CN101390127A - 用于医学诊断的跨时检查方法 - Google Patents

Abstract

一种用于医学图像诊断的跨时检查方法。访问受验者的医学图像的第一集合，其中，在第一时间段捕获该第一集合。访问这种受验者的医学图像的第二集合，其中，在第二时间段捕获该第二集合。第一集合和第二集合中的每一个包括多个医学图像。通过将第一集合和第二集合的多个医学图像与预先确定的空间坐标映射进行图像配准。进行第一集合和第二集合的跨时图像映射。提供用于交互跨时医学图像分析的装置。

Description

用于医学诊断的跨时检查方法

技术领域

本发明涉及用于图像分析的数字图像处理/计算机视觉方法，尤其涉及医学图像中性能不同的组织的作为时间函数的跨时检查(跨时图像序列)。

背景技术

医学领域中的数字成像技术在二十世纪七十年代实施，且首次临床使用并接受了计算机断层扫描或CT扫描仪。随后，在过去的三十年里，将x光成像(CT)的广泛应用与数字计算机以及如超声和磁共振成像(MRI)的新成像模态的出现结合起来，产生了诊断成像技术的急速发展。

使用数字医学成像技术为卫生保健领域带来了好处。例如，用于查看大脑、肾脏、四肢和心脏中的血管的血管造影方法均已受益于数字医学成像和图像处理技术的采用。

利用数字图像可进行计算机化多维(如空间和时间)图像分析。多维图像分析可用在诸如人体器官的系列图像体扫描中的变化(解剖或功能)的自动量化、异物定位、一致诊断重建等的应用中。

而且，不同的医学成像模态产生提供人体功能和解剖学的不同视图的图像，借助于正确的医学图像处理软件和可视化工具，其具有极大地增强诊断精度的可能性。例如，X光计算机断层扫描(CT)和磁共振成像(MRI)展示出大脑解剖，但几乎不提供功能信息。正电子发射断层扫描(PET)和单光子发射计算机断层(SPECT)扫描显示大脑功能示象并允许代谢测量，但很少描绘解剖学。而且，CT和MRI图像描述互补形态特征。例如，在CT图像上可最佳地看到骨骼和钙化，而MRI能更好地区分软组织结构。如MRI和CT这样的模态通常提供某些人体器官的图像栈。

已知从不同维度(空间和时间)或模态获得的信息通常具有差分或互补性质。在目前的临床设置中，这种差分或互补图像信息是临床诊断设置中的多种应用的一种组成部分，并且也是外科和放射治疗程序的计划和评价领域中的一种组成部分。

为了有效地使用这种差分或互补信息，来自不同维度或不同模态的图像特征必须已由医生利用视觉对准***相互叠加。令人遗憾的是，多图像的相互之间的这种配位极其困难，甚至是经过高级培训的医务人员如经验丰富的放射医师也难以一致而正确地解释一系列的医学图像，以制定最适合于患者目前的医疗条件的治疗方案。

医务人员目前所面临的另一个问题是从目前的医学成像器件获得的大量数据和大量图像。从标准扫描收集的图像的数量可超过100个，且通常可超过几百。为了使医务人员正确地进行检查，每个图像花费大量的时间，且对于目前的医疗技术所提供的许多图像而言，要求大量的时间来对所有的数据进行彻底研究。

因此，需要一种有效的方法，这种方法使用图像处理/计算机视觉技术自动检测/诊断疾病。

美国公布No.2004/0064037(Smith)针对一种应用预编程规则的技术，这些预编程的规则明确说明了将医学图像分类或以其它方式进行处理的方式，该公布通过参考结合在本发明中。

美国公布No.2003/0095147(Daw)涉及一种医学图像处理和可视化的计算机化方法，该公布通过参考结合在本发明中。

已知恶性乳腺肿块一旦达到某种尺寸就开始生长其自身的血液供应网络，这是肿瘤能够继续生长的方式。在乳腺MRI扫描中，注入血流中的造影剂可提供向乳腺组织的血液供应的信息，这种造影剂通过突出肿瘤的血管网络将肿瘤“点亮”。通常进行几次扫描：在将造影剂注入之前进行一次并在将造影剂注入之后至少进行一次。将对比前的图像和对比后的图像进行对比并突出差分。应认识到，若患者在这两次扫描之间更轻微地移动，可将图像的形状或尺寸扭曲，从而造成信息的大量损失。

用于MRI的造影剂是钆或钆双胺，并提供大脑和身体中的正常组织与异常组织之间的对比。

钆看上去像水一样清澈且没有放射性。在注入静脉之后，钆累积在可能正在影响身体或头部的异常组织中。钆使这些异常区域在这种MRI上变得明亮(增强)。这就使这些区域容易地被看到。然后，钆由肾脏从身体清除出去。钆允许MRI限定异常组织并具有更大的清晰度。肿瘤在供给钆之后得到增强。肿瘤的精确尺寸和位置对于治疗计划和后续措施是重要的。钆还可通过使小型肿瘤明亮并易于看到而有助于发现这些小型肿瘤。

动态对比增强的MRI用于乳腺肿瘤成像，尤其用于具有基于x光***X光照相的非决定性诊断的情形。MRI研究涉及在紧接着获得具有约为一分钟的瞬时清晰度的T1加权的MR体积集合之前的造影剂(通常为钆喷酸葡胺)的静脉注射。造影剂在成像三维像素内的存在导致增加的信号，在这种试验的时间进程期间可观察到这种信号。

由于不同组织类型的差分对比吸收性能，所以这些信号时间曲线的研究允许这些组织类型的识别，如图1所示。肿瘤组织通常由于“漏的”血管生成的微脉管的增殖的原因而展示出高而快的吸收，而正常且含脂肪的组织展示出极少的吸收。通常已利用一种药物动力学模式配备了这些吸收(动态)曲线，以给出这些曲线的与生理学有关的参数表示(参看P.S.Tofts、B.Berkowitz和M.Schnall所著的“Quantitativeanalysis of dynamic Gd-DTPA enhancement in breast tumours using apermeability model”一文，Magn Reson Med 33，第564至568页，1995年)。

美国专利No.6,353,803(Degani，Hadassa)针对用于监测一种***的设备和方法，在这种***中，流体流动且这种***的特征在于这种***中的空间随着时间的变化。对这种***中预先选择的位置进行监测以在与***事件相互关联的两个或更多的时间点收集数据。这种数据表明作为至少两个变量的函数的随着时间变化的***参数，该至少两个变量与***灌注和清除(wash-in和wash-out)行为有关。

这些曲线/参数的研究以在临床上用于识别肿瘤并将肿瘤辨别为恶性或良性类别，但结果一般随着总体上良好的灵敏度但往往非常差的特异性而变化(参看S.C.Rankin所著的“MRI of the breast”一文，Br.J.Radiol 73，第806至818页，2000年)。

虽然这些***在其特定用途中已取得了某些程度的成功，但仍需要用于医学图像分析的改进的数字图像处理方法，这种方法克服前面列举的问题并解决前面列出的实用需求。

本发明提供一种用于图像分析的方法，尤其是用于作为一种时间函数的医学图像中不同性能组织的跨时检查的方法。

发明内容

本发明的目的在于提供一种用于作为时间函数的医学图像中不同性能(例如，异常组织和正常组织)组织的跨时检查(跨时图像序列)的方法。

所提供的任何目的仅通过例证性示例给出，且这些目的可以是本发明的一个或多个实施例的示范。本领域中熟练的技术人员可想到或明白所公开的本发明所固有地实现的其它理想目标和优点。本发明由所附的权利要求书限定。

本发明提供一种利用其它物理或非物理因数增大的对比增强的MRI图像的不同性能组织的跨时检查的图案识别方法。这种方法包括以下步骤：获得多个医学图像(如对比增强剂的注入之前和之后的MRI图像)跨时序列；关于空间坐标进行多个医学图像跨时序列的内配准；关于空间坐标进行多个医学图像跨时序列的相互配准；对用于已配准的多个医学图像跨时序列的不同性能的组织进行分类；以及呈现这些分类结果以用于跨时检查。

根据本发明的一个方面，提供一种利用其它物理或非物理因数增大的对比增强的MRI图像的自动异常组织检测和分化方法。这种方法包括以下步骤：获得多个MRI乳腺图像集合；将多个MRI乳腺图像关于空间坐标对准；差分多个MRI乳腺图像集合与参考MRI图像集合，从而产生多个差分图像集合；将多个差分图像集合分割，从而产生具有分割的强度像素的多个MRI乳腺图像；将动态***识别应用于分割的强度像素，从而产生多个动态***参数；以及将用其它物理或非物理因数增大的多个***参数分成不同的类别。

根据本发明的另一个方面，提供一种自动材料分类的方法。这种方法包括以下步骤：以时间次序获得对象的多个图像集合；将多个图像集合关于空间坐标对准；差分多个图像集合与参考图像集合以产生多个差分图像集合；将多个差分图像集合分割以产生具有分割的强度像素的多个图像；将动态***识别应用于多个图像的分割的强度像素，以产生多个动态***参数；以及将多个***参数分成不同的类别。

根据本发明的再一个方面，提供一种利用对比增强的MRI图像的异常组织检测的方法。这种方法包括以下步骤：以时间次序获得多个MRI乳腺图像集合；将多个MRI图像集合关于空间坐标对准；差分多个MRI乳腺图像集合与参考MRI图像集合以产生多个差分图像集合；将多个差分图像集合分割以产生具有分割的强度像素的多个MRI乳腺图像；将动态***识别应用于多个MRI乳腺图像集合的分割的强度像素，以产生多个动态***参数；以及将多个***参数分成不同的类别以检测异常组织。

附图说明

从下面的示于附图中的本发明的实施例的更详细描述就会明白本发明的上述和其它目的、特征和优点。图中的要素并不一定按相互之间的比例绘制。

图1是示出了不同乳腺组织的动态对比吸收性能的图表(曲线图)。

图2是用在实施根据本发明的方法中的图像处理***的示意图。

图3是示出了根据本发明的自动异常组织检测方法的一个实施例的流程图。

图4是示出了恶性和良性肿瘤组织的动态对比吸收性能的图表(曲线图)。

图5是示出了阶跃函数响应概念和***识别概念的示意图。

图6是示出了根据本发明的***识别方法的流程图。

图7是示出了两个跨时图像序列的图表。

图8是示出了根据本发明的跨时组织性能检查方法的一个实施例的流程图。

图9是示出了本发明的跨时组织性能检查可视化显示方法的图表。

图10是示出了根据本发明的图像配准方法的流程图。

图11是示出了图像配准概念的图表。

具体实施方式

下面是对本发明的优选实施例的详细描述并参考附图，在这些图中，相同的附图标记识别每个图中的结构相同的要素。

图2示出了用在实施根据本发明的方法中的图像处理***10。***10包括数字MRI图像源100，如MRI扫描仪，数字图像储存器件(如光盘驱动器)等。来自数字MRI图像源100的数字图像被提供给图像处理器102或数字图像处理工作站，图像处理器102如一种可编程个人计算机，数字图像处理工作站如一种Sun Sparc工作站。可将图像处理器102连接到显示器104(如CRT显示器或其它监视器)、操作员界面和鼠标108或其它公知的输入器件，这种操作员界面如键盘106。图像处理器102还连接到计算机可读储存介质107。图像处理器102将经过处理的数字图像传输到输出器件109。输出器件109可包括硬拷贝打印机、长期图像储存器件、至另一个处理器的连接、连接到如互联网等的图像电信器件等等。

在下面的描述中将本发明的优选实施例描述为一种方法。不过，在另一种优选实施例中，本发明包括一种用于根据所描述的方法检测数字MRI图像中的异常组织的计算机程序产品。在对本发明进行描述时，应认识到，可由任何公知的计算机***使用本发明的计算机程序，公知的计算机***如示于图2中的类型的个人计算机。不过，其它类型的计算机***也可用于执行本发明的计算机程序。例如，可在含在数字MRI机械或PACS(影像存档通信***)中的计算机中执行本发明的方法。因此，下面将不对计算机***进行详细描述。

还将认识到，本发明的计算机程序产品可利用公知的图像处理算法和过程。因此，本说明书特别针对这些算法和过程，这些算法和过程形成本发明的方法的一部分或更直接地与本发明的方法相配合。因此，将会理解，本发明的计算机程序产品实施例可体现并未在本说明书中明确示出或描述的有利于实施的算法和过程。这些算法和过程是常规算法和过程，并且在本领域的普通技术的范围内。

这些算法和***的其它方面以及用于产生或以其它方式处理所涉及的图像或与本发明的计算机程序产品配合的图像的硬件和/或软件并未在本说明书中明确示出或描述，并可选自本领域中所公知的算法、***、硬件、元器件和元件。

可将用于实施本发明的方法的计算机程序储存在一种计算机可读储存介质中。这种介质可包括如：磁储存介质，如磁盘(如硬盘驱动器或软盘)或磁带；光学储存介质，如光盘、光带或可机读条形码；固态电子储存器件，如随机访问存储器(RAM)或只读存储器(ROM)；或用于储存计算机程序的其它任何物理器件或介质。还可将用于实施本发明的方法的计算机程序储存在通过互联网或其它通信介质连接到这种图像处理器的计算机可读储存介质上。本领域中熟练的技术人员会容易地认识到，也可以硬件构造这种计算机程序产品的等同物。

参看图8，将概述医学图像中作为时间函数的不同性能的组织的跨时检查方法。图8是示出了本发明的医学图像中不同性能组织的跨时检查方法的一个实施例的流程图。在示于图8的实施例中，多个医学图像跨时序列经历一系列过程。这些过程中的每一个执行特定功能，如序列内配准、序列间配准、动态曲线分类和可视化和诊断。

下面将介绍图像配准的概念。随后对曲线分类的方法进行讨论。

参看图10，图中示出了一般图像配准过程方法的流程图。图像配准的过程将确定一个空间(二维图像)内的坐标与另一个空间(另一种二维图像)内的坐标之间的映射，以使两个空间内对应于对象的相同特征点的点相互映射。这种确定两个图像的坐标之间的映射的过程提供这两个图像中的对应点的水平位移映射和垂直位移映射。然后将找出的这些垂直和水平位移映射用于将所涉及的这些图像中的一个变形，以减少这两种映射之间的失准。

就图像配准术语而言，将在配准过程中所涉及的这两个图像称为源图像1020和参考图像1022。用I(x_t，y_t，t)和I(x_t+1，y_t+1，t+1)分别表示源图像和参考图像。符号x和y是图像坐标***的横坐标和纵坐标，且t是图像指数(图像1、图像2等)。在图像平面的中心限定图像坐标系的原点(x＝0，y＝0)。应指出，图像坐标x和y并不一定是整数。

为了便于实施，将这种图像(或图像像素)也标记为I(i，j)，其中，i和j是精确整数，且为了简单起见，将参数t忽略不计。这种表示与在离散域中将矩阵加标对准。若这种图像(矩阵)具有高度h和宽度w，则可将在位置(i，j)的对应图像平面坐标x和y计算为x＝i-(w-1)/2.0，y＝(h-1)/2.0-j。列指数i在从0至w-1的范围内。行指数j在从0至h-1的范围内。

配准过程通常用于找出最佳的变换函数Φ_t+1(x_t，y_t)(见步骤1002)，以使

[x_t+1，y_t+1，1]^T＝Φ_t+1(x_i，y_i)[x_t，y_t，1]^T           (10-1)

等式(10-1)的变换函数是具有示于等式(10-2)中的元素的3×3矩阵。

$\mathrm{\Φ}=\left[\begin{array}{ccc}{\mathrm{\φ}}_{00}& {\mathrm{\φ}}_{01}& {\mathrm{\φ}}_{02}\\ {\mathrm{\φ}}_{10}& {\mathrm{\φ}}_{11}& {\mathrm{\φ}}_{12}\\ 0& 0& 1\end{array}\right]---(10-2)$

实际上，这种变换矩阵包括两个部分，旋转子矩阵 $\left[\begin{array}{cc}{\mathrm{\φ}}_{00}& {\mathrm{\φ}}_{01}\\ {\mathrm{\φ}}_{10}& {\mathrm{\φ}}_{11}\end{array}\right]$ 和平移向量 $\left[\begin{array}{c}{\mathrm{\φ}}_{02}\\ {\mathrm{\φ}}_{12}\end{array}\right].$

注意，变换函数Φ是全局函数或局部函数。全局函数Φ以相同的方式变换图像中的每个像素。局部函数在像素的位置的基础上不同地变换图像中的每个像素。为了完成图像配准任务，变换函数Φ可以是全局函数或局部函数或这两种函数的组合。

在实践中，变换函数Φ生成两个位移映射(步骤1004)X(i，j)和Y(i，j)，这两个映射含有能够将源图像中的像素带到新的位置的信息，这些新的位置与参考图像中相应的像素位置对准。换言之，这种源图像在步骤1008中被在空间上校正并变成配准的源图像1024。对于这两个位移映射X(i，j)和Y(i，j)而言，列指数i在从0至w-1的范围内，且行指数j在从0至h-1的范围内。

失准校正的示范性结果在图11中示出。在图11中，左边是源图像1102，右边是参考图像1106。显然，在源图像1102与参考图像1106之间有变动垂直失准。通过将示于图10中的步骤应用于这两个图像获得垂直失准校正的源图像(图像1104)。

注意，用在计算图像变换函数Φ中的配准算法可以是刚性配准算法、非刚性配准算法或这两种算法的组合。本领域中熟练的技术人员理解，有能够执行查找变换函数Φ的任务的多种配准算法，这种变换函数Φ生成两个相关图像中失准的校正所需的位移映射。可在http://www.itk.org从Lydia Ng等人所著的“Medical Visualization withITK”一文中查找示范性算法。而且，本领域中熟练的技术人员理解，可通过利用任何适当的图像插值算法来实现从空间上校正具有位移映射的图像(见Berthold Klaus Paul Horn所著的“Robot Vision”一文，The MIT Press Cambridge，马塞诸塞州)。

对于本发明而言，可将前面所讨论的图像配准过程视为具有输入端A(1032)、输入端B(1034)和输出端D(1036)的黑箱子1000。箱子1000将用在下面的本发明的具有不同性能组织的跨时检查的描述中。

参看图8，将对序列内和序列间配准过程进行描述。用于一种对象(如乳腺)的示范性MRI图像序列在图7中示出。MRI图像序列704含有相同对象(乳腺)的MRI片段集合706、708和710的示范性汇集。每个MRI片段集合含有多个片段，这些片段是该对象(乳腺)的图像(截面)。示范性片段是集合706的片段(图像)712、集合708的片段(图像)714和用于集合710的片段(图像)716。特意在不同的时间获取MRI片段集合以在使行对比增强剂时捕获对象在时空中的功能性变化。这些MRI片段集合之间的示范性时隙可以是1分钟、2分钟等。

对于具有不同性能的组织的跨时检查而言，除了序列704之外，还需相同对象(乳腺)的一个或多个MRI图像序列。示范性MRI序列724就是这种序列。在不同的时间捕获序列724。序列724与序列704之间的示范性时隙可以为几个月。

类似地，序列724含有相同对象(乳腺)的MRI片段集合726、728和730的示范性汇集。每个MRI片段集合含有多个片段，这些片段是该对象(乳腺)的图像(截面)。示范性片段是集合726的片段(图像)732、集合728的片段(图像)734和集合730的片段(图像)736。特意在不同的时间获取MRI片段集合以捕获对象在时空中的功能性变化。这些MRI片段集合之间的示范性时隙可以是1分钟、2分钟等。

将序列内配准(804)限定为在MRI图像集合内的对象的相同截面的配准片段(图像)。示范性片段是序列704的片段(图像)712、714和716以及序列724的片段(图像)732、734和736。序列内配准的实施例在图像集合的组织性能检查方法的上下文中进行讨论，这种序列内配准起到独立实体的作用并在图3中示出。对序列内配准的需求源自在捕获MRI图像的过程期间，由于不可避免的对象(如乳腺)移动的原因，该对象的相同截面的图像(如712、714和716)出现失准。这种失准可引起组织性能检查过程中的误差。

如前所述，对于具有不同性能的组织的跨时检查而言，对相同对象要求在不同时间获得两个或更多的图像序列(如序列704和724)。不同序列中对应的片段(如712和732)最有可能失准并具有某种程度上不同的形状。因此，需要序列间配准(806)并限定为来自不同序列的对象的相同截面的配准片段(图像)。序列间配准的一个实施例是成对(2D)配准。进行相互配准的示范性片段对有712和732对、714和734对、以及716和736对。序列间配准的另一个实施例是体积(3D)配准。在体积(3D)配准中，将序列内配准首先应用于单个序列(如704和724)。然后将相互配准的序列输入到箱子1000。

参看图3，将概述图像集合的组织性能检查方法(以及步骤808、动态曲线分类)。图3是示出了本发明的自动异常组织检测方法的一个实施例的流程图。注意，示于图3中的流程图用作构成独立过程的独立实体。因此，并不将示于图3中的流程图解释为步骤808的延伸。而是利用示于图3的流程图中的步骤说明步骤808和步骤804。在示于图3的实施例中，在造影剂的注入之前和之后获得的多个MRI乳腺图像集合经历一系列的过程。这些过程中的每一个执行特定的功能，如对准、减法、分割、***识别和分类。在本发明中，通过动态***参数分类完成异常组织检测任务。

在示于图3的实施例中，将第一步骤202(以及步骤802)用于在造影剂的注入之前和之后同时获得多个MRI乳腺图像集合。对于跨时检查而言，步骤202重复以在造影剂的另一次注入之前和之后获得另外的多个MRI乳腺图像集合。

用I₀(x，y，z)表示乳腺MRI图像集合，具有在造影剂的注入之前多个以空间次序的图像(片段)，其中，z∈[1，...S]是空间次序指数，S是该集合中图像的数量，x和y分别是图像的水平指数和垂直指数，其中，x∈[1，...X]，y∈[1，...Y]。在造影剂给药之后，获得多个MRI图像集合，并具有用于以相同的空间次序z的每个集合的相同乳腺的相同数量(S)的图像。用瞬时清晰度截取多个MRI图像，这种瞬时清晰度如约1分钟。可用T_k(x，y，z)表示这种MRI图像集合，其中，k是时间次序指数且k∈[1，...K]，K是集合的数量。示范性集合有706、708和710，(三个集合，K＝3)，或者726、708和730，(三个集合，K＝3)。集合706(序列704的第一集合，k＝1)的(在位置1)示范性片段I_k(x，y，1)是片段712。

造影剂在成像体素内的存在导致增加的信号，在这种图像获取的时间进程期间可观察到这种信号。由于不同组织类型的差分对比吸收性能，所以这些信号时间曲线的研究使得能够进行这些组织类型的识别。为了异常组织的自动检测，在步骤204(以及步骤804序列内配准)中，必须将在造影剂的注入之后获得的MRI图像I_k(x，y，z)的K集合关于空间坐标x，y与MRI图像的参考集合在空间上对准(失准校正)。MRI图像的参考集合通常是在造影剂的注入之前获得的MRI图像I₀(x，y，z)的集合。这种对准过程确保属于乳腺的相同组织区域的像素具有图像的所有K集合中的相同的x，y坐标。这种对准过程执行如下步骤：

对于k＝1：K

       对于     z＝1：S

            对准I_k(x，y，z)，I₀(x，y，z)

       结束

           结束

利用黑箱子1000，将I_k(x，y，z)输入到终端A(1032)，将I₀(x，y，z)输入到终端B(1034)，且在输出端D(1036)获得配准的图像I_k(x，y，z)。可用于实现对准功能align(A，B)的示范性方法是一种将A与B对准并广泛用在医学成像和遥感领域中的非刚性配准。已在前面对这种配准过程(失准校正)进行了讨论。本领域中熟练的技术人员会认识到也可使用其它配准方法。

正如在图1中所示出的那样，在造影剂的注入之后，对于不同的乳腺组织而言，图像像素强度不同地增加。这种现象表明，将在造影剂的注入之前获得的图像从在造影剂的注入之后获得的图像减去，会向放射医生提供这种图像中的异常组织的位置的更清晰信息。这种信息还可用于从原始MRI乳腺图像提取区域以进行自动异常组织检测和分化。在示于图3中的步骤206中获得这种信息，该步骤206执行用参考MRI图像集合将多个MRI乳腺图像集合I_k(x，y，z)，k∈[1，...K]差分，以产生多个差分图像集合δI_k(x，y，z)，k∈[1，...K]。将MRI图像集合I₀(x，y，z)选择为强度参考图像。将这种差分过程执行为如下过程：

对于k＝1：K

  对于  z＝1：S

                 δI_k(x，y，z)＝subtraction(I_k(x，y，z)，I₀(x，y，z))

    结束

结束

其中，函数subtraction(A，B)表示将B从A减去。

在图3中，在步骤208，差分图像δI_k(x，y，z)经过分割过程，该分割过程首先对多个差分图像集合δI_k(x，y，z)进行评估，然后产生多个掩模像集合M_k(x，y，z)，通过执行以下过程获得M_k(x，y，z)，k∈[1，...K]：

对于k＝1：K

对于    z＝1:S

                 对于x＝1:X

                 对于y＝1:Y

                   若δI_k(x，y，z)>T

                     M_k(x，y，z)＝1

                       结束

                    结束

                 结束

            结束

   结束

其中，用零将掩模像集合M_k(x，y，z)，k∈[1，...K]初始化，T是统计强度阈值。T的示范值为经验值10。

步骤208中的分割过程根据掩模像M_k(x，y，z)中的非零像素分割多个MRI乳腺图像集合I_k(x，y，z)中的图像，以获得多个MRI乳腺图像集合的图像中的分割的强度像素。用S_k(x，y，z)，k∈[1，...K]表示合成图像，可将这种分割操作表示为：

对于k＝1:K

    对于    z＝1:S

                对于x＝1:X

                对于y＝1:Y

                  若M_k(x，y，z)＝1

                S_k(x，y，z)＝I_k(x，y，z)

                         结束

                       结束

                    结束

       结束

结束

其中，将图像S_k(x，y，z)初始化为零。本领域中熟练的技术人员会认识到，在实际实施时，可将生成掩模像的阶段省略，且可通过执行如下过程实现这种分割过程：

对于k＝1:K

  对于    z＝1:S

             对于x＝1:X

             对于y＝1:Y

               若δI_k(x，y，z)>T

                  S_k(x，y，z)＝I_k(x，y，z)

                    结束

                  结束

               结束

       结束

结束

其中，将图像S_k(x，y，z)初始化为零。

参看图4，图中示出了一种图表，除了图4包括***的阶跃函数f(t)和曲线302以及除去正态曲线和组织曲线之外，示于图4中的图表与示于图1中的图表相同。

本发明旨在检测异常组织且更重要的是区分恶性组织和良性组织。(注意：将阶跃函数f(t)定义为f(t<0)＝0；f(t≥0)＝|λ|；λ≠0)。在分割步骤208中，将图像S_k(x，y，z)中属于正常组织和脂肪组织的像素设定至零。图像S_k(x，y，z)中其余的像素属于恶性组织或良性组织。在实践中，难以仅通过估定静态形式中即单个图像中的像素亮度(强度)区分恶性组织和良性组织。不过，在动态形式中，亮度变化展示出这两种类型组织中的区别。如图4所示，从时间零开始，恶性组织的亮度(对比)曲线304，m(t)快速上升至高于阶跃函数曲线302，然后无症状地接近于阶跃函数曲线302；而良性组织的亮度(对比)曲线306，b(t)缓慢上升并低于阶跃函数曲线302，然后无症状地接近于阶跃函数曲线f(t)，302。

本领域中熟练的技术人员能够认识到，亮度(对比)曲线304，m(t)，类似于欠阻尼动态***的阶跃响应，而亮度(对比)曲线306，b(t)，类似于过阻尼动态***的阶跃响应。

识别一种动态***行为的示范性一般方法在图5中总体示出。对于一种未知的动态***404而言，将阶跃函数402用作一种激发。将来自动态***404的对阶跃函数402的响应馈送到***识别步骤408，以评估***404的动态参数。

(图3的)动态***建模212的一种示范性实现在图6中示出，图中示出了一种ARX(自回归)模型500(参看Lennart Ljung所著的“System identification Toolbox”一文，The Math Works)。

可将一般的ARX模型表示为等式：

y(t)＝G(q)f(t)+H(q)ε(t)                       (1)

式中：G(q)(506)和H(q)(504)是示于图6中的***转移函数，u(t)(502)是激发，ε(t)(508)是扰动，且y(t)(510)是***输出。已知可在有理函数q^-1方面明确转移函数G(q)(506)和H(q)(504)并以如下形式明确分子系数和分母系数：

$G\left(q\right)=q^{-\mathrm{nk}}\frac{B\left(q\right)}{A\left(q\right)}---\left(2\right)$

$H\left(q\right)=\frac{1}{A\left(q\right)}---\left(3\right)$

其中：A和B是延迟运算子q^-1中的多项式：

A(q)＝1+a₁q^-1+...+anaq^-na                    (4)

B(q)＝b₁+b₂q^-1+...+a_nbq^-nb+1            (5)

当A和B是多项式时，可将这种***的ARX模型明确地重写为：

y(t)＝-a₁y(t-1)-...-a_nay(t-na)+b₁u(t-nk)+...b_nbu(t-nk-nb+1)+e(t)(6)还可将等式(6)进一步重写为如下的表示：

式中：

系数向量θ的***识别解是

$\widehat{\mathrm{\&theta;}}={\left({\mathrm{\&Phi;}}^T\mathrm{\&Phi;}\right)}^{-1}{\mathrm{\&Phi;}}^{T}Y---\left(8\right)$

式中：

且

$Y=\left[\begin{array}{c}y\left(t_0\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ y(t_0+N_t-1)\end{array}\right]---\left(10\right)$

在等式(9)和(10)中，t₀是数据取样开始时间，且N_t是采样数量。

和

分别与亮度(对比)曲线m(t)304和亮度(对比)曲线b(t)306有关。在这种特别情形中，u(t)是阶跃函数。相应的解是

和θ的计算实现动态***识别210(以及步骤408)的步骤。

再参看图3，为了将MRI图像中具有高对比亮度的区域分类成良性肿瘤或恶性肿瘤，需要一种在监督之下的学习步骤218。

将在监督之下的学习限定为一种学习过程，在这种过程中，标本集合包括理想的输出和输入对。在这种MRI图像乳腺组织分类情形中，标本输入是

和

(或已知的曲线)，标本理想的输出是分别用于恶性肿瘤和良性肿瘤的指示符O_m和O_b。在图3中，步骤218从步骤216接收具有已知特征(良性或恶性)的M个样本乳腺MRI动态曲线。M的示范值可以是100。在M曲线内，有属于恶性肿瘤的M_m个曲线和属于良性肿瘤的M_b个曲线。用于M_m和M_b的示范值可以是50和50。在步骤218中，将等式(8)应用于所有试样曲线能生成M个系数向量

在这些系数向量中，M_m个系数向量(由

表示，i＝1...M_m)表示具有指示符O_m的恶性肿瘤，且M_b个系数向量(由

表示，i＝1...M_b)表示具有指示符O_b的良性肿瘤。这些学习的系数向量

和

用于对分类器进行训练，这种分类器反过来用于在检测或诊断过程中对动态对比曲线进行分类。

为了增加特异性(分化良性肿瘤与恶性肿瘤时的精度)，可将其它因数(步骤220)结合到这种训练(学习)和分类过程中。公知的因数如造影剂的给药速度、对比给药与成像的定时、收集时间和片段厚度(参看C.W.Piccoli所著的“Contrast-enhanced breast MRI：factorsaffecting sensitivity and specificity”一文，Eur.Radiol.7(Suppl.5)，S281-S288(1997))。

用α表示造影剂的给药速度，用β表示对比给药与成像的定时，用γ表示收集时间，并且用δ表示片段厚度。将这些示范性因数与系数向量

和

结合使用以对分类器进行训练，这种分类器反过来用于将这种MRI乳腺图像中的区域分成恶性肿瘤类和良性肿瘤类。注意，应在相当于系数向量

和的范围的范围内将这些示范性因数量化。

出于这种学习和训练目的，构造这种训练数据集合

式中：τ_j是类别标签。

例如，若肿瘤是恶性的，则τ_j＝1，否则τ_j＝-1。在计算机视觉文献中传统上将向量 $p_j=[\widehat{\mathrm{\&theta;}},\mathrm{\&alpha;},\mathrm{\&beta;},\mathrm{\&gamma;},\mathrm{\&delta;}]$ 称为特征向量。符号

表示一种域，d是域维度。对于这种示范性情形而言，假设系数向量θ具有五个元，则d＝9。等式(11)中的数据格式用在学习步骤218中以及分类步骤214中。本领域中熟练的技术人员会理解，可用不同的方式构成数据向量p_j并用不同于前面所提及的物理或非物理数值元(因数)的物理或非物理数值元(因数)增大。

存在有公知类型的分类器，可用于利用动态对比曲线与其它物理或非物理因数一起实现将恶性肿瘤与良性肿瘤分化的任务。一种示范性分类器是SVM(支持向量机)(参看由C.Burges所著的“A Tutorialon Support Vector Machines for Pattern Recognition”一文，Data Miningand Knowledge Discovery，2(2)，1-47，1998，Kluwer Academic Publisher，Boston，且可从网址

http://aya.technion.ac.il/kaniel/CMCC/SVM-tutorial.pdf得到信息)。

SVM分类器的示范性情形通常是表示两种类别的数据的训练和分类，这两种类别可由一种超平面分离。分离这些数据的超平面满足

w*p+σ＝0                        (12)

式中：*是点积。

训练SVM的目的是确定自由参数w和σ。可总是将定标应用于w和σ的标度，以使所有的数据遵守成对的不等式：

${\mathrm{\&tau;}}_j(w\&CenterDot;p_j+\mathrm{\&sigma;})-1\&GreaterEqual;0,\&ForAll;j---\left(13\right)$

可通过关于参数w来最小化拉格朗日函数解开等式(13)

$L(w,\mathrm{\&xi;})=\frac{1}{2}{\left|\right|w\left|\right|}^2-\underset{j=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_j\left({\mathrm{\&tau;}}_j(w\&CenterDot;p_j+\mathrm{\&sigma;})\right)---\left(14\right)$

并关于未确定的乘数ξ_j≥0取拉格朗日函数的最大值。

在已解决了优化问题之后，可用非零系数在支持向量的形式重写等式(13)中的w的表达式，并将这种表达式***用于将超平面分类的等式中以给出SVM判定函数：

$\mathrm{\&Psi;}\left(p_{\mathrm{new}}\right)=(w\&CenterDot;p_{\mathrm{new}}+\mathrm{\&sigma;})=\underset{j=1}{\overset{l_s}{\mathrm{\&Sigma;}}}{t}_j{\mathrm{\&xi;}}_j{p}_j\&CenterDot;p_{\mathrm{new}}+\mathrm{\&sigma;}---\left(15\right)$

式中：l_s是支持向量的数量。将新的向量P_new分成两个类别(恶性和良性)中的一类的分类以这种判定函数的符号为基础。本领域中熟练的技术人员会认识到，在不可分情形中，可使用非线性SVM。

前面所描述的图像集合(以及步骤804和808)的组织性能检查方法适用于所有的跨时图像序列如704和724，以用于跨时组织性能检查。将会理解，在本发明中，这种跨时图像序列在进入步骤808之前经历内配准和相互配准步骤。用于这种示范性序列的内配准和相互配准步骤的一种示范性执行程序是首先将内配准应用于序列704，然后将相互配准应用于序列704和724。本领域中熟练的技术人员应知道序列704和724的角色可互换。

对于用于这种特定的示范性执行程序的内配准序列704而言，任意选择图像集合作为参考图像集合，如集合706。将集合706的图像输入到终端B(1034)，将其它图像集合(708和710)输入到终端A(1032)。在终端D(1036)获得图像集合(708和710)的配准的图像。

对于用于这种特定的示范性执行程序的相互配准而言，将序列724的图像输入到终端A(1032)，将序列704的图像输入到终端B(1034)，并且在输出终端D(1036)获得序列724的配准的图像。

在步骤808完成时，生成多个动态曲线(在目前的示范性情形中是两条曲线)，这些动态曲线反映在多个时间实例(在目前的示范性情形中是两个)处多个跨时图像序列(在目前的示范性情形中是两个序列704和724)中捕获的组织性能。已知这些动态曲线向医务人员提供患者的疾病情况(或进展)方面的有价值的信息。在步骤810中，采用可视化工具，以使医务人员检查对象的所关注区域(图像中所感兴趣的区域)，以更好地进行诊断。这种可视化设备的一个实施例在图9中示出。

在图9中示出了一种挂在图像处理器102上的计算机监视屏900(在图2中是104)，这种图像处理器102执行前面所描述的步骤。在屏幕900上，在左边显示两个代表性图像片段712和732。例如，片段712是在空间位置1跨过三个集合(706、708和710)的第一图像I_k(x，y，1)|k∈[1，2，3]；片段732是在空间位置1跨过三个集合(726、728和730)的第一图像I_k(x，y，1)|k∈[1，2，3]。乳腺图像902和912在片段712和732中示出。乳腺图像902和912是乳腺的相同截面的图像。在使用时，医务人员在片段712的位置908上方移动计算机鼠标906(作为一种用户界面)。同时，幽灵鼠标916在片段712中的位置908时，出现在片段732中的相同的空间位置918。用户还可在片段732中的位置918上方移动计算机鼠标916(作为一种用户界面)。同时，幽灵鼠标906在片段732中的位置918时，出现在片段712中的相同的空间位置908。在任何一种情形中，两条动态曲线(实线924和虚线926)出现在该屏幕的左侧922。示范性曲线924和926反映在两种不同时间的乳腺的相同点的不同组织性能。例如，含有片段712的图像序列可在捕获含有片段732的序列的6个月之前获取。医务人员可将鼠标移至其它位置以检查组织性能随着时间(6个月)的变化。利用这种可视化设备，可容易地对疾病进展进行分析。本领域中熟练的技术人员应理解，组织性能可由除了这些动态曲线图924和926之外的其它方式表示。例如，组织性能可由着色的血管生成映射表示。本领域中熟练的技术人员还应理解，多个跨时图像序列可由本发明的方法进行处理，且可同时显示多条动态曲线以进行医学诊断。

本发明的主题涉及数字图像处理和计算机视觉技术，这些技术理解为指对数字图像进行数字处理以识别人类可理解的对象、属性或情况，并因此而分配有用的意义给人类可理解的对象、属性或情况，然后使用在这种数字图像的进一步处理中所获得的结果。

Claims (13)

1.一种用于跨时医学图像检查的方法，所述方法包括：

访问多个医学图像跨时序列；

关于空间坐标进行所述多个医学图像跨时序列的内配准；

关于空间坐标进行所述多个医学图像跨时序列的相互配准；

对用于已配准的所述多个医学图像跨时序列的不同性能的组织进行分类；以及

显示所述已分类的组织。

2.一种用于跨时医学图像分析的方法，所述方法包括：

访问在第一时间段捕获的受验者的医学图像的第一集合；

访问在第二时间段捕获的所述受验者的医学图像的第二集合，所述第一集合和所述第二集合各包括多个医学图像；

通过将所述第一集合和所述第二集合的多个医学图像映射到预定的空间坐标进行图像配准；

进行所述第一集合和所述第二集合的跨时图像映射；以及

提供用于交互跨时医学图像分析的装置。

3.如权利要求2所述的方法，其中进行图像配准的步骤包括：

进行所述第一集合和所述第二集合的多个医学图像的内配准；以及

进行所述第一集合和所述第二集合的多个医学图像的相互配准。

4.如权利要求2所述的方法，还包括进行所述第一集合和所述第二集合的图像中的至少一个的组织性能检查。

5.如权利要求2所述的方法，还包括：

访问所述受验者的医学图像的参考集合；

用所述参考集合差分所述第一集合和所述第二集合以生成包括多个图像的差分图像集合；

将所述差分图像集合的多个图像分割以生成具有分割的强度像素的多个图像；

将***识别应用于具有分割的强度像素的多个图像以生成多个***参数；以及

将所述多个***参数分类。

6.如权利要求5所述的方法，还包括在将所述多个***参数分类之前用物理或非物理因数增大所述***参数。

7.如权利要求2所述的方法，还包括在进行图像配准之后将不同性能的组织分类。

8.一种用于MRI对比增强的乳腺图像的组织分析方法，所述方法包括：

访问乳腺图像集合，该乳腺图像集合包括以时间次序获取的多个MRI对比增强的乳腺图像；

将多个MRI图像映射到预定的空间坐标；

访问参考MRI乳腺图像集合；

差分所述乳腺图像集合与所述参考MRI乳腺图像集合以生成差分图像集合；

将所述差分图像集合分割以生成具有分割的强度像素的多个图像；

将***识别应用于具有分割的强度像素的多个图像以生成多个***参数；以及

将所述多个***参数分类。

9.如权利要求8所述的方法，还包括在将所述多个***参数分类之前用物理或非物理因数增大所述***参数。

10.如权利要求8所述的方法，其中通过以下步骤实现访问乳腺图像集合，其中该乳腺图像集合包括以时间次序获取的多个MRI对比增强的乳腺图像：

在造影剂的注入之前，按空间次序获取第一多个MRI乳腺图像；

在造影剂的注入之后，按空间次序获取第二多个MRI乳腺图像，所述第一多个MRI乳腺图像和所述第二多个MRI乳腺图像具有相等数量的图像；以及

以时间次序组织所述第一多个MRI乳腺图像和所述第二多个MRI乳腺图像。

11.一种用于人体组织的图案识别方法，所述方法包括：

访问乳腺图像集合，该乳腺图像集合包括以时间次序获取的多个MRI对比增强的乳腺图像；

将所述多个MRI乳腺图像映射到预定的空间坐标；

访问参考MRI乳腺图像集合；

差分所述乳腺图像集合与所述参考MRI乳腺图像集合以生成差分图像集合；

将所述差分图像集合分割以生成具有分割的强度像素的多个图像；

将***识别应用于具有分割的强度像素的多个图像以生成多个***参数；以及

将所述多个***参数分成类别以检测异常组织。

12.如权利要求13所述的方法，还包括提供用于在所述多个图像中的一个图像内指示所关注的区域的装置。

13.如权利要求14所述的方法，还包括在所述多个图像中的其它图像内突出所关注的区域。

Images