Нормативный набор данных для нейропсихических расстройств



Нормативный набор данных для нейропсихических расстройств
Нормативный набор данных для нейропсихических расстройств
Нормативный набор данных для нейропсихических расстройств
Нормативный набор данных для нейропсихических расстройств
Нормативный набор данных для нейропсихических расстройств

 


Владельцы патента RU 2573740:

КОНИНКЛЕЙКЕ ФИЛИПС ЭЛЕКТРОНИКС Н.В. (NL)
ДАРТМУТ КОЛЛЕДЖ (US)

Изобретение относится к идентификации нарушений анатомических структур. Техническим результатом является повышение точности диагностирования анатомических структур пациента. Способ содержит: сегментацию, с использованием процессора, анатомической структуры, изображенной в объемном изображении множества контрольных пациентов для создания контрольной сегментации анатомических структур каждого из контрольных пациентов; получение нормативного набора данных посредством извлечения статистических представлений морфологии контрольных сегментаций; добавление, посредством процессора, описательной части нормативного набора данных, при этом описательная часть включает в себя текстовую информацию из данных, не являющихся изображением, относительно анатомической структуры; сегментацию анатомической структуры пациента, анализируемой на нарушения для создания сегментации пациента; сравнение сегментации пациента с нормативным набором данных, полученным от контрольных сегментаций и описательных частей нормативного набора данных; и идентификацию, посредством процессора, нарушений анатомических структур пациента, проанализированных на основании сравнения. 2 н. и 13 з.п. ф-лы, 5 ил.

 

УРОВЕНЬ ТЕХНИКИ

Многие общие нейропсихические расстройства (например, болезнь Альцгеймера, шизофрения, депрессия) могут представлять собой целый ряд различных расстройств, которые проявляются клинически одинаково, но по разному поддаются лечению. Эти основные различия могут проявляться на разных, специфичных для болезни, нейронных субстратах. Таким образом, быстрая идентификация нарушений объема и формы конкретных зон мозга, имеющих отношение к нейронной патофизиологии данных расстройств, будет полезна для характеризации подтипов болезни и скорее всего улучшит терапевтические результаты. Идентификация лиц с психиатрическими и неврологическими расстройствами до полного проявления симптомов расстройств может позволить определить ранние стратегии вмешательства, направленные на предотвращение наступления в целом и/или улучшение их долгосрочного течения.

В настоящее время решения о морфологии структур мозга в большинстве клинических центров ограничены субъективным просмотром снимков МРТ (Магнитно Резонансная Томография), из-за трудоемкого характера ручного разделения объемов мозга по МРТ и отсутствия высокоточных и высокоэффективных автоматических средств. К тому же врачи часто рассматривают только одну часть структуры мозга. Однако мозг является взаимосвязанной сетью тканей. Таким образом, одновременное рассмотрение множественных структур может выявить важную информацию, имеющую возможность пролить свет на важные вопросы.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Способ идентификации нарушения анатомической структуры посредством включения в себя сегментации, используя процессор, анатомической структуры, изображенной в объемном изображении множества контрольных пациентов для создания сегментации анатомических структур каждого из контрольных пациентов, получения нормативного набора данных путем извлечения статистических представлений морфологии контрольных сегментаций, сегментирования анатомической структуры пациента, анализируемого на нарушения, для создания сегментации пациента, и сравнения сегментации пациента с нормативным набором данных, полученными от контрольных сегментаций.

Система для идентификации нарушений анатомической структуры, имеющая процессор, сегментирующий анатомическую структуру, изображенную в объемном изображении множества контрольных пациентов для создания контрольной сегментации анатомических структур каждого из контрольных пациентов, и получающий нормативный набор путем извлечения статистических представлений морфологии контрольных сегментаций, и причем процессор сегментирует анатомическую структуру пациента, анализируемого на нарушения, для создания сегментации пациента для сравнения сегментации пациента с нормативными данными, полученными от контрольных сегментаций.

Машиночитаемый носитель информации, включающий в себя набор инструкций, выполняемых процессором. Набор инструкций, выполненный с возможностью сегментации анатомической структуры изображенного в объемном изображении из множества контрольных пациентов для создания контрольной сегментации анатомических структур каждого из контрольных пациентов и получения нормативного набора данных путем извлечения статистических представлений морфологии контрольных сегментаций.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Фиг. 1 отображает схематическую диаграмму системы, в соответствии с образцовой реализацией.

Фиг. 2 отображает блок-схему способа в соответствии с образцовой реализацией.

Фиг. 3 отображает блок-схему способа для применения деформируемой сегментации, в соответствии со способом на Фиг. 2.

Фиг. 4 отображает в перспективе деформируемую модель мозга в соответствии со способом на Фиг. 3.

Фиг. 5 отображает деформируемую модель мозга, адаптированную под объем пациента, в соответствии со способом на Фиг. 3.

ПОДРОБНОЕ ОПИСАНИЕ

Образцовые реализации могут, в дальнейшем, быть поняты в соответствии с последующим описанием и прилагаемым чертежам, в которых одинаковые элементы обозначаются одними и теми же цифрами. Образцовые реализации относятся к системе и способу для идентификации нарушений объема и формы зон в мозге. В частности, образцовые реализации генерируют объемную сегментацию структуры мозга пациента которые адаптируются под объемное изображение, такое как МРТ, для сравнения сегментаций с нормативным набором данных, который включает в себя количественное описание объема и формы структур мозга у здоровых людей. Это будет понятно специалистам в данной области, тем не менее, несмотря на то, что образцовые реализации специально описывают сегментацию структуры мозга, системы и способы в образцовых реализациях могут быть использованы для идентификации нарушений объема и формы в любой анатомической 3D структуре в объемном изображении, таком как, например, КТ (Компьютерная Томограмма)и/или ультразвуковое изображение.

Как изображено на Фиг. 1, система 100, в соответствии с образцовой реализацией, сравнивает сегментацию интересующей 3D структуры мозга с нормативным набором данных для идентификации нарушений объема и формы определенных зон мозга. Система 100 включает в себя процессор 102, который может адаптировать деформируемую модель структуры мозга, основываясь на особенностях структуры в объемном изображении, как для получения нормативного набора данных, применяя деформируемую сегментацию к контрольным пациентам, так и для пациента, чью структуру мозга предполагается проанализировать. Затем процессор 102 сравнивает интересующую сегментацию структуры мозга пациента с полученными нормативным набором данных контрольных пациентов для идентификации каких-либо нарушений. Деформируемая модель выбирается из базы данных моделей, хранящейся в памяти 108. Память 108, так же хранит полученный нормативный набор данных и любые сегментации структур мозга пациента. Пользовательский интерфейс 104 предназначен для ввода пользовательских настроек для определения объема структур мозга, отображения конкретной части структуры мозга и т.п. Пользовательский интерфейс 104 может, например, быть графическим пользовательским интерфейсом, отображаемым на дисплее 106. Входные данные, ассоциированные с пользовательским интерфейсом, вводятся, например, с помощью мыши, сенсорного дисплея и/или клавиатуры. Сегментация структур мозга, объемное изображение и пользовательские настройки пользовательского интерфейса 104 отображаются на дисплее 106. Память 108 может быть любым известным типом машиночитаемого носителя данных.

Фиг. 2 изображает способ 200, в соответствии с образцовой реализацией, в которой система 100 сравнивает 3D сегментацию интересующих мозговых структур пациента с нормативным набором данных, включающим в себя количественные данные, соответствующие такой же структуре, полученной от контрольной группы пациентов. Способ 200 включает в себя применение деформируемого процесса сегментации 300 к ряду здоровых контрольных пациентов, на этапе 210, для создания контрольной сегментации интересующей структуры мозга каждого из контрольных пациентов. Специалистам в данной области будет понятно, что может быть более чем одна интересующая структура и что все структуры мозга могут быть сегментированы, как описано. Подробное описание образцовой реализации процесса деформируемой сегментации 300 предоставлено ниже, в соответствии с Фиг. 3. В частности, деформируемая модель структуры мозга выбирается и автоматически адаптируется, чтобы соответствовать в объеме и форме структурам мозга контрольных пациентов.

На этапе 220 нормативный набор данных получается на основе деформируемой сегментации структур контрольных пациентов, путем извлечения статистических представлений, лежащей в основе морфологии структур мозга. Нормативный набор данных будет содержать информацию, относящуюся к объему, форме и количественному описанию взаимосвязи между различными структурами мозга у контрольных здоровых пациентов, например статистическое описание, основанное на усреднении и разнице и/или диапазоне значений. В дополнении к объемным МРТ, поверхностные представления различных структур мозга могут быть использованы для описания геометрии структуры внешности. Например, координаты, значения вокселей (объемный пиксель), различные формы дескрипторов (например, кривизна поверхности, смещение точки из средней сагиттальной плоскости, локальная деформация поверхности и т.д.) предоставляют простое количественное описание структуры мозга.

Описательные части нормативного набора данных могут в дальнейшем включать в себя ярлыки, которые могут быть выбраны пользователем для отображения текстовой информации, относящейся к структурам мозга. Текстовая информация может соответствовать другим источникам, например, таким как рентгеновские снимки, которые могут предоставить более полное представление нормативного набора данных. Поскольку ярлыки допускают расхождения, смещение листа нормативного набора данных так же необходимо сравнить с деформируемой сегментацией мозговых структур пациента. Как будет понятно специалисту в данной области, нормативный набор данных хранится в памяти 108, таким образом, что нормативный набор данных может быть использован по желанию, для различных пациентов в различное время. Специалисту в данной области будет так же понятно, что как только нормативный набор данных был получен и сохранен в памяти 108, нормативный набор данных может быть использован в любое время, таким образом, что этапы 230-290, как описано ниже, могут быть инициированы отдельно от этапов 210 и 220, как описано ниже.

На этапе 230 процесс деформируемой сегментации 300 применен к пациенту, чьи структуры мозга были проанализированы для идентификации нарушений, с целью произвести сегментацию интересующих структур(ы) мозга пациента. Процесс деформируемой сегментации 300 для пациента в значительной степени схож с деформируемой сегментацией мозга, проводимой на контрольных здоровых пациентах, на этапе 210, как описано ниже, в соответствии с Фиг. 3. На этапе 240 сегментация пациента, проведенная на этапе 230, отображается на дисплее 106. Система 100 затем получает данные, вводимые пользователем, на этапе 250, через пользовательский интерфейс 104, который может отображать пользовательские настройки. Пользователь может ввести пользовательские данные, выбрав сохранение сегментации пациента, загрузить ранее сохраненную сегментацию пациента, выбрать идентификацию нарушений в сегментации пациента, и т.д. Другие вводы пользовательских данных могут включать в себя выбор увеличить и/или приблизить конкретную часть отображенных изображений, изменение вида конкретного изображения, и т.д.

Здесь пользователь осуществляет выбор для идентификации нарушения с помощью ввода пользовательских данных на этапе 250, процессор определяет значения для интересующих параметров, относящихся, например, к объему, форме, кривизне и структуре сегментации пациента, в шаге 260. Интересующие параметры соответствуют типам данных, включенных в нормативный набор данных, полученный на этапе 220. На этапе 270 значения интересующих параметров сегментации пациента сравниваются с нормативным набором данных, полученным от контрольных сегментаций. Например, координаты, значения вокселей и другие количественные дескрипторы формы сегментации пациента сравниваются со значениями нормативного набора данных, полученного от контрольной сегментации. Структуры мозга сегментации пациента могут быть сравнены индивидуально, как выбрано пользователем, или, в качестве альтернативы - одновременно, таким образом, что все сегментированные структуры мозга анализируются сразу. Если статистическая информация включена в нормативный набор данных, то возможно непосредственно получить вероятностную меру того, здорова или нет интересующая структура мозга пациента.

На этапе 280 результаты сравнения между сегментацией пациента и нормативным набором данных, полученными от контрольной сегментации, отображаются на дисплее 106. Отображенные результаты сравнения могут быть текстовыми и/или визуальными. Например, дисплей 106 может отображать структуры мозга пациента с идентифицированными нарушениями совместно с описанием нарушений. Или дисплей 106 может показать сегментацию пациента с визуальными индикациями, указывающими отклонения и/или различия с нормативным набором данных. Визуальные индикации могут, например, быть различиями в цветах или цветовых градиентах, которые могут указывать степень или уровень отклонения сегментации пациента от контрольной сегментации. Различные цвета могут быть назначены диапазонам отклонений. Или цветовые индикации могут присутствовать в качестве градиента цвета, таким образом, что уровни отклонений указываются различиями оттенков цвета.

На этапе 290 система 100 принимает входные пользовательские данные через пользовательский интерфейс 104. Пользователь может ввести пользовательские данные, выбрав сохранить сегментацию пациента совместно со сравнением результатов, загрузить ранее сохраненную сегментацию пациента, выбрать ярлык для отображения, указать другие пользовательские настройки, и т.д. Как будет понятно специалисту в данной области, что несмотря на то, что способ 200, как описано ниже, показывает, что пользователь выбирает сравнивать сегментацию пациента с нормативным набором данных с помощью ввода пользовательских данных на этапе 250, сравнение может так же быть проведено процессором 102 автоматически непосредственно после создания сегментации пациента. Таким образом, специалисту в данной области будет так же понятно, что способ 200 может так же перейти от этапа 230 непосредственно к этапу 260.

Фиг. 3 отображает образцовую реализацию процесса деформируемой сегментации, как описано выше в соответствии с этапами 210 и 230. Способ 300 включает в себя выбор деформируемой модели интересующей структуры мозга из базы данных моделей структур, хранимой в памяти 108, на этапе 310. В образцовой реализации деформируемая модель автоматически выбрана процессором 102 путем сравнения особенностей интересующей мозговой структуры в объемном изображении с моделями структуры в базе данных. В другой образцовой реализации деформируемая модель выбирается вручную пользователем, просматривающим базу данных для идентификации деформируемой модели, которая наиболее точно воспроизводит интересующую мозговую структуру. База данных моделей структур может включать в себя модели структуры из исследований мозговых структур и/или результатов сегментации предыдущих пациентов.

На этапе 320 деформируемая модель отображена на дисплее 106, как показано на Фиг. 4. Деформируемая модель отображена как новое изображение и/или изображена поверх объемного изображения. Деформируемая модель формируется из поверхностной сетки, включающей в себя множество полигонов треугольной формы, каждый полигон треугольной формы так же включает в себя три вершины и грани. Тем не менее, как будет понятно специалисту в данной области, поверхностная сетка может включать в себя полигоны других форм. Деформируемая модель располагается таким образом, что вершины деформируемой модели расположены как можно ближе к границе интересующей структуры. На этапе 330 каждый из треугольных полигонов снабжается функцией обнаружения оптимальной границы. Функция идентификации оптимальной границы определяет ключевые точки вдоль границы интересующей структуры таким образом, что каждый из треугольных полигонов ассоциируется с ключевой точкой на этапе 340. Ключевые точки могут быть ассоциированы с центрами каждого из треугольных полигонов. Ключевая точка, ассоциированная с каждым из треугольных полигонов, может быть ключевой точкой, которая ближайшая к треугольному полигону и/или соответствует в положении треугольному полигону.

На этапе 350 каждый из треугольных полигонов, ассоциированных с ключевой точкой, автоматически сдвигается в направлении ассоциированной точки таким образом, что вершины каждого из треугольных полигонов сдвигаются к границе интересующей структуры, деформируя деформируемую модель, для соответствия интересующей структуре в объемном изображении. Деформируемая модель деформируется до тех пор, пока позиция каждого треугольного полигона соответствует позиции ассоциированной ключевой точки и/или вершины треугольного полигона лежат в основном вдоль границы интересующей структуры, как показано на Фиг. 5. Как только деформируемая модель деформирована на столько, что треугольные полигоны соответствуют ассоциированным ключевым точкам границы интересующей структуры, деформируемая модель была адаптирована к интересующей структуре таким образом, что деформированная деформируемая модель представляет сегментированную интересующую структуру.

Специалисту в данной области будет очевидно, что различные модификации и альтернативы могут быть применены к разработанным образцовым реализациям и способам без отклонения от сущности или сферы сущности или сферы разработки. Имеется ввиду, что данная разработка охватывает предоставленные модификации и варианты, таким образом, что они входят в сферу прилагаемых чертежей и их аналогов.

1. Способ идентификации нарушений анатомических структур, содержащий:
сегментацию (210), с использованием процессора (102), анатомической структуры, изображенной в объемном изображении множества контрольных пациентов для создания контрольной сегментации анатомических структур каждого из контрольных пациентов;
получение (220) нормативного набора данных посредством извлечения статистических представлений морфологии контрольных сегментаций;
добавление, посредством процессора, описательной части нормативного набора данных, при этом описательная часть включает в себя текстовую информацию из данных, не являющихся изображением, относительно анатомической структуры;
сегментацию (230) анатомической структуры пациента, анализируемой на нарушения для создания сегментации пациента;
сравнение (270) сегментации пациента с нормативным набором данных, полученным от контрольных сегментаций и описательных частей нормативного набора данных; и
идентификацию, посредством процессора, нарушений анатомических структур пациента, проанализированных на основании сравнения (270).

2. Способ по п. 1, в котором сравнение (270) сегментации пациента включает в себя определение интересующих параметров, соответствующих типу данных нормативного набора данных.

3. Способ по п. 1, дополнительно включающий в себя:
отображение (280) на дисплее (106) сегментации пациента и результатов сравнения между сегментацией пациента и нормативным набором данных с помощью одной из: текстовой информации и визуальной индикации.

4. Способ по п. 3, в котором визуальные индикации показывают диапазон отклонений интересующих параметров сегментации пациента от нормативного набора данных контрольных пациентов с помощью по меньшей мере одного из: цвета и цветового градиента.

5. Способ по п. 1, в котором сегментация (230) анатомической структуры дополнительно включает в себя:
выбор (310) деформируемой модели анатомической структуры, причем деформируемая модель сформирована из множества полигонов, включающих в себя вершины и грани;
отображение (320) деформируемой модели на дисплее;
обнаружение (340) ключевой точки интересующей анатомической структуры, причем ключевая точка является точкой в основном вдоль границы интересующей анатомической структуры; и
адаптацию (350) деформируемой модели посредством смещения каждой из вершин в направлении соответствующих ключевых точек до тех пор, пока деформируемая модель не трансформируется в границу интересующей анатомической структуры, формируя сегментацию интересующей анатомической структуры.

6. Способ по п. 1, в котором нормативный набор данных включает в себя количественные значения, соответствующие по меньшей мере одному из: объема и форме контрольных сегментаций.

7. Способ по п. 6, в котором количественные значения включают в себя значение, соответствующее, по меньшей мере, одному из: кривизне поверхности, смещению из средней сагиттальной плоскости и локальной деформации поверхности контрольных сегментаций.

8. Система (100) для идентификации нарушений анатомической структуры, содержащая процессор, сконфигурированный для:
сегментации (210) анатомической структуры, изображенной в объемном изображении множества контрольных пациентов, для создания контрольной сегментации анатомических структур каждого из контрольных пациентов, и получающий нормативный набор данных путем извлечения статистического воспроизведения морфологии контрольных сегментаций;
получения (220) нормативного набора данных посредством извлечения статистических представлений морфологии контрольных сегментаций;
добавления описательной части нормативного набора данных, при этом описательная часть включает в себя текстовую информацию из данных, не являющихся изображением, относительно анатомической структуры;
сегментации (230) анатомической структуры пациента, анализируемой на нарушения для создания сегментации пациента;
сравнения сегментации пациента с нормативным набором данных, полученным от контрольных сегментаций и описательных частей нормативного набора данных; и
идентификации нарушений анатомических структур пациента, проанализированных на основании сравнения (270).

9. Система по п. 8, в которой процессор (102) определяет значения интересующих параметров, соответствующих типу данных нормативных данных, для сравнения сегментации пациента с нормативным набором данных.

10. Система по п. 8, дополнительно включающая в себя:
дисплей (106), отображающий сегментацию пациента и результаты сравнения между сегментацией пациента и нормативным набором данных, с помощью одной из: текстовой информации и визуальной индикации.

11. Система по п. 10, в которой визуальные индикации показывают диапазон отклонений интересующих параметров сегментации пациента от нормативного набора данных контрольных пациентов с помощью по меньшей мере одного из: цвета и цветового градиента.

12. Система по п. 8, в которой сегментация (210) анатомической структуры включает в себя процессор (102), выбирающий деформируемую модель анатомической структуры, причем деформируемую модель, сформированную множеством полигонов, включающий в себя вершины и грани,
причем дисплей (106) отображает деформируемую модель,
при этом процессор (102) дополнительно обнаруживает ключевую точку интересующей анатомической структуры, соответствующую каждому множеству полигонов, и адаптирует деформируемую модель посредством смещения каждой из вершин в направлении соответствующих ключевых точек, до тех пор, пока деформируемая модель не трансформируется в границу интересующей анатомической структуры, формируя сегментацию интересующей анатомической структуры, и
при этом ключевая точка является точкой в основном вдоль границы интересующей анатомической структуры.

13. Система по п. 8, в которой нормативный набор данных включает в себя количественные значения, соответствующие, по меньшей мере, одному из: объему и форме контрольных сегментаций и, при этом
количественные значения включают в себя значение, соответствующее, по меньшей мере одному из: кривизне поверхности, смещению из средней сагиттальной плоскости и локальной деформации поверхности контрольных сегментаций.

14. Система по п. 8, дополнительно включающая в себя:
память (108), хранящую нормативный набор данных, который следует повторно вызвать и сравнить с сегментацией пациента.

15. Система по п.8, дополнительно включающая в себя:
пользовательский интерфейс (104), принимающий пользовательский ввод, касающийся сегментации пациента.



 

Похожие патенты:

Изобретение относится к системам определения цвета цветового образца по изображению цветового образца. Техническим результатом является устранение искажения изображения известных калибровочных цветов за счет применения преобразования перспективы в зависимости от местоположения идентифицированных точек на изображении.

Группа изобретений относится к вариантам выполнения устройства обнаружения трехмерных объектов. Устройство содержит: модуль 41 задания областей обнаружения для задания области обнаружения позади с правой стороны и с левой стороны от транспортного средства; модули 33, 37 обнаружения трехмерных объектов для обнаружения трехмерного объекта, который присутствует в правосторонней области A1 обнаружения или левосторонней области A2 обнаружения позади транспортного средства, на основе информации изображений из камеры 10 сзади транспортного средства; модуль 34 оценки трехмерных объектов для определения того, представляет или нет обнаруженный трехмерный объект собой другое транспортное средство VX, которое присутствует в правосторонней области A1 обнаружения или левосторонней области A2 обнаружения.

Изобретение относится к области сегментации текущих диагностических изображений. Техническим результатом является повышение точности сегментации диагностических изображений.

Изобретение относится к навигации интервенционного устройства. Техническим результатом является повышение точности навигации интервенционного устройства внутри трубчатой структуры объекта.

Изобретение относится к области техники медицинской диагностики методом визуализации. Техническим результатом является повышение точности регистрации двумерных/трехмерных изображений.

Изобретение относится к области техники выравнивания упорядоченного стека изображений разрезанного образца. Техническим результатом является повышение точности выравнивания каждого изображения образца, разделенного на части.

Изобретение относится к области планирования лучевой терапии. Техническим результатом является снижение лучевой нагрузки на здоровую ткань за счет того, что к идентифицированному контуру поверхности добавляют непостоянную граничную область.

Изобретение относится к способу автоматической сегментации структур мозга. Техническим результатом является повышение точности и надежности идентификации структурной атрофии после черепно-мозговой травмы.

Изобретение относится к области обработки информации посредством использования результатов распознавания. Технический результат - обеспечение вывода нового результата распознавания, используя возможность повторного использования результатов вывода, полученных от множества механизмов распознавания.

Изобретение относится к медицинской технике, а именно к средствам формирования функциональных изображений. Способ содержит получение первого изображения накопления первого контрастного вещества в ткани пациента, не являющейся объектом исследования, при этом первое изображение генерируется на основе первых данных от первого средства формирования изображений, получение второго изображения накопления второго контрастного вещества в исследуемой ткани пациента и ткани пациента, не являющейся объектом исследования, при этом второе изображение генерируется на основе вторых данных от другого второго средства формирования изображений, генерирование первой маски изображения на основе первого изображения, генерирование первого изображения особенности на основе второго изображения и первой маски изображения и отображение первого изображения особенности, которое не включает в себя накопление контрастного вещества в исследуемой ткани, не накапливающей контрастное вещество.

Изобретение относится к области вычислительной техники и может быть использовано в цифровых системах получения трехмерных моделей физических объектов. Техническим результатом является повышение качества сканирования сцены с неламбертовыми эффектами освещения. Предложено устройство трехмерной реконструкции сцен с неламбертовыми эффектами освещения. Устройство содержит блок получения изображения, блок управления, блок вычисления маски глобального освещения, блок извлечения шаблона, блок генерации адаптивных шаблонов, блок поиска пересечений, блок проецирования, блок получения информации, блок ассоциации шаблонов, блок вычисления трехмерной формы, блок тактовой частоты. 1 ил.

Изобретение относится к системе и способу для идентификации объектов. Техническим результатом является улучшение быстродействия системы идентификации и точности идентификации. Система для асинхронной идентификации предмета в пространстве для измерений содержит множество датчиков объектов для определения по меньшей мере одного параметра, описывающего объекты при их относительном перемещении по отношению к пространству для измерений, причем каждый параметр не содержит данных системных часов, датчик положения для формирования данных о положении, относящихся к относительному перемещению, причем данные о положении не содержат данных системных часов, обрабатывающее устройство для приема параметров от датчиков объектов, соотнесения параметров с соответствующими параметрами объектов на основании данных о положении и известных положения и ориентации датчика объекта, которым определен каждый соответствующий параметр, причем обеспечена возможность соотнесения соответствующих параметров с соответствующими объектами без учета данных системных часов, и сравнения для каждого объекта, имеющего по меньшей мере один соотносимый параметр, по меньшей мере одного соотносимого параметра с параметрами известных предметов для присвоения объекту идентификатора предмета. 2 н. и 12 з.п. ф-лы, 22 ил.

Изобретение относится к технологиям отображения изображений. Техническим результатом является повышение реалистичности изображения, за счет передачи семантических метаданных от стороны создателя контента. Предложен способ добавления информации детализации воспроизведения отображения во входное изображение из набора видеоизображений. Причем данная информация используется приемной стороной устройства обработки изображения цветовоспроизведения для управления воспроизведением яркостей области изображения соответствующих изображений для, по меньшей мере, двух отображений различных динамических диапазонов яркости. Способ включает в себя этап, на котором показывают входное изображение человеку-оператору, а также согласно способу принимают через пользовательский интерфейс описательные данные режима области во входном изображении от человека-оператора. При этом описательные данные включают в себя: информацию выбора области, чтобы позволить извлечение области пикселей на приемной стороне, причем информация выбора области содержит значение яркости, разделяющее пиксели, имеющие яркости соответственно выше или ниже указанного, или геометрическую информацию. 4 н. и 8 з.п. ф-лы, 7 ил.

Изобретение относится средствам формирования изображения в компьютерной программе. Техническим результатом является повышение качественной информативности формируемого изображения. Система (10) содержит: устройство (16) получения изображений; устройство (24) обработки, содержащее блок (24а) отслеживания, блок (24b) привязки, блок (24с) определения, блок (24d) восстановления и блок (24е) формирования. Устройство (16) получения изображений получает множество первых изображений с первым критерием, вторичное изображение со вторым критерием. Блок (24а) отслеживания отслеживает предварительно определенные первый признак и второй признак в первых изображениях и во вторичном изображении. Блок (24с) определения определяет преобразование первого признака, векторные поля искажения второго признака относительно первого признака. Блок (24b) привязки привязывает и записывает векторные поля искажения второго признака, соответствующие атрибутам фазы. Блок (24d) восстановления восстанавливает текущее физическое искажение. Блок (24е) формирования формирует объединенное межкритериальное изображение на основе восстановленного физического искажения. 3 н. и 10 з.п. ф-лы, 10 ил.

Изобретение относится к области дистанционного зондирования Земли из космоса. Технический результат заключается в повышении устойчивости и достоверности результатов контроля. Для осуществления контроля проводят дистанционное зондирование подстилающей поверхности средствами, установленными на космическом носителе, синхронно, в ИК и СВЧ диапазонах, с получением изображений участков поверхности, раздельно, в каждом канале, осуществляют попиксельное перемножение матриц изображений с получением синтезированной матрицы, нормируют функцию сигнала синтезированной матрицы в стандартной шкале 0…255 уровней квантования, калибруют функции сигнала синтезированной матрицы по значениям коэффициента пожарной опасности эталонных площадок, выделяют изолинии контуров пожарной опасности методами пространственного дифференцирования и визуализируют их распечаткой с нанесением на контурную карту региона. 5 ил.

Изобретение относится к совмещению данных изображения. Техническим результатом является повышение точности определения движения подвижной структуры. Способ совмещения набора данных 4-мерного изображения с контрастированием содержит этап, на котором: совмещают данные изображения, соответствующие множеству разных периодов времени, с опорным изображением из одного из периодов времени, данные изображения совмещаются с использованием итерационного алгоритма совмещения на основе градиентов и показателя подобия, алгоритм совмещения основывается на алгоритме оптимизации методом стохастического градиентного спуска, и показатель подобия включает в себя показатель подобия, основывающийся на нормированной кросс-корреляции с нулевым средним. 2 н. и 9 з.п. ф-лы, 7 ил.

Изобретение раскрывает сканирующее устройство для формирования трехмерного голографического изображения в миллиметровом диапазоне волн. Техническим результатом является повышение скорости и точности сканирования. Устройство включает в себя первый модуль трансивера миллиметрового диапазона; второй модуль трансивера миллиметрового диапазона; первое направляющее устройство рельсового типа; второе направляющее устройство рельсового типа; и приводное устройство, выполненное с возможностью приведения в действие первого/второго модуля трансивера миллиметрового диапазона вместе с первым/вторым направляющим устройством рельсового типа; при этом первое сканирование, выполняемое первым модулем трансивера миллиметрового диапазона, и второе сканирование, выполняемое вторым модулем трансивера миллиметрового диапазона, представляют собой плоскостное сканирование и первое и второе сканирование могут выполняться с разной скоростью. 3 н. и 13 з.п. ф-лы, 2 ил.

Изобретение относится к способу определения местоположения наземных объектов. Техническим результатом является повышение точности определения местоположения наземного объекта в условиях городской застройки. В способе выделяют из изображения массив одномерных сигнатур контуров рельефа застройки. Способ содержит алгоритм фильтрации мешающих объектов, распознавание характера застройки, построение для точек области позиционирования эталонных одномерных сигнатур модели контуров рельефа застройки с учетом данных о направлениях и углах обзора объективов, оценку местоположения объекта посредством многоэтапной процедуры поиска координат области позиционирования с наименьшим различием эталонных и выделенных сигнатур контуров рельефа застройки, использование при оценке координат объекта переменного шага поиска, вычисляемого на основе оценки плотности застройки в текущем районе, применение изображений видимого и инфракрасного диапазонов. 3 ил.

Изобретение относится к идентификации обрабатываемого объема на медицинском изображении. Техническим результатом является обеспечение возможности автоматической быстрой и точной оценки объема и визуализации ткани. Система содержит: систему обработки ткани для обработки целевого объема субъекта; компьютерную систему и память, содержащую машиночитаемые инструкции для исполнения процессором, причем исполнение инструкций предписывает процессору: получать исходную точку сегментации изображения из плана обработки; получать данные медицинского изображения посредством управления системой формирования медицинских изображений; реконструировать медицинское изображение, используя данные медицинского изображения; принимать исходную точку сегментации изображения, полученную из плана обработки, план обработки является описательным для целевого объема, и идентифицировать обрабатываемый объем на медицинском изображении посредством сегментирования медицинского изображения в соответствии с исходной точкой сегментации изображения. 3 н. и 11 з.п. ф-лы, 12 ил.

Изобретение относится к области медицины, а именно к лучевой терапии. Предложен машиночитаемый долговременный запоминающий носитель, в котором хранится набор команд, исполняемых процессором. Этот набор команд функционирует с возможностью приема медицинского изображения текущего пациента, сравнения медицинского изображения текущего пациента с множеством медицинских изображений предыдущих пациентов, выбора одного из предыдущих пациентов на основании геометрического подобия между медицинскими изображениями предыдущих пациентов и медицинским изображением текущего пациента, и определения исходного плана лучевой терапии на основании плана лучевой терапии для выбранного одного из предыдущих пациентов. Машиночитаемый долговременный запоминающий носитель обеспечивает качественное определение плана лучевой терапии, за счет исключения субъективных ошибок специалиста и уменьшения дозы облучения. 2 н. и 13 з.п. ф-лы, 3 ил.
Наверх