CN104956399A - 医学图像处理 - Google Patents
医学图像处理 Download PDFInfo
- Publication number
- CN104956399A CN104956399A CN201480006318.9A CN201480006318A CN104956399A CN 104956399 A CN104956399 A CN 104956399A CN 201480006318 A CN201480006318 A CN 201480006318A CN 104956399 A CN104956399 A CN 104956399A
- Authority
- CN
- China
- Prior art keywords
- image
- distinguishing mark
- sample
- equipment according
- distinguishing
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 79
- 230000004044 response Effects 0.000 claims abstract description 20
- 241001465754 Metazoa Species 0.000 claims abstract description 13
- 238000002591 computed tomography Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 34
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 31
- 238000003709 image segmentation Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 5
- 238000003325 tomography Methods 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 238000002600 positron emission tomography Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 description 35
- 230000011218 segmentation Effects 0.000 description 32
- 230000008569 process Effects 0.000 description 27
- 238000003745 diagnosis Methods 0.000 description 24
- 239000013598 vector Substances 0.000 description 22
- 201000010099 disease Diseases 0.000 description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 20
- 230000006872 improvement Effects 0.000 description 19
- DZHSAHHDTRWUTF-SIQRNXPUSA-N amyloid-beta polypeptide 42 Chemical compound C([C@@H](C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@H](C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCCN)C(=O)NCC(=O)N[C@@H](C)C(=O)N[C@H](C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)NCC(=O)N[C@@H](C(C)C)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H](C)C(O)=O)[C@@H](C)CC)C(C)C)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@@H](NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)CNC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C)NC(=O)[C@@H](N)CC(O)=O)C(C)C)C(C)C)C1=CC=CC=C1 DZHSAHHDTRWUTF-SIQRNXPUSA-N 0.000 description 17
- 238000009826 distribution Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 16
- 208000024827 Alzheimer disease Diseases 0.000 description 15
- 238000001514 detection method Methods 0.000 description 14
- 206010028980 Neoplasm Diseases 0.000 description 12
- 230000000007 visual effect Effects 0.000 description 12
- 230000002596 correlated effect Effects 0.000 description 10
- 238000000151 deposition Methods 0.000 description 10
- 230000008021 deposition Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 210000004556 brain Anatomy 0.000 description 8
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 7
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 7
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 5
- 206010003694 Atrophy Diseases 0.000 description 4
- 230000037444 atrophy Effects 0.000 description 4
- 239000000700 radioactive tracer Substances 0.000 description 4
- 208000035126 Facies Diseases 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 208000003174 Brain Neoplasms Diseases 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 230000007659 motor function Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 208000015122 neurodegenerative disease Diseases 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004513 sizing Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000010176 18-FDG-positron emission tomography Methods 0.000 description 1
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000035977 Rare disease Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- OKTJSMMVPCPJKN-BJUDXGSMSA-N carbon-11 Chemical compound [11C] OKTJSMMVPCPJKN-BJUDXGSMSA-N 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003372 organotropic effect Effects 0.000 description 1
- 208000038009 orphan disease Diseases 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种用于医学图像的处理的设备包括用于接收表示人或动物体的部位的特性的图像的接收机(101)。图像例如可以是磁共振或计算机断层扫描图像。识别标志单元(103)从第一图像中确定图像相关联的识别标志集合。样本储存器(109)包括采用样本集合形式的数据库,其中每个样本包括样本相关联的识别标志集合和医学数据。匹配单元(105)从样本集合中确定匹配样本集合,以响应图像相关联的识别标志集合与样本集合中的样本相关联的识别标志集合的比较。决策单元(111)随后确定图像的医学数据,以响应在匹配样本集合的样本中所包括的医学数据。
Description
技术领域
本发明涉及人或动物体的部位(part)的医学图像的处理,并且特别地但不完全涉及磁共振成像(Magnetic Resonance Imaging)(MRI)图像的处理。
背景技术
数字图像的图像处理正变得日益重要和普遍。实际上,随着处理能力变得日益强大且成本效果合算,大量的图像处理应用正变得吸引人。特别地,在过去数十年,图像处理在医学领域中已变得日益有益和普遍,其中在医学领域中图像处理可以协助研究、诊断和治疗的各个方面。这由于更复杂的生成图像的手段的出现而已经进一步被加剧。实际上,在医学领域中,图像并不仅仅限于(即,光的)视觉场景的捕获,而且也可以从其他的感官输入中生成图像。例如,可以从超声扫描或x射线成像中生成二维乃至三维图像。医学领域中的另一重要图像源是检测身体内的原子的核的核磁共振(Nuclear Magnetic Resonance)(NMR)的属性的磁共振成像(MRI)。这些属性的检测允许生成身体的内部部位的详细的二维或三维图像。例如,它允许创建反映大脑活动的详细图像。
然而,这样的新技术中的实质性问题是熟练的专业人员解释图像的复杂度和困难。为了协助这个处理,日益执行图像处理。这样的图像处理可以仅仅在于改进图像的视觉表达的算法和方案,例如,诸如特定图像对象的高亮显示、对比度增强等等。然而,已开发寻求协助提供从图像中提取的医学数据的其他算法。这样的算法可以具体地基于调查中的图像和带有相关联数据的存储图像的数据库的比较。
对于这样的***而言,重大挑战以及通常限制因素是这些操作所要求的原处理能力。实际上,这些图像通常利用巨量的数据来表示。例如,单个三维MRI图像可能是超过500兆比特(MB)的数据。将这样的图像与大量的相应大的参考图像进行比较需要巨大的处理能力。这不仅增加设备成本,而且还在处理中引入延迟并且通常显著地限制能够搜索的数据库的尺寸。
因此,改进的方案将是有利的,并且特别地,允许增加灵活性、降低成本、增加效率、降低计算资源使用、生成更精确或可靠的医学数据和/或改进性能的方案将是有利的。
发明内容
相应地,本发明寻求单独地或在任何组合中优选地减轻、缓解或消除上述缺点之中的一个或多个。
根据本发明的一方面,提供一种用于图像处理的设备,该设备包括:接收机,用于接收表示人或动物体的部位的特性的第一图像;识别标志(signature)单元,其从第一图像中确定图像相关联的识别标志集合;样本储存器,用于存储样本集合,每个样本包括样本相关联的识别标志集合和医学数据;匹配单元,用于从样本集合中确定匹配样本集合,以响应图像相关联的识别标志集合与样本集合中的样本相关联的识别标志集合的比较;以及决策单元,其被安排成确定第一图像的医学数据,以响应在匹配样本集合的样本中包括的医学数据。
本发明可以允许改进的医学图像的图像处理。在许多实施例中,本发明可以促进和/或改进例如计算机辅助的医学图像的解释和分析。实际上,在许多实施例中,本发明可以允许图像的医学数据的自动生成。在一些应用中,图像处理可以协助健康专业人员确定患者的诊断和/或治疗。
该方案可以特别地允许更有效的数据库中的相关医学数据的提取,并且可以例如实质上降低识别相关数据的计算资源需求。这例如可以允许利用更大的数据库,从而允许产生改进的医学数据。该方案可以在许多情形中提供更有效的医学信息的存储并且可以特别地允许图像信息的有效存储,从而降低存储需求,而这又可以允许采用更大的数据库。
该方案在许多实施例中可以虑及在不同的功能单元之间非常有效的通信,并且可能需要减少的带宽用于互连数据路径。这可以例如允许不同的功能彼此远离进行定位,并且在实施不同的功能单元时可以允许个别优化。
该方案可以允许或启用(enable)分布式处理并且可以特别允许联网处理。例如,诸如识别标志的生成之类的功能的一部分可以针对用户方便地进行定位,而数据库和比较功能可以远程进行定位。由于识别标志的使用而能够实质上减少需要交换的数据量,所以这样的方案能够使用包括例如因特网的许多现有的通信网络来实施。该方案也可以允许或促进其中例如中央公共数据库和比较功能能够支持多个分布式用户站的集中式结构。
第一图像可以是提供参数或参数组合的视觉表示的任何信号或数据汇集(collection)。第一图像不必是视觉特性的捕获而可以是非可视属性的视觉表示。例如,第一图像可以是x射线图像或从磁共振扫描中生成的图像。识别标志可以是图像的属性的指示或可以从图像中导出。图像相关联的识别标志集合通常利用比用于表示图像的数据更少的数据来表示。通常,图像相关联的识别标志集合的数据尺寸至少比图像的数据尺寸低十倍。识别标志通常是特定图像属性的(非常)紧凑表示,其中特定图像属性对于进一步的图像处理、搜索与检索以及诊断而言通常被认为是重要的。
每一个样本可以是包括用于那个样本的识别标志的图像相关联的集合的数据汇集。另外,每一个样本数据汇集可以包括相关联的医学数据。医学数据可以指示医学状况(condition)或疾病。
匹配样本集合在一些情况中可以只包含一个匹配样本。匹配样本集合可以包括对其而言图像相关联的识别标志集合和样本相关联的识别标志集合满足匹配标准的样本集合中的样本。
在一些实施例中,用于图像处理的设备可以提供基于第一图像能够自动地搜索相似图像的大型数据库以查找展示非常相似特性的图像的自动化***。针对这些匹配图像所存储的医学数据随后能够被提取并且例如被输出至健康专业人员。
根据本发明的任选特征,图像相关联的识别标志集合中的至少一些识别标志是表示局部图像信息的局部识别标志。
这可以提供指示对于医学状况具有特别相关性的特性的特别有利的识别标志。这些局部识别标志中的每一个可以在许多实施例中至少允许局部图像区域的部分重建。
根据本发明的任选特征,识别标志单元被安排成将第一图像划分成多个图像分段(segment);以及其中识别标志单元包括具有多个处理部件的并行处理器,其中每一个处理部件被安排成处理图像分段的子集,以确定这些图像分段的局部识别标志。
这可以提供特别有效的处理并且在许多实施例中可以实质上加速识别标志的生成。该***特别适合于分段处理并且适合于并行处理。特别地,该***特别适合于利用例如低成本图形处理单元(Graphical Processing Unit)(GPU)、例如诸如用于计算机图形处理的GPU所进行的部分处理。
根据本发明的任选特征,至图像分段的划分并不取决于第一图像的图像属性。
这在许多实施例中可以降低复杂度和计算资源使用。在一些应用中,这也可以特别适合于确定对于各种医学状况而言是特别好的指示符的识别标志。例如,这可以适合于确定第一图像中的异常的局部密度。
根据本发明的任选特征,识别标志单元进一步被安排成响应于第一图像的图像属性来确定图像分段的图像分段尺寸。
这在一些实施例中可以是非常有利的并且可以特别允许该处理对于特定图像的特定特性的改进适配。
根据本发明的任选特征,匹配单元包括具有多个并行处理部件的并行处理器,其中每一个并行处理部件被安排成将图像相关联的局部识别标志集合中的至少一个识别标志与样本相关联的识别标志集合中的至少一个识别标志进行比较。
这可以提供特别有效的处理并且可以在许多实施例中非常实质性地加速比较。该***特别适合于并行处理。特别地,该***特别适合于利用例如低成本图形处理单元(GPU)诸如例如用于计算机图形处理的GPU所进行的部分处理。
图像比较传统上是尤其对于大图像而言需要巨量的计算资源的非常复杂的处理,而对于医学图像而言经常遇到大图像。该方案可以允许比较复杂度和资源使用的实质性减少,并且另外,利用高度适合于并行处理的方案能够实现计算时间的非常大的改进。例如,这可以启用其中能够在合理的时间框架内直接提供相关医学数据的***的实施。这可以进一步允许使用更大的数据库并因而可以改进所生成的医学数据的质量/关联性。
根据本发明的任选特征,识别标志单元在第一处理单元中进行实施,而匹配单元在经由带宽受限的通信链路耦合到第一处理器的单独的第二处理单元中进行实施。
这在许多实施例中可以促进实施。例如,该设备可以利用经由带宽受限的链路耦合至GPU的中央处理单元(Central Processing Unit)(CPU)来实施。能够实质上减少需要在这些单元之间传送的数据,从而使得这样的安排在实践中是可行的。在许多实施例中,带宽受限的通信链路的带宽可能不超过1兆比特/秒(Mbit/s)或10兆比特/秒。
根据本发明的任选特征,识别标志单元被安排成:生成多个局部识别标志,每一个局部识别标志表示局部图像信息;以及从多个局部识别标志中生成图像相关联的识别标志集合的至少一个识别标志。
这在许多实施例中可以允许生成具有更多医学关联性的改进的识别标志。从局部识别标志中生成的(一个或多个)识别标志可以是局部识别标志,但是在许多情形中可以不是局部识别标志,并且实际上在一些情形中可以是反映整个第一图像的特性的全局识别标志。这些识别标志可以是在空间上分布于身体器官中或不同类型的识别标志的组合。
该方案可以允许更有效的相关样本的检测并因而允许改进的医学数据的生成。
根据本发明的任选特征,至少一个识别标志表示多个局部识别标志的统计量度。
这在许多实施例中可以允许生成具有更多医学关联性的改进的识别标志。该方案可以允许相关样本的更有效检测并因而允许改进的医学数据的生成。例如,统计量度可以包括平均值、方差、直方图等等。
根据本发明的任选特征,至少一个识别标志表示至少两个局部识别标志的相关性量度(correlation measure)。
这在许多实施例中可以允许生成具有更多医学关联性的改进的识别标志。该方案可以允许相关样本的更有效检测并因而可以允许改进的医学数据的生成。
根据本发明的任选特征,该设备进一步包括:图像对象检测器,用于检测第一图像中的至少一个图像对象;以及识别标志单元被安排成响应于图像对象的属性来确定图像相关联的识别标志集合中的至少一个识别标志。
这在许多实施例中可以允许生成具有更多医学关联性的改进的识别标志。该方案可以允许相关样本的更有效检测并因而可以允许医学数据的改进的生成。例如,该方案可以允许识别标志越来越多地反映特定事件或特征诸如示踪剂(tracer)组分、可疑肿瘤等等。
识别标志可以仅仅基于一个图像对象来生成和/或可以基于多个图像对象来生成。
根据本发明的任选特征,至少一个图像对象的属性是以下之中的至少一项:至少一个图像对象的对象边界属性;至少一个图像对象的面积;至少一个图像对象的体积;至少一个图像对象的姿态;至少一个图像对象的位置;至少一个图像对象的方位;至少一个图像对象的亮度属性;至少一个图像对象的色度属性;以及至少一个图像对象的纹理属性。
这些特征在许多情形中可以提供具有更多医学关联性的识别标志在许多实施例中进行生成。该方案可以允许相关样本的更有效检测并因而可以允许医学数据的改进的生成。这些特征可以个别地或在组合中直接地被用作识别标志。
根据本发明的任选特征,响应于第一图像对象的矩(moment)来确定至少一个识别标志。
这在许多实施例中可以允许生成具有更多医学关联性的改进的识别标志。该方案可以允许更有效的相关样本的检测并因而可以允许医学数据的改进的生成。
根据本发明的任选特征,识别标志单元被安排成响应于属性与参考值(reference)的比较来确定图像相关联的识别标志集合中的至少一个识别标志。
这可以允许具有更多医学关联性的改进的识别标志在许多实施例中进行生成。该方案可以允许更有效的相关样本的检测并因而可以允许医学数据的改进的生成。
特别地,参考值可以表示对于健康的人或动物的属性能够预期的值或间隔,并且可以生成识别标志来反映该属性与该属性的(一个或多个)正常值偏差多少。这样的偏差可以提供对于寻找针对当前图像而言相关的医学数据的特别相关的指示。
根据本发明的任选特征,识别标志单元被安排成响应于图像属性相对于多个图像对象的参考属性的统计偏差来确定至少一个识别标志。
这可以允许具有更多医学关联性的改进的识别标志在许多实施例中进行生成。该方案可以允许相关样本的更有效检测并因而可以允许医学数据的改进的生成。
根据本发明的任选特征,该设备进一步包括用于接收用户输入的用户界面,并且识别标志单元被安排成确定图像相关联的识别标志集合中的至少一个识别标志,以响应用户输入。
这在许多实施例中可以允许改进的识别标志的生成,并且可以相应地提供对于第一图像而言特别相关的医学数据的改进的生成。
根据本发明的任选特征,用于至少一些样本的样本相关联的识别标志集合中的识别标志表示人或动物体的部位的相关联图像的图像属性。
这些样本可以根据医学图像来生成,并且具体地可以根据其他患者的医学图像来生成。这些识别标志可以是使用与用于第一图像相同的方案从这些图像中提取的识别标志。例如,样本或图像的医学数据可以是已手动输入的相关医学状况或疾病。
根据本发明的任选特征,第一图像是以下之中的至少一项:磁共振成像图像;计算机断层扫描(Computer Tomography)图像;正电子发射断层扫描(Positron Emission Tomography)图像;单光子发射计算机断层扫描(Single-Photon Emission Computed Tomography)图像;超声图像;x射线图像;和数字病理组织学图像。
根据本发明的任选特征,图像相关联的识别标志集合中的至少一个识别标志提供图像的属性的小波表示。
这在许多实施例中可以提供特别有利的用于比较的识别标志。特别地,它可以允许图像属性的紧凑表示,同时保持识别标志中的视觉外观信息。
根据本发明的任选特征,识别标志单元被安排成检测满足标准的图像对象,图像相关联的识别标志集合中的至少一个识别标志响应于满足标准的图像对象的局部密度变化来生成。
这对于许多医学状况和疾病而言可以提供特别有效的指示符,从而允许相关样本的改进检测并最终允许生成改进的医学数据。
根据本发明的任选特征,该设备进一步包括更新处理器,用于响应于图像相关联的识别标志集合来修改样本集合。
这可以例如允许持续改进样本的数据库,从而允许所生成的医学数据的持续改进。
根据本发明的任选特征,第一图像是三维图像。
根据本发明的任选特征,识别标志单元和匹配单元经由通信网络进行耦合。
这在许多情形中可以提供特别有效的实施和/或用户体验。它可以例如允许从多个位置使用大型中央数据库。
根据本发明的一方面,提供一种图像处理的方法,该方法包括:接收表示人或动物体的部位的特性的第一图像;从第一图像中确定图像相关联的识别标志集合;提供样本集合,每一个样本包括样本相关联的识别标志集合和医学数据;从样本集合中确定匹配样本集合,以响应图像相关联的识别标志集合与样本集合中的样本相关联的识别标志集合的比较;以及确定第一图像的医学数据,以响应与匹配样本集合相关联的医学数据。
本发明的这些与其他的方面、特征和优点从下面描述的(一个或多个)实施例中将是显而易见的并将参考此(一个或多个)实施例来阐述。
附图说明
本发明的实施例将仅通过示例参考附图来描述,其中:
图1举例说明根据本发明的一些实施例的医学成像***的示例;
图2举例说明中央处理单元和图形处理单元的示例;
图3举例说明用于Alzheimer(老年痴呆症)疾病的诊断的标准程序;
图4举例说明根据本发明的一些实施例的医学成像***的示例;
图5举例说明具有β淀粉状蛋白(Amyloid-Beta)42染色(staining)的离体病理组织学样本的二维图像的示例;
图6举例说明健康个体的7T T2加权的冠状(coronal)MRI扫描的示例;
图7举例说明患病个体的7T T2加权的冠状MRI扫描的示例;
图8举例说明二维图像对象的矩的示例;
图9举例说明二维图像对象的矩的直方图的示例;
图10举例说明根据本发明的一些实施例的图像的识别标志的生成的示例;
图11举例说明医学图像中的图像对象的空间分布的示例;
图12举例说明根据本发明的一些实施例的医学成像***的示例;以及
图13举例说明根据本发明的一些实施例的用于医学成像***的图形用户界面的示例。
具体实施方式
图1举例说明根据本发明的一些实施例的医学成像***的示例。
该***包括接收将由该***处理的医学图像的图像接收机101。图像是表示人或动物体的部位的特性或属性的图像。例如,图像可以是人或动物的器官或器官的部位的图像。实际上,在许多实施例中,图像处理设备可以被用作遭受或怀疑遭受特定疾病或状况的患者的治疗或诊断的一部分。因而,在许多实际应用中,图像可以是患者的身体的特定区域的图像。
图像通常是人体的部位的属性的视觉表示。在医学领域中,已开发大量的技术来可视化人体的内部部位,并且具体地,已开发允许将身体部位的组成部分的变化和异常可视化的技术。
例如,已开发磁共振成像来创建表示构成身体部位的原子的磁共振的变化的图像。MRI设备创建不同的原子对其不同地反应的强磁场。这些差异被检测并被用于生成身体的内部部位的图像。
作为另一示例,可以生成计算机断层扫描(CT)图像,其中计算机技术用于生成表示人体的切片(slice)的图像。CT能够提供与MRI相类似的图像。然而,MRI倾向于提供高得多的亮度对比度的器官组织(水分子等等)属性。
医学图像的其他示例包括其中通过检测源自放射性示踪剂的辐射来生成图像的正电子发射断层扫描(PET)图像、也以检测源自放射性示踪剂的辐射为基础的单光子发射计算机断层扫描(SPECT)图像;通过检测超声的反射而生成的超声图像;通过检测穿过测试的主体的x射线而生成的x射线图像;以及数字病理组织学图像,其是以检测适合于数字处理的图像中的微观特征为基础的图像。
所描述的方案或许可应用于所有的这些成像技术,并且实际上可应用于任何其他合适的医学成像技术。
图像可以是二维图像,但是在许多情形和应用中也可以是三维图像。实际上,许多上面参考医学图像技术固有地生成三维图像。具体地,这些图像可以是彩色或灰度图像。
这些图像可以采用任何合适的形式来提供,并且具体地可以是根据合适的图像表示标准提供的数字图像。
对于许多医学成像技术而言的挑战是如何提取最佳医学信息并达到以这样的数据为基础的可能的最佳结论。例如,基于医学图像作出正确的诊断在许多情形中可能是困难的,并且时常或许具有在只执行人类分析时所牵涉的一定风险。实际上,通过不仅考虑图像本身而且还考虑源自相似图像的现有信息,能够从医学图像中提取改进的医学数据。例如,通过将当前的医学图像与具有例如数千记录图像的大型数据库进行比较,或许有可能找出具有与当前图像的特性相类似的特性的图像。在这样的情况下,与这样的图像有关的医学信息在分析当前图像中可能是有用的,并且例如可以用于向健康从业者(例如,向医生)提供附加图像信息,这帮助或使得他能够从医学图像中得出结论。
图1的***能够执行这样的图像处理和分析。
然而,医学成像的重大问题是许多所生成的图像是极其大的。实际上,为了允许小的细节是可检测的又覆盖人体的足够部位,要求分辨率是低的且图像是大的,这导致对于每张图片生成大量的数据。对于三维图像来说,这个问题显著地被加剧。例如,典型的7 Telsa MRI三维图像可以具有800x800x700体素的分辨率并且具有大约750兆字节的大小。
在图1的***中,启用或促进甚至大的医学图像的非常有效的处理,从而允许可以自动地或半自动地针对医学图像提供医学数据的医学图像处理***。
医学图像被馈送至识别标志处理器103,而识别标志处理器被安排成生成与图像相关联的第一识别标志集合(即,图像相关联的第一识别标志集合)。这样的识别标志可以提供图像或图像的一部分的一个或多个特性的紧凑表示。例如,识别标志处理器103可以将医学数据划分成许多块,并随后为每一个块生成识别标志。例如,可以生成与每一个块中的亮度方差相对应的识别标志。
识别标志处理器103耦合到匹配处理器105,并且在特定示例中,识别标志处理器103和匹配处理器105不仅是单独的功能单元,而且还是经由具有限制带宽的数据总线107耦合的物理上单独的处理实体。识别标志处理器103经由数据总线107将第一识别标志集合馈送至匹配处理器105。
在许多实施例中,数据总线107具有带宽限制,这使得在合理时间内传送完整的医学图像是不切实际的。因此,第一识别标志集合的传送可以允许数据总线所要求的数据率的实质性压缩。
匹配处理器105耦合到包括大型数据库的样本储存器109。样本储存器109具体地包括接收的识别标志能够与之进行比较的样本集合。每一个样本是包括至少描述识别标志集合的数据以及医学数据的数据汇集。
在许多实施例中,这些样本之中的每个样本可以对应于为其创建识别标志并且已为其记录医学数据的医学图像中的信息。因而,用于样本的识别标志的集合可以表示先前已处理的医学图像的图像属性。识别标志提供原始图像的特性的紧凑表示,并且例如可以被视为特别适合于表征图像的医学特性的原始图像的特征的一种表示。例如,可以生成表示异常细胞的密度的空间分布的识别标志。因而,样本可以表示具有特殊医学意义的原始图像的图像特性。除了识别标志之外,每一个样本还包含与识别标志相链接的医学数据。例如,可以在样本中存储指示从中生成原始图像的测试人员所遭受的疾病或状况的医学数据。
作为特定示例,所存储的医学数据可以包括健康年龄匹配对照组(controls)的Brain MRI(脑磁共振成像)图像、具有神经退行性疾病因而展示局灶性萎缩、脑室扩大、脑组织——薄壁组织减少的患者的Brain MRI图像;如在MRI、CT或PET图像中所看到的预分段的身体器官或其子部位的形状和位置;疾病例如癌细胞、内源性(金属)异常沉积(deposit)例如铁等等的病理组织学图像。
匹配处理器105被安排成将第一识别标志集合(即,当前图像的图像相关联的识别标志集合)与用于不同样本的识别标志集合进行比较。基于该比较,检测匹配样本集合。在一些实施例中,匹配样本集合可以限于仅仅单个样本,即匹配处理器105可以选择最佳匹配样本,但是在大多数的实施例中,匹配样本集合可以包括多个样本。在许多实施例中,匹配样本的数量可以随着图像而改变。例如,可以生成匹配样本集合来包括对其而言这些识别标志之间的相似性的量度低于预定阈值的所有样本。
因而,匹配处理器105可以将当前图像的识别标志与这些样本的识别标志进行比较,并且可以取决于合适的匹配标准来为匹配样本集合选择这些样本之中的一个或多个。将意识到:特定的匹配标准将取决于个别实施例,并且特别地将取决于所使用的识别标志的性质、类型和特性。
在许多实施例中,可以计算相似性或距离量度,并且匹配标准可以是相似性或距离量度低于给定阈值的要求。例如,在许多实施例中,识别标志的集合可以包括标量值的矢量,并且例如,距离测量可以作为当前图像的矢量与这些样本的矢量之间的矢量距离来计算。
匹配处理器105耦合到医学数据处理器111,而医学数据处理器被安排成处理匹配样本集合中的样本的医学数据。具体地,医学数据处理器111基于匹配样本的医学数据来为当前图像生成医学数据。
作为示例,医学数据处理器111可以生成指示从中生成图像的患者的可能疾病或状况的医学数据。例如,MRI图像可以被输入到图像接收机101。识别标志处理器103可以相应地为这个图像生成识别标志集合,并将其转发到匹配处理器105。匹配处理器105可以访问样本储存器109并搜索所存储的样本,以寻找匹配样本集合作为针对其所存储的识别标志足够接近所生成的识别标志的样本。医学数据处理器111随后可以从这些匹配样本中提取医学数据,其中医学数据可以具体地识别通常与这些识别标志相关联的疾病或状况。具体地,每一个样本可以对应于患者的图像,并且每一个样本的医学数据可以指示针对特定患者所作出的诊断(例如,指示特定的状况或疾病,或者实际上指示诊断是:患者没有遭受怀疑疾病或状况)。医学数据处理器111随后可以提供指示可能的疾病或状况的针对当前图像的输出医学数据。医学数据可以具体地是采用指定一个或多个诊断的文本形式的元数据以及辅助成像和诊断数据(能够是实验室血液样本,等等)。例如,不同的可能性可以根据它们出现在匹配集合中的频繁程度来排序,并且实际上在许多情形中可以包括特定状况或疾病的似然性的指示。因而,通过与其他类似的MRI图像的结果进行比较,该***可以处理图像,以建议可能的疾病或状况。例如,如果匹配集合包括与例如脑肿瘤相关联的大比例的样本,则输出数据可以指示输入图像很可能反映脑肿瘤的存在。
作为特定示例,该***可以在匹配(数据库)单元中生成针对目标(区分目标或测试图像和训练图像对于符合标准命名法可能是有用的)以及相关元数据的患者的给定成像模态(modality)的相似图像的样本。
该***可以提供非常有效的方案。特别地,特别适合于区分和检测医学问题的紧凑且有效的识别标志的使用虑及非常有效的处理。实际上,这虑及识别标志处理器103与匹配处理器105之间非常有效的通信,而这可以特别地使得实质上带宽受限的数据总线能够实施。这能够虑及在医院单位(例如,ER)中借助于经由高带宽通信信道链接的移动设备的相关数据/识别标志的快速且粗略的处理/收集。
并且,在搜索图像的大型数据库的同时合适的匹配图像的识别常规地是计算上非常苛求的操作。匹配和比较通过使得这样的比较以识别标志为基础而被非常显著地减少,并且可以实际上将计算需求减少至少一个数量级且通常实质上减少得更多。此外,由于识别标志和相关联的医学数据的存储通常要求比存储图像本身少得多的数据进行存储,所以可以非常充分地减少数据库需求。因而,实现有效的图像处理。
该方案也可以允许生成改进的医学数据,并且可以向健康专业人员提供附加协助。实际上,该方案可以允许通过更大的数据库来执行搜索,并且实际上可以促进这样的数据库的存储和分布,从而为医学数据的生成提供更好的基础。该方案可以具体地适合于协助识别很少发生的状况或疾病。由于对于人类而言不可能意识到所有可能的医学状况,所以人类评估和分析倾向于(无心地)转向更常见的原因。然而,由于该***允许针对大量的样本进行比较,所以数据库也能够包括与非常罕见的状况或疾病相对应的样本。因而,该***可以突出显示通常利用纯人类评估将不被识别的罕见疾病或状况的可能性。
此外,该方法适合于不同处理的并行化并且在许多实施例中可以使用一个或多个并行处理器诸如具体地一个或多个图形处理单元(GPU)来实施。这可以用于加快处理——生成用于数据库(通常,离线)的识别标志或用于目标患者的识别标志与数据库识别标志的匹配的目的。
在图1的示例中,识别标志处理器103可以在中央处理单元CPU中进行实施,而匹配处理器105可以利用并行处理器来实施并且具体地作为GPU来实施。
图2举例说明CPU和GPU的架构的简化示例。如所示的,典型的CPU可以包括可以处理指令和数据的少量算术逻辑单元(ALU)。另外,CPU包括控制电路(包括接口电路)以及存储器高速缓存和某种动态随机存取存储器。CPU通常能够执行相对复杂的指令,但是没有被设计用于高度并行化。在特定示例中,最大四个指令能够由CPU同时执行,这是因为它只包含四个ALU。CPU极其适合于复杂的操作并且特别适合于没有将它们自己借给高层次并行化的顺序操作。
相比之下,GPU通常针对并行操作进行优化并包括能够同时执行指令的大量的相对低复杂度的处理部件。每一个处理部件通常只能够处理具有相对低复杂度的相对小集合的指令。然而,对于许多操作来说,减小的指令集合由于执行大量并行处理的能力而超过所补偿的(more than made up for)。
CPU可以适合于图1的设备的许多操作,例如包括实施与成像设备等等进行接口的用户界面。它在许多实施例中也可以适合于生成医学图像的识别标志。特别地,由于图像的识别标志只需要为该图像生成一次,所以在许多实施例中或许有可能在合理的时间内特别地在识别标志是相对低复杂度且集合中的识别标志的数量是相对低的时候为该图像生成识别标志。
然而,在其中数据库包括大量样本的实施例中,匹配操作由于对于每个样本可能要求两个大集合的识别标志的比较而可能是非常计算密集型的。然而,这个操作高度适合于并行化并因此可以使用并行处理单元来有效地实施。在这样的实施例中,匹配处理器105可以具体地作为提供大量并行处理部件的GPU来实施。实际上,该方案的特别优势是:它可以使用能够低成本提供许多并行处理能力的低成本GPU来实施。特别地,针对例如计算机图形开发的GPU可以用于执行匹配处理器105的匹配操作。
匹配处理器105可以在一些实施例中被安排成并行比较用于输入图像的识别标志集合中的不同识别标志与一个样本的识别标志集合中的相应识别标志,即,不同的并行处理部件可以比较同一样本的不同识别标志。可供选择地或附加地,匹配处理器105可以被安排成并行比较用于输入图像的识别标志集合中的识别标志与多个样本的相应识别标志。因而,在一些实施例中,至少一些并行处理部件中的每一个可以被安排成将用于输入图像的所有识别标志与一个样本的所有识别标志进行比较。在这样的情况下,不同的处理部件可以并行处理不同的样本,其中每一个处理部件对于一个样本执行整个识别标志比较。
作为示例,第一识别标志集合可以由识别标志处理器103作为标量值的矢量来生成。例如,输入图像可以被生成为N个块,并且可以为每一个块生成识别标志。例如,每一个块中的亮度变化可以被确定。由此产生的矢量可以包含大量的标量值,其中每一个标量值指示块的方差。识别标志矢量随后通过数据总线107被传送到匹配处理器105。
在一些实施例中,匹配处理器105的每一个处理部件随后可以着手执行这个矢量与从样本储存器109中检索的相应识别标志矢量之间的比较。因而,每一个处理部件将完整的输入识别标志矢量与用于一个样本的完整的识别标志矢量进行比较,其中不同的处理部件使用不同的样本即使用不同的样本识别标志矢量来执行比较。
作为特定示例,每一个处理部件可以确定输入识别标志矢量的第一标量值与样本的第一值之间的差的平方(或绝对值)。它随后可以着手确定输入识别标志矢量的第二标量值与样本的第二值之间的差的平方(或绝对值)。对于识别标志矢量的所有标量值,可以重复该处理,并且可以确定差量度(difference measure)作为例如所确定的值的平均值(或总和)。以这种方式,每一个并行处理部件可以为一个样本生成差量度,其中不同的并行处理部件针对不同的样本生成差量度。
在一些实施例中,GPU随后可以着手分析由此产生的差值,以选择用于匹配样本集合的样本。例如,GPU可以选择针对其而言差量度低于给定水平的所有样本。这个匹配集合随后可以与相关联的医学数据一起被馈送到医学数据处理器111。
作为另一示例,并行处理部件之中的每一个可以被安排成针对标量值的单个配对(pair)生成差量度,其中不同的处理部件处理该矢量的不同标量分量。
例如,第一处理部件可以确定输入识别标志矢量的第一标量值与样本的第一值之间的差的平方(或绝对值)。并行地,第二处理部件可以(并行/同时)确定输入识别标志矢量的第二标量值与样本的第二值之间的差的平方(或绝对值)。第三处理部件可以确定第三值的差的平方等等。此外,处理部件可以将所生成的所有差值进行相加,以生成该样本的差量度。这个值可以被存储,并且GPU可以着手以相同的方式来处理下一样本。
对于所有的样本,可以重复该处理,导致对于所有的样本生成差量度。GPU随后可以着手如上所述选择匹配集合,例如,诸如选择针对其而言差量度低于给定水平的样本。
在一些实施例中,并行化可以是这样的方案的混合,例如,诸如其中每一个处理部件处理标量值的一个配对,但是两个或更多的样本同时进行处理。
并行处理可以非常充分地加速匹配操作。例如,各种实际的实施已显示数量级或更多的速度提升。
将意识到:所描述的功能可以分布在不同的处理部件中并且可以取决于特定的处理架构来不同地实施。例如,功能在频带受限的数据总线的任一侧上的分布对于不同的实施例而言可以改变,并因此图1只是可能分布的示例。
例如,在一些实施例中,GPU可以通过带宽受限的数据总线将所确定的距离量度传送到CPU,并且CPU可以选择样本的匹配集合。实际上,在许多实施例中,医学数据处理器111(并且例如匹配处理器105的一些功能)可以由实施识别标志处理器103的同一CPU来实施。
也将意识到:例如,医学数据处理器器111可以直接访问数据库,以检索所选择的匹配集合的医学数据。
以这样的方式,每一个并行处理部件可以为一个样本生成差量度,其中不同的并行处理部件为不同的样本生成差量度。
在一些实施例中,可供选择地或附加地,第一识别标志集合的生成可以通过并行处理操作来生成。
具体地,在一些实施例中,识别标志处理器103可以部分或完全利用并行处理部件来实施。例如,识别标志处理器103可以利用GPU或GPU与CPU的组合来实施。
特别地,在一些实施例中,识别标志处理器103可被安排成将输入图像划分成多个图像分段/块(其中这些图像分段酌情可以是二维或三维的)。例如,这种划分可以是至固定块的固定划分。例如,800x800x700体素的三维图像可以被划分成100x100x100体素分段或块。因而,该图像可以自动地被划分成固定大小的392个分段。
识别标志处理器103可以包括用于为这些分段之中的每一个分段生成识别标志的并行处理部件,但是其中每一个处理部件只处理392个分段的子集。实际上,如果识别标志处理器103包括392个以上的并行处理部件,那么每一个处理部件可以处理一个分段,以生成一个识别标志。例如,每一个并行处理部件可以确定该分段的亮度变化。以这样的方式,可以非常快速地生成392个识别标志的集合。
在该示例中,至图像分段的划分并不取决于第一图像的图像属性而相反是盲分段。这可以降低复杂度,并且在许多实施例中对于生成具有特别关联性的识别标志用于医学处理而言可以是有用的。例如,对于许多疾病而言,特定事件的密度是有效的指示符。在这样的实施例中,其后面跟随着与事件(例如异常细胞)相对应的对象的数量的检测的至同等大小分段的分段可以生成直接指示异常细胞的密度的局部识别标志。因而,每一个分段中的简单计数可以生成对于可能疾病的检测而言相关的局部识别标志。
在一些实施例中,分段可以取决于图像特性。作为低复杂度的示例,识别标志处理器103可以被安排成基于图像属性来确定这些分段中的图像分段,其中所确定的尺寸是恒定的,即,适用于所有的分段。
检索到的医学数据可以由医学数据处理器111用于向健康专业人员提供附加信息。作为简单示例,医学数据可以简单地被呈现给健康专业人员。例如,可以生成反映与所识别的样本之中的每一个相关联的诊断的输出。为其已生成与当前图像紧密相似的图像的患者的诊断的列表可以被用作健康专业人员应该进一步考虑的可能诊断的输入。这可以特别有助于允许罕见状况被检测且实际上可以允许健康专业人员甚至没有意识到的状况被检测并被考虑。
在一些情形中,也可以提供样本的匹配程度。例如,对于每个样本而言指示诊断以及该样本与当前图像的紧密相似程度的列表可以被输出。
在许多实施例中,医学数据可以由医学数据处理器111处理。例如,该数据可以被核对(collate),以致与同一诊断相对应的所有样本被组合。该方案可以例如用于生成诊断的列表以及可以提供对于当前图像而言恰当的诊断的估计概率。如果找到给定诊断的多个样本,其中每一个样本是紧密匹配,则指示高概率。如果对于给定诊断只找到具有相对低的匹配量度的一个样本,则指示低概率。
将意识到:许多其他形式的医学数据可以被推导并且可以不同地被使用。例如,该数据可以简单地用于生成健康统计资料并且可以不向任何人呈现个别图像的数据。
作为另一示例,医学数据可以用于进一步处理图像,或者例如,用于在被呈现时修改图像的视觉外观。例如,医学图像可以指示:在相似图像中,发现给定特性特别适合于指示是否患者遭受给定状况。例如,特定图像对象的形状可以被指示为重要的,其中医学数据进一步指示图像对象的特性。该设备随后可以识别当前图像中具有相似特性的图像对象并且在显示该图像时(例如,与描述重要性以及将要寻找什么特性的文本一起)突出显示这些图像对象。
作为医学数据的可能使用的特定示例,该设备可以协助检测是否患者遭受Alzheimer疾病。图3举例说明如由American Association of Neurology(美国神经学协会)——2009年指导集所确定的Alzheimer疾病(或者更一般而言,神经退行性疾病)的诊断的标准程序。在该附图中,术语PiB-PET和FDG-PET是PET造影剂。PiB是基于碳-11的Pittsburgh(匹兹堡)复合物,并且FDG测量脑中的糖水平。MDx基本上是从脊骨中提取的脊髓(CSF)液的分析。
将意识到:取决于个别实施例和应用的偏好和需求,可以使用用于生成、处理和比较识别标志的许多不同的方案。在下面,将提供各种有利的示例,但是将意识到:本发明并不限于这些特定方案。
在许多实施例中,识别标志处理器103可以被安排成生成表示局部图像信息的局部识别标志。因而,与整体反映图像的属性的识别标志不同,局部识别标志仅反映在图像的子集中诸如在特定分段或块中的图像。
如前所述,识别标志处理器103可以将图像划分成分段并通过仅考虑个别分段中的图像属性来确定每一个分段的一个或多个识别标志。因而,这样的识别标志仅反映局部图像特性,即特定分段内的特性。
许多识别标志可以允许至少局部图像区域的部分重建。例如,识别标志可以指示方差和平均亮度。这样的分段可以利用具有相同的平均亮度以及与方差相对应的随机变化的分段来近似。
作为另一示例,识别标志处理器103可以被安排成生成例如分段的亮度的小波表示。这个小波表示随后可以被截断(truncate),并且可以生成识别标志矢量以对应于跟随在截短之后的剩余小波系数。因而,在这个示例中,可以为每一个分段生成识别标志矢量,并且用于图像的识别标志集合可以是二维矩阵,其中每一行(或列)对应于该矢量。这样的小波表示可以提供非常紧凑的图像特性的表示。该方案可以允许由匹配处理器106进行的比较直接基于该图像所提供的视觉印象而非基于所导出的特征。同时,它虑及此外适合于并行化的相对低复杂度的比较。因而,该方案可以提供用于检测与“看起来”与当前图像相类似的图像相对应的样本的实用方案。因而,针对看起来像当前图像的图像所存储的医学数据能够被识别并被提取,而且例如能够被显示给健康专业人员。
在许多实施例中,识别标志并且特别地局部识别标志以图像中的图像对象为基础来生成。在图4中显示用于一些这样的实施例的图像处理设备的示例。该设备与图1的设备相对应但是进一步包括被安排成检测图像中的图像对象的图像对象检测器301。
图像对象检测器301可以被安排成使用任何合适的算法或方案来检测图像对象。将意识到:许多图像对象检测算法存在并且对于本领域技术人员而言将是已知的,而且可以使用任何合适的方案而不减损本发明。
大多数的图像对象检测算法以检测不同区域之间的图像特性的差异为基础。例如,亮度和/或颜色的转变可以用于检测各个图像对象的边界,并且具体地,可以找到图像对象作为具有足够相似的图像属性的连续区域。
作为示例,图5举例说明具有β淀粉状蛋白42染色的离体病理组织学样本的二维图像。β淀粉状蛋白42沉积在较亮的背景上显示为暗点。这些β淀粉状蛋白42沉积提供潜在的Alzheimer疾病(AD)的指示。不是所有的具有这些沉积的老年人都患有AD,但是这可能是其可能性的良好指示。AD的诊断可以基于与涉及颞叶、特别地海马区的局灶性脑组织萎缩的其他信息的组合以及指示记忆的神经精神病学测试加上其他损伤来确定。通过分析这些问题,时常有可能诊断患者遭受AD的概率。
在处理这样的图像中,图像对象检测器301可以被安排成检测与β淀粉状蛋白42沉积相对应的图像对象。例如,这可以利用寻找与足够暗的且具有在给定间隔内的尺寸的连续区域相对应的图像对象的图像对象检测算法来完成。
图像对象检测器301将所检测的图像对象的信息馈送至识别标志处理器103,而识别标志处理器着手基于这些图像对象来确定识别标志。
将意识到:可以生成许多不同的识别标志。作为示例,识别标志处理器103可以将图像划分成预定大小的分段并且随后可以将分段的识别标志确定为该分段内的图像对象的数量。例如,对于图5中的图像来说,每个分段中的β淀粉状蛋白42沉积的数量可以被用作该分段的局部识别标志。因而,可以生成指示图像对象的数量且用于β淀粉状蛋白42沉积的图5的图像的识别标志集合,并且该识别标志集合可以被馈送至匹配处理器105。匹配处理器105随后可以与存储在样本储存器109中的数据库的样本进行比较。例如,匹配处理器105可以寻找每个分段具有大致相同数量的图像对象的样本,或者可以在更高级的比较中识别在图像上具有相似空间分布的样本。例如,当前图像在相对小的区域中可以具有大量的图像对象,而在这个区域之外的分段中可以具有少量图像对象。可以在数据库中寻找对应于相似图像的样本,同时与对应于在每个分段中可以具有相同平均数量的图像对象的图像的其他样本进行区分,而其中这些图像对象遍及该图像更均匀地进行分布。因而,在图5的示例中,该设备可以使用这个方案来查找对应于β淀粉状蛋白42沉积的相似分布的样本。相应地,该设备能够提取与β淀粉状蛋白42沉积的相似分布相对应的医学数据,并因而可以提供对于相似图像已发现相关联的医学数据。例如,这样的信息可以指示患者遭受Alzheimer疾病的可能性或概率。
在一些实施例中,这些图像对象之中的一个或多个图像对象的空间特性可以用于生成识别标志。例如,可以选择图像对象的子集,例如每一个分段中的一个图像对象。然后,可以分析该图像对象,以提供识别标志。例如,可以识别图像对象的形状、面积或体积。这在许多实施例中可能非常适合于医学信息的确定。
在使用组织学图像的应用中,例如,在考虑例如AD患者时,该方案可以识别与β淀粉状蛋白42沉积相对应的图像对象。该***随后可以着手确定个别β淀粉状蛋白42沉积的大小、位置和方位以及形状和其他识别标志。基于此,该***可以着手确定识别标志的统计属性。这些统计属性随后能够与先前处理的数据库中的组织学图像的类似属性/识别标志进行比较。一种类型的β淀粉状蛋白42沉积被称为“核心(core)”,并且它们通常是较暗的、尺寸较大的并且具有更圆的形状。
图5举例说明β淀粉状蛋白图像对象检测的检测结果的示例,其中暗点对应于β淀粉状蛋白沉积。
在AD诊断并且更一般而言大脑神经***疾病的诊断的情况中,诊断可以基于以下的检测:(i)局灶性(区域/局部)组织萎缩——脑组织的颞部减小,其被脑脊液(CSF)所替代。例如,对于AD的情况,脑室增大和颞叶萎缩是标准的视觉标记。这些可以被看作例如一些(T1加权的)MRI图像中的“暗”像素或CSF的增加。诊断可以进一步基于(ii)经由神经精神病学测试来验证的记忆功能、注意功能、执行功能和运动功能的功能增加的损伤(特别地,作为受到影响的第一功能的记忆力)(参见图3);以及(iii)带有β淀粉状蛋白42沉积的PiB-PET的体内测试。如果组合的话,这三个集合的特征可以导致AD的强指示。
该***可以处理这样的图像,例如,以确定患者遭受AD的似然性,并且这可以被用作记忆功能、注意功能、执行功能和运动功能的分析的基础或与之相组合来确定诊断。
作为另一示例,图6举例说明健康个体的7T T2加权的冠状MRI扫描,并且图7举例说明患病主体的7T T2加权的冠状MRI扫描。如能够看到的,健康个体具有极少CSF(白色像素),而该个体具有大量CSF。具体地,这指示(利用边界框高亮显示的)海马已收缩(局灶性萎缩)。该***可以相应地识别这样的图像中的白色图像对象并生成描述这样的图像对象的尺寸和比例的识别标志。通过将这些识别标志与数据库中的样本的相应识别标志进行比较,能够找到与当前个体的MRI扫描相类似的MRI扫描,并且能够提取与这些样本相关联的医学数据。因而,能够容易地识别和提取针对展示类似数量的局灶性萎缩的MRI扫描已存储的医学数据。例如,基于CSF图像对象的尺寸和比例,该***可以确定患者遭受该状况的概率。
值得注意的是:该方案能够用于体内和体外数据。例如,体内数据可以包括MRI、PiB-PET、神经精神病学测试等等,而体外数据可以包括在AD或相关脑部疾病的情况下的神经病理组织学测试。对于癌症而言,可以具有MRI、CT、PET等等图像加上所有体内的病理组织学测试。
对于与潜在肿瘤相对应的每个对象来说,识别标志处理器103可以确定面积或体积并将这个用作识别标志。可供选择地或附加地,它可以确定形状参数并将这个用作识别标志,例如,诸如图像对象有多圆或多不规则的指示。
匹配处理器105可以相应地在数据库中查找相应的识别标志,并因而可以查找与展示类似大小和/或形状的潜在肿瘤的患者相关的医学数据。具体地,这样的医学数据可以指示是否针对其生成样本的患者的肿瘤被发现具有良性或恶性肿瘤。实际上,已发现肿瘤的尺寸并且特别地肿瘤的形状提供潜在肿瘤的性质的强指示,并因而该设备可以虑及自动比较和检测与展示和当前患者非常相似的特性的患者相对应的样本。
作为另一示例,可以基于图像对象的亮度或色度为每一个图像对象生成识别标志。例如,在图5的示例中,可以生成图像对象的识别标志,以指明该图像对象有多暗。这可以是暗点将有多大可能是β淀粉状蛋白42沉积而非随机暗区的指示。对于彩色图像来说,同一方案可以应用于颜色。并且,在一些实施例中,图像对象上的纹理即颜色和/或亮度变化可以被量化并被用作识别标志。
在一些实施例中,图像对象的位置、方位或姿态(位置和方位)可以用于生成能够特别适合于检测与具有类似医学特性的图像相对应的样本的识别标志。例如,如先前所述,可以确定和分析与β淀粉状蛋白沉积相对应的图像对象的特性,以便基于这些图像对象的这些特征来生成识别标志。
在一些实施例中,识别标志可以具体地根据对象边界的属性来生成。例如,如前所述,图像对象的形状可能适合于反映很可能特别地指示医学状况的特性,并因此特别适合于寻找与类似医学状况相对应且相应地能够提供对于当前患者而言具有特别关联性的医学数据的样本。
作为另一示例,对于一些医学状况而言,导致图像对象的对象的表面可以具有特别指示医学状况的特性。例如,可以生成反映图像的边界是光滑的还是粗糙的识别标志。因而可以生成指示图像对象的外部的粗糙/光滑的程度的识别标志,并且这可以用于寻找具有相似特性的样本。
在许多实施例中,可以生成这些识别标志之中的一个或多个,以响应图像对象的矩。
具体地,如果给定密度分布f(x,y),其中x、y是二维图像中的图像对象的像素坐标,则矩p、q可以根据下面来确定:
或者在采样域中:
。
各种矩可以指示例如图像对象的面积、体积、方位等等,如图8所示。在许多实施例中,并且特别地在其中只考虑非常少的图像对象的实施例中,用于图像对象的矩的数量可以是相对高的,例如,诸如对其而言所有的矩p和q可以介于0与5之间。实际上,在一些实施例中,第一识别标志集合可以包括这样的识别标志集合,即,其中这些识别标志作为矩来生成。这些矩提供图像对象的几何特性的非常紧凑却相当精确的表示,并因此提供用于将有关图像的信息压缩至适合于在带宽受限的链路上传送的数据以及用于寻找展示相似特性的样本的有效方案。
将意识到:在许多实施例中,可以为一个图像或一组图像对象生成识别标志。例如,在分段中所检测到的图像对象的平均暗度可以被用作整个分段的识别标志而非对于个别图像对象具有个别识别标志。
并且,在一些实施例中,对于每一个图像对象,可以包括识别标志,并且实际上,在一些情形中,可以仅具有在每一个图像中所检测的一个图像对象,诸如与潜在肿瘤相对应的图像对象。在这样的示例中,可以为那个图像对象确定多个参数,并且这多个参数可以被用作识别标志的集合。例如,该识别标志的集合可以包括一个图像对象的尺寸、颜色、亮度、纹理、形状、方位和矩。
在其他的图像对象中,可以检测多个图像对象,并且可以为每一个图像对象生成一个识别标志。例如,可以生成包括所检测的图像对象的尺寸的识别标志集合。在一些实施例中,可以生成识别标志的集合,以包括全部数量的图像对象的子集。例如,可以生成由固定数量的图像对象的属性构成的识别标志矢量。这些图像对象随后可以根据任何合适的标准来选择。例如,可以生成识别标志集合作为图像中1000个最大的被检测到的暗图像对象的尺寸和亮度。这个识别标志集合随后可以被馈送至匹配处理器105,而匹配处理器能够着手寻找与针对其而言1000个最大的暗点具有相类似特性的图像相对应的样本。这可以在允许可管理的计算资源需求的同时允许非常有效的相关信息的检测。
在以前的示例中,所生成的识别标志是被生成来反映限制区域中的图像属性的局部识别标志。这些识别标志通常反映局部区域中的一个属性的特性。
然而,在其他的实施例中,可供选择地或附加地,可以生成更复杂的识别标志。例如,识别标志可以作为局部识别标志的组合来生成。
例如,对于每一个图像对象,可以生成局部识别标志,以指示该图像对象的尺寸。随后可以处理这些识别标志,以确定这些识别标志对于整个图像的统计分布。例如,可以生成反映找到多少具有给定尺寸(间隔)的图像对象的直方图。能够生成指示多个图像对象的属性的组合识别标志。例如,可以生成描述直方图的识别标志。例如,对于直方图的每一个大小间隔,可以生成指示在那个间隔中的图像对象的比例的标量值。
例如,图9举例说明与β淀粉状蛋白42染色的组织学图像中的沉积相对应的图像对象的矩M00的直方图的示例。描述直方图的识别标志集合可以随后被生成并被发送至匹配处理器105,其中在匹配处理器中它能够用于与这些样本的识别标志进行比较,以寻找具有相似分布的样本。
在一些实施例中,可以生成组合的识别标志,以反映识别标志之间的相关性。例如,可以生成反映与β淀粉状蛋白42相对应的图像对象的尺寸有多相似的识别标志。
因而,在许多实施例中,可以给出提供图像的属性的统计量度诸如所检测的图像对象的统计属性的组合的识别标志。图10举例说明该方案的示例。初始地,对于不同的区域,可以生成局部识别标志,其中每一个区域例如对应于预定大小的分段或图像对象。这些识别标志随后可以在识别标志分类模块701中进行处理。例如,这个识别标志分类模块701可以群集相类似的识别标志,例如类似的尺寸、轮廓尺寸、轮廓形状、矩等等可以被群集并被组合在一起。每一个群集随后可以被处理,以生成统计属性,和/或与群集相对应的统计属性可以用于生成识别标志集合。
在一些实施例中,可以基于图像对象的属性与用于该属性的参考值的比较来确定这些识别标志之中的一个或多个。这样的方案可能是特别吸引人的,这是因为它允许聚焦于通常指示医学状况的异常。
例如,特征可能具有在健康个体中具有实质上球形形状的趋势。然而,在疾病的情况下,例如,由于内部生长,该特征可能实质上偏离球形形状。
在这样的示例中,可以首先评估所检测的图像对象,以确定它们有多像球形。例如,可以首先确定反映个别图像对象偏离球形形状的程度的量度。随后可以生成显示偏离的分布的直方图,并且能够生成描述该直方图的识别标志集合。这个识别标志集合随后可以被发送至匹配处理器105,而匹配处理器能够使用它来寻找针对其已存储类似识别标志的样本。因而,该方案允许该设备识别具有类似的异常分布的样本。例如,这些样本的医学数据可以包括定义从中生成数据库样本/条目的患者的诊断、治疗、患者对于该治疗如何反应等等的数据。这个数据例如可以被显示给健康专业人员,而健康专业人员在诊断患者和寻找合适的治疗时能够使用相关数据。
在一些实施例中,识别标志处理器103可以例如生成与参考值的偏差的平均值和方差并将这些值用作识别标志。在这样的方案中,这些值例如可以针对图像的不同面积(体积)来生成,以致表示与正常特性的偏差的平均值和方差的空间分布。
因而,在许多实施例中,与正常的非病理学特性的统计偏差可以被确定并被用于在数据库中寻找合适的样本。
在一些实施例中,与参考值的偏差可以用于选择用于确定识别标志的图像对象的子集。作为极端的示例,所有的图像对象可以与参考值进行比较,并且可以识别偏差最多的图像对象。例如,这个图像对象随后可以利用识别标志集合诸如矩的范围来表征。识别标志集合可以被传送至匹配处理器105并被用于寻找合适的数据库样本。这在其中疑似疾病仅导致单个异常的许多情形中可能是有利的。例如,该方案可以允许利用这些识别标志来识别和表征单个肿瘤。与类似肿瘤相对应的样本随后可以被识别,并且能够提取针对这些样本所提供的医学数据。
在许多实施例中并且对于许多应用而言,可以生成特别合适的识别标志集合来指示满足特定标准的图像对象的局部密度变化。例如,在图5的图像中,可以生成与较暗的点相对应的图像对象。然后可以评估这些图像对象,以确定是否它们对应于β淀粉状蛋白42沉积。例如,只有是足够暗的并且具有在合适间隔内的尺寸的图像对象才可以被检测到。随后对于位置范围能够确定这些β淀粉状蛋白42沉积的局部密度,并因而能够确定这个密度的空间分布。
例如,如图11所示,对于给定位置可以确定在给定半径r内的事件、在这种情况中β淀粉状蛋白42沉积的数量。这个值(或密度值)随后可以被用作一个识别标志。随后对于另一位置可以重复同一方案,以生成第二位置。例如,通过对于覆盖该图像的位置网格重复这个方案,能够生成反映该图像上的事件(β淀粉状蛋白42沉积)的空间分布的识别标志集合。这样的识别标志集合因而可以反映例如是否事件均匀地分布在器官上、是否事件集中在小区域中、是否事件围绕多个区域进行群集、是否朝向器官的边界的集中比中心更高等等。这样的事件的空间分布在许多情况中可以提供特别好的医学状况的指示,并因而特别适合于寻找反映类似状况的样本。
在许多实施例中,该设备可以是全自动的数据处理***。例如,可以提供医学图像的输入,诸如MRI或神经病理组织学图像。此外提供包括医学数据诸如从MRI脑图谱中提供的参考数据的数据库。该***的输出可以是对于针对输入图像提供医学匹配的图像而言已发现相关的医学数据。
在一些实施例中,该设备可以是半自动的,并且操作可以部分地基于用户输入。图12举例说明根据这样的方案的设备。该设备与图4的设备相对应但是进一步包括用于接收用户输入的用户界面901。
具体地,用户输入可以用于生成识别标志之中的一个或多个。因而,识别标志生成可以利用例如可以由健康专业人员提供的用户输入来引导。
例如,该方案可以由专家(神经病学专家、组织病理学家、神经系放射学家)用于追踪器官中的对象的边界。例如,专家可以在屏幕上使用合适的输入设备来简单绘制轮廓,并且这些轮廓随后可以用于确定此后为其生成识别标志的图像对象。图13举例说明能够由专家用于追踪对于医学评估而言被认为是特别感兴趣的区域的边界的图形用户界面的示例。
该方案例如可以利用在注解器所选择的地标点之间内插的样条(spline)。在内插之后,无论它是对象边界上还是对象边界的3D表面上的2D点,能够利用注解***来计算连续轮廓或表面。
在一些实施例中,该设备可以被安排成基于当前图像来更新数据库。这可以允许持续更新和改进数据库。
例如,该设备可以被安排成将当前图像的样本添加至在样本储存器109中存储的样本集合。因而,可以添加包括为当前图像生成的识别标志集合的新的样本。另外,可以存储用于该图像的医学数据。例如,这个医学数据可以由健康专业人员人工输入或可以根据从匹配样本中提取的医学数据来生成。
在许多实施例中,该***可以作为其中不同的部分可以彼此远离进行定位的分布式***来实施。特别地,该方案非常适合于联网实施。例如,在许多情形中,极其希望具有集中式方案,其中数据库和用于在数据库中寻找匹配样本的功能被定位于远程中央位置上,而许多用户站被分布在对于个别用户而言合适的位置上。例如,许多医院可以各自具有一个或多个用户站,其中这些用户站全部利用在同一数据库中存储的数据。然而,这样的***通常受到将这些用户站连接至集中式服务器的网络的数据通信容量的限制。
实际上,处理器正变得极其快速且能够对数据执行巨量计算,并因此处理单元之间的数据通信日益变成限制该***的性能的瓶颈。对于其中不同的处理器彼此远离的联网***而言,这是常有的情况。然而,例如,这对于其中两个不同的处理器一起靠近的***而言诸如对于双处理器计算机而言也是一个问题。
在所描述的方案中,这样的瓶颈可以通过使用极其有效的相关数据的表示来缓解。特别地,识别标志的使用可以实质上减少需要传送的数据的量。
例如,在一些实施例中,识别标志处理器103可以远离匹配处理器105来实施,其中例如这二者经由通信网络诸如局域网(LAN)或例如因特网进行互连。
在这样的示例中,用户站可以处理图像,以生成识别标志。此后,这些识别标志(并且通常实质上,只有识别标志)可以被传送到中央服务器,其中中央服务器包含匹配处理器105和存储数据库的样本储存器109。中央服务器随后能够着手执行匹配操作并提取匹配样本的相关医学数据。这个医学信息随后能够经由通信网络而被发送到用户站。因而,没有特定的图像数据需要被传送。这可以提供非常有效的操作。
将意识到:为了简洁起见,上面的描述参考不同的功能电路、单元和处理器描述了本发明的实施例。然而,可以使用在不同的功能电路、单元或处理器之间功能的任何合适的分布而不减损本发明,这将是显而易见的。例如,被举例说明为由单独的处理器或控制器执行的功能可以利用相同的处理器或控制器来执行。因此,对于特定的功能单元或电路的引用将仅被视为对于用于提供所描述的功能的合适装置的引用而非指示严格的逻辑或物理结构或组织。
本发明能够采用包括硬件、软件、固件或这些的任何组合的任何合适的形式来实施。本发明可以任选地至少部分地作为在一个或多个数据处理器和/或数字信号处理器上运行的计算机软件来实施。本发明的实施例的部件和组件可以物理地、功能地和逻辑地采用任何合适的方式来实施。实际上,功能可以在单个单元中、在多个单元中或作为其他功能单元的部分来实施。就此而论,本发明可以在单个单元中进行实施或可以物理地和功能地分布在不同的单元、电路和处理器之间。
虽然结合一些实施例描述了本发明,但是并不打算将本发明限于在本文所陈述的特定形式。相反,本发明的范围仅利用所附的权利要求书来限制。附加地,虽然某个特征可能看起来结合特殊的实施例来描述,但是本领域技术人员将认识到:所描述的实施例的各种特征可以根据本发明来组合。在权利要求书中,术语包括并不排除其他元素或步骤的存在。依照动物的定义,我们尤其可以考虑如同猫和狗的宠物、如同赛马或奶牛的种畜、如同鸟类的野生动物等等。
此外,虽然个别地列出,但是多个装置、元素、电路或方法步骤可以利用例如单个电路、单元或处理器来实施。附加地,虽然个别特征可以被包括在不同的权利要求中,但是这些特征或许有可能有利地进行组合,并且在不同的权利要求中的包括并不意味着:特征的组合不是可行的和/或有益的。特征在一种类别的权利要求中的包括也并不意味着对于这种类别的限制,而是指示该特征同样酌情可应用于其他的权利要求类别。此外,特征在这些权利要求中的顺序并不意味着这些特征必须据此工作的任何特定顺序,并且特别地,个别步骤在方法权利要求中的顺序并不意味着必须按照这个顺序来执行这些步骤。相反,这些步骤可以按照任何合适的顺序来执行。另外,单数引用并不排除复数。因而,对于“一”、“一个”、“第一”、“第二”等等的引用并不排除多个。这些权利要求中的参考符号仅仅作为澄清示例来提供,而不应被解释为以任何方式来限制这些权利要求的范围。
Claims (25)
1.一种用于图像处理的设备,所述设备包括:
接收机(101),用于接收表示人或动物体的部位的特性的第一图像;
识别标志单元(103),其从第一图像中确定图像相关联的识别标志集合;
样本储存器(109),用于存储样本集合,每一个样本包括样本相关联的识别标志集合和医学数据;
匹配单元(105),用于从所述样本集合中确定匹配样本集合,以响应图像相关联的识别标志集合与所述样本集合中的样本相关联的识别标志集合的比较;以及
决策单元(111),其被安排成确定第一图像的医学数据,以响应在所述匹配样本集合的样本中包括的医学数据。
2.根据权利要求1所述的设备,其中图像相关联的识别标志集合中的至少一些识别标志是表示局部图像信息的局部识别标志。
3.根据权利要求2所述的设备,其中所述识别标志单元(103)被安排成将第一图像划分成多个图像分段;以及其中所述识别标志单元包括具有多个处理部件的并行处理器,每一个处理部件被安排成处理所述图像分段的子集,以便为所述图像分段确定局部识别标志。
4.根据权利要求3所述的设备,其中至图像分段的划分不取决于第一图像的图像属性。
5.根据权利要求3所述的设备,其中所述识别标志单元(103)进一步被安排成为所述图像分段确定图像分段尺寸,以响应第一图像的图像属性。
6.根据权利要求1所述的设备,其中所述匹配单元(105)包括具有多个并行处理部件的并行处理器,每一个并行处理部件被安排成将图像相关联的局部识别标志集合中的至少一个识别标志与样本相关联的识别标志集合中的至少一个识别标志进行比较。
7.根据权利要求6所述的设备,其中所述识别标志单元(103)在第一处理单元中进行实施,并且所述匹配单元(105)在经由带宽限制的通信链路耦合至第一处理器的独立的第二处理单元中进行实施。
8.根据权利要求1所述的设备,其中所述识别标志单元(103)被安排成:生成多个局部识别标志,每一个局部识别标志表示局部图像信息;以及从多个局部识别标志中生成图像相关联的识别标志集合中的至少一个识别标志。
9.根据权利要求8所述的设备,其中所述至少一个识别标志表示多个局部识别标志的统计量度。
10.根据权利要求8所述的设备,其中所述至少一个识别标志表示至少两个局部识别标志的相关性量度。
11.根据权利要求1所述的设备,进一步包括:
图像对象检测器,用于检测第一图像中的至少一个图像对象;以及
其中所述识别标志单元(103)被安排成确定图像相关联的识别标志集合中的至少一个识别标志,以响应所述图像对象的属性。
12.根据权利要求11所述的设备,其中所述至少一个图像对象的属性是以下之中的至少一项:
所述至少一个图像对象的对象边界属性;
所述至少一个图像对象的面积;
所述至少一个图像对象的体积;
所述至少一个图像对象的姿态;
所述至少一个图像对象的位置;
所述至少一个图像对象的方位;
所述至少一个图像对象的亮度属性;
所述至少一个图像对象的色度属性;以及
所述至少一个图像对象的纹理属性。
13.根据权利要求11所述的设备,其中响应于第一图像对象的矩来确定所述至少一个识别标志。
14.根据权利要求11所述的设备,其中所述识别标志单元(103)被安排成确定图像相关联的识别标志集合中的至少一个识别标志,以响应所述属性与参考值的比较。
15.根据权利要求14所述的设备,其中所述识别标志单元(103)被安排成确定至少一个识别标志,以响应图像属性相对于多个图像对象的参考属性的统计偏差。
16.根据权利要求1所述的设备,进一步包括用于接收用户输入的用户界面(901),以及其中所述识别标志单元(103)被安排成确定图像相关联的识别标志集合中的至少一个识别标志,以响应用户输入。
17.根据权利要求1所述的设备,其中至少一些样本的样本相关联的识别标志集合中的识别标志表示人或动物体的部位的相关联图像的图像属性。
18.根据权利要求1所述的设备,其中第一图像是以下之中的至少一项:
磁共振成像图像,
计算机断层扫描图像,
正电子发射断层扫描图像,
单光子发射计算机断层扫描图像,
超声图像;
x射线图像;和
数字病理组织学图像。
19.根据权利要求1所述的设备,其中图像相关联的识别标志集合中的至少一个识别标志提供所述图像的属性的小波表示。
20.根据权利要求1所述的设备,其中所述识别标志单元(103)被安排成检测满足标准的图像对象,图像相关联的识别标志集合中的至少一个识别标志响应于满足所述标准的图像对象的局部密度变化来生成。
21.根据权利要求1所述的设备,进一步包括更新处理器,用于修改所述样本集合,以响应图像相关联的识别标志集合。
22.根据权利要求1所述的设备,其中第一图像是三维图像。
23.根据权利要求1所述的设备,其中所述识别标志单元(103)和所述匹配单元(105)经由通信网络进行耦合。
24.一种图像处理的方法,所述方法包括:
接收表示人或动物体的部位的特性的第一图像;
从第一图像中确定图像相关联的识别标志集合;
提供样本集合,每一个样本包括样本相关联的识别标志集合和医学数据;
从所述样本集合中确定匹配样本集合,以响应图像相关联的识别标志集合与所述样本集合中的样本相关联的识别标志集合的比较;以及
确定第一图像的医学数据,以响应与所述匹配样本集合相关联的医学数据。
25.一种计算机程序产品,包括计算机程序代码装置,其被适配成当所述程序在计算机上运行时执行权利要求24的所有步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361757289P | 2013-01-28 | 2013-01-28 | |
US61/757289 | 2013-01-28 | ||
PCT/IB2014/058321 WO2014115065A1 (en) | 2013-01-28 | 2014-01-16 | Medical image processing |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104956399A true CN104956399A (zh) | 2015-09-30 |
Family
ID=50114442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480006318.9A Pending CN104956399A (zh) | 2013-01-28 | 2014-01-16 | 医学图像处理 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20150356733A1 (zh) |
EP (1) | EP2948925A1 (zh) |
JP (1) | JP2016508769A (zh) |
CN (1) | CN104956399A (zh) |
BR (1) | BR112015017602A2 (zh) |
RU (1) | RU2681280C2 (zh) |
WO (1) | WO2014115065A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106798574A (zh) * | 2017-03-03 | 2017-06-06 | 伏冰 | 一种超声诊断*** |
CN110322436A (zh) * | 2019-06-19 | 2019-10-11 | 广州金域医学检验中心有限公司 | 医学图像处理方法、装置、存储介质及设备 |
CN110741441A (zh) * | 2017-05-05 | 2020-01-31 | 皇家飞利浦有限公司 | 用于在图像解释环境中递送基于发现的相关临床背景的动态*** |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160306936A1 (en) * | 2015-04-15 | 2016-10-20 | Canon Kabushiki Kaisha | Diagnosis support system, information processing method, and program |
AU2018298890A1 (en) * | 2017-07-13 | 2020-02-06 | Institut Gustave-Roussy | A radiomics-based imaging tool to monitor tumor-lymphocyte infiltration and outcome in cancer patients treated by anti-PD-1/PD- L1 |
FR3076923A1 (fr) * | 2018-01-16 | 2019-07-19 | Stmicroelectronics (Rousset) Sas | Procede et circuit d'authentification |
FR3098949B1 (fr) | 2019-07-15 | 2023-10-06 | St Microelectronics Rousset | Fonction à sens unique |
RU2757707C2 (ru) * | 2019-09-06 | 2021-10-20 | федеральное государственное автономное образовательное учреждение высшего образования "Южный федеральный университет" | Способ компьютерной диагностики деформаций суставов конечностей человека на цифровых медицинских рентгенографических изображениях |
US11200671B2 (en) * | 2019-12-31 | 2021-12-14 | International Business Machines Corporation | Reference image guided object detection in medical image processing |
US11476005B2 (en) | 2020-09-03 | 2022-10-18 | Huron Technologies International Inc. | Systems and methods for automatically managing image data |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060103670A1 (en) * | 2004-11-15 | 2006-05-18 | Ziosoft, Inc. | Image processing method and computer readable medium for image processing |
CN101061513A (zh) * | 2004-11-22 | 2007-10-24 | 伊斯曼柯达公司 | 超声图像中病变的检测和分类 |
US20100010316A1 (en) * | 2008-07-08 | 2010-01-14 | International Business Machines Corporation | Differential diagnosis of neuropsychiatric conditions |
US20110286650A1 (en) * | 2008-11-07 | 2011-11-24 | National Brain Research Centre | Ready automated screening, diagnosis & classification technique for alzheimer's disease using magnetic resonance imaging signal from ventricular zone contour of brain |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL1019368C2 (nl) * | 2001-11-14 | 2003-05-20 | Nutricia Nv | Preparaat voor het verbeteren van receptorwerking. |
JP2004272357A (ja) * | 2003-03-05 | 2004-09-30 | Seiko Epson Corp | 画像認識結果提示装置、画像認識結果表示方法、画像認識結果提示プログラムおよび記録媒体 |
US7346203B2 (en) * | 2003-11-19 | 2008-03-18 | General Electric Company | Methods and apparatus for processing image data to aid in detecting disease |
US8208697B2 (en) * | 2004-12-17 | 2012-06-26 | Koninklijke Philips Electronics N.V. | Method and apparatus for automatically developing a high performance classifier for producing medically meaningful descriptors in medical diagnosis imaging |
JP4563313B2 (ja) * | 2005-12-08 | 2010-10-13 | 日本電信電話株式会社 | コンテンツ特徴量登録方法及びコンテンツ検索方法及び装置及びプログラム |
EP2120702B1 (en) * | 2007-03-06 | 2014-04-09 | Koninklijke Philips N.V. | Automated diagnosis and alignment supplemented with pet/mr flow estimation |
JP5128161B2 (ja) * | 2007-03-30 | 2013-01-23 | 富士フイルム株式会社 | 画像診断支援装置及びシステム |
WO2009079384A1 (en) * | 2007-12-18 | 2009-06-25 | New York University | Qeeg statistical low resolution tomographic analysis |
JP2010082001A (ja) * | 2008-09-29 | 2010-04-15 | Toshiba Corp | 画像表示装置 |
US9454823B2 (en) * | 2010-07-28 | 2016-09-27 | arian Medical Systems, Inc. | Knowledge-based automatic image segmentation |
JP2012203823A (ja) * | 2011-03-28 | 2012-10-22 | Kddi Corp | 画像認識装置 |
-
2014
- 2014-01-16 CN CN201480006318.9A patent/CN104956399A/zh active Pending
- 2014-01-16 JP JP2015554281A patent/JP2016508769A/ja active Pending
- 2014-01-16 WO PCT/IB2014/058321 patent/WO2014115065A1/en active Application Filing
- 2014-01-16 BR BR112015017602A patent/BR112015017602A2/pt not_active Application Discontinuation
- 2014-01-16 EP EP14704903.5A patent/EP2948925A1/en not_active Withdrawn
- 2014-01-16 RU RU2015136525A patent/RU2681280C2/ru not_active IP Right Cessation
-
2015
- 2015-01-16 US US14/762,908 patent/US20150356733A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060103670A1 (en) * | 2004-11-15 | 2006-05-18 | Ziosoft, Inc. | Image processing method and computer readable medium for image processing |
CN101061513A (zh) * | 2004-11-22 | 2007-10-24 | 伊斯曼柯达公司 | 超声图像中病变的检测和分类 |
US20100010316A1 (en) * | 2008-07-08 | 2010-01-14 | International Business Machines Corporation | Differential diagnosis of neuropsychiatric conditions |
US20110286650A1 (en) * | 2008-11-07 | 2011-11-24 | National Brain Research Centre | Ready automated screening, diagnosis & classification technique for alzheimer's disease using magnetic resonance imaging signal from ventricular zone contour of brain |
Non-Patent Citations (1)
Title |
---|
MIZOTIN M ET AL: "Feature-based brain MRI retrieval for Alzheimer disease diagnosis", 《IMAGE PROCESSING (ICIP), 2012 19TH IEEE INTERNATIONAL CONFERENCE ON,IEEE》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106798574A (zh) * | 2017-03-03 | 2017-06-06 | 伏冰 | 一种超声诊断*** |
CN110741441A (zh) * | 2017-05-05 | 2020-01-31 | 皇家飞利浦有限公司 | 用于在图像解释环境中递送基于发现的相关临床背景的动态*** |
CN110322436A (zh) * | 2019-06-19 | 2019-10-11 | 广州金域医学检验中心有限公司 | 医学图像处理方法、装置、存储介质及设备 |
CN110322436B (zh) * | 2019-06-19 | 2020-10-02 | 广州金域医学检验中心有限公司 | 医学图像处理方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
RU2681280C2 (ru) | 2019-03-05 |
US20150356733A1 (en) | 2015-12-10 |
WO2014115065A1 (en) | 2014-07-31 |
RU2015136525A (ru) | 2017-03-07 |
EP2948925A1 (en) | 2015-12-02 |
BR112015017602A2 (pt) | 2017-07-11 |
JP2016508769A (ja) | 2016-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104956399A (zh) | 医学图像处理 | |
Pan et al. | Disease-image-specific learning for diagnosis-oriented neuroimage synthesis with incomplete multi-modality data | |
JP2022525198A (ja) | 陽電子放射断層撮影を用いた腫瘍セグメンテーションのための深層畳み込みニューラルネットワーク | |
US9135695B2 (en) | Method for creating attenuation correction maps for PET image reconstruction | |
US8355553B2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model | |
US8335359B2 (en) | Systems, apparatus and processes for automated medical image segmentation | |
US20080021301A1 (en) | Methods and Apparatus for Volume Computer Assisted Reading Management and Review | |
CN109583440A (zh) | 结合影像识别与报告编辑的医学影像辅助诊断方法及*** | |
US10813614B2 (en) | Systems and methods for automated analysis of heterotopic ossification in 3D images | |
CN103501699B (zh) | 用于隔离成像数据中的潜在异常的方法和装置和其对医学图像的应用 | |
WO2021126370A1 (en) | Automated tumor identification and segmentation with medical images | |
US8150120B2 (en) | Method for determining a bounding surface for segmentation of an anatomical object of interest | |
Huang et al. | VP-Nets: Efficient automatic localization of key brain structures in 3D fetal neurosonography | |
CN104094314B (zh) | 使用定量t1映射进行风险区域的自动探测 | |
CA2560839A1 (en) | Systems and methods providing automated decision support for medical imaging | |
Dubey et al. | The brain MR image segmentation techniques and use of diagnostic packages | |
EP2577604B1 (en) | Processing system for medical scan images | |
WO2013086026A1 (en) | System and method of automatically detecting tissue abnormalities | |
Moser et al. | Automated fetal brain extraction from clinical ultrasound volumes using 3D convolutional neural networks | |
US20110194741A1 (en) | Brain ventricle analysis | |
US11416994B2 (en) | Method and system for detecting chest x-ray thoracic diseases utilizing multi-view multi-scale learning | |
US7961923B2 (en) | Method for detection and visional enhancement of blood vessels and pulmonary emboli | |
JP2023511663A (ja) | 弱教師あり病変セグメンテーション | |
Kim et al. | Automatic 3D temporal kinetics segmentation of dynamic emission tomography image using adaptive region growing cluster analysis | |
US12033755B2 (en) | Method and arrangement for identifying similar pre-stored medical datasets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150930 |
|
WD01 | Invention patent application deemed withdrawn after publication |