《用于在三维体积图像中检测对象的设备和方法.pdf》由会员分享，可在线阅读，更多相关《用于在三维体积图像中检测对象的设备和方法.pdf（15页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 (43)申请公布日 (21)申请号 201310421889.6 (22)申请日 2013.09.16 G06T 7/00(2006.01) (71)申请人 北京三星通信技术研究有限公司 地址 100028 北京市朝阳区霞光里 9 号中电 发展大厦 12 层 申请人 三星电子株式会社 (72)发明人 冀永楠 张红卫 张丽丹 刘志花 任海兵 金智渊 禹景久 (74)专利代理机构 北京铭硕知识产权代理有限 公司 11286 代理人 韩明星 金光军 (54) 发明名称 用于在三维体积图像中检测对象的设备和方 法 (57) 摘要 公开了一种用于在三维体积图像中检测对象 的方法和设备。
2、， 所述设备包括 ： 切片采样单元， 被 配置为对三维体积图像进行采样以获得多个二维 图像 ； 检测单元， 被配置为从切片采样单元采样 获得的多个二维图像中的每个二维图像检测二 维感兴趣区域 ； 组合单元， 被配置为使用检测单 元检测出的二维感兴趣区域来组合三维感兴趣区 域 ； 分割单元， 被配置为对三维感兴趣区域进行 三维分割， 以提取目标对象。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书3页 说明书9页 附图2页 (10)申请公布号 CN 104463825 A (43)申请公布日 2015.03.25 CN 104463825 A 1/。
3、3 页 2 1. 一种用于在三维体积图像中检测对象的设备， 包括 ： 切片采样单元， 被配置为对三维体积图像进行采样以获得多个二维图像 ； 检测单元， 被配置为从切片采样单元采样获得的多个二维图像中的每个二维图像检测 二维感兴趣区域 ； 组合单元， 被配置为使用检测单元检测出的二维感兴趣区域来组合三维感兴趣区域 ； 分割单元， 被配置为对三维感兴趣区域进行三维分割， 以提取目标对象。 2. 如权利要求 1 所述的设备， 还包括 ： 第一排序单元， 被配置为当组合单元组合出多个三维感兴趣区域时， 计算指示每个三 维感兴趣区域是目标对象所在区域的概率的得分， 对三维感兴趣区域的得分进行排序， 并 。
4、选择得分超过预定分数的三维感兴趣区域提供给分割单元。 3. 如权利要求 1 或 2 所述的设备， 还包括 ： 第二排序单元， 被配置为当分割单元提取出多个目标对象时， 计算指示每个目标对象 是所关心的目标对象的概率的得分， 对所述多个目标对象的得分进行排序， 并将得分超过 预定分数的目标对象确定为所关心的目标对象。 4. 如权利要求 1 所述的设备， 其中， 所述组合单元计算检测单元检测出的二维感兴趣 区域之间的重合度或者特征相似度， 依据计算出的重合度或特征相似度对二维感兴趣区域 进行分组， 并将属于相同组的多个二维感兴趣区域组合为一个三维感兴趣区域。 5. 如权利要求 4 所述的设备， 其。
5、中， 所述组合单元将检测单元检测出的每个二维感兴 趣区域视为无向图的一个顶点， 确定每个顶点与其他顶点之间的权重， 连通所述无向图中 权重大于 0 的所有顶点对以形成带权重的无向图， 并对带权重的无向图进行划分以获得一 个或多个强连通分量， 其中， 每个强连通分量中包括的顶点所代表的二维感兴趣区域被组 合为一个三维感兴趣区域， 其中， 两个顶点之间的权重是指所述两个顶点代表的两个二维 感兴趣区域的重合度或特征相似度。 6.如权利要求5所述的设备， 其中， 对于使用特定算法检测出的任意两个顶点Rm(i)和 Rn(j)， 在组合单元中使用下面的等式 （1） 来计算代表所述两个二维感兴趣区域的两个顶。
6、点 之间的权重 ： Rn(j) 指示检测单元使用所述特定算法对切片采样单元采样获得的第 n 个二维图像 In 进行检测而获得的第j个二维感兴趣区域， Rm(i)指示检测单元使用所述特定算法对切片采 样单元采样获得的第 m 个二维图像 Im进行检测而获得的第 i 个二维感兴趣区域， 是用于 控制两个二维感兴趣区域的连通性的阈值， Jaccard 函数用于计算可连通的二维感兴趣区 域的重合度。 7. 如权利要求 5 所述的设备， 其中， 组合单元使用轮廓特征、 纹理特征、 位置特征中的 一种特征来计算使用特定算法检测出的任意两个二维感兴趣区域之间的特征相似度， 并将 计算出的特征相似度确定为无向图。
7、中代表所述任意两个二维感兴趣区域的两个顶点之间 的权重。 8. 如权利要求 5 所述的设备， 其中， 使用 Tarjan 算法对所述带权重的无向图进行划分 权 利 要 求 书 CN 104463825 A 2 2/3 页 3 以获得一个或多个强连通分量。 9. 如权利要求 2 所述的设备， 其中， 第一排序单元使用支持向量机或机器学习来计算 每个三维感兴趣区域是目标对象所在区域的概率的得分。 10. 如权利要求 3 所述的设备， 其中， 第二排序单元使用支持向量机或机器学习来计算 每个目标对象是所关心的目标对象的概率的得分。 11. 如权利要求 1 所述的设备， 还包括 ： 插值单元， 被配置。
8、为对三维感兴趣区域进行插值， 以在三维体积图像中形成连续的三 维感兴趣区域。 12. 一种用于在三维体积图像中检测对象的方法， 所述方法包括 ： （a） 对三维体积图像进行采样以获得多个二维图像 ； （b） 从采样获得的多个二维图像中的每个二维图像检测二维感兴趣区域 ； （c） 使用检测出的二维感兴趣区域来组合三维感兴趣区域 ； （d） 对三维感兴趣区域进行三维分割， 以提取目标对象。 13. 如权利要求 12 所述的方法， 步骤 （c） 还包括 ： 当组合出多个三维感兴趣区域时， 计算指示每个三维感兴趣区域是目标对象所在区域 的概率的得分， 对三维感兴趣区域的得分进行排序， 并选择得分超过预。
9、定分数的三维感兴 趣区域作为步骤 （d） 的输入。 14. 如权利要求 12 或 13 所述的方法， 步骤 （d） 还包括 ： 当提取出多个目标对象时， 计算指示每个目标对象是所关心的目标对象的概率的得 分， 对所述多个目标对象的得分进行排序， 并将得分超过预定分数的目标对象确定为所关 心的目标对象。 15. 如权利要求 12 中所述的方法， 其中， 在步骤 （c） 包括 ： （c1） 计算检测出的二维感兴趣区域之间的重合度或者特征相似度 ； （c2） 依据计算出的重合度或特征相似度对二维感兴趣区域进行分组， 并将属于相同组 的多个二维感兴趣区域组合为一个三维感兴趣区域。 16. 如权利要求 。
10、15 所述的方法， 其中， 步骤 （c2） 包括 ： 将在步骤 （b） 中检测出的每个二维感兴趣区域视为无向图中的一个顶点， 并确定每个 顶点与其他顶点之间的权重 ； 连通所述无向图中权重大于 0 的所有顶点对以形成带权重的无向图 ； 对带权重的无向图进行划分以获得一个或多个强连通分量， 其中， 每个强连通分量中包括的顶点所代表的二维感兴趣区域被组合为一个三维感兴 趣区域， 其中， 两个顶点之间的权重是指所述两个顶点代表的两个二维感兴趣区域的重合度或 特征相似度。 17. 如权利要求 16 所述的方法， 其中， 对于使用特定算法检测出的任意两个顶点 Rm(i) 和 Rn(j)， 使用下面的等式。
11、 （1） 来计算代表所述两个二维感兴趣区域的两个顶点之间的权 重 ： 权 利 要 求 书 CN 104463825 A 3 3/3 页 4 Rn(j) 指示使用所述特定算法对采样获得的第 n 个二维图像 In进行检测而获得的第 j 个二维感兴趣区域， Rm(i) 指示使用所述特定算法对采样获得的第 m 个二维图像 Im进行检 测而获得的第 i 个二维感兴趣区域， 是用于控制两个二维感兴趣区域的连通性的阈值， Jaccard 函数用于计算可连通的二维感兴趣区域的重合度。 18. 如权利要求 16 所述的方法， 其中， 使用轮廓特征、 纹理特征、 位置特征中的一种特 征来计算使用特定算法检测出的任。
12、意两个二维感兴趣区域之间的特征相似度， 并将计算出 的特征相似度确定为无向图中代表所述任意两个二维感兴趣区域两个顶点之间的权重。 19. 如权利要求 16 所述的方法， 其中， 使用 Tarjan 算法对所述带权重的无向图进行划 分以获得一个或多个强连通分量。 20. 如权利要求 13 所述的方法， 其中， 使用支持向量机或机器学习来计算每个三维感 兴趣区域是目标对象所在区域的概率的得分。 21. 如权利要求 14 所述的方法， 其中， 使用支持向量机或机器学习来计算每个目标对 象是所关心的目标对象的概率的得分。 22. 如权利要求 12 所述的方法， 步骤 （c） 还包括 ： 对三维感兴趣区。
13、域进行插值， 以在三 维体积图像中形成连续的三维感兴趣区域。 权 利 要 求 书 CN 104463825 A 4 1/9 页 5 用于在三维体积图像中检测对象的设备和方法 技术领域 0001 本发明涉及一种图像处理设备和方法， 更具体地讲， 涉及一种用于在三维 （3D） 体 积图像中检测对象的设备和方法。 背景技术 0002 几乎所有的 3D 计算机辅助诊断 （CAD） 系统都被设计用于在高质量、 高分辨率的 3D 模态医学图像 （诸如 CT 和 MRI 图像） 中检测目标对象。大多数的现有检测方法直接应用于 3D 图像来检测 3D 对象或 3D 边界区域。然而， 由于 3D 体积图像通常具。
14、有较大的数据量， 扫 描整个体积图像非常昂贵， 因此大多数现有的检测方法都使用简单的图像特征和模型来进 行检测， 这可能影响检测结果的准确度。 0003 现有检测方法可以被分为三类 ： 基于形态匹配的直方图、 基于模板的和基于 Harr 样特征的方法。 其中， 第一类检测方法仅对高质量的3D图像有效， 因此适用范围很窄 ； 第二 类方法需要事先了解目标对象的模板， 但是对于外观多样的目标物质很难事先了解模板， 因此， 这种方法也不适用 ； 第三种方法只能有效监测特征简单的高质量图像， 当用于检测具 有多种类型、 特征复杂的目标个体时， 这类方法也不适用。 0004 此外， 迫切需要一种新的具有。
15、广泛适用性的检测方法， 以满足检测非高画质、 外观 多样、 特征复杂的目标对象的实际需求。 发明内容 0005 根据本发明的一方面， 提供了一种用于在三维体积图像中检测对象的设备， 包括 ： 切片采样单元， 被配置为对三维体积图像进行采样以获得多个二维图像 ； 检测单元， 被配置 为从切片采样单元采样获得的多个二维图像中的每个二维图像检测二维感兴趣区域 ； 组合 单元， 被配置为使用检测单元检测出的二维感兴趣区域来组合三维感兴趣区域 ； 分割单元， 被配置为对三维感兴趣区域进行三维分割， 以提取目标对象。 0006 所述设备还可包括 ： 第一排序单元， 被配置为当组合单元组合出多个三维感兴趣 。
16、区域时， 计算指示每个三维感兴趣区域是目标对象所在区域的概率的得分， 对三维感兴趣 区域的得分进行排序， 并选择得分超过预定分数的三维感兴趣区域提供给分割单元。 0007 所述设备还可包括 ： 第二排序单元， 被配置为当分割单元提取出多个目标对象时， 计算指示每个目标对象是所关心的目标对象的概率的得分， 对所述多个目标对象的得分进 行排序， 并将得分超过预定分数的目标对象确定为所关心的目标对象。 0008 所述检测单元可被配置为使用 MSER 算法、 E-SVM 算法和 DPM 算法中的一个或多个 在二维图像中检测二维感兴趣区域。 0009 所述组合单元可计算检测单元检测出的二维感兴趣区域之间。
17、的重合度或者特征 相似度， 依据计算出的重合度或特征相似度对二维感兴趣区域进行分组， 并将属于相同组 的多个二维感兴趣区域组合为一个三维感兴趣区域。进一步的， 所述组合单元可将检测单 元检测出的每个二维感兴趣区域视为无向图中的一个顶点， 确定每个顶点与其他顶点之间 说 明 书 CN 104463825 A 5 2/9 页 6 的权重， 连通所述无向图中权重大于 0 的所有顶点对以形成带权重的无向图， 并对带权重 的无向图进行划分以获得一个或多个强连通分量。 每个强连通分量中包括的顶点所代表的 二维感兴趣区域可被组合为一个三维感兴趣区域。 两个顶点之间的权重可指所述两个顶点 代表的两个二维感兴趣。
18、区域的重合度或特征相似度。 0010 对于使用特定算法检测出的任意两个顶点 Rm(i) 和 Rn(j)， 在组合单元中可使用下 面的等式 （1） 来计算代表所述两个二维感兴趣区域的两个顶点之间的权重 ： 0011 0012 Rn(j) 指示检测单元使用所述特定算法对切片采样单元采样获得的第 n 个二维图 像 In进行检测而获得的第 j 个二维感兴趣区域， Rm(i) 指示检测单元使用所述特定算法对 切片采样单元采样获得的第 m 个二维图像 Im进行检测而获得的第 i 个二维感兴趣区域， 是用于控制两个二维感兴趣区域的连通性的阈值， Jaccard 函数用于计算可连通的二维感 兴趣区域的重合度。。
19、 0013 组合单元可使用轮廓特征、 纹理特征、 位置特征中的一种特征来计算使用特定算 法检测出的任意两个二维感兴趣区域之间的特征相似度， 并可将计算出的特征相似度确定 为无向图中代表所述任意两个二维感兴趣区域的两个顶点之间的权重。 0014 可使用 Tarjan 算法对所述带权重的无向图进行划分以获得一个或多个强连通分 量。 0015 第一排序单元可使用支持向量机或机器学习来计算每个三维感兴趣区域是目标 对象所在区域的概率的得分。 0016 第二排序单元可使用支持向量机或机器学习来计算每个目标对象是所关心的目 标对象的概率的得分。 0017 所述设备还可包括 ： 插值单元， 被配置为对三维感。
20、兴趣区域进行插值， 以在三维体 积图像中形成连续的三维感兴趣区域。 0018 根据本发明的另一方面， 提供了一种用于在三维体积图像中检测对象的方法， 所 述方法包括 ：（a） 对三维体积图像进行采样以获得多个二维图像 ；（b） 从采样获得的多个二 维图像中的每个二维图像检测二维感兴趣区域 ；（c） 使用检测出的二维感兴趣区域来组合 三维感兴趣区域 ；（d） 对三维感兴趣区域进行三维分割， 以提取目标对象。 0019 步骤 （c） 还可包括 ： 当组合出多个三维感兴趣区域时， 计算指示每个三维感兴趣 区域是目标对象所在区域的概率的得分， 对三维感兴趣区域的得分进行排序， 并选择得分 超过预定分数。
21、的三维感兴趣区域作为步骤 （d） 的输入。 0020 步骤 （d） 还可包括 ： 当提取出多个目标对象时， 计算指示每个目标对象是所关心 的目标对象的概率得分， 对所述多个目标对象的得分进行排序， 并将得分超过预定分数的 目标对象确定为所关心的目标对象。 0021 在步骤 （b） 可使用 MSER 算法、 E-SVM 算法和 DPM 算法中的一个或多个在二维图像 中检测二维感兴趣区域。 0022 步骤 （c） 可包括 （c1） 计算检测出的二维感兴趣区域之间的重合度或者特征相似 度 ；（c2） 依据计算出的重合度或特征相似度对二维感兴趣区域进行分组， 并将属于相同组 说 明 书 CN 1044。
22、63825 A 6 3/9 页 7 的多个二维感兴趣区域组合为一个三维感兴趣区域。进一步地， 步骤 （c2） 可包括 ： 将在步 骤 （b） 中检测出的每个二维感兴趣区域视为无向图中的一个顶点， 并确定每个顶点与其他 顶点之间的权重 ； 连通所述无向图中权重大于 0 的所有顶点对以形成带权重的无向图 ； 对 带权重的无向图进行划分以获得一个或多个强连通分量。 每个强连通分量中包括的顶点所 代表的二维感兴趣区域可被组合为一个三维感兴趣区域。 两个顶点之间的权重可指所述两 个顶点代表的两个二维感兴趣区域的重合度或特征相似度。 0023 对于使用特定算法检测出的任意两个顶点 Rm(i) 和 Rn(j。
23、)， 可使用下面的等式 （1） 来计算代表所述两个二维感兴趣区域的两个顶点之间的权重 ： 0024 0025 Rn(j) 指示使用所述特定算法对采样获得的第 n 个二维图像 In进行检测而获得的 第 j 个二维感兴趣区域， Rm(i) 指示使用所述特定算法对采样获得的第 m 个二维图像 Im进 行检测而获得的第 i 个二维感兴趣区域， 是用于控制两个二维感兴趣区域的连通性的阈 值， Jaccard 函数用于计算可连通的二维感兴趣区域的重合度。 0026 可使用轮廓特征、 纹理特征、 位置特征中的一种特征来计算使用特定算法检测出 的任意两个二维感兴趣区域之间的特征相似度， 并可将计算出的特征相似。
24、度确定为无向图 中代表所述任意两个二维感兴趣区域两个顶点之间的权重。 0027 可使用 Tarjan 算法对所述带权重的无向图进行划分以获得一个或多个强连通分 量。 0028 可使用支持向量机或机器学习来计算每个三维感兴趣区域是目标对象所在区域 的概率的得分。 0029 可使用支持向量机或机器学习来计算每个目标对象是所关心的目标对象的概率 的得分。 0030 步骤 （c） 还可包括 ： 对三维感兴趣区域进行插值， 以在三维体积图像中形成连续 的三维感兴趣区域。 0031 有益效果 0032 本发明的设备和方法通过将三维数据计算转化为二维数据的计算， 降低了数据运 算量和运算成本， 不要求 3D。
25、 图像的质量， 并且也不需要事先了解所针对的目标个体的外观 或者特征模板， 因此具有更广泛的适用性， 尤其能够在 3D 医学图像中同时检测不同类型对 象， 并取得较高的检测精确度。 附图说明 0033 通过下面结合附图对本发明的示例性实施例进行的描述， 本发明的上述和其他目 的和特点将会变得更加清楚， 其中 ： 0034 图 1 是示出根据本发明的示例性实施例的用于在 3D 体积图像中检测对象的设备 的框图 ； 0035 图 2 是示出根据本发明的另一示例性实施例的用于在 3D 体积图像中检测对象的 设备的框图 ； 说 明 书 CN 104463825 A 7 4/9 页 8 0036 图 3。
26、 是示出根据本发明的另一示例性实施例的用于在 3D 体积图像中检测对象的 设备的框图 ； 0037 图 4 是示出根据本发明的示例性实施例的用于在 3D 体积图像中检测对象的方法 的流程图。 0038 在附图中， 相同的附图标号将被理解为是指相同的部件。 具体实施方式 0039 提供以下参照附图进行的描述以帮助全面理解由权利要求及其等同物限定的本 发明的示例性实施例。所述描述包括各种特定细节以帮助理解， 但这些细节被认为仅是示 例性的。因此， 本领域的普通技术人员将认识到 ： 在不脱离本发明的范围和精神的情况下， 可对这里描述的实施例进行各种改变和修改。 此外， 为了清楚和简明， 可省略已知功。
27、能和构 造的描述。 0040 图 1 是示出根据本发明的示例性实施例的用于在 3D 体积图像中检测对象的设备 100 的框图。 0041 如图 1 中所示， 所述设备 100 包括切片采样单元 110、 检测单元 120、 组合单元 130 和分割单元 140。 0042 现在将参照图 1 详细描述根据本发明的实施例的设备 100 的各部分的操作。为便 于描述， 在下文中将以用于检测肿瘤的 3D 体积图像为例进行说明。 0043 切片采样单元 110 可用于对 3D 体积图像进行切片采样来获得多个二维 （2D） 图像 切片 （以下， 简称为 2D 图像） 。具体地讲， 采样单元 110 可沿任。
28、意一个方向 （例如， x 轴方向、 y 轴方向、 z 轴方向等） 对 3D 体积图像进行切片采样， 以获得多个 2D 图像 I1、 I2、 IN， 其 中， In表示采样获得的第 n 幅 2D 图像。3D 体积图像可被视为通过上述采样获得的 2D 图像 的集合， 并且所述 2D 图像的集合可用于表现 3D 区域。 0044 可使用本领域已知的各种切片采样方法对 3D 体积图像进行采样。 0045 检测单元 120 可用于从切片采样单元 110 采样获得的多个 2D 图像中的每个 2D 图 像检测 2D 感兴趣区域 （ROI） 。所述 2D ROI 是 2D 图像中目标对象 （例如， 肿瘤） 可。
29、能所在的 区域。也就是说， 通过检测单元 120 的检测， 可确定 2D 图像中哪些区域中的图像可能是目 标对象的图像， 并将可能是目标对象所在的区域确定为 2D ROI。 0046 考虑到通常每种检测算法仅对一种类型的对象敏感 （例如， 在肝脏超声图像中， 最稳定极值区域 （MSER）算法对检测诸如血管的对象更有效， 而 Exemplar- 支持向量机 （E-SVM） 算法对检测诸如原发性肝细胞癌和血管瘤的对象更有效） ， 并且不同类型的对象通 常具有不同的视觉特征， 因此在本发明的实施例中可同时使用多种检测算法对每个 2D 图 像进行检测， 以检测不同类型的对象。 下面将以使用MSER算法。
30、和E-SVM算法为例进行说明。 0047 可同时或分别使用 MSER 算法和 E-SVM 算法对采样获得的每个 2D 图像进行检测。 例如， 通过 MSER 算法和 E-SVM 算法对 2D 图像 In以进行检测， 可获得关于 2D 图像 In的 2D ROI 的集合 RnMSER(1)， RnMSER(J)， RnE-SVM(1)， RnE-SVM(K)， 其中， J 表示使用 MSER 算法 从 2D 图像 In中检测出来的 ROI 的数量， K 表示使用 E-SVM 算法从 2D 图像 In中检测出来 的 ROI 的数量， RnMSER(j) 指示使用 MSER 算法对 2D 图像 In。
31、进行检测而获得的第 j 个 2D ROI （例如， 可指示所述 2D ROI 在 2D 图像 In中所占的区域或者可以是所述 2D ROI 中包含的像 说 明 书 CN 104463825 A 8 5/9 页 9 素的坐标的集合等） ， 并且 j=1,2,3,J， RnE-SVM(k) 指示使用 E-SVM 算法对 2D 图像 In进行 检测而获得的第 k 个 2D ROI（例如， 可指示所述 2D ROI 在 2D 图像 In中所占的区域或者可 以是所述 2D ROI 中包含的像素的坐标的集合） ， 并且 k=1,2,3,K。 0048 此外， 使用 MSER 算法检测出的 ROI 与使用 。
32、E-SVM 算法检测出的 ROI 之间可不存在 联系， 例如， RnMSER(m) 和 RnE-SVM(m) 可指示两个不同的 ROI。 0049 尽管以上描述了使用 MSER 算法和 E-SVM 算法两种算法来在 2D 图像中检测 2D ROI， 但还可使用本领域已知的其他算法 （例如， DPM（Discriminatively Trained Part-Based Models） 算法） 来检测 2D ROI。也就是说， 根据实际需求， 检测单元 120 可采样 多种检测算法 （例如， MSER 算法、 E-SVM 算法和 DPM 算法） 中的一个或多个来在 2D 图像中检 测 2D RO。
33、I。 0050 在完成检测之后， 检测单元 120 可将检测出的所有 2D ROI 发送到组合单元 130。 0051 组合单元 130 可使用检测单元 120 检测出的 2D ROI 来组合 3D ROI。 0052 在本发明的实施例中， 组合单元 130 可计算检测单元 120 计算出的 2DROI 之间的 重合度或特征相似度， 依据计算出的重合度或特征相似度对 2DROI 进行分组， 并将属于相 同组的多个 2D ROI 组合为一个 3D ROI。 0053 以下， 将举例说明组合 3D ROI 的方法。 0054 根据本发明的示例性实施例， 组合单元 130 可将检测单元 120 使用。
34、特定算法 （例 如， MSER 算法或 E-SVM 算法） 检测出的所有 2D ROI 中的每个 2DROI 视为无向图中的一个 顶点， 并可确定所述无向图中的每个顶点与其他顶点之间的权重。如果一对顶点之间的权 重大于 0， 则可连通所述顶点对。在连通所述无向图中权重大于 0 的所有顶点对之后， 会形 成一个连通路径带权重的无向图。组合单元 130 可对该带权重的无向图进行划分以获得一 个或多个强连通分量， 每个强连通分量中包括的顶点所代表的 2D ROI 可被组合为一个 3D ROI， 并且该 3D ROI 可指示一个对象 （例如， 肿瘤） 。 0055 在本发明的实施例中， 可通过计算无向。
35、图中的两个顶点所代表的两个 2DROI 的重 合度或特征相似度来确定所述两个顶点之间的权重。以下将详细说明计算权重的方法。 0056 仅作为示例， 对于使用MSER算法检测出的任意两个顶点RmMSER(i)和RnMSER(j)， 在组 合单元 130 中可使用下面的等式 （1） 来计算代表所述两个 2DROI 的两个顶点之间的权重 w （RmMSER(i)， RnMSER(j)） ： 0057 0058 在等式 （1 中） ， 是用于控制两个 2D ROI 的连通性的阈值， 满足该阈值条件的两 个 2D ROI 被认为是可连通的。例如， 当 被设置为 2 时， 仅相邻的两个 2D 图像切片上的。
36、 任意两个 2D ROI （所述两个 2D ROI 可分别处于所述两个相邻 2D 图像切片或均处于所述两 个相邻 2D 图像切片中的一个 2D 图像切片中） 是可连通的。因此， Jaccard 函数可用于计算 可连通的两个 2D ROI 的重合度。 0059 在本发明的实施例中， 由于每个2D ROI在2D图像中所占的区域已知 （即， 其位置、 形状、 面积等已知） ， 并且使用Jaccard函数的计算方法对于本领域技术人员而言已知， 因此 为了简明， 在此将不详细描述。 说 明 书 CN 104463825 A 9 6/9 页 10 0060 此外， 除上述通过计算重合度来确定两个顶点之间的。
37、权重的方法以外， 组合单元 130 还可使用诸如轮廓特征、 纹理特征、 位置特征等特征中的一种特征， 计算使用特定算法 （诸如 MSER 算法、 E-SVM 算法等） 检测出的任意两个 2D ROI 之间的特征相似度， 并将计算出 的特征相似度确定为无向图中代表所述任意两个 2D ROI 的两个顶点之间的权重。 0061 通过将权重 （重合度或者特征相似度） 达到阈值的 2D ROI 结合可以获得一系列具 有或强或弱的连通分量的3D区域， 但是其中， 弱连通分量定义出的3D区域可能是由非目标 对象构成的， 因此， 需要进行进一步划分， 去除弱连通分量定义的 3D 区域。 0062 在本发明的实。
38、施例中， 在组合单元130中可使用Tarjan算法对带权重的无向图进 行划分以获得强连通分量， 除此之外， 还可以使用本领域内已知的其他划分方法获得强连 通分量。 0063 优选地， 在本发明的另一实施例中， 为了更准确的确定 3D 体积图像中的 3D 对象， 在划分强连通分量之前， 组合单元 130 可将权重小于预设阈值 （例如， 0.3） 的顶点对之间的 连通路径的权重设置为 0， 即， 将权重小于预设阈值的两个顶点设置为不连通。 0064 此外， 尽管以上示例示出组合单元130使用通过一种特定算法检测出的2D ROI来 组合 3D ROI， 但应该理解， 当在检测单元 120 中使用了多。
39、种算法检测 2D ROI 时， 组合单元 130 可按照以上描述的形成 3D ROI 的方式， 分别使用基于所述多种算法中的每种算法检测 出的 2D ROI 来组合 3D ROI。例如， 如果除了 MSER 算法之外， 在检测单元 120 中还使用了 E-SVM算法检测了2D ROI， 则还可使用以上描述的方法， 针对使用E-SVM算法检测出的多个 2D ROI建立带权重的另一无向图并对其进行划分， 从而实现对使用E-SVM算法检测出的2D ROI 的分组并组合出相应的 3D ROI。可选择地， 如果在检测单元 120 中使用多种算法检测 2D ROI 并且所述多种算法检测的对象的类型相似， 。
40、则也可针对使用所述多种算法检测出的 所有 2D ROI 建立一个无向图来进行分组。 0065 然而， 以上通过建立带权重的无向图来对2D ROI进行分组以获得3DROI的方式仅 是示例， 还可使用其他方法来对2D ROI进行分组， 例如， 还可使用聚类算法来实现对2D ROI 的分组。 0066 在完成 3D ROI 的组合之后， 组合单元 130 可将通过上述方法组合得到的 3D ROI 发送到分割单元 140。 0067 分割单元 140 可用于对 3D ROI 进行 3D 分割， 以提取目标对象。在 3D 体积图像中 对 3D ROI 进行 3D 分割来提取目标对象的方法对于本领域技术人。
41、员而言是已知的， 因此为 了简明， 在此将不再进行详细描述。 0068 图 2 示出根据本发明的另一示例性实施例的用于在 3D 体积图像中检测对象的设 备 200 的框图。 0069 参照图 2， 图 2 的设备 200 中的切片采样单元 110、 检测单元 120、 组合单元 130 和 分割单元 140 与图 1 中具有相同标号的单元具有相同的功能和操作， 因此在此不对其进行 详细描述。此外， 与图 1 相比， 图 2 的设备 200 还包括第一排序单元 150。下面将详细解释 第一排序单元 150 的功能和操作。 0070 在本发明的实施例中， 如图 2 中所示， 第一排序单元 150 。
42、可设置在组合单元 130 和 分割单元 140 之间， 并可在组合单元 130 组合出多个 3D ROI 时， 计算指示每个 3D ROI 是 目标对象所在区域的概率的得分， 对 3D ROI 的得分进行排序， 并将得分超过预定分数的 3D 说 明 书 CN 104463825 A 10 7/9 页 11 ROI 提供给分割单元 140。 0071 具体地讲， 在本法的实施例中， 可使用支持向量机、 机器学习等算法， 根据每个 3D ROI 的分量特征、 纹理特征、 空间特征 （例如， 质心、 大小等） 、 强度特征等特征中的至少一个 来确定每个 3D ROI 是目标对象所在区域的概率的得分，。
43、 使得当 3D ROI 是目标对象所在区 域的概率较大时， 能够获得较高的得分。 0072 仅作为示例， 假设使用纹理特征来确定每个 3D ROI 是肿瘤所在区域的概率的得 分。在计算 3D ROI 的得分之前， 可使用大量 3D 肿瘤图像训练支持向量机， 使得经过训练的 支持向量机能够基于纹理特征来确定某个图像区域是肿瘤区域的概率的得分。然后， 可将 3D ROI 所在的 3D 区域的纹理特征输入到经过训练的支持向量机， 从而可获得该 3D ROI 是 目标对象所在区域的概率的得分。 可利用已知的方法， 例如支持向量机、 机器学习等算法来 计算 3DROI 是目标对象所在区域的概率的得分。 。
44、0073 通过对所有3D ROI的得分进行排序， 并选择得分超过预定分数的3DROI发送到分 割单元 140 进行 3D 分割， 可有利于提高目标对象的检测准确度。 0074 应该理解， 当组合单元 130 仅输出了一个 3D ROI 时， 排序单元 150 可不进行排序 和选择， 而是直接将所述一个 3D ROI 输入分割单元 140。 0075 优选地， 在本发明的实施例中， 如果同时使用不同的算法检测特征差异较大的不 同类型的对象， 则可分别对使用每个算法获得的 2D ROI 组成的 3DROI 进行排序和选择。 0076 图 3 是示出根据本发明的另一示例性实施例的用于在 3D 体积图。
45、像中检测对象的 设备的框图。 0077 如图 3 中所示， 图 3 的设备 300 中的切片采样单元 110、 检测单元 120、 组合单元 130、 分割单元 140 和第一排序单元 150 与图 2 中具有相同标号的单元具有相同的功能， 因 此在此不对其进行详细描述。此外， 与图 2 相比， 图 3 的设备 300 还在分割单元 140 之后增 加一个第二排序单元 160。 0078 图 3 中的第二排序单元 160 可在分割单元 140 提取出多个目标对象时， 计算指示 每个目标对象是所关心的目标对象的概率的得分， 对所述多个目标对象的得分进行排序， 并将得分超过预定分数的目标对象确定为。
46、所关心的目标对象。这样， 能够在 3D 体积图像中 更准确地确定所关心的目标对象 （例如， 肿瘤） 。 0079 在本发明中， 第二排序单元 160 的操作原理与第一排序单元 150 相似， 即， 第二排 序单元 160 也可用支持向量机或机器学习等计算得分， 因此为了简明， 在此将不再进行详 细描述。 0080 此外， 尽管在图 3 中示出设备 300 包括第一排序单元 150 和第二排序单元 160， 但 也可根据实际需求， 仅包括第二排序单元 160 而不包括第一排序单元 150。 0081 此外， 由于由多个 2D ROI 组合的 3D ROI 在 3D 体积图像中通常是不连续的， 因。
47、此， 尽管在图 1 至图 3 中没有示出， 但根据本发明的实施例的用于在 3D 体积图像中检测对象的 设备100、 200或300还可包括插值单元 （未示出） ， 所述插值单元可用于对3D ROI进行插值， 以在3D体积图像中形成连续的3D ROI。 插值方法对于本领域技术人员而言是已知的， 因此 不进行详细描述。 0082 在本发明的实施例中， 可根据需求， 将所述插值单元设置在组合单元 130 与分割 单元 140 之间的任意位置， 例如， 在图 1 中可设置在组合单元 130 与分割单元 140 之间， 在 说 明 书 CN 104463825 A 11 8/9 页 12 图 2 和图 。
48、3 中可设置在组合单元 130 与第一排序单元 150 之间或第一排序单元 150 与分割 单元 140 之间。 0083 图 4 是示出根据本发明的示例性实施例的用于在 3D 图像中检测对象的方法的流 程图。 0084 如图4中所示， 在步骤410， 可由切片采样单元110对3D体积图像进行采样以获得 多个 2D 图像。前文已参照图 1 详细解释了采样方法， 因此为了简明， 在此将不再进行详细 描述。 0085 在步骤 420， 可由检测单元 120 从切片采样单元 110 采样获得的多个 2D 图像中的 每个 2D 图像检测 2D ROI。具体地讲， 检测单元 120 可使用 MSER 算。
49、法、 E-SVM 算法和 DPM 算 法中的一个或多个在 2D 图像中检测 2D ROI。在前文已参照图 1 详细解释了在 2D 图像中检 测 2D ROI 方法， 因此为了简明， 在此将不再进行详细描述。 0086 在步骤430， 可由组合单元130使用检测单元120检测出的2D ROI来组合3D ROI。 0087 具体地讲， 在步骤430， 所述组合单元130可计算检测单元120检测出的2D ROI之 间的重合度或者特征相似度， 依据计算出的重合度或特征相似度对 2D ROI 进行分组， 并将 属于相同组的多个 2D ROI 组合为一个 3D ROI。例如， 组合单元 130 可将在步骤 420 中使用 特定算法检测出的每个2D ROI视为无向图中的一个顶点， 并计算所述无向图中的每个顶点 与其他顶点之间的权重。然后， 组合单元 130 可连通所述无向图中权重大于 0 的所有。