专利名称：为数字射线照片的基于模型的解释设置初始值的制作方法
技术领域：
本发明涉及数字射线照片的计算机辅助诊断(CAD)，尤其涉及那些在根据机器视觉进行数字射线照片的基于模型的解释中使用可变形模型的计算机辅助诊断，并且特别涉及为这些基于模型的解释设置初始值。
背景技术：
计算机辅助诊断(CAD)领域中一个大有前途的进展在于将机器视觉应用于数字射线照片。在各种现有的机器视觉技术中，CAD经常根据射线照片中发现的物体的可变形模型进行基于模型的解释。“可变形模型”是保持了物体所表现出的基本特征，如骨骼和组织结构，但又进行了变形的模型，该变形是为了适应一系列对于不同患者的多张不同射线照片的共有范例。
使用基于模型的解释方法遇到的一个问题是为这些方法设置初始值。尤其是许多基于模型的解释方法涉及对模型当前估计值的区域中进行迭代搜索。在每次迭代时，将当前估计值稍微变形，以提供下一个迭代的估计值。通常，通过多次迭代，模型会收敛，直至达到射线照片中结构的最佳估计值(所谓“最佳”是指进一步的迭代不可能得到显著不同的结果)。
然而，当基于模型的解释方法，尤其是那些涉及迭代搜索的基于模型的解释方法具有较差的初始值时，例如，从一个不佳的开始位置被初始化时，容易产生大的收敛误差。图1A和1B示出这种情况。图1A示出检查侧腰椎的数字射线照片，并且还示出以Cootes和Taylor建立的动态形状模型(active shape model，ASM)为形式的基于模型的解释方法。例如，请见《SPIE医学成像学报》(ProceedingsSPIE Medical Imaging)，第236-248页(2001年2月)，Cootes和Taylor所著“Statistical model of appearance for medical imageanalysis and computer vision”。ASM应用迭代搜索使模型从初始位置变形为收敛的位置。如图1A所示，较差的初始位置会在腰椎椎骨位置的不正确估计值处产生收敛。另一方面，如图1B所示，较好的初始位置会在椎骨位置的正确估计值处产生收敛。
合适的初始化参数可以由熟练的放射学家或者其他医务人员通过手工输入获得。然而，手工设置初始值与全自动CAD过程的目标相违背。
发明内容
本发明的目的在于通过自动分析对前述情况进行处理，以便为数字射线照片的基于模型的解释获得模型参数的初始值。本发明是基于发明人这里对以下事实的认识，即根据任何一个特定射线照相方案(例如，检查侧腰椎)获得的所有射线照片将包括对于不同患者和不同检查所共有的特别区域。
这样，根据一个方面，本发明为数字射线照片的基于模型的解释获得模型参数初始值，所述数字射线照片是根据射线照相方案从患者处获得的。根据利用相同的射线照相方案获得的多张不同射线照片上共有的边界标记，确定射线照片中的兴趣区域。之后，对兴趣区域进行分析，以便计算初始模型参数的候选值。如果需要，之后可以对候选值进行细化，以对于兴趣区域中出现的重复结构澄清候选值。
在优选实施方式中，边界标记包括由相同的射线照相方案产生的每个不同射线照片中高对比度的特别区域。例如，在侧腰椎治疗方案的情况下，射线照片的特征是具有明亮的骨盆区域、与患者背部之外的非患者区域对应的黑暗区域以及黑暗的肺部区域。包含兴趣区域的明亮脊柱，将黑暗的肺部区域与黑暗的非患者区域分隔开。利用图像增强技术，如均衡化、窗位选择(window leveling)和阈值设置，确定这些边界标记，以便确定兴趣区域。
在其他的优选实施方式中，根据兴趣区域中视觉上显著的特征和这些特征在该兴趣区域中的空间定位计算出模型参数的候选值。由于模型在兴趣区域中可能常常包括难以澄清的重复结构，因此，计算候选值只能找出一些重复的结构，而不能将它们彼此相互区分。例如，在检查侧腰椎时，兴趣区域可能包含髂骨上方的五块椎骨。因此可变形模型的初始参数可能包含定义五个几乎相同的矩形区域的参数，并且因此而难以将其中的一块椎骨(以及相应的矩形区域)与其他椎骨相区分。因此，候选值经常无法将重复的结构相区分，并在射线照片中可能常常包含从实际位置向上或者向下的偏移。
优选地是相对于用于确定兴趣区域的边界标记和相对于兴趣区域本身的边界进行澄清处理。例如，一旦在检查侧腰椎的兴趣区域中识别出明显的椎骨，并且根据该明显的椎骨计算出候选值，就能够通过相对于黑暗的肺部区域和明亮的髂骨区域进行距离测量而澄清候选值。
参数的初始值可以与射线照片中预计的病理相对应。例如，在预计是正常病理的情况下，可以选择“正常”的初始模型。同样，在预计是异常病理的情况下，可以选择“异常”的初始模型。另外，还可以根据多个不同初始参数组中的两组或者多组进行处理，其中对这些组中的一组进行的自动选择是基于可变形模型的收敛进行的。
基于模型的解释可以是基于可变形模型的解释，也可以是基于迭代模型的解释，迭代模型如Cootes和Taylor所述的ASM和同是由Cootes和Taylor所述的动态表观模型(active appearance model，AAM)。另外，基于模型的解释还可以是非迭代模型，如通过对数字射线照片的小波分析或神经网络实现的模型。
本发明的另一优选实施方式涉及数字射线照片的自动CAD处理，该自动CAD处理计算数字射线照片基于模型的解释的模型参数初始值，之后根据基于模型的解释修改初始值以便获得参数的最佳估计值，这些参数为射线照片中发现的特征精确地建立模型。然后，从解释结果获得测量结果，以便提供射线照片中发现的病理的计算机辅助诊断。例如，在检查侧腰椎的情况下，能够进行CAD处理以便诊断出驼背和脊柱前弯症以及这些病情的相对严重程度。
本简短的总结使得本发明的原理能够被很快地理解。结合附图，参照以下对优选实施方式的详细描述，可以获得对本发明更全面的理解。
图1A和图1B是示出差初始化效果和好初始化效果的代表性数字射线照片；图2示出远距射线照相计算机辅助诊断(CAD)系统的框图；图3示出根据本发明的CAD分析的流程图；图4A和4B是用于解释指定数字射线照片中训练点的图；图5是用于解释自动搜索数字射线照片中的图像数据以便获得精确形状模型的图；图6示出用于根据本发明获得模型参数初始值的方法的详细流程图；图7A至7F是使用相同射线照相方案的不同患者的代表性数字射线照片；图8A至8F是用于解释图像处理的图，通过该图像处理确定兴趣区域；图9A至9F是用于解释图像处理的图，通过该图像处理计算初始模型参数的候选值；图10A至10F是图7A至7F所示相同的数字射线照片的图，只是确定了映射到图像上的椎骨，用于解释根据本发明进行的澄清；以及图11是用于解释本发明第二实施方式的流程图。
具体实施例方式
图2是远距射线照相CAD(计算机辅助诊断)系统的概括性框图。如图2所示，远距射线照相CAD系统包括多个医院和放射中心10、20和30，管理站点40和远距射线照相CAD站点50，所有这些通过广域网45或者在网络上互联。典型的医院包括数字射线照相设备11，用于获得患者的原始数字射线照片；胶片扫描仪12，用于将X光胶片转换为数字射线照片形式。该医院还包括PACS(医学影像存档与通信系统)工作站14和15，所有这些通过网络连接17与图像数据库16相互通信，网络线接17可以是局域网、广域网或企业内部互联网。路由器18提供与远距射线照相CAD系统其他部件的通信。
医院20、其他的医院和放射中心30包括相似的结构，尽管应当理解这些结构仅示例性示出了放射中心的通常情况。
管理站点40管理系统中远距射线照相CAD方面，如接受请求并将请求寻路至适当的CAD站点，以及为诊断信息适当地寻路返回至发出请求的站点。
远距射线照相CAD站点50包括CAD服务器51，该服务器通过网络连接57与PACS工作站52和53以及图像数据库55通信。路由器58将远距射线照相CAD站点50与系统中其他部件互联。
在典型的运行情况下，医院10将利用数字射线照相设备11或者胶片扫描仪12获得数字射线照片，该数字射线照片被存储在图像数据库16中。放射学家或者其他医务人员利用PACS工作站14或者15中的一台工作站发出CAD服务的请求，该请求由管理站点40进行处理。管理站点40将该请求寻路至远距射线照相CAD站点50，在该站点，CAD服务器51为该请求提供服务。优选地，CAD站点50的技术人员参与利用PACS工作站52和53中的一台工作站进行CAD分析。可以从图像数据库16获得图像数据本身，或者可以将图像数据本身发送到图像数据库55。优选地，以DICOM格式存储该图像。通过管理站点40将CAD分析的结果寻路返回至医院10，在医院10中CAD分析的结果到达PACS工作站14或者15中的一台工作站上的原始请求人处。
在本实施方式中，本发明的CAD系统置于CAD服务器51中。当然，也可以有其他的实施方式，如令CAD在本地PACS工作站14或者15中运行的实施方式，或者在数字射线照相设备11自身中运行的实施方式。然而，本实施方式中的集中式方案比分散式方案更优越，如具有提供统一诊断的优点，以及在自动诊断功能升级的情况下简化更新的优点。
图3示出CAD服务器51中进行CAD处理的概括性流程图。根据本发明的CAD处理是数字射线照片的基于模型的解释，在该解释中多个模型参数定义了数字射线照片中特征的数学模型。目前，优选的是两种模型，都是由Cootes和Taylor所建立的前述动态形状模型(ASM)，在该模型中通过匹配模型点周围的灰度级强度特性建立形状的模型，以便与训练数据中的对应点达到最佳匹配；以及动态表观模型(AAM)，在该模型中使用形状和纹理在搜索时限定对象的表观。ASM和AAM都运用迭代搜索以达到最佳匹配，也可以使用其他迭代的基于模型的解释。此外，也可以使用非迭代的基于模型的解释，如神经网络等。
如图3所示，在步骤S301，利用代表受CAD处理的数字射线照片的图像数据61以及利用模型63计算模型参数的初始值。该模型基于训练数据，训练数据是通常通过对由图像数据61代表的、来自相同射线照相方案的大量数字射线照片进行分析而事先获得的、主要凭经验导出的数据。典型地，由经验丰富的医生利用对训练图像的人工注释进行这种主要凭经验的分析。医生在每个训练图像中画出边界标记点，然后通过在边界标记点之间插入值，生成沿边界的其他点。图4A和4B以ASM为例，说明如何通过此法生成训练形状。图4A中的图像示出经验丰富的医生手绘的边界标记点，而图4B中的图像示出通过沿边界插入值得到的形状。
尽管由经验丰富的医生对大量训练图像进行人工注释是一项费时的工作，然而，由于经验丰富的医生的精确性和可靠性可以产生改进的训练数据，因此优选地是采用自动的或者半自动的注释方法。
返回图3，步骤301生成如下结合图6进行更充分解释的模型参数的初始值。生成的初始值以标号62图示出。在步骤S301中初始化后，在步骤S302中优化模型参数。优化的确切方法取决于使用的特定的基于模型的解释。在ASM情况下，使用迭代搜索以便通过每个模型点沿按模型边界的轮廓检查图像强度的变化。对于给定的模型点，在图像中该点的每侧沿k个像素的轮廓对灰度级强度(或其导数)进行采样。这一处理在图5中示出，图5示出从标记“0”向外延伸的线段，沿该线段对图像强度特性进行采样。利用来自训练组的轮廓为每个模型点建立灰度级强度(或其导数)采样的多元高斯模型。在ASM搜索中，沿该轮廓移动每个模型点，以便在灰度级强度特性上达到“最佳”匹配，“最佳”的意思是通过进一步的迭代不会在精度上获得显著改进。直观上，当模型边界与边缘相对应时，前述搜索处理就会沿轮廓定位最近似的边缘。在更新了所有的模型点位置后，就找到了新模型参数以令模型形状适合于新形状。重复移动模型点以最佳匹配成像特性然后更新模型形状参数的这一处理，直到由于进一步的迭代不再获得点位置的显著改变而达到收敛。
尽管AAM不仅使用图像中的形状特性，而且使用整个对象的纹理描述，但是可以根据AAM采用基于模型的解释的相似方法。
在步骤S302中对模型参数进行了优化后，运行步骤S303，从已优化的参数中提取诊断信息。例如，在对侧腰椎进行检查的射线照相方案的情况下，自动测量磁盘空间、椎骨高度等等。根据使用的解释模型和采用的射线照相方案，例如由自动测量进行诊断信息的提取。例如，在涉及前臂、足部或者手、婴儿臀部、婴儿足部和腿部X光照片的射线照相方案中，自动测量这些治疗方案共有的显著图像特性。作为另一个例子，在三维射线照片的情况下，可以进行三维测量，如可以区分脊柱侧凸、驼背和脊柱前弯的测量。最后，在步骤S304，输出诊断报告。
所有成像的基于模型的解释都需要设置好的模型参数初始值以便确保收敛。ASM开始于初始形状，根据该初始形状提取成像特性并用于改善该形状。AAM开始于某些初始表观模型参数，这些参数提供初始形状和初始纹理。
图6是示出根据本发明设置基于模型的解释(图3中步骤S301)的初始值的流程图。图6简要说明了用于获得模型参数初始值的技术，模型参数是根据射线照相方案获得的患者数字射线照片的基于模型的解释中的模型参数，其中基于模型的解释根据数字射线照片的内容修改初始值，以便获得参数的修改值，从而建立其特征的模型。如图6所示，在射线照片中确定兴趣区域，其中根据相同射线照相方案获得的多个不同的射线照片共有的边界标记确定兴趣区域。之后，分析兴趣区域以便计算出初始模型参数的候选值。当候选值明确时，则使用这些候选值作为图3所示流程中的初始模型参数。另一方面，当候选值不明确时，则针对兴趣区域中的重复结构澄清候选值。
尤其参见图6，这里发明人认识到根据任何一个特定射线照相方案(例如，检查侧腰椎)获得的所有射线照片都将包括在每位患者和每次检查都是共同的特别区域。这些特别区域组成多个不同射线照片共同的边界标记，并且这些边界标记用于确定任意一个特定射线照片中的兴趣区域。例如，图7A到7F说明使用相同射线照相方案的不同患者的不同射线照片，在此情况下，射线照相方案是检查侧腰椎。尽管患者不同且检查不同，但是图7A到7F中的每一个包括以明亮的骨盆区域、与患者背部之外的非患者区域对应的黑暗区域以及黑暗的肺部区域的形式组成的共同边界标记。这三个区域围绕着腰脊柱，腰脊柱是本特定射线照相方案的兴趣区域。结合步骤S601至S606更详细地描述根据这些共同的边界标记对兴趣区域的确定。首先，由于认识到原始图像通常都不理想，因此在步骤S601中进行窗位选择。这在图8B中通过结合图8A中示出的原始数字射线照片(该射线照片还与图7A中示出的射线照片相对应)进行说明。在步骤S601中还设置阈值(图8C所示)以便定位髂骨。在图像的上部与黑暗的肺部区域相邻的地方检测到脊柱(步骤S602)。然后通过将脊柱的右边界与髂骨的顶部相连，检测出兴趣区域的右边界(步骤S603)，如图8D所示。在步骤S604中将图像旋转，以便令边界垂直，这种旋转根据水平的和垂直的线和结构提供了简化的处理。图8E中示出了已旋转的图像。然后，根据与射线照相方案相关的依经验导出的信息，获得矩形的兴趣区域。在检查侧腰椎的情况下，已经确定合适的兴趣区域是图像宽度的大约1/4，并且根据肺底部的较低层，获得侧腰椎的矩形兴趣区域。在兴趣区域中另外进行窗位选择以便增强该处的特征(步骤S606)。在图8F中描述了进行窗位选择的兴趣区域。
在确定兴趣区域后，进行步骤S608至步骤S613，以分析兴趣区域，从而计算初始模型参数的候选值。在检查侧腰椎的情况下，模型参数定义兴趣区域中五块椎骨的形状。由于这些椎骨彼此之间具有相对固定的位置，因此，图像中一块椎骨的中心就为获得模型参数的候选值提供了足够的信息。关于椎骨的附加信息可以进一步改善对模型参数初始值的设置。
这样，在步骤S608，将兴趣区域中的图像锐化，并采用简单的3×3滤镜掩膜定位水平线(步骤S609)。这些步骤的结果分别在图9A和图9B中示出。找到最明亮的水平线，并计算其宽度(步骤S610)，假设该最明亮的水平线与椎骨边缘对应。然后，检测两个其他相邻边缘(步骤S611。所检测的边缘取决于最明亮椎骨相对于肺和髂骨的位置。尤其是，根据此位置向下到第一边缘、或者向上到第一边缘、或者向上一个边缘和向下一个边缘地搜索相邻边缘。在这些情况的任意一种情况下，原始边缘加上两个相邻边缘定义了一块椎骨以及与其相邻的椎骨边缘。边缘检测的结果在图9D中示出。
然后，检测第四边缘(步骤S612)以便勾勒出两块相邻的椎骨轮廓，如图9E所示。将这些边缘旋转回原始的位置(步骤S613)，如图9F所示。可以选择被勾勒出轮廓的椎骨中一块的中心来设置模型参数的初始值。
使用大量图像得到的大致位置足以定义初始模型参数的候选值。例如，当用于涉及膝盖软骨的射线照相方案时，由初始模型参数定义的形状足够明显，则对于初始模型参数而言该候选值是可用的。然而，在其他情况下，尤其是有多个彼此相似的重复结构的情况下，可能有必要进行澄清以澄清这些重复结构的候选值。
那种情况表现在检查侧腰椎中，在此情况下五块椎骨是重复的且通常难以区分的矩形。图10A至10F说明了这种情况，在这种情况下对图7A至7F中原始示出的六张数字射线照片采用了步骤S601至S613。如图10A至10F所示，步骤S601至S613已得到确定每个患者不同椎骨的候选值。因此，对于这种治疗方案需进行澄清处理。
当需进行澄清处理时，则在步骤S615中执行。在检查侧腰椎的情况下，通过利用每个椎骨相对于肺和髂骨的位置确定每个椎骨来进行澄清。
图11示出本发明的第二实施方式，在本实施方式中生成多个不同的初始参数组，每组分别对应所述射线照相方案中不同的病理。还提供了多个不同的模型，每个模型对应不同病理组中的一个。例如，在检查侧腰椎的情况下，不同的病理可以包括脊柱侧凸、驼背和脊柱前弯。基于模型的解释使用相关的模型并设置模型参数的初始值，以便获得对应的多组收敛的模型参数(步骤S1102)。分析每组模型参数，确定哪一组收敛得最佳，并选取那组收敛模型参数(步骤S1103)。对于选取的收敛值，提取诊断信息(步骤S1104)并输出诊断报告(步骤S1105)。
前面已参考特定的示例性实施方式描述了本发明。应当理解，本发明不限于上述实施方式，在不脱离本发明的实质和范围的情况下，本领域内的普通技术人员可以做出各种改变和修改。
权利要求
1.一种为根据射线照相方案得到的患者数字射线照片的基于模型的解释获得初始模型参数值的方法，其中基于模型的解释根据数字射线照片的内容改变模型参数，以便建立其特征的模型，所述方法包括以下步骤确定射线照片中的兴趣区域，其中根据利用相同射线照相方案获得的多张不同射线照片共有的边界标记确定该兴趣区域；以及分析该兴趣区域以便计算初始模型参数的一个或多个候选值。
2.根据权利要求1所述的方法，其中边界标记包括由相同射线照相方案产生的多张不同射线图像中具有高对比度的特别区域。
3.根据权利要求2所述的方法，其中射线照相方案是侧腰椎方案，并且其中边界标记包括明亮的骨盆区域、与患者背部之外的非患者区域对应的黑暗区域以及黑暗的肺部区域，包含兴趣区域的明亮脊柱把黑暗的肺部区域与黑暗的非患者区域分隔开。
4.根据权利要求1所述的方法，其中所述确定步骤包括包含均衡化、窗位选择以及阈值设置以便定义兴趣区域的图像增强技术。
5.根据权利要求1所述的方法，其中根据兴趣区域中视觉上显著的特征和兴趣区域中这些特征的空间定位计算初始模型参数的候选值。
6.根据权利要求5所述的方法，其中射线照相方案是侧腰椎检查，可变形模型的初始参数定义与髂骨上方的五块椎骨相应的五个几乎相同的矩形区域，并且不考虑五个矩形区域中的哪一个对应椎骨之一而计算初始模型参数的候选值。
7.根据权利要求1所述的方法，还包括关于兴趣区域中发现的重复结构对初始模型参数的候选值进行澄清的步骤。
8.根据权利要求7所述的方法，其中相对于用于确定兴趣区域的边界标记进行澄清。
9.根据权利要求8所述的方法，其中还相对于兴趣区域本身的边界进行澄清。
10.根据权利要求9所述的方法，其中射线照相方案是侧腰椎检查，并且通过相对于黑暗的肺部区域和明亮的髂骨区域的距离测量澄清初始模型参数。
11.根据权利要求1所述的方法，还包括从对应于多种不同病理的多个不同初始值组中选择初始模型参数组的步骤。
12.根据权利要求1所述的方法，还包括如下步骤选择对应于多种不同病理的多个不同模型；对于根据权利要求1的每个不同模型，获得初始模型参数组；根据基于模型的解释改变每个初始模型参数组；以及根据基于模型的解释中所有模型的收敛情况，选择一个模型参数组。
13.根据权利要求1所述的方法，其中基于模型的解释是基于迭代模型。
14.根据权利要求1所述的方法，其中基于模型的解释是基于非迭代模型。
15.一种通过根据权利要求1至14中任一项对数字射线照片的基于模型的解释确定初始模型参数组来对数字射线照片进行的自动CAD处理，包括根据基于模型的解释改变模型参数，以便获得射线照片中发现的特征的最佳估计；以及分析解释结果，以便提供射线照片中发现的病理的计算机辅助诊断。
全文摘要
本发明公开了通过基于模型的解释对数字射线照片进行的自动计算机辅助诊断(CAD)处理，其初始化提供了模型所用的初始参数组。可以根据数字射线照片中预计的病理选择初始参数，并可以由模型对初始参数进行优化以便与射线照片中示出的特征相匹配。该模型是迭代模型或者非迭代模型。根据解释结果进行分析，以便诊断射线照片中示出的病理。
文档编号A61B6/00GK1503169SQ200310115488
公开日2004年6月9日 申请日期2003年11月26日 优先权日2002年11月27日
发明者童歆, 亚历山大·贝雷斯托夫, 大 贝雷斯托夫, 童 歆 申请人:佳能株式会社