专利名称：用于对血管树进行自动矢量化的方法和计算机系统的制作方法在医疗中的成像方法范围中普遍公知的是，提取患者的断层造影图像信息以便从中获得关于受检查的患者的生理情况的知识并且将该知识为了诊断的目的提供给医生。例如，在CT血管造影中在给予造影剂之后产生血管系统的3D数据组，该3D数据组使得医生能够诊断血管的形变，诸如变狭窄或动脉瘤。原则上该诊断可以直接对断层造影显示上进行。为了简化，例如还可以将所谓的CPR(curved multiplanare Reconstruction =弯曲的多平面重建)作为关于血管系统的血管概况提供给医生，该CPR基于对血管影像中的中心线的确定。借助CPR，医生可以得到关于考察的血管的状态的最初概况并且例如确定位置以测量血管。对血管的基于CPR的测量比直接评价断层造影的图像数据组要求少得多的时间。然而图像质量的连续改善伴随着待判断的图像数量的上升。这导致对于每个患者的图像的查看所需的时间越来越多。随着待判断的图像数量的上升，同时提高了在大量信息中忽视病变的风险。
因此，本发明要解决的技术问题是，为医生提供一种改进的系统，该系统可以以集中的形式为医生提供存在的血管结构的主要数据并且由此使得医生可以更简单和更快速地分析。发明者认识到以下一方面，通过以矢量化的形式自动应用关于标志(Landmark)在血管树中的相对定位和血管树的在这些标志上和/或之间的特征性特点的事先学习到的解剖知识，可以显著更有效地进行血管树的自动识别过程。另一方面通过对血管树的提取的图像数据进行为此所需的矢量化，可以为医生提供关于血管树的解剖特征的显著更集中的信息。原则上，对于血管树的矢量化识别和显示的基础是，通过由标志和血管连接组成的图模型、由图模型在多个事先确定的断层造影图像数据上的应用和统计停留概率 (Aufenthaltswahrscheinlichkeit)的产生组成的统计血管模型对血管树的描述，其描述了找到的标志相互的相对定位和血管连接的统计特征参数。此外，还可以给出在标志上的分支的特征性形式，其在模式识别中可以被使用。最后，需要从当前考察的患者或者说其断层造影图像数据中具体地提取该血管模型。在此，首先自动确定几个特别突出的标志并且基于这些标志的位置进行与统计血管模型的配准。此时人们识别这些位置或者说其停留概率的该区域应当位于那些进一步从统计血管模型已知的标志中，并且可以将模式识别有针对地限制到这些区域。仅由此就极大提高了识别概率。此外，还可以将关于血管树的特征性形状和尺寸应用到各个标志，由此模式识别变得更准确。如果没有识别所有的标志，则可以迭代地再次或多次利用统计血管模型的标志配准到在此期间找到的血管模型的标志，由此分别改进了对利用各个配准数据组的识别。与该基本思想相应，发明者建议了一种根据受检查的患者的断层造影图像显示对血管树的走向(Verlauf)和其至少一个特征进行自动矢量化的方法，其具有至少以下方法步骤-基于多个可统计比较的人的分析的断层造影图像数据组，以统计血管模型形式提供血管树的标志的统计确定的停留概率，-接收或产生患者的当前的断层造影图像数据组，-自动确定在患者的当前的断层造影图像数据组中的血管树的多个显著的标志，-通过将当前的断层造影图像数据组中确定的标志接近统计血管模型的相应标志，将当前的断层造影的图像数据组配准到统计血管模型，-使用从统计血管模型中至此未知的标志及其统计的停留概率的特征性识别特征，自动确定在配准的断层造影图像数据组中至此未知的标志，-使用识别的标志和在识别的标志上和/或之间的至少一个血管特征，确定至少一个当前的血管模型，-输出当前的血管模型。如果在第一次遍历按照本发明的方法时没有找到在统计血管模型中存在的所有标志，则在使用所有已知的标志和识别新的标志的情况下利用再次配准进行至少一个迭代。对于该迭代过程的中断标准例如可以是进行的迭代次数、找到所有标志或预定数量的标志ο在按照本发明的方法中，还可以补充地向操作者提供对当前血管模型的输出数据进行滤波的可能性。在此使用的滤波标准一方面可以自由选择，或者从多个预定的滤波标准中选择。特别地，为了滤波可以使用受检查的血管特征，例如血管直径、在两个标志之间血管直径的改变和/或血管壁厚度或其改变。为了将统计血管模型的标志配准到当前找到的标志(包括所属的当前断层造影图像数据组)，特别可以应用主动形状模型(Active Shape Model)或者主动外观模型 (Active Appearance Model)的原理。关于这两种模型将示例性地并且利用那里引用的其他参考而参考 T. F. Cootes 禾口 C. J. Taylor 的文献Statistical models of appearance image analysis and computer vision, Proc.SPIE Medical Imaging，2001。此外发明人建议，为了识别标志，使用模式识别，该模式识别被限制到具有在统计血管模型中的找到的标志的停留概率的区域。通过空间上限制搜索，模式识别的命中概率和效率相对于无针对的搜索极大上升。为了支持这点，还可以使用统计地确定的血管树的基本形状，该基本形状分别在搜索的标志上是最可能的，或者至少属于以相对更高的可能性出现的基本形状。按照本发明，统计血管模型作为参数可以至少具有关于每个标志的标记 (Bezeichnung)及其统计位置的信息。此外，基于患者的当前拍摄而输出的血管模型除了标志的参数之外还可以附加地包含用于统计地描述在两个标志之间的每个血管段的血管的几何的至少一个参数。除了上述方法之外，本发明还涉及一种计算机系统，特别是具有扫描器的断层造影系统的计算机系统，该计算机系统至少还用于图像分析并且为此具有用于计算机程序的存储器，其中在存储器中，必要时除了其他分析和控制程序，还具有在运行中执行至少一个按照本发明的方法的计算机程序。以下借助附图结合优选实施例详细描述本发明，其中仅示出了对理解本发明所必须的特征。使用以下的附图标记1至119 标志ID ；A 停留概率；Cl =CT系统/C形臂系统；C2 第一 X射线管；C3 第一探测器；C4 第二 X射线管(可选的)；C5 第二探测器(可选的)；C6 =CT系统/C形臂系统的扫描器；C7 =C形臂；C8 患者卧榻；C9 系统轴；ClO =CT 系统/C形臂系统的计算机系统；Cll 造影剂施加器；C12 =EKG导线；GA 血管段；GM 图模型；L:标志；M 血管的中心线的走向；Ml =MRT(=磁共振断层造影)系统；M2 励磁线圈； M3 接收线圈；M4 梯度线圈；M6 =MRT系统的扫描器；MlO =MRT系统的计算机系统；P 患者； Prg1-Prgn 计算机程序；R 统计的半径的走向；Sll至S28 具有各个以下含义的方法步骤 Sll 开始，S12 加载存在的统计血管模型，S13 建立空的统计血管模型，S14 检查了训练数据集合？，S16 提取血管模型，S17 配准到统计血管模型，S18 融合血管模型，S21 开始，S22 定义获得的标志的子集，S23 配准到统计血管模型，S24 探测其他标志，S25 其他标志？，S26 提取血管模型，S27 扩展了模型？，S28 建立血管模型；SG 统计血管模型各幅图中图1示意性示出了具有标志和血管连接的血管模型；图2示出了用于建立统计血管模型的流程图；图3示出了在使用统计血管模型的条件下用于提取血管模型的流程图；图4示出了各个标志的停留概率的统计信息；图5示出了围绕血管的中心线的半径的统计信息；图6示意性示出了用于执行按照本发明的方法的CT系统；图7示意性示出了用于执行按照本发明的方法的C形臂系统；图8示意性示出了用于执行按照本发明的方法的MRT系统。
-统计血管模型包括来自训练数据集合的解剖知识-血管模型具体的数据组的提取的血管模型图模型包含由具有ID 1至119 (ID=识别号)的标志(节点)及其通过线表示的血管连接(边)组成的血管树的抽象的表示。在图1中示出了这样的示意性的可视化的图模型，其中为更清楚起见，标志的排列基于相应的解剖位置。此外为了更清楚起见舍弃对包含的解剖变形的可视化。图模型的定义优选通过专家的用户交互来进行并且例如可以以 XML文件形式被存储。通过图模型可以预先给出血管树的非常抽象的形状。该背景知识以存在的血管连接的形式定义了在可能的标志之间的关系。其中既不包含位置，也不包含半径或其他尺寸参数，而是仅定义了可能的血管连接的图。统计血管模型还包含来自于训练数据集合的解剖知识。在图2中借助流程图示出了解剖知识如何融合训练数据集合并且综合在一个统计血管模型中。以相应于步骤Sll的“开始”开始，首先在步骤S13中建立空的统计血管模型，或者如果已经存在则按照步骤S12加载存在的统计血管模型。然后在步骤S14中进行对训练数据集合的搜索，其中，如果还存在数据，则在步骤S16中提取新的血管模型，在步骤S17中将该血管模型配准到统计血管模型并且在步骤S18中将新的血管模型与现有的统计血管模型融合。进行迭代，直到完全检查了训练数据集合，其中作为结果形成新的统计血管模型 SG。由此统计血管模型在训练之后包括足够大数据量的解剖信息，从而可以将其作为代表性的来考察。即，数据组的血管模型表示血管树的基于模型的描述。在此，可以将每个标志和血管连接的特征以矢量的形式作为η维空间中的η元组特征说明来表示。在此，从数据组中包含的标志的一个子集出发进行到统计血管模型的配准。然后使用统计知识迭代地进行标志集合的放大或者模型参数的提取。随着用于产生而融合的血管模型的数量上升， 统计血管模型变得更具有说服力和更可靠。在提取模型参数之后接着进行血管模型的检查。在此，使用统计血管模型检查和解释血管模型的信息。血管模型与统计血管模型的偏差可以为医生形成用于诊断病变的基石出。以下描述对前面所述部分概念的示例性实现图模型如前所述定义了在标志之间的血管连接的抽象视图。配置文件的以下段落示出了该基本知识的可能定义


本发明涉及用于根据受检查的患者(P)的断层造影图像显示对血管树及其至少一个特征的走向进行自动矢量化的一种方法和一种计算机系统，其中，使用血管树的标志(L)的事先确定的停留概率(A)，自动确定在患者(P)的当前的断层造影图像数据组中的血管树的多个显著的标志(L)，将当前的断层造影的图像数据组配准到统计血管模型，使用从统计血管模型中至此未知的标志(L)及其统计的停留概率(A)的特征性识别特征，自动确定在配准的断层造影图像数据组中至此未知的标志(L)，以及使用识别的标志和在识别的标志(L)上和/或之间的至少一个血管特征，确定至少一个当前的血管模型。