用于X射线图像中的不透明区的检测的装置的制作方法

本发明涉及用于x射线图像中的不透明区的检测的装置、用于x射线图像中的不透明区的检测的系统、用于x射线图像中的不透明区的检测的方法以及计算机程序单元和计算机可读介质。

背景技术：

与其他疾病相反，通过抗生素对肺结核(tb)的处置(在许多情况下)是便宜并且非常有效的。然而，不管这样的潜在地成功的治疗策略的存在，tb在世界的许多部分中保持严重健康问题。针对这一点的主要原因是对医疗保健的访问的缺乏，以及当成功处置可行时的时间窗口内的患者的识别和诊断中的相关联的延迟。

us2013/044927a1描述了一种检测图像数据中的异常的存在的方法。方法包括：采集表示对象的图像的图像数据集；采集表示从多个参考对象获得的正常图像数据集的统计图谱；将图像数据与统计图谱进行比较；并且通过确定图像数据与统计图谱之间的差异的量度来确定异常的存在。

胸部射线照相在快速的案例识别中扮演关键角色，提供用于迅速地筛选处于风险中或者具有疑似症状的个体的潜在方法，并且此外获得任何疑似有效tb发现的性质的相对详细表征。此外，对抗tb的潜在决定性技术的有效部署中的关键问题中的一些涉及对许多发展中国家中的医疗保健资源的访问。关于胸部x射线，该问题常常不仅在对成像硬件自身的访问中而且在经训练的员工的可用性中自身出现以执行成像检查，并且尤其是执行胸部射线照片的读取。图像解释频繁地由具有不足的专业知识的人员执行，其可以受益于便宜和易于使用支持，例如经由自动地分析这些图像的软件工具。

因此，由于世界的大部分中的良好训练的人员的短缺，因而在检测并且表征胸部射线照片中的tb的任务中支持医务人员的算法是高度期望的。在世界的发展部分中，这样的算法还将释放临床医师的时间，帮助其训练并且帮助诊断过程。现有方法使用相当复杂的图像特征(诸如形状和纹理描述符)来检测tb。

帮助相对于tb的射线照片的评估的以上要求还适用于其他肺部疾病以及乳房摄影的评估。还需要改进被使用在例如非破坏性试验中的x射线影像和被用于安全性目的(例如，在机场扫描行李)的影像的评估。

技术实现要素：

具有用于解释x射线影像的经改进的技术将是有利的。

本发明的目标以独立权利要求的主题解决，其中，另外的实施例被包含在从属权利要求中。应当注意，本发明的以下所描述的方面还适于用于x射线图像中的不透明区的检测的装置、用于x射线图像中的不透明区的检测的系统、用于x射线图像中的不透明区的检测的方法以及计算机程序单元和计算机可读介质。

根据第一方面，提供了一种用于临床x射线图像中的不透明区的检测的装置，包括：

-输入单元；

-处理单元；以及

-输出单元。

所述输入单元被配置为向所述处理单元提供所分析的身体部分的感兴趣区域的分析x射线图像。所述输入单元还被配置为向所述处理单元提供正常感兴趣区域的模型，其中，所述模型基于正常而不具有异常的所述感兴趣区域的多幅x射线图像，并且其中，所述模型包含关于正常健康群体的统计信息。所述处理单元被配置为检测所分析的身体部分的所述感兴趣区域中的至少一个异常。所述检测包括所述感兴趣区域的所述分析x射线图像与所述正常感兴趣区域的所述模型之间的比较。所述检测还包括所述分析x射线图像中的至少一些骨骼相关影像的抑制。所述输出单元被配置为输出关于所述至少一个异常的信息。

换句话说，正常而不具有异常的感兴趣区域(例如肺)的x射线图像被用于建立正常感兴趣区域的模型。该模型可以基于来自健康群体的宽选择的数据，并且利用关于这样的正常健康群体的统计信息形成正态模型。可以例如在高斯建模框架、泊松建模框架或任何其他适合的建模框架内捕获这样的统计信息。全部肺野的主要成分模型是将考虑肺的全局性质的另一建模选项。例如患者的肺中的异常可以然后通过该人的肺的x射线图像与模型之间的比较确定。

以这种方式，可以自动地检测感兴趣区域中的异常，并且不要求复杂的训练或者机器学习算法。因此，提供的实用性被提供到频繁地不具有对用于疾病(诸如结核病)的检测的技术的访问的团体的截面。能够可靠地指示在感兴趣区域中是否存在异常还意指可以提供不存在异常的可靠的指示，其还具有实用性，因为可以做出患者不需要参考另外的调查分析的可靠的指示。

所述装置提供生理合理并且直观的异常的指示，因为异常的检测基于x射线图像与根据不示出异常的正常x射线图像生成的模型的比较。以这种方式，临床医师可以选择从其可以建立正态模型的不呈现异常的群体的x射线图像的选择。然后，该模型可以被用于通过其肺的x射线和所述正态模型的比较来确定患者是否具有例如肺中的异常。提供异常的准确并且简单的预测。

在范例中，所述感兴趣区域的所述分析x射线图像与所述正常感兴趣区域的所述模型之间的比较包括所述处理单元被配置为确定所述分析x射线图像的所述感兴趣区域中的至少一个强度与所述模型的所述正常感兴趣区域中的对应的至少一个强度之间的至少一个偏差。

因此，基于多幅正常x射线图像生成的模型内的位置处的强度呈现关于跨图像预期的正常强度的统计信息。所采集的图像之间的强度中的偏差可以指示携带关于正常感兴趣区域(诸如肺)的统计信息的模型中的强度，可以被用于确定基于其肺的所采集的图像在患者的肺中是否存在一个或多个异常(或不存在)。因此，可以做出患者具有异常的可靠的指示，并且类似地可以做出患者不具有身体部分(诸如肺)中的异常的可靠的指示。

以这种方式，直接并且容易地解释的手段被提供用于确定异常，因为其基于图像中的强度和将针对统计正常人员(建模的)预期的x射线之间的强度中的偏差。因此，所述装置正模拟在将x射线与其应当看起来如何的表示进行比较方面熟练的临床医师将想要能够完成什么以便确定异常是否存在。

在范例中，模型数据包括基于所述感兴趣区域的多幅x射线图像中的对应的强度的至少一个平均强度，并且所述模型数据包括基于所述感兴趣区域的多幅x射线图像中的对应的强度的至少一个标准偏差强度。所述感兴趣区域的所述分析x射线图像与所述正常感兴趣区域的所述模型之间的比较基于所述分析x射线图像的所述感兴趣区域中的至少一个强度值和所述模型的所述正常感兴趣区域中的所述至少一个平均强度值和所述模型的所述正常感兴趣区域中的所述至少一个标准偏差强度。

以这种方式，通过考虑所述模型中的平均强度和标准偏差，可以关于采集的x射线图像是否构成异常做出统计上显著的确定。

这样的正态模型(包括均值和标准偏差值)具有相对少量的参数并且概念上应用非常简单并且来自所述模型的结果的解释是直观并且生理地合理的。

在范例中，所述感兴趣区域的所述分析x射线图像与所述正常感兴趣区域的所述模型之间的所述比较包括所述处理单元被配置为确定所述感兴趣区域的所述分析x射线图像中的空间位置处的强度与所述正常感兴趣区域的所述模型中的对应的空间位置处的平均强度之间的差异，并且包括所述处理单元被配置为确定该差异与所述正常感兴趣区域的所述模型中的对应的空间位置处的强度中的标准偏差之间的比率。

以这种方式，具有强不透明区并且因此相关联的高图像强度的x射线图像的部分(涉及感兴趣区域的具体部分，诸如肺血管树的根(门))将导致具有相对高强度水平和该区域处的相对高标准偏差的模型。提供所述平均模型强度与该区域处的所分析的强度之间的差异和对应的空间位置处的强度中的标准偏差之间的比率意指实际上提供了规范化评分值。这确定与该位置处的范数的偏差的量度，而且提供将评分与图像的其他部分进行比较的手段。例如，以这种方式，可以描绘异常的区。

而且，甚至针对健康群体具有强度水平中的相关联的大变化的x射线图像的区将当与该位置处的所分析的强度相比较时由相对大的标准偏差规范化，从而导致异常的假阳性指示中的降低。

在范例中，所分析的身体部分的感兴趣区域中的至少一个异常的检测包括所述处理单元被配置为基于所述分析x射线图像的所述感兴趣区域中的至少一个强度和所述模型的所述正常感兴趣区域中的对应的至少一个强度来确定至少一个评分。

以这种方式，评分可以被用于指示是否存在异常并且识别异常存在于何处，并且甚至描绘异常的所确定的程度。

在范例中，评分被用于指示在所分析的身体部分的感兴趣区域中已经检测到至少一个异常。

以这种方式，可以提供所分析的图像涉及具有身体部分的区域中的异常的人的简单是/否指示。人可以然后参考进一步的诊断检查，和/或所分析的图像可以由临床医师查看以确定动作的下一过程。

换句话说，可以标记所述至少一个异常。

在范例中，所述处理单元被配置为基于至少一个评分描绘所述分析x射线图像的感兴趣区域的至少一个区域。

换句话说，评分可以被用于提供关于与正常的统计上显著的偏差的信息，例如，其中，零的评分涉及分析的图像中的位置处的正常强度水平并且2的评分涉及远离预期事物的两个标准偏差的强度水平。可以然后识别具有高于某个水平0.2、0.3、0.4、……、1.0、1.2、1.3、……1.9、2.0、2.1……2.6、2.7……等的评分的区域。不仅这确识别异常在何处，而且识别其程度，并且其还使得具有高评分的统计伪迹(诸如隔离的一个、两个、三个像素)能够被确定为与统计波动而非异常的证明有关。以这种方式，可以指示异常的轮廓。

在范例中，所分析的身体部分的感兴趣区域中的至少一个异常的检测包括所述处理单元被配置为抑制所述分析x射线图像中的至少一些骨骼相关影像。

换句话说，覆盖感兴趣区域(诸如肺野)的骨骼可以施加比与试图检测的异常相关联的那些更强的不透明区。识别骨骼的区域，并且关于那些骨骼确定的不透明区实际上从采集的影像提取，以实现将已经预期如果所述骨骼不存在则已经采集的图像。这帮助促进异常检测。

在范例中，所述正常区域的模型所基于的所述感兴趣区域的多幅x射线图像已经使至少一些骨骼相关影像被抑制。

在范例中，所分析的身体部分的所述感兴趣区域中的至少一个异常的检测包括所述处理单元被配置为对所述分析x射线图像进行强度规范化。

以这种方式，可以考虑所述患者的曝光强度和持续时间和大小。

在范例中，所述正常区域的模型所基于的所述感兴趣区域的多幅x射线图像已经被强度规范化。

在范例中，所述分析身体部分的所述感兴趣区域中的至少一个异常的检测包括将所述分析x射线图像的所述感兴趣区域配准到所述模型的所述正常感兴趣区域。

换句话说，正被分析的图像利用所述模型空间地规范化，使得在所述感兴趣区域中(例如，在所述肺野中)的位置与所述模型中的解剖地对应的位置对齐。

根据第二方面，提供了一种用于x射线图像中的不透明区的检测的系统，所述系统包括：

-至少一个图像采集单元；以及

-根据第一方面的用于临床x射线图像中的不透明区的检测的装置。

所述至少一个图像采集单元被配置为提供所述分析x射线图像。所述输出单元被配置为输出所述分析x射线图像，其包括关于所述至少一个异常的信息。

根据第三方面，提供了一种用于x射线图像中的不透明区的检测的自动化方法，包括：

a)提供分析的身体部分的感兴趣区域的分析x射线图像；

b)提供正常感兴趣区域的模型，其中，所述模型基于正常而不具有异常的所述感兴趣区域的多幅x射线图像，并且其中，所述模型包含关于正常健康群体的统计信息；

c)检测分析的身体部分的所述感兴趣区域中的至少一个异常，所述检测包括将所述感兴趣区域的所述分析x射线图像和所述正常感兴趣区域的所述模型进行比较并且抑制所述分析x射线图像中的至少一些骨骼相关影像；并且

d)输出关于所述至少一个异常的信息。

根据另一方面，提供了控制如先前地所描述的装置的计算机程序单元，其在所述计算机程序单元由处理单元运行时适于执行如先前地所描述的方法的步骤。

根据另一方面，提供了已存储如先前地所描述的计算机单元的计算机可读介质。

有利地，由以上方面中的任一个所提供的益处同样地适用于所有其他方面并且反之亦然。

以上方面和范例将参考在下文中所描述的实施例而显而易见并且得以阐述。

附图说明

将参考以下附图在以下中描述示范性实施例：

图1示出了用于x射线图像中的不透明区的检测的装置的范例的示意性设置；

图2示出了用于x射线图像中的不透明区的检测的系统的范例的示意性设置；

图3示出了用于x射线图像中的不透明区的检测的方法的范例；

图4示出了用于x射线图像中的不透明区的检测的详细工作流程的范例；

图5示出了与用于x射线图像中的不透明区的检测的方法的范例中的不同的预处理步骤有关的图像；

图6示出了用于x射线图像中的不透明区的检测的方法中的肺中的强度的分布的建模；并且

图7示出了指示从作为来自用于x射线图像中的不透明区的检测的装置的范例的输出产生的异常图像区域的图像。

具体实施方式

图1示出了用于x射线图像中的不透明区的检测的装置10的范例。装置10包括输入单元20、处理单元30和输出单元40。输入单元20被配置为经由有线或无线通信向处理单元30提供分析的身体部分的感兴趣区域的分析x射线图像。输入单元20还被配置为经由有线或无线通信向处理单元30提供正常感兴趣区域的模型。模型基于感兴趣区域的多幅x射线图像。处理单元30被配置为检测分析的身体部分的感兴趣区域中的至少一个异常。检测包括感兴趣区域的分析x射线图像与正常感兴趣区域的模型之间的比较。输出单元40被配置为输出关于至少一个异常的信息。

在范例中，分析图像是射线照片、或者衰减x射线图像。在范例中，分析图像是暗场图像。在范例中，分析图像是相位对比图像。在范例中，多幅图像包括射线照片、或者衰减x射线图像。在范例中，多幅图像包括暗场图像。在范例中，多幅图像包括相位对比图像。

在范例中，感兴趣区域与肺有关。

在范例中，至少一个异常与一个或多个肺部疾病有关。在范例中，至少一个异常与肺结核有关。换句话说，肺部疾病(诸如肺结核)能够已经导致至少一个异常。

根据范例，感兴趣区域的分析x射线图像与正常感兴趣区域的模型之间的比较包括处理单元被配置为确定分析x射线图像的感兴趣区域中的至少一个强度与模型的正常感兴趣区域中的对应的至少一个强度之间的至少一个偏差。

根据范例，模型数据包括基于感兴趣区域的多幅x射线图像中的对应的强度的至少一个平均强度。模型数据还包括强度的至少一个标准偏差，该至少一个标准偏差基于感兴趣区域的多幅x射线图像中的对应的强度。感兴趣区域的分析x射线图像与正常感兴趣区域的模型之间的比较然后基于分析x射线图像的感兴趣区域中的至少一个强度值和模型的正常感兴趣区域中的至少一个平均强度值和模型的正常感兴趣区域中的至少一个标准偏差强度。

根据范例，感兴趣区域的分析x射线图像与正常感兴趣区域的模型之间的比较包括处理单元被配置为确定感兴趣区域的分析x射线图像中的空间位置处的强度与正常感兴趣区域的模型中的对应的空间位置处的平均强度之间的差异。比较还包括处理单元被配置为确定该差异与正常感兴趣区域的模型中的对应的空间位置处的强度中的标准偏差之间的比率。

根据范例，所分析的身体部分的感兴趣区域中的至少一个异常的检测包括处理单元被配置为基于分析x射线图像的感兴趣区域中的至少一个强度和模型的正常感兴趣区域中的对应的至少一个强度来确定至少一个评分。

根据范例，评分被用于指示在所分析的身体部分的感兴趣区域中已经检测到至少一个异常。

在范例中，指示包括利用颜色来标记异常。在范例中，正被使用的特定颜色可以与评分链接。以这种方式，简单的颜色编码可以被用于帮助指示异常的严重性。例如，对于恰好高于阈值的评分，黄色可以被用于指示异常，而对于显著地大于阈值的评分，亮红色可以被用于标记异常。以这种方式，不仅简单模块被提供以指示存在异常并且指示其位置，而且简单模块被提供以指示异常的可能的严重性。以这种方式，本领域中的不熟练的人员能够给予已经被指示为具有异常的情况优先权。

根据范例，处理单元被配置为基于至少一个评分描绘分析x射线图像的感兴趣区域的至少一个区。

根据范例，所分析的身体部分的感兴趣区域中的至少一个异常的检测包括处理单元被配置为抑制分析x射线图像中的至少一些骨骼相关影像。

根据范例，正常区域的模型所基于的感兴趣区域的多幅x射线图像已经使至少一些骨骼相关影像被抑制。

根据范例，所分析的身体部分的感兴趣区域中的至少一个异常的检测包括处理单元被配置为对分析x射线图像进行强度规范化。

根据范例，正常区域的模型所基于的感兴趣区域的多幅x射线图像已经被强度规范化。

根据范例，所分析的身体部分的感兴趣区域中的至少一个异常的检测包括将分析x射线图像的感兴趣区域配准到模型的正常感兴趣区域。

在范例中，正常区域的模型所基于的感兴趣区域的多幅x射线图像已经配准到彼此。

图2示出了用于x射线图像中的不透明区的检测的系统100的范例。系统100包括至少一个图像采集单元110，以及用于x射线图像中的不透明区的检测的装置10，如相对于图1所描述的。至少一个图像采集单元110被配置为经由有线或无线通信提供分析x射线图像。提供可以是去往输入单元20。输出单元40被配置为输出包括关于至少一个异常的信息的分析x射线图像。

在范例中，输入单元20是至少一个采集单元110的图像采集单元。

在范例中，至少一个图像采集单元被配置为采集感兴趣区域的多幅x射线图像。

在范例中，至少一个采集单元包括基于光栅的微分相位对比和暗场x射线成像设备。在范例中，至少一个图像采集单元包括干涉仪装置。

在范例中，至少一个图像采集单元包括x射线成像设备。例如，设备可以是断层摄影装置或者ct装置。

在范例中，至少一个图像采集单元是标准射线照相设备，其中，透射辐射强度提供关于通过物体的衰减的信息。

在范例中，至少一个图像采集单元可以在微分相位对比成像(dpci)模式中操作。

在范例中，至少一个图像采集单元生成衰减图像，其涉及在有和没有检查区域中的物体的情况下的x射线的强度(强度)值的检测。

在范例中，至少一个图像采集单元生成相位对比(或者微分相位)图像，其涉及在有和没有检查区域中的物体的情况下x射线的相位的检测。在范例中，至少一个图像采集单元生成暗场(或者退相干)图像，其涉及在有和没有检查区域中的物体的情况下x射线的条纹可见度的检测。

在范例中，输出单元输出吸收(或者衰减)图像。在范例中，输出单元输出相位对比(或者微分相位)图像。在范例中，单元输出暗场图像。

在范例中，输出单元在监测器(诸如视觉显示单元)上或者在多个分离的监测器上输出数据。例如，衰减、相位对比和暗场图像可以被呈现在监测器上。

在范例中，系统具有在临床环境(诸如医院)中的有用的应用。在范例中，系统可以被用于在乳房摄影、诊断放射学和介入放射学中检测肺部疾病，以用于患者的医学检查。

在范例中，系统具有在工业环境中，例如，非破坏性测试(关于生物以及非生物样本的组成、结构和/或质量的分析)以及安全性扫描(例如，机场中的行李的扫描)中的有用的应用。

图3示出了用于在其基本步骤中对x射线图像中的不透明区的检测的方法200。方法包括：

在提供步骤210(还被称为步骤a))中，提供所分析的身体部分的感兴趣区域的分析x射线图像；

在提供步骤220(还被称为步骤b))中，提供正常感兴趣区域的模型，其中，模型基于感兴趣区域的多幅x射线图像；

在检测步骤230(还被称为步骤c))中，检测所分析的身体部分的感兴趣区域中的至少一个异常，检测包括将感兴趣区域的分析x射线图像与正常感兴趣区域的模型进行比较；以及

在输出步骤240(还被称为d))中，输出关于至少一个异常的信息。

在步骤a)中，提供可以从输入单元20到处理单元30。

在步骤b)中，提供可以从输入单元到处理单元。

在步骤c)中，检测可以由处理单元执行。

在步骤d)中，输出可以由输出单元执行。

在范例中，步骤c)包括确定分析x射线图像的感兴趣区域中的至少一个强度与模型的正常感兴趣区域的对应的至少一个强度之间的至少一个偏差。

在范例中，在步骤b)中提供的模型包括模型数据，所述模型数据包括基于感兴趣区域的多幅x射线图像中的对应的强度的至少一个平均强度，并且模型数据包括基于感兴趣区域的多幅x射线图像中的对应的强度的至少一个标准偏差强度。在步骤c)中，感兴趣区域的分析x射线图像与正常感兴趣区域的模型之间的比较能够然后基于分析x射线图像的感兴趣区域中的至少一个强度值和模型的正常感兴趣区域中的至少一个平均强度值和模型的正常感兴趣区域中的至少一个标准偏差强度。

在范例中，步骤c)包括确定感兴趣区域的分析x射线图像中的空间位置处的强度与正常感兴趣区域的模型中的对应的空间位置处的平均强度之间的差异，并且包括确定该差异与正常感兴趣区域的模型中的对应的空间位置处的强度中的标准偏差之间的比率。

在范例中，步骤c)包括基于分析x射线图像的感兴趣区域中的至少一个强度和模型的正常感兴趣区域的对应的至少一个强度确定至少一个评分。

在范例中，评分被用于指示在所分析的身体部分的感兴趣区域中已经检测到至少一个异常。

在范例中，步骤c)包括基于至少一个评分描绘分析x射线图像的感兴趣区域的至少一个区。

在范例中，步骤c)包括抑制分析x射线图像中的至少一些骨骼相关影像。

在范例中，步骤c)包括对分析x射线图像的至少一个强度进行规范化。

在范例中，步骤c)将分析x射线图像的感兴趣区域配准到模型的正常感兴趣区域。

现在将结合图4-7更详细地描述用于x射线图像中的不透明区的检测的装置、系统和方法的范例。

基于包括纹理特征(参见vanginneken，bram等人的文章"automatedscoringofchestradiographsfortuberculosisprevalencesurveys:acombinedapproach."(proc.fifthinternationalworkshoponpulmonaryimageanalysis.2013))和不透明区的形状特征的不同的图像特征的自动化测量结果，已经提出用于胸部射线照片中的肺结核病变的自动化检测的若干现有备选方法。肺野的形状还已经被提出作为tb检测的基础(参见vanginneken等人的文章和jaeger，stefan等人的文章"detectingtuberculosisinradiographsusingcombinedlungmasks."(engineeringinmedicineandbiologysociety(embc)，2012annualinternationalconferenceoftheieee.ieee，2012))，由此胸膜附近的不透明区产生针对薄壁组织病变的存在的间接指示器。然而，基于各种技术特征的计算机辅助决策系统的结果难以由用户验证。分析结果的直观指示器是关键的，以便建立结果中的用户的置信度，并且因此这是这样的方法的显著限制。此外，这些算法的训练通常要求大量的注释图像。而且，具体地训练的算法证明对于外部参数(如噪声、若干种图像伪迹)和图像后处理参数非常敏感。因此，将经训练的算法应用到来自在训练集的偏离条件下获得的不同的图像集的图像不是直接的，如在现实世界情况中要求的。

此处所描述的用于x射线图像中的不透明区的检测的装置、系统和方法解决了这些问题，如上文相对于图1-3所讨论的和如下面更详细地讨论的。

肺中的tb的放射学表现由其中肺薄壁组织在感染之前存在的位置处的流体或者纤维组织的局部累积引起。肺组织的生理性质中的该改变使得局部不透明区(由于x射线的增加的吸收)存在于胸部x射线图像中。如由此处所描述的装置所提供的对应于肺野的射线照片的区中的不透明区的自动化检测是非常直接并且生理地似乎合理的方法以自动地检测胸部射线照片中的肺结核。

为了实现这一点，必须考虑多个并发症，以便可以识别与异常有关的这样的不透明区。由用于x射线图像中的不透明区的检测的装置、系统和方法解决的并发症包括：

i、与肺野交叠的骨骼还施加比由肺结核诱发的那些更强的不透明区；

ii、根据不同的采集协议(曝光)和患者性质(体重/大小)，肺野中的图像强度可以通过由肺结核诱发的变化显著地更强地变化并且因此抵消图像之间的定量比较；以及

iii、肺血管树(门)的根施加强不透明区。

例如，类似问题出现在其他肺部疾病的检测中和乳房摄影的分析中。

图4示出了用于x射线图像中的不透明区的检测的详细工作流程的范例，如由此处所描述的用于x射线图像中的不透明区的检测的装置、系统和方法所提供的。提供了用于x射线图像(诸如胸部射线照片)中的不透明区的自动化检测和表征的方法。对于胸部射线照片的情况，方法的四个主要元素可以被概述为：

1、对胸部射线照片的预处理；

2、胸部射线照片与正态模型的比较；

3、对胸部射线照片中的异常的检测；以及

4、对来自胸部射线照片的检测到的异常的分类

实际上，方法实现胸部射线照片彼此的直接比较，以及从而使能将“未看到的”图像与多幅“已知的”图像进行比较的方法。图像的选择可以由专家执行，并且从而根据特定预定义纳入准则集来评价，并且从该图像“数据库”导出的信息形成比较分析的基础以检测与在该数据库中编码的期望的偏差。

现在更详细地描述图4中所示的详细工作流程的特定步骤。

预处理

为了考虑上文概述的并发症(i和ii)，对于每幅图像执行预处理：应用以下预处理步骤：

1、肺野的分割；

2、骨骼抑制；

3、肺野的强度规范化；以及

4、肺野的空间规范化。

图5示出了来自用于预处理的不同的阶段的范例情况的结果。在这些步骤之后，可以定量地分析肺野中的强度。忽视肺野外部的信号，抑制与肺野交叠的肋骨结构，并且在强度规范化步骤中补偿曝光或者患者体重的影响。空间规范化(或者配准)还将肺野的对应的位置进行解剖对齐。

正态模型

根据描述图谱中的任何位置处的强度分布(平均av_i(x)和标准偏差stddev(x))的正常情况(被定义为放射学上正常，其意指没有显著的放射学发现在图像中由专家观察到)的集合建立统计模型。该模型基于平均和标准偏差提供针对正常的图谱空间中的预期强度的置信度区间(参见图6，其中，示出了建模公共图谱空间中的正常对象集的肺野中的强度的分布-高斯模型与平均和标准偏差一起使用)。在平均肺野(中央上部)中存在暗区，并且存在更亮的区(底部、侧带、门)。预期强度的标准偏差还跨图谱空间在空间上变化。例如，变化在肺中并且在肺的底部中但是不在侧带处是较大的。该正态模型(包括均值和标准偏差)具有比较低数目的参数并且在概念上应用非常简单。仅少量的数据集被要求用于训练，并且存在向训练情况的特定选择的过拟合的低风险。

异常检测

例如从视野中的对象采集并且可以被认为是分析x射线图像的图像通过以下项分析：

1、对其预处理；以及

2、检测任何异常图像位置。

检测与肺野中的任何位置处的置信度区间的偏差(x处的z评分)：

其中，是位置x处的图像强度，μ(x)是正态模型中x处的平均强度，并且σ(x)是正态模型中x处的标准偏差。

在图7中图示了结果，其中，具有高z评分的异常图像区域由左边图像上的实线交叠指示并且作为描绘右边图像上的异常的区的轮廓。可以看到，图像强度单独对于要标记(或检测)的区域不是决定性的。例如，尽管门区是亮的，但是其未被标记，因为正态模型中的标准偏差在该区域中也是大的，并且因此z评分(其中，标准偏差形成分母)是较小的。因此，该方法还解决第三并发症(iii)，如上文所讨论的。

分类

总体异常评分z通过计数具有z(x)>s的所有位置x并且将此规范化到肺野中的位置的数目来考虑肺大小在整个肺野上计算。z提供关于特定胸部射线照片的异常的适当的决策准则。

总结

下面提供了简要概述，包括与上文已经详细描述的模型建立、异常检测和评级的特定步骤有关的额外的细节。出于该目的，上文概述的预处理可以是重要的先决条件步骤。在一些情况下，其以相同的方式适用于被包括在分析中的所有图像(对于训练阶段期间的建立模型的(一幅或多幅)参考图像和检测期间的未看到的图像两者)。此处进一步详述步骤：

-肺野分割通过d.barthel和j.vonberg.robust的文章automaticlungfieldsegmentationondigitalchestradiographs(intjcars,4(suppl1):326-327,2009)中所描述的方法实现。可以使用分割的其他已知方法。

-骨骼抑制还可以通过已知方法来实现，例如如在以下源中描述的：vonberg和neitzel.bonesuppressioninx-rayradiograms.世界专利wo2011/077334；jensvonberg、stewartyoung、heikecarolus、robinwolz、axelsaalbach、albertohidalgo、anagimenez和tomasfranquet的anovelbonesuppressionmethodthatimproveslungnoduledetection(internationaljournalofcomputerassistedradiologyandsurgery，第1-15页)；以及vonberg、levrier、carolus、young、saalbach、laurent和florent.decomposingthebonythoraxinradiographs.在已出版的procofisbi2016中。

-强度规范化可以通过确定肺野的强度分位数q(例如，在强度范围的7.5％处、肺野的暗部分)来实现。因此，规范化意指从图像减去q(并且添加常量以便不得到负图像强度)。与基于复杂纹理和形状特征的分析的其他相反，这是非常简单的方法。

-可以基于由步点的离散集制成的肺野轮廓执行空间规范化。在训练集上建立平均肺野模型。这建立“图谱”(参考)空间的定义。所有图像可以然后经由将原始图像翘曲以将肺与模型的那些共同对齐来与该“图谱”空间在空间上对齐。可以应用b样条方法，如在rueckert、daniel等人的文章nonrigidregistrationusingfree-formdeformations:applicationtobreastmrimages(medicalimaging，ieeetransactionson，1999，18[8]，第712-721页)中所描述的。可以应用其他方法，诸如k最邻近插值。

因此，此处所描述的用于x射线图像中的不透明区的检测的装置、系统和方法可以自动地分类具有为异常的高概率的图像。这可以用作从数据库选择感兴趣情况的自动化步骤。其还可以被用于识别具有存在如肺结核的肺部疾病的某些风险的患者。在筛选情形中，这些患者可以然后经受利用如痰液测试或者基因测试的其他手段的另外的诊断测试。而且，如图7中的那些的可视化可以被呈现给负责诊断如肺结核的肺部疾病的人，以在变得更确信诊断中支持该人。

在另一示范性实施例中，提供了一种计算机程序或一种计算机程序单元，其特征在于被配置为在适当的系统上执行根据前面的实施例之一所述的方法的方法步骤。

因此，所述计算机程序单元可以被存储在计算机单元上，所述计算机单元也可以是实施例的部分。该计算单元可以被配置为执行以上描述的方法的步骤或诱发以上描述的方法的步骤的执行。此外，其可以被配置为操作以上描述的装置的部件。所述计算单元能够被配置为自动地操作和/或执行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。所述数据处理器由此可以被装备为执行根据前述实施例之一的方法。

本发明的该示范性实施例涵盖从一开始就使用本发明的计算机程序和借助于更新将现有程序转变为使用本发明的程序的计算机程序两者。

更进一步地，所述计算机程序单元能够提供实现如以上所描述的方法的示范性实施例的流程的所有必需步骤。

根据本发明的另一示范性实施例，提出了一种计算机可读介质，例如cd-rom，其中，所述计算机可读介质具有存储在所述计算机可读介质上的计算机程序单元，所述计算机程序单元由前面部分描述。

计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起提供或作为其他硬件的部分提供的光学存储介质或固态介质，但计算机程序可也可以以其他形式来分布，例如经由因特网或者其他有线或无线电信系统分布。

然而，所述计算机程序也可以存在于诸如万维网的网络上并能够从这样的网络中下载到数据处理器的工作存储器中。根据本发明的另一示范性实施例，提供了一种用于使得计算机程序单元可用于下载的介质，其中，所述计算机程序单元被布置为执行根据本发明的之前描述的实施例之一所述的方法。

必须指出，本发明的实施例参考不同主题加以描述。具体而言，一些实施例参考方法类型的权利要求加以描述，而其他实施例参考设备类型的权利要求加以描述。然而，本领域技术人员将从以上和下面的描述中了解到，除非另行指出，除了属于一种类型的主题的特征的任何组合之外，涉及不同主题的特征之间的任何组合也被认为由本申请公开。然而，所有特征能够被组合以提供超过特征的简单加和的协同效应。

尽管已经在附图和前面的描述中详细说明和描述了本发明，但这样的说明和描述被认为是说明性或示范性的而非限制性的。本发明不限于所公开的实施例。通过研究附图、说明书和从属权利要求，本领域的技术人员在实践请求保护的本发明时能够理解和实现所公开的实施例的其他变型。

在权利要求中，词语“包括”不排除其他单元或步骤，并且，词语“一”或“一个”并不排除多个。单个处理器或其他单元可以履行权利要求书中记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定措施，但是这并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应被解释为对范围的限制。