骤350中可采用各种附加的分割技术，诸如基于直方图分析的取阈值、高斯平滑、边缘检测和模板匹配。还应当理解，执行步骤350来获得将在下面讨论的步骤360中执行的迭代条件模式(ICM)过程的初始分割状态。

在步骤350中分割VOI之后，采用马尔可夫随机场(MRF)对VOI进行再次分割(步骤360)。例如，通过引入关于待估计的特征的一般知识来利用MRF合并和组织空间和时间信息，该MRF规定了相似和不同特征之间的非线性相互作用。例如，通过在步骤360应用MRF，MRF通过应用来自VOI中的相邻体素的空间约束而给出先验概率。然后可通过考虑相邻体素的强度和空间约束，对VOI中的每个体素指定标记。因此，GGN可被给予一种标记类型，而非GGN或背景信息(例如肺实质、血管、胸壁部分等)被给予另一种标记类型。从而允许采用MRF来分割的VOI被显示离散地说明例如如图7的列(c)中所示的GGN和背景，其中由图像中央的锯齿状边缘指示的区域说明GGN，而外部区域为背景。

步骤360的MRF分割过程如下被得出和执行。首先，令Ω_R³表示VOI，然后将VOI的强度考虑为随机场F( x)，其中 x∈Ω。接下来，令l表示体素 x的分割标记，且l∈L＝{GGN，背景}。然后采用如下面公式2中所示的贝叶斯定理，从条件强度概率P(F|L)和先验概率P(L)中获得用于标注GGN和背景信息的后验概率P(L/F)。

P(L|F)∝P(F|L)P(L)                   [2]

因此，由后验的最大值(MAP)给出MRF分割的统计学最佳标注。

上面示出的条件概率P(F/L)GGN和背景强度分布中获得，这些分布由如下面公式3中所示的高斯分布来模拟，

$P(F=f|L=1)=\frac{1}{\sqrt{2\mathrm{\π\σ}}}\exp [-\frac{1}{{2\mathrm{\σ}}^2}{(f-{\mathrm{\μ}}_l)}^2]---\left[3\right]$

其中μ_l是GGN或背景强度的平均值。假设分割标记L为MRF，则先验概率P(L)由如下面公式4中所示的吉布斯分布给出，

P(L＝l)∝exp[-U(l)]，                    [4]

其中能量函数 $U\left(l\right)=\underset{c\∈C}{\mathrm{\Σ}}{V}_c\left(l\right)$ 是在由26-连通的3D邻域定义的所有一像素和二像素团的集合C上的总和，其用于定义团(图5所示)，此后参考公式7进行讨论。一像素团C₁的势函数V_c(l)由公式5来定义，

其中l _x 为当前体素 x的标记。α_l指示特定标记l的先验概率，也就是，较小的α_l意味着标记l由先验概率优选，而较大的α_l意味着标记l不是优选的。二像素团c∈C₂的势函数V_c(l)由公式6来定义，

其中

表示例如二像素团中的相邻体素，而β_k基于公式7中所示的团类型来设计，

其中(b)、(c)、...、(n)为同平面(例如b-e)和交叉平面(例如f-n)团，如图5中所示，β是预定的势常数，而w是加权常数。当团的两个像素之间的距离较大时，β_k较小；而当团的两个像素之间的距离较小时，β_k较大。

在采用公式3确定条件概率以及采用公式4确定先验概率P(L)之后，从公式3和4得出的数据被代入到公式2中，以计算出用于标注GGN和背景信息的后验概率P(L/F)。MAP的优化则变成最小化过程，如下面公式8中所示。

$\mathrm{MAP}=\underset{L}{\arg \min }[U\left(L\right)+\frac{1}{2{\mathrm{\σ}}^2}(F-{\mathrm{\μ}}_L)]---\left[8\right]$

其中L＝{l|GGN,背景}.

然后由ICM过程确定公式8的MAP，该公式8的MAP为最后的分割结果。开始于由步骤350中的区域生长确定的初始状态(例如迭代0)的ICM过程将标记l _x (i)指定给公式9中每个迭代i上的体素 x，

其中U(g，i-1)和U(b，i-1)为分别从GGN和背景标记的迭代i-1的标注状态中计算出的能量值。f( x)为体素 x的强度值，以及μ_g和μ_b分别为GGN和背景标记的平均强度值。

在每次ICM迭代期间执行VOI的光栅扫描，并且因此VOI中的体素被指定GGN或背景标记。如图6中所示，体素标记由以八种不同方式执行的光栅扫描来更新：(1)从VOI的左前上角(A)到右后下角(H)；(2)从VOI的右前上角(B)到左后下角(G)；(3)从VOI的左前下角(C)到右后上角(F)；(4)从VOI的右前下角(D)到右后下角(E)；(5)从VOI的右后下角(H)到左前上角(A)；(6)从VOI的左后下角(G)到右前上角(B)；(7)从VOI的右后上角(F)到左前下角(C)；以及(8)从VOI的左后上角(E)到右前下角(D)。

重复上述过程(其中对于每次ICM迭代，以八种方式中的一种来执行光栅扫描)，直到观察到收敛。换句话说，重复上述过程，直到VOI中的所有体素均被标注。应当理解，在上述过程中可采用具有不同数量的扫描次序和/或顺序的可替换的光栅扫描过程。

在步骤360中采用马尔可夫随机场对VOI进行分割之后，所分割的VOI可经过进一步处理(步骤370)。特别地，附着于GGN上或其附近的血管通过执行形状分析而从所分割的VOI中被除去。这种情况的实例可在图7的(c)列中观察到，其中除去了附着于GGN的血管。例如，首先通过执行取阈值和紧凑性测量以将血管和GGN区分开来识别出附着在GGN上或其附近的血管，然后除去附着在GGN上或其附近的血管并通过应用一系列形态学操作来平滑这些结果，由此从GGN和/或VOI中除去血管。在VOI中从GGN中除去血管的技术在2003年9月17日提交的标题为“Improved GGO Nodule Segmentation withShape Analysis”的美国临时申请No.60/503,602中被公开，该申请的副本在此引入作为参考。接下来，通过例如操作者控制台215的显示器265向用户显示GGN(步骤380)。在执行根据本发明的MRF分割之后显示的GGN的实例在图7的(d)列中示出，其中图像中央的深色部分为GGN。

因此，通过执行根据本发明的MRF分割，医学图像中的GGN就可以通过对它们的相关体素指定标记来从背景信息中准确且快速地被区分出来，从而使GGN能够对医学专家可见，以用于诊断和评价某些肺部疾病。

应当理解，因为附图中示出的一些构成的系统组件和方法步骤可以软件来实施，所以系统组件(或过程步骤)之间的实际连接可根据本发明被编程的方式而有所不同。给定在此提供的本发明的教导，本领域普通技术人员将能够想到本发明的这些和类似的实施方案或构造。

还应当理解，上面的描述只代表说明性实施例。为了方便读者，上面的描述集中在可能的实施例的代表性实例上，该实例是说明本发明的原理。该描述不是想要尝试穷举所有可能的变型。本发明特定部分的可替换实施例可能没有呈现出来，或某一部分可获得另外的未描述的可替换物，这些不应认为是放弃那些可替换的实施例。在不偏离本发明的精神和范围的情况下，可直接实施其它应用程序和实施例。因此，本发明不打算被限于具体描述的实施例，因为可以生成多种上述的变换和组合以及涉及对上述进行无创造性替换的实施方案，但是本发明将根据下面的权利要求来限定。应当理解的是，许多未描述的实施例都落入下列权利要求的字面范围内，并且其它是等同物。

Claims (31)

1、一种用于毛玻璃状结节(GGN)分割的方法，其包括：

在医学图像中选择一点，其中该点位于GGN中；

在该点周围定义感兴趣体积(VOI)，其中VOI包括GGN；

从VOI中除去胸壁；

获取马尔可夫随机场的初始状态；以及

分割VOI，其中采用马尔可夫随机场来分割VOI。

2、根据权利要求1所述的方法，还包括：

获取所述医学图像。

3、根据权利要求2所述的方法，其中采用计算机断层摄影(CT)成像技术来获取所述医学图像。

4、根据权利要求1所述的方法，其中所述点是自动选择的。

5、根据权利要求1所述的方法，其中所述点是手动选择的。

6、根据权利要求1所述的方法，还包括：

采用计算机辅助的GGN检测技术来检测GGN。

7、根据权利要求1所述的方法，还包括：

手动检测GGN。

8、根据权利要求1所述的方法，其中GGN是纯GGN和混合GGN中的一种。

9、根据权利要求1所述的方法，其中通过执行区域生长来除去所述胸壁。

10、根据权利要求1所述的方法，还包括：

定义VOI的形状和尺寸中的一个。

11、根据权利要求1所述的方法，其中马尔可夫随机场的初始状态是通过在除去所述胸壁之后在VOI上执行区域生长而获得的。

12、根据权利要求1所述的方法，其中采用马尔可夫随机场来分割VOI的步骤包括：

定义VOI的后验概率；以及

采用后验概率的最大值来标注VOI中的每个像素，其中VOI中的每个像素被标注为GGN和背景之一。

13、根据权利要求12所述的方法，其中所定义的后验概率由P(L|F)∝P(F|L)P(L)来计算。

14、根据权利要求12所述的方法，其中标注每个像素的步骤由 $l_{\stackrel{\‾}{x}}\left(i\right)=\underset{l\∈\{g,b\}}{\arg \min }\{U(g,i-1)+\frac{1}{2{\mathrm{\σ}}^2}[f\left(\stackrel{\‾}{x}\right)-{\mathrm{\μ}}_g],U(b,i-1)+\frac{1}{2{\mathrm{\σ}}^2}[f\left(\stackrel{\‾}{x}\right)-{\mathrm{\μ}}_b\left]\right\}$ 来计算。

15、根据权利要求12所述的方法，其中所述标注包括：

扫描VOI，直到达到收敛。

16、根据权利要求1所述的方法，还包括：

在采用马尔可夫随机场对VOI进行分割之后，执行形状分析以除去附着于GGN上或其附近的血管。

17、根据权利要求1所述的方法，还包括：

显示采用马尔可夫随机场来分割的VOI。

18、一种用于毛玻璃状结节(GGN)分割的系统，其包括：

用于存储程序的存储设备；

与该存储设备进行通信的处理器，该处理器用程序实施来：

采用与肺的医学图像相关的数据定义GGN周围的感兴趣体积(VOI)；

从VOI中除去胸壁；

获得马尔可夫随机场的初始状态；以及

分割VOI，其中采用马尔可夫随机场来分割VOI。

19、根据权利要求18所述的系统，其中处理器还用程序代码实施来：

获取所述医学图像，其中采用计算机断层摄影(CT)成像技术来获取该医学图像。

20、根据权利要求18所述的系统，其中通过执行区域生长来除去所述胸壁。

21、根据权利要求18所述的系统，其中通过在除去所述胸壁之后在VOI上执行区域生长而获得马尔可夫随机场的初始状态。

22、根据权利要求18所述的系统，其中，当采用马尔可夫随机场来分割VOI时，该处理器还用程序代码实施来：

定义VOI的后验概率；以及

采用后验概率的最大值来标注VOI中的每个像素，其中，VOI中的每个像素被标注为GGN和背景之一。

23、根据权利要求22所述的系统，其中所定义的后验概率由P(L|F)∝P(F|L)P(L)来计算。

24、根据权利要求22所述的系统，其中标注每个像素的步骤由 $l_{\stackrel{\‾}{x}}\left(i\right)=\underset{l\∈\{g,b\}}{\arg \min }\{U(g,i-1)+\frac{1}{2{\mathrm{\σ}}^2}[f\left(\stackrel{\‾}{x}\right)-{\mathrm{\μ}}_g],U(b,i-1)+\frac{1}{2{\mathrm{\σ}}^2}[f\left(\stackrel{\‾}{x}\right)-{\mathrm{\μ}}_b\left]\right\}$ 来计算。

25、根据权利要求18所述的系统，其中该处理器还用程序代码实施来：

在采用马尔可夫随机场来分割的VOI中执行形状分析，以除去附着于GGN的血管。

26、根据权利要求18所述的系统，其中该处理器还用所述程序代码实施来：

显示采用马尔可夫随机场来分割的VOI，其中GGN是可见的。

27、一种计算机程序产品，其包括具有其上记录有用于毛玻璃状结节(GGN)分割的计算机程序逻辑的计算机可用介质，该计算机程序逻辑包括：

用于在医学图像中选择一点的程序代码，其中该点位于GGN中或其附近；

用于在该点周围定义感兴趣体积(VOI)的程序代码，其中VOI包括GGN；

用于从VOI中除去胸壁的程序代码；

用于获得马尔可夫随机场的初始状态的程序代码；以及

用于分割VOI的程序代码，其中采用马尔可夫随机场来分割VOI。

28、一种用于毛玻璃状结节(GGN)分割的系统，其包括：

用于在医学图像中选择一点的装置，其中该点位于GGN中；

用于在该点周围定义感兴趣体积(VOI)的装置，其中VOI包括GGN；

用于从VOI中除去胸壁的装置；

用于获得马尔可夫随机场的初始状态的装置；以及

用于分割VOI的装置，其中采用马尔可夫随机场来分割VOI。

29、一种采用马尔可夫随机场在肺部计算机断层摄影(CT)体积中进行毛玻璃状结节(GGN)分割的方法，其包括：

从与肺部CT体积相关的数据中选择GGN；

在GGN周围定义感兴趣体积(VOI)；

通过在VOI上执行区域生长来从VOI中除去胸壁；

通过在除去胸壁之后分割VOI而获得迭代条件模式(ICM)过程的初始状态；以及

采用马尔可夫随机场来分割VOI，其中该分割包括：

定义VOI的后验概率；以及

执行ICM过程，其中ICM过程包括采用后验概率的最大值来标注VOI中的每个像素，其中VOI中的每个像素被标注为GGN和背景之一，直到VOI中的每个像素都被标注。

30、根据权利要求29所述的方法，其中所定义的后验概率由P(L|F)∝P(F|L)P(L)来计算。

31、根据权利要求29所述的方法，其中在所述ICM过程期间标注每个像素的步骤由以下公式来计算，即

$l_{\stackrel{\‾}{x}}\left(i\right)=\underset{l\∈\{g,b\}}{\arg \min }\{U(g,i-1)+\frac{1}{2{\mathrm{\σ}}^2}[f\left(\stackrel{\‾}{x}\right)-{\mathrm{\μ}}_g],U(b,i-1)+\frac{1}{2{\mathrm{\σ}}^2}[f\left(\stackrel{\‾}{x}\right)-{\mathrm{\μ}}_b\left]\right\}.$

32、根据权利要求29所述的方法，其中所述ICM过程从所述初始状态开始。

Images