TWI686178B - 自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統 - Google Patents

自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統 Download PDF

Info

Publication number
TWI686178B
TWI686178B TW108136756A TW108136756A TWI686178B TW I686178 B TWI686178 B TW I686178B TW 108136756 A TW108136756 A TW 108136756A TW 108136756 A TW108136756 A TW 108136756A TW I686178 B TWI686178 B TW I686178B
Authority
TW
Taiwan
Prior art keywords
area
brain
target image
striatum
count value
Prior art date
Application number
TW108136756A
Other languages
English (en)
Other versions
TW202114598A (zh
Inventor
林汶正
林康平
Original Assignee
中原大學
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 中原大學 filed Critical 中原大學
Priority to TW108136756A priority Critical patent/TWI686178B/zh
Application granted granted Critical
Publication of TWI686178B publication Critical patent/TWI686178B/zh
Priority to US16/840,441 priority patent/US11094065B2/en
Publication of TW202114598A publication Critical patent/TW202114598A/zh

Links

Images

Classifications

    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Physiology (AREA)
  • Nuclear Medicine (AREA)

Abstract

一種自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統。此方法須先取得目標影像，接著，將目標影像投影至空間座標產生投影量並取得大腦的上端及下端，並設定上端至下端之預設範圍為目標影像中的紋狀體切片區域；利用線檢測法從目標影像中判斷出大腦區域，之後，根據大腦區域及紋狀體切片區域對腦部立體模板進行形變，使腦部立體模板中的紋狀體與目標影像相對應，藉以定位出目標影像的紋狀體區；最後便可計算紋狀體區的專一性攝取率。

Description

自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統
本發明是有關於一種核子醫學腦部影像分析技術，特別是有關於一種自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統。
核子醫學多巴胺影像是一種用來協助早期診斷原發性巴金森氏症的工具。多巴胺轉運體（dopamine transporter，DaT）是多巴胺神經元上的特殊表現蛋白。隨著神經元退化，這些多巴胺轉運體蛋白的數量也會減少。多巴胺影像乃是藉由核醫藥物標記多巴胺物質，來評估腦中紋狀體多巴胺神經元的活性，進而協助臨床醫師判斷運動神經障礙疾病是否係因為多巴胺神經退化所導致。
因為不同類型的巴金森氏症候群皆有不同的治療方法及不同的預後，例如血管性巴金森症候群（vascular parkinsonism）是因為發生在控制運動的基底核附近的連續性輕微中風所造成，而錳中毒也會出現巴金森症狀。這些巴金森症候群之治療方法不同，預後也不相同，所以有效區分「原發性巴金森氏症病」與其他巴金森氏症候群之疾病在臨床上相當重要。
然而，臨床上需要借助多巴胺影像，例如單光子電腦斷層掃描（SPECT）或正子斷層造影（PET）等醫學影像的協助，才能準確地分類不同類型的巴金森氏症。透過SPECT造影的多巴胺影像之判斷，傳統上需靠著專業醫師來將影像擺正調整以評估紋狀體功能是否有退化現象，以及執行半定量分析來計算專一攝取率（specific uptake ratio）。一般而言，會由醫師在數張斷層影像上逐一圈選範圍，以利用圈選範圍中的計數值（counts）來計算專一攝取率，然而此不僅費時費力、缺乏客觀性，甚至存在人因性誤差。
有鑑於此，本發明提供一種自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統，其可在核子醫學腦部影像中自動圈選立體興趣區域，並根據立體興趣區域中的放射性藥物含量計算紋狀體專一性攝取率。
本發明提供一種自動化計算紋狀體專一性攝取率的方法，所述方法包括下列步驟。取得目標影像，其中目標影像包括核子醫學腦部影像。將目標影像投影至空間座標產生投影量。基於投影量的像素灰度值在目標影像中取得大腦的上端及下端。並設定上端至下端之預設範圍為目標影像中的紋狀體切片區域。利用線檢測法從目標影像中判斷出大腦區域。根據大腦區域及紋狀體切片區域對腦部立體模板進行形變，使腦部立體模板中的紋狀體映射至目標影像中的大腦區域，並定位出目標影像中的紋狀體區。計算紋狀體區域的計數值為第一平均計數值。設定目標影像的其他區域為背景區域，並計算背景區域的計數值為第二平均計數值。根據第一平均計數值及第二平均計數值計算目標影像之專一性攝取率。
在本發明的一實施例中，上述的在將目標影像投影至空間座標產生投影量的步驟之前，更包括：對目標影像進行影像空間解析度轉換。
在本發明的一實施例中，上述的基於投影量的像素灰度值，在目標影像中取得大腦的上端及下端的步驟係包括：由投影量的上方端點從上往下搜尋至預設位置處，取上方端點至預設位置處內之像素灰度低谷值的坐標位置為上端。以及由投影量的下方端點從下往上搜尋至預設位置處，取下方端點至預設位置處內之像素灰度低谷值的坐標位置為下端。
在本發明的一實施例中，上述的預設位置係為1/2投影量的軸線高度。
在本發明的一實施例中，上述的預設範圍係為上端至下端之投影量的軸線高度差的1/2至2/3。
在本發明的一實施例中，上述的利用線檢測法從目標影像中判斷出大腦區域的步驟包括：逐一提取上端至下端範圍內目標影像的多個目標影像切片。將目標影像切片的影像中心設定為極坐標的圖像中心，並將目標影像切片從笛卡爾坐標系轉換至極坐標系。偵測影像邊界以界定轉換後的目標影像切片中的大腦輪廓線。以及將具有大腦輪廓線之目標影像切片轉換回笛卡爾坐標系，並從目標影像中判斷出大腦區域。
在本發明的一實施例中，上述的根據大腦區域及紋狀體切片區域對腦部立體模板進行形變，使腦部立體模板中的紋狀體映射至目標影像中的大腦區域，並定位出目標影像中的紋狀體區的步驟包括：根據上端、下端及紋狀體切片區域對腦部立體模板進行垂直軸的縮放。利用薄板樣條法對縮放後的腦部立體模板進行水平軸的扭曲。將調整後的腦部立體模板中的紋狀體映射至目標影像中的大腦區域。以及定位出目標影像中的紋狀體區及紋狀體區的中心位置。
在本發明的一實施例中，上述的計算紋狀體區的計數值為第一平均計數值的步驟包括：根據紋狀體區的總計數值及總面積計算紋狀體區的第一平均計數值。
在本發明的一實施例中，上述的背景區域係包含枕葉區域，並且計算枕葉區域的第二平均計數值的步驟包括：由投影量的上方端點從上往下方向，第一張出現紋狀體切片區域的切片位置往下設定切片範圍。根據劃分區域在切片範圍中切割出枕葉區域。以及根據枕葉區域的總計數值及總面積計算枕葉區域的第二平均計數值。
在本發明的一實施例中，上述的背景區域係包括小腦區域，計算小腦區域的計數值為第二平均計數值的步驟包括：根據大腦的下端位置往下設定切片範圍。根據劃分區域在切片範圍中切割出小腦區域。以及根據小腦區域的總計數值及總面積計算小腦區域的第二平均計數值。
在本發明的一實施例中，上述的背景區域包括全腦區域，並且計算全腦區域的計數值為第二平均計數值的步驟包括：根據大腦區域減去紋狀體區部分的總計數值及總面積計算第二平均計數值。
在本發明的一實施例中，上述的根據第一平均計數值及第二平均計數值計算目標影像之專一性攝取率的步驟包括：將第一平均計數值與第二平均計數值相減後除以第二平均計數值，以取得專一性攝取率。
本發明另提供一種自動化定位核子醫學腦部影像紋狀體的方法。所述方法包括下列步驟：取得目標影像，其中目標影像係包括核子醫學腦部影像。將目標影像投影至空間座標產生投影量。基於投影量的像素灰度值，在目標影像中取得大腦的上端及下端。設定上端至下端之預設範圍為目標影像中的紋狀體切片區域。利用線檢測法從目標影像中判斷出大腦區域。根據大腦區域及紋狀體切片區域對腦部立體模板進行形變，使腦部立體模板中的紋狀體映射至目標影像中的大腦區域。以及定位出目標影像中之紋狀體區。
本發明還提供一種自動化計算紋狀體專一性攝取率的系統。所述系統包括影像接收裝置以及電子裝置。影像接收裝置經配置以接收目標影像，其中目標影像包括核子醫學腦部影像。電子裝置包括儲存裝置及處理器，儲存裝置儲存一或多個指令，處理器經配置以執行所述指令以取得目標影像；將目標影像投影至空間座標產生投影量；基於投影量的像素灰度值，在目標影像中取得大腦的上端及下端；將上端至下端之投影量的軸線高度差的1/2至2/3，設定為目標影像中的紋狀體切片區域；利用線檢測法從目標影像中判斷出大腦區域；根據大腦區域及紋狀體切片區域對腦部立體模板進行形變，使腦部立體模板中的紋狀體映射至目標影像中的該大腦區域，並定位出目標影像中之紋狀體區；計算紋狀體區域的計數值為第一平均計數值；設定目標影像的其他區域為背景區域，並計算背景區域的計數值為第二平均計數值；以及根據第一平均計數值及第二平均計數值計算目標影像之專一性攝取率。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
本發明根據坐標位置在核子醫學腦部影像中判斷出大腦區域及紋狀體切片區域。並根據判斷出的大腦區域及紋狀體切片區域對腦部立體模板進行縮放及扭曲，以分割出核子醫學腦部影像中的紋狀體區域。在取得核子醫學腦部影像中各立體興趣區域的範圍後，透過計算各區域的平均計數值以計算出基於不同背景區域的紋狀體的專一性攝取率。藉此，可減少人工圈選立體興趣區域的時間，且可避免人因性誤差。
圖1繪示本發明一實施例的自動化計算紋狀體專一性攝取率的方法的流程圖。圖10繪示本發明一實施例的自動化計算紋狀體專一性攝取率的系統的方塊圖。請參照圖10，自動化計算紋狀體專一性攝取率的系統1000包括影像接收裝置1100以及電子裝置1200。影像接收裝置1100耦接至電子裝置1200，可以有線或無線的方式與電子裝置1200連接以傳輸資料。
影像接收裝置1100會接收影像擷取裝置產生的目標影像。影像擷取裝置利用掃描儀器繞著病人進行180度或360度旋轉掃描，並收集病人攝取的放射性藥物在掃描部位放射出的輻射訊號。接著將收集的輻射訊號經由適當的轉換產生三度空間的影像，其中掃描出來的影像可以包括矢狀面（Sagittal plane）、冠狀面（Coronal plane）或橫狀面（Transverse plane）甚至於任意角度的斷層影像。掃描儀器例如是單光子電腦斷層掃描（SPECT）儀器等醫學儀器，本發明不在此限制。
在本文中，目標影像一詞是指經由掃描儀器掃描目標器官並經重組後的核子醫學腦部影像。目標影像包括以三度空間立體影像重建出的平面影像，包括矢狀面切片影像、冠狀面切片影像以及橫狀面切片影像。此外，一般核子醫學腦部影像中腦部的立體興趣區域至少包括大腦部區、紋狀體區、枕葉區以及小腦區。
電子裝置1200包括處理器1201以及儲存裝置1202。電子裝置1200可以是個人電腦、筆記型電腦或遠端主機等具有運算功能的裝置，本發明不在此限制。
在不同實施例中，處理器1201例如是中央處理單元（Central Processing Unit，CPU）或是圖形處理器（Graphics Processing Unit，GPU），或是其他可程式化之一般用途或特殊用途的微處理器（Microprocessor）、數位訊號處理器（Digital Signal Processor，DSP）、可程式化控制器、特殊應用積體電路（Application Specific Integrated Circuits，ASIC）、可程式化邏輯裝置（Programmable Logic Device，PLD）或其他類似裝置或這些裝置的組合。處理器1201係耦接至儲存裝置1202，而可存取並經配置以執行記錄在儲存裝置1202中的指令，以實現本發明實施例的自動化計算紋狀體專一性攝取率的方法。
儲存裝置1202例如是任意型式的固定式或可移動式隨機存取記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、快閃記憶體（Flash memory）或其他類似裝置或這些裝置的組合，而用以記錄可由處理器1201執行的一或多個指令，這些指令可載入處理器1201。
請同時參照圖1及圖10，本實施例的方法適用於上述的系統1000，以下即搭配系統1000的各項裝置及元件說明本實施例的自動化計算紋狀體專一性攝取率的方法的詳細步驟。
首先，處理器1201取得由影像接收裝置1100所接收已經重組轉換的多個目標影像，其中目標影像包括核子醫學腦部影像（步驟S102）。處理器1201取得目標影像後，計算取得目標影像的空間解析度（Spatial Resolution）的參數（例如，x=A(mm)；y=B(mm)；z=C(mm)）。為了符合本實施例設計的方法所需的解析度，在取得目標影像後，處理器1201先對目標影像進行影像空間解析度轉換。具體而言，處理器1201可以利用內插補點（Interpolation）的方法將目標影像的空間解析度參數轉換至x=D(mm)；y=E(mm)；z=F(mm)。
舉例而言，在本實施例中，目標影像為核子醫學腦部影像。假設影像接收裝置1100擷取到的原始目標影像的空間解析度為x=3.895(mm)；y=3.895(mm)；z=3.895(mm)，經由內插補點的方法切片重組（re-slicing）原始目標影像後，解析度可被轉換為x=1.000(mm)；y=1.000(mm)；z=1.000(mm)。其中內插補點法例如是最近相鄰內插法（Nearest Neighbor Interpolation）、雙線性內插法（Bilinear Interpolation）或雙三次差值（Bicubic Interpolation）等方法，本發明不在此限制。
接著，處理器1201在目標影像中判斷出大腦區域及紋狀體切片區域。首先，處理器1201將目標影像投影至空間座標產生投影量（步驟S104）。接著，處理器1201基於投影量的像素灰度值，在目標影像中取得大腦的上端及下端（步驟S106）。詳細而言，處理器1201會投影目標影像至空間座標產生目標影像的投影量，並基於投影量利用像素灰度值在目標影像中取得大腦的上端及下端。在一實施例中，處理器1201會由投影量的上方端點從上往下搜尋至預設位置處，接著取上方端點至預設位置處內之像素灰度低谷值的坐標位置為上端。並且處理器1201由投影量的下方端點從下往上搜尋至預設位置處，接著取下方端點至預設位置處內之像素灰度低谷值的坐標位置為下端。其中本發明不在此限定用於設定搜尋範圍的預設位置，其可以例如是投影量的軸線高度1/2位置處。之後，處理器1201設定上端至下端之預設範圍為目標影像中的紋狀體切片區域（步驟S108）。在一實施例中，處理器1201會在上端至下端範圍內設定投影量中預設座標範圍內所包括的切片為紋狀體切片區域，其中本發明不在此限定預設座標範圍，其可例如是上端至下端之投影量的軸線高度差的1/2至2/3範圍。最後，處理器1201利用線檢測法從目標影像中判斷出大腦區域。
以下以一實施例說明步驟S104~S108的詳細內容。在本實施例中，首先須確定大腦區域在目標影像中的頂部及底部的邊界，以確定大腦區域的頂部及底部範圍。圖2繪示本發明一實施例，請參照圖2，處理器1201將目標影像矢狀面和冠狀面切片進行加總計算產生投影量，獲得如圖2左邊所示為加總後的矢狀面切片影像；右邊為加總後的冠狀面切片影像。接著處理器1201對加總後的目標影像的z軸作投影計算，並定義出z軸總高度h z。接著處理器1201對加總後的矢狀面及冠狀面切片影像，由z軸投影量的上方端點從上往下搜尋至z軸總高度h z的1/2處，從中找到像素灰度值的低谷值的坐標並定義為大腦頂部「上端B UP」。另外，處理器1201對加總後的矢狀面及冠狀面切片影像，由z軸投影量的下方端點從下往上搜尋至z軸總高度h z的1/2處，從中找到像素灰度值的低谷值的坐標並定義為大腦底部「下端B DW」。並且處理器1201將獲取的上端B UP至下端B DW之間的高度定義為高度h。最後，將上端B UP至下端B DW之間範圍高度h/2至高度2h/3內所包括的切片影像區域定義為紋狀體切片區域，此紋狀體切片區域代表紋狀體可能存在的位置。換句話說，目標影像中上端B UP至下端B DW之間高度h/2處的位置可視為是紋狀體切片區域的第一個橫狀面紋狀體切片位置Str 1st，而高度2h/3處的位置可視為是紋狀體切片區域的最後一個橫狀面紋狀體切片位置Str n。
接續進行大腦輪廓檢測。處理器1201利用線檢測法從目標影像中判斷出大腦區域（步驟S110）。在本實施例中，處理器1201在確定大腦區域的上端B UP及下端B DW的位置參數之後，逐一提取上端至下端範圍內目標影像的多個目標影像切片，並將各目標影像切片的影像中心（x 0, y 0）設定為極坐標的圖像中心。接著處理器1201將各目標影像切片從笛卡爾坐標系（x, y）轉換至極坐標系（r, θ），並偵測影像邊界以界定各轉換後的目標影像切片中的大腦輪廓線。接著處理器1201將具有大腦輪廓線之目標影像切片轉換回笛卡爾坐標系，並從目標影像中判斷出大腦區域。最後處理器1201利用平均值濾波器平滑所有的輪廓線以從目標影像中分割出大腦區域。舉例而言，圖3繪示本發明一實施例的提取大腦區域輪廓邊界的範例。請參照圖3，以橫狀面切片的影像301~304為例，對於目標影像之橫狀面切片影像301，處理器1201以影像302中心為極坐標的圖像中心300，將以笛卡爾坐標系（x, y）呈現的影像302轉換成以極坐標系（r, θ）呈現的影像303。舉例而言，處理器1201可以圖像中心300為中心點，以每3°的角度順時針將以笛卡爾坐標系呈現的影像302轉換成以極坐標系呈現的影像303，本發明不限制用於轉換的角度。接著，處理器1201利用線檢測法取得影像303中的影像邊界313，再將影像303從極坐標系轉換回笛卡爾坐標系，如影像304，則邊界313會隨同轉換為影像304之大腦區域橫狀面輪廓314。
另外，圖4繪示本發明一實施例的平均值濾波器平滑輪廓線的範例。請參照圖4，影像401中經由前步驟提取的大腦區域橫狀面輪廓411經濾波器平滑後產生影像402中的大腦區域橫狀面輪廓412。其中濾波器可以是平均值濾波器或其它種類的濾波器，本發明不在此限制。
經由前述步驟S104~S110利用像素灰度值在目標影像中確定大腦區域的上端B UP及下端B DW的位置，並在大腦區域的上端B UP及下端B DW的位置範圍中，逐一分割各橫狀面切片影像中的大腦區域輪廓線的步驟後，本實施例可以在目標影像中圈選出代表整個大腦區域的立體範圍。
接著，處理器1201根據大腦區域及紋狀體切片區域對腦部立體模板進行形變，使腦部立體模板中的紋狀體映射至目標影像中的大腦區域，並定位出目標影像中的紋狀體區（步驟S112）。詳細而言，處理器1201會根據大腦區域的上端、下端及紋狀體切片區域對腦部立體模板進行垂直軸的縮放，並且利用薄板樣條法對縮放後的腦部立體模板進行水平軸的扭曲。接著處理器1201將調整後的腦部立體模板中的紋狀體映射至目標影像中的大腦區域以定位出紋狀體區及紋狀體區的中心位置以定位出目標影像中的紋狀體區及紋狀體區的中心位置。
需先說明的是，在本文中所指的腦部立體模版是使用腦部解剖圖譜（例如MRI掃描獲得之腦部解剖圖譜），所設置的一組立體興趣區域模板。立體興趣區域模版至少包括腦部中的立體興趣區域（大腦部區、紋狀體區、及枕葉區或小腦區）。此腦部立體模板可用於全腦的空間標準化。在圖5至圖7之實施例中是以腦部立體模板其中一張切片影像為例說明縮放及扭曲腦部立體模板的方法。然而，此方法可以應用至所有切片影像以在目標影像中取得完整的立體興趣區域。
具體而言，圖5繪示本發明一實施例的腦部立體模板垂直軸縮放的範例。請參照圖5，影像501是腦部立體模板的示意圖，並且影像502為目標影像矢狀面切片影像的示意圖。處理器1201依據影像502中大腦區域的上端B UP、下端B DW、紋狀體切片區域的第一個橫狀面紋狀體切片位置Str 1st以及最後一個橫狀面紋狀體切片位置Str n的位置，對腦部立體模板的垂直軸進行縮放，使腦部立體模板經過內插值進行切片重組產生如影像503中經縮放的腦部立體模板。
另一方面，處理器1201在縮放後的腦部立體模板對應至目標影像矢狀面切片影像的紋狀體切片區域中第一個橫狀面紋狀體切片位置Str 1st以及最後一個橫狀面紋狀體切片位置Str n的範圍中，對腦部立體模板水平軸切片的切面進行扭曲，以推估紋狀體區及紋狀體區的中心位置。圖6繪示本發明腦部立體模板水平軸扭曲的一實施範例。請參照圖6，影像601是腦部立體模板橫狀面影像的切片，影像602是目標影像橫狀面切片。處理器1201例如是利用薄板樣條法（Thin plate spline）將影像601的大腦區域橫狀面輪廓611與影像602的大腦區域輪廓612進行匹配，以進行影像扭曲。舉例來說，每個目標影像的切面中薄板樣條法所需要的標記點例如是16個，包括大腦平滑輪廓上的8 個標記點以及延伸出空間集合點的8個標記點。然而本發明不在此限制標記點的數量，此標記點的數量可以更多或更少。如圖8所示，圖8繪示本發明一實施例的薄板樣條法的標記點的範例。圖8中大腦橫狀面輪廓800的是以平滑的大腦輪廓做為示意圖，其中標記點L1~L8是從大腦區域的中心位置O以每45度角的放射線與大腦區域平滑輪廓上的交點，而標記點L9~L16是中心位置O至標記點L1~L8的1/2位置處的距離點。在本實施例中，處理器1201會依據大腦區域橫狀面輪廓611及兩個大腦區域橫狀面輪廓611及612，使用上述標記點L1~L16，利用薄板樣條法將影像進行匹配，使橫狀面大腦影像601扭曲符合為橫狀面大腦影像602之大小。
在對腦部立體模板垂直軸的縮放以及水平軸的扭曲之後，可以將腦部立體模板的輪廓形變符合目標影像的大腦區域輪廓。接著，處理器1201將形變後的腦部立體模板中的紋狀體映射至目標影像的腦部區域，以推估出紋狀體區及紋狀體區的中心位置。圖7繪示本發明一實施例的分割紋狀體區的範例。請參照圖7，影像701是形變後的腦部立體模板，影像702是目標影像的橫狀面切片影像的切面。將影像701映射至影像702後，可以從影像702中分割出紋狀體區STR。
在另一實施例中，處理器1201會檢查分割出紋狀體區STR的範圍中，從紋狀體區STR最上方的切片影像位置由上往下數位於第13個切片的部分是否為專一性攝取率的最大面積。如果不是，則將紋狀體區STR的範圍朝上或下各移動3張切片，以確定紋狀體區STR的第13個切片位在具有最大專一性攝取率的切片區域當中。
本案提供的自動化定位核子醫學腦部影像紋狀體的方法包括上述步驟S102~S112。經由上述對腦部立體模板垂直軸的縮放以及水平軸的扭曲，並將形變後的腦部立體模板中的紋狀體映射至目標影像的腦部區域的步驟，可以逐一在目標影像中，紋狀體切片區域的第一個橫狀面紋狀體切片位置Str 1st以及最後一個橫狀面紋狀體切片位置Str n範圍內的各橫狀面切片影像中，圈選出代表整個紋狀體區的立體範圍。
在本案提供的自動化計算紋狀體專一性攝取率的系統及方法中，處理器1201除了上述步驟S102~S112，更經配置以計算紋狀體的專一性攝取率。處理器1201計算紋狀體區的計數值為第一平均計數值（步驟S114）。並且處理器1201設定目標影像的其他區域為背景區域，並計算背景區域的計數值為第二平均計數值（步驟S116）。其中目標影像中常用作為背景區域的其他區域包括全腦區域、枕葉區域以及小腦區域，背景區域也可以是腦部區域中其他的部位，本發明不在此限制。具體而言，處理器1201會計算紋狀體區內的總計數值（Counts）除以總面積之後作為第一平均計數值。總計數值（Counts）是核醫檢查評估器官對於藥物吸收量的重要指標，放射性藥物（標記物）平均計數值的計算方式為立體興趣區域內的標記物總計數值除以立體興趣區內的總面積。可表示成方程式(1)：
Figure 02_image001
(1)
由於紋狀體區分左右二側，因此套用方程式(1)來計算紋狀體區的平均計數值部分，可表示成方程式(2)，即，處理器1201根據左右兩側紋狀體區內的總計數值除以左右兩側紋狀體區內的總面積計算出紋狀體區的平均計數值。
Figure 02_image003
(2)
套用方程式(1)來計算單側紋狀體區的平均計數值部分，可表示成方程式(3)：
Figure 02_image005
(3)
在計算全腦區域的平均計數值部分，由於全腦區域主要是要做為半定量分析的背景區域，因此需要從大腦區域扣除左右兩側紋狀體區的範圍來取得全腦區域。詳細而言，處理器1201根據大腦區域減去紋狀體區部分的總計數值及總面積計算全腦區域的平均計數值。即，處理器1201將根據以下方程式(4)獲得全腦區域的平均計數值。
Figure 02_image007
(4)
在計算枕葉區域的平均計數值部分，首先必須先決定枕葉區域的範圍。在本實施例中，處理器1201會根據紋狀體區在目標影像中的位置推估枕葉區域。具體而言，處理器1201會根據投影量的上方端點往下方端點的方向中第一張出現紋狀體區的切片的位置推估枕葉區域的切片範圍。接著，處理器1201會根據設定的劃分區域在推估出的切片範圍中切割出枕葉區域。圖9繪示本發明一實施例的大腦區域劃分的範例。請參照圖9，大腦橫狀面輪廓900的是以平滑的大腦輪廓做為示意圖，其中劃分區域A1~A4是根據從大腦區域的中心位置O以每45度角的放射線與大腦區域平滑輪廓上的交點，以及中心位置O至各交點的1/2位置處的距離點劃分而成。處理器1201以目標影像的z軸位置從上往下數第一張出現分割出紋狀體區的橫狀面紋狀體切片位置Str 1st，再向下數第10張切片做為枕葉區域的起始切片So（即，So=Str 1st+10）。並從起始切片So向下設定10張的切片範圍，根據大腦橫狀面輪廓900中的劃分方式，在第So~So+10張切片中切割對應出劃分區域A1~A4的區域做為枕葉區域，即為代表整個枕葉區域的立體範圍。然而，本發明不在此限制切片範圍的切片張數。處理器1201根據枕葉區域的總計數值及總面積計算枕葉區域的平均計數值，如方程式(5)。
Figure 02_image009
(5)
在計算小腦區域的平均計數值部分，首先必須先決定小腦區域的範圍。在本實施例中，處理器1201會根據大腦區域的下端在投影量的位置推估小腦區域的切片範圍，並根據設定的劃分區域在切片範圍中切割出小腦區域。詳細而言，處理器1201會以前述步驟取得的大腦區域的下端B DW位置做為小腦區域的起始切片Sc。並從起始切片Sc的z軸位置向下設定10張切片範圍內，根據圖9中大腦橫狀面輪廓900中的劃分區域A2~A3的劃分方式，在第Sc~Sc+10張切片中切割對應出的區域做為小腦區域，以圈選出代表整個小腦區域的立體範圍。然而，本發明不在此限制切片範圍的切片張數。接著，處理器1201根據小腦區域的總計數值及總面積計算小腦區域的平均計數值，如方程式(6)：
Figure 02_image011
(6)
前面所述全腦區域、枕葉區域與小腦區域的平均計數值都可做為估算目標影像計算專一性攝取率的背景值（即本實施列中之第二平均計數值）。因此，如圖10及圖1所示，處理器1201根據第一平均計數值及第二平均計數值計算目標影像之專一性攝取率（步驟S118）。專一性攝取率為經常用於核子醫學腦部影像的半定量分析法。專一性攝取率的計算方式為目標區域的平均計數值與背景區域的平均計數值之差值，除以背景區域的平均計數值。在一定目標區域範圍內計算出來的專一性攝取率越高，代表該目標區域相對於背景區域的標記物攝取活性越高。在本實施例中，專一性攝取率的計算方式為處理器1201將目標區域（即，紋狀體區）的平均計數值與背景區域（即，大腦區域、枕葉區域或小腦區域）的平均計數值相減後除以背景區域的平均計數值，以取得專一性攝取率。專一性攝取率的計算方式可表示成方程式(7)：
Figure 02_image013
(7)
也就是說，處理器1201可根據紋狀體區的平均計數值與大腦區域、枕葉區域以及小腦區域等不同的背景區域分別計算出不同的專一性攝取率，提供專業醫療人員依其經驗與習慣採用。
本發明另提供一種非暫時性電腦可讀取記錄媒體，其中記錄電腦程式。該電腦程式是用以執行上述自動化計算紋狀體專一性攝取率的方法的各個步驟。此電腦程式是由多個程式碼片段所組成的（例如建立組織圖程式碼片段、設定程式碼片段、以及部署程式碼片段），並且這些程式碼片段在載入電子裝置中執行之後，即可完成上述自動化計算紋狀體專一性攝取率的方法的步驟。
綜上所述，本發明提供的自動化定位核子醫學腦部影像紋狀體的方法，先根據坐標位置在核子醫學腦部影像中判斷出大腦區域及紋狀體切片區域，再根據判斷出的大腦區域及紋狀體切片區域對腦部立體模板進行縮放及扭曲，以分割出核子醫學腦部影像中的紋狀體區。並根據大腦區域及紋狀體區的位置推估枕葉區域及小腦區域的範圍。藉此，可在自動化圈選立體感興趣區域時更精確的切割出各立體感興趣區域的立體範圍，以減少人工圈選立體興趣區域的時間，且可避免人因性誤差。
並且，本發明提供的自動化計算紋狀體專一性攝取率的系統及方法在取得核子醫學腦部影像中各立體興趣區域的範圍後，透過計算各立體感興趣區域的平均計數值以計算出基於不同背景區域之紋狀體專一性攝取率。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
1000:系統 1100:影像接收裝置 1200:電子裝置 1201:處理器 1202:儲存裝置 301~304、401~402、501~503、601~602、701~702:影像 300:圖像中心 313:邊界 314、411、412、611、612:大腦區域橫狀面輪廓 800、900:大腦橫狀面輪廓 A1~A4:劃分區域 BUP:上端 BDW:下端 hz、h、1/2h、2/3h:高度 L1~L16:標記點 O:中心位置 S102~S118:步驟 Str1st、Strn:橫狀面紋狀體切片位置 STR:紋狀體區
圖1繪示本發明一實施例的自動化計算紋狀體專一性攝取率的方法的流程圖。 圖2繪示本發明一實施例的加總後的目標影像的範例。 圖3繪示本發明一實施例的提取大腦區域輪廓邊界的範例。 圖4繪示本發明一實施例的平均值濾波器平滑輪廓線的範例。 圖5繪示本發明一實施例的腦部立體模板垂直軸縮放的範例。 圖6繪示本發明一實施例的腦部立體模板水平軸扭曲的範例。 圖7繪示本發明一實施例的分割紋狀體區域的範例。 圖8繪示本發明一實施例的薄板樣條法的標記點的範例。 圖9繪示本發明一實施例的大腦區域劃分的範例。 圖10繪示本發明一實施例的自動化計算紋狀體專一性攝取率的系統的方塊圖。
S102~S118:步驟

Claims (17)

  1. 一種自動化計算紋狀體專一性攝取率的方法，包括： 取得一目標影像，其中該目標影像係包括一核子醫學腦部影像； 將該目標影像投影至一空間座標產生一投影量； 基於該投影量的像素灰度值，在該目標影像中取得大腦的一上端及一下端； 設定該上端至該下端之一預設範圍為該目標影像中的一紋狀體切片區域； 利用線檢測法從該目標影像中判斷出一大腦區域； 根據該大腦區域及該紋狀體切片區域對一腦部立體模板進行形變，使該腦部立體模板中的紋狀體映射至該目標影像中的該大腦區域，並定位出該目標影像中的一紋狀體區； 計算該紋狀體區的計數值為第一平均計數值； 設定該目標影像的其他區域為一背景區域，並計算該背景區域的計數值為第二平均計數值；以及 根據該第一平均計數值及該第二平均計數值計算該目標影像之專一性攝取率。
  2. 如申請專利範圍第1項所述的方法，其中在將該目標影像投影至該空間座標產生該投影量的步驟之前，更包括： 對該目標影像進行影像空間解析度轉換。
  3. 如申請專利範圍第1項所述的方法，其中基於該投影量的像素灰度值，在該目標影像中取得大腦的該上端及該下端的步驟係包括： 由該投影量的上方端點從上往下搜尋至一預設位置處，取該上方端點至該預設位置處內之像素灰度低谷值的坐標位置為該上端；以及 由該投影量的下方端點從下往上搜尋至該預設位置處，取該下方端點至該預設位置處內之像素灰度低谷值的坐標位置為該下端。
  4. 如申請專利範圍第3項所述的方法，其中該預設位置係為1/2該投影量的軸線高度。
  5. 如申請專利範圍第1項所述的方法，其中該預設範圍係為該上端至該下端之該投影量的軸線高度差的1/2至2/3。
  6. 如申請專利範圍第1項所述的方法，其中利用線檢測法從該目標影像中判斷出該大腦區域的步驟係包括： 逐一提取該上端至該下端範圍內該目標影像的多個目標影像切片； 將所述目標影像切片的影像中心設定為極坐標的圖像中心； 將所述目標影像切片從笛卡爾坐標系轉換至極坐標系； 偵測影像邊界以界定轉換後的所述目標影像切片中的大腦輪廓線；以及 將具有大腦輪廓線之所述目標影像切片轉換回笛卡爾坐標系，並從該目標影像中判斷出該大腦區域。
  7. 如申請專利範圍第1項所述的方法，其中根據該大腦區域及該紋狀體切片區域對該腦部立體模板進行形變，使該腦部立體模板中的該紋狀體映射至該目標影像中的該大腦區域，並定位出該目標影像中的該紋狀體區的步驟係包含： 根據該上端、該下端及該紋狀體切片區域對該腦部立體模板進行垂直軸的縮放； 利用薄板樣條法對縮放後的該腦部立體模板進行水平軸的扭曲； 將調整後的該腦部立體模板中的紋狀體映射至該目標影像中的該大腦區域；以及 定位出該目標影像中的該紋狀體區及該紋狀體區的中心位置。
  8. 如申請專利範圍第1項所述的方法，其中計算該紋狀體區的計數值為該第一平均計數值的步驟包括： 根據該紋狀體區的總計數值及總面積計算該紋狀體區的該第一平均計數值。
  9. 如申請專利範圍第1項所述的方法，其中該背景區域係包含枕葉區域，計算該枕葉區域的計數值為該第二平均計數值的步驟包括： 由該投影量的上方端點從上往下方向，第一張出現該紋狀體切片區域的切片位置往下設定一切片範圍； 根據一劃分區域在該切片範圍中切割出該枕葉區域；以及 根據該枕葉區域的總計數值及總面積，計算該枕葉區域的該第二平均計數值。
  10. 如申請專利範圍第1項所述的方法，其中該背景區域係包括小腦區域，計算該小腦區域的計數值為該第二平均計數值的步驟包括： 根據大腦的該下端位置往下設定一切片範圍； 根據一劃分區域在該切片範圍中切割出該小腦區域；以及 根據該小腦區域的總計數值及總面積，計算該小腦區域的該第二平均計數值。
  11. 如申請專利範圍第1項所述的方法，其中該背景區域包括全腦區域，計算該全腦區域的計數值為該第二平均計數值的步驟包括： 根據該大腦區域減去該紋狀體區部分的總計數值及總面積計算該第二平均計數值。
  12. 如申請專利範圍第1項所述的方法，其中根據該第一平均計數值及該第二平均計數值計算該目標影像之該專一性攝取率的步驟包括： 將該第一平均計數值與該第二平均計數值相減後除以該第二平均值，以取得該專一性攝取率。
  13. 一種自動化定位核子醫學腦部影像紋狀體的方法，包括： 取得一目標影像，其中該目標影像係包括一核子醫學腦部影像； 將該目標影像投影至一空間座標產生一投影量； 基於該投影量的像素灰度值，在該目標影像中取得大腦的一上端及一下端； 設定該上端至該下端之一預設範圍為該目標影像中的一紋狀體切片區域； 利用線檢測法從該目標影像中判斷出一大腦區域； 根據該大腦區域及該紋狀體切片區域對一腦部立體模板進行形變，使該腦部立體模板中的紋狀體映射至該目標影像中的該大腦區域；以及 定位出該目標影像中之一紋狀體區。
  14. 如申請專利範圍第13項所述的方法，其中基於該投影量的像素灰度值，在該目標影像中取得大腦的該上端及該下端的步驟係包括： 由該投影量的上方端點從上往下搜尋至一預設位置處，取該上方端點至該預設位置處內之像素灰度低谷值的坐標位置為該上端；以及 由該投影量的下方端點從下往上搜尋至該預設位置處，取該下方端點至該預設位置處內之像素灰度低谷值的坐標位置為該下端。
  15. 如申請專利範圍第14項所述的方法，其中該預設位置係為1/2該投影量的軸線高度。
  16. 如申請專利範圍第13項所述的方法，其中該預設範圍係為該上端至該下端之該投影量的軸線高度差的1/2至2/3。
  17. 一種自動化計算紋狀體專一性攝取率的系統，包括： 影像接收裝置，經配置以接收目標影像，其中該目標影像包括核子醫學腦部影像；以及 電子裝置，包括儲存裝置及處理器，該儲存裝置儲存一或多個指令，該處理器經配置以執行所述指令以： 取得該目標影像； 將該目標影像投影至一空間座標產生一投影量； 基於該投影量的像素灰度值，在該目標影像中取得大腦的一上端及一下端； 將該上端至該下端之該投影量的軸線高度差的1/2至2/3，設定為該目標影像中的一紋狀體切片區域； 利用線檢測法從該目標影像中判斷出一大腦區域； 根據該大腦區域及該紋狀體切片區域對一腦部立體模板進行形變，使該腦部立體模板中的紋狀體映射至該目標影像中的該大腦區域，並定位出該目標影像中之一紋狀體區； 計算該紋狀體區的計數值為第一平均計數值； 設定該目標影像的其他區域為一背景區域，並計算該背景區域的計數值為第二平均計數值；以及 根據該第一平均計數值及該第二平均計數值計算該目標影像之專一性攝取率。
TW108136756A 2019-10-09 2019-10-09 自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統 TWI686178B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW108136756A TWI686178B (zh) 2019-10-09 2019-10-09 自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統
US16/840,441 US11094065B2 (en) 2019-10-09 2020-04-05 Method and system for automatically delineating striatum in nuclear medicine brain image and calculating specific uptake ratio of striatum

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108136756A TWI686178B (zh) 2019-10-09 2019-10-09 自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統

Publications (2)

Publication Number Publication Date
TWI686178B true TWI686178B (zh) 2020-03-01
TW202114598A TW202114598A (zh) 2021-04-16

Family

ID=70766949

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108136756A TWI686178B (zh) 2019-10-09 2019-10-09 自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統

Country Status (2)

Country Link
US (1) US11094065B2 (zh)
TW (1) TWI686178B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482181A (zh) * 2021-05-31 2022-12-16 数坤(北京)网络科技股份有限公司 一种图像信息提取方法、装置、电子设备和可读存储介质
US11593935B2 (en) 2020-10-15 2023-02-28 Taipei Medical University (Tmu) Dopamine transporter check system and operation method thereof
TWI921111B (zh) 2025-03-17 2026-04-01 禾榮科技股份有限公司 醫療影像分析系統與方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI535422B (zh) * 2013-05-17 2016-06-01 許百靈 動態單光子放射電腦斷層攝影或是單光子放射電腦斷層攝影／電腦斷層攝影成像之心肌血流量化系統及方法
TWI546057B (zh) * 2014-02-11 2016-08-21 中央研究院 穿透式輻射成像之方法、系統及光源
TWI554251B (zh) * 2016-01-05 2016-10-21 許百靈 Ｓｐｅｃｔ骨顯像的定量分析技術及在骨評估中的用途
TWI572312B (zh) * 2014-07-15 2017-03-01 長庚醫療財團法人 磁振造影組織對位切片的方法及其裝置
TWI640300B (zh) * 2017-07-07 2018-11-11 行政院原子能委員會核能硏究所 造影掃描系統

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5776635A (en) 1980-10-31 1982-05-13 Hitachi Ltd Floating multiplying circuit
JP2011502966A (ja) * 2007-10-31 2011-01-27 アルセレス ファーマシューティカルズ， インコーポレイテッド ドーパミントランスポーターレベルを評価することによるレビー小体型認知症の診断およびレビー小体型認知症の処置のモニタリングのための方法
GB201313291D0 (en) 2013-07-25 2013-09-11 Ge Healthcare Ltd Imaging neurological disease
JP6360417B2 (ja) 2014-10-24 2018-07-18 日本メジフィジックス株式会社 線条体画像解析装置、プログラムおよび線条体画像解析システム
TWI587841B (zh) 2015-03-06 2017-06-21 國立陽明大學 定量分析核子醫學腦部影像的系統及方法
WO2016152448A1 (ja) * 2015-03-24 2016-09-29 日本メジフィジックス株式会社 画像処理装置、画像処理方法、及びプログラム
JP6703323B2 (ja) 2015-09-17 2020-06-03 公益財団法人神戸医療産業都市推進機構 生体の画像検査のためのｒｏｉの設定技術
CN105816197A (zh) 2016-05-25 2016-08-03 刘丽 Spect多巴胺显像定量分析技术与在脑多巴胺评估的用途

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI535422B (zh) * 2013-05-17 2016-06-01 許百靈 動態單光子放射電腦斷層攝影或是單光子放射電腦斷層攝影／電腦斷層攝影成像之心肌血流量化系統及方法
TWI546057B (zh) * 2014-02-11 2016-08-21 中央研究院 穿透式輻射成像之方法、系統及光源
TWI572312B (zh) * 2014-07-15 2017-03-01 長庚醫療財團法人 磁振造影組織對位切片的方法及其裝置
TWI554251B (zh) * 2016-01-05 2016-10-21 許百靈 Ｓｐｅｃｔ骨顯像的定量分析技術及在骨評估中的用途
TWI640300B (zh) * 2017-07-07 2018-11-11 行政院原子能委員會核能硏究所 造影掃描系統

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11593935B2 (en) 2020-10-15 2023-02-28 Taipei Medical University (Tmu) Dopamine transporter check system and operation method thereof
CN115482181A (zh) * 2021-05-31 2022-12-16 数坤(北京)网络科技股份有限公司 一种图像信息提取方法、装置、电子设备和可读存储介质
CN115482181B (zh) * 2021-05-31 2024-05-24 数坤(北京)网络科技股份有限公司 一种图像信息提取方法、装置、电子设备和可读存储介质
TWI921111B (zh) 2025-03-17 2026-04-01 禾榮科技股份有限公司 醫療影像分析系統與方法

Also Published As

Publication number Publication date
US11094065B2 (en) 2021-08-17
US20210110544A1 (en) 2021-04-15
TW202114598A (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
EP3250111B1 (en) Estimating and predicting tooth wear using intra-oral 3d scans
CN102920477B (zh) 医学影像的目标区域边界确定装置和方法
JP5763172B2 (ja) パノラマエックス線写真を利用した診断支援システム、及びパノラマエックス線写真を利用した診断支援プログラム
US9402565B2 (en) Method and system for analyzing craniofacial complex images
US8064677B2 (en) Systems and methods for measurement of objects of interest in medical images
EP2695138B1 (en) Measurement system for medical images
CN105074728A (zh) 胸部荧光透视影像及相应的肋骨和脊椎三维影像数据配准
JP5226974B2 (ja) 画像診断支援装置、方法及びプログラム
CN119048694A (zh) 一种基于多模态的影像三维后处理方法及系统
EP2637570A2 (en) System and method of ultrasound image processing
CN110033454B (zh) Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法
JP7802671B2 (ja) 医用画像における腫瘍体積の変化の測定
WO2007052634A1 (ja) 画像解析装置及び方法
US20250017704A1 (en) System and Method for Visualizing a Dental Condition as a Gradient Color Map
TWI686178B (zh) 自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統
US9020215B2 (en) Systems and methods for detecting and visualizing correspondence corridors on two-dimensional and volumetric medical images
Chen et al. Registration-based segmentation of three-dimensional ultrasound images for quantitative measurement of fetal craniofacial structure
US20080273775A1 (en) Cartesian human morpho-informatic system
JP2020521549A (ja) 医用画像の病変の定量化される態様
US20060078184A1 (en) Intelligent splitting of volume data
CN114419071B (zh) 一种基于mr横轴位图像分割的心脏三维定位方法
CN115829920A (zh) 用于根据图像自动确定脊柱变形的方法和设备
CN119672034B (zh) 一种基于腹部ct影像的肝硬度程度自动评估方法及系统
Sivasankaran et al. A Rapid Advancing Image Segmentation Approach in Dental to Predict Cryst.
Alzubaidi et al. Conversion of Pixel to Millimeter in Ultrasound Images: A Methodological Approach and Dataset