CN107610096B - 用于所选组织结构的图像分析的方法及*** - Google Patents
用于所选组织结构的图像分析的方法及*** Download PDFInfo
- Publication number
- CN107610096B CN107610096B CN201710698270.8A CN201710698270A CN107610096B CN 107610096 B CN107610096 B CN 107610096B CN 201710698270 A CN201710698270 A CN 201710698270A CN 107610096 B CN107610096 B CN 107610096B
- Authority
- CN
- China
- Prior art keywords
- interest
- bone
- adjacent
- density
- image processor
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 211
- 238000010191 image analysis Methods 0.000 title claims description 14
- 239000000463 material Substances 0.000 claims abstract description 272
- 238000009826 distribution Methods 0.000 claims abstract description 104
- 210000000988 bone and bone Anatomy 0.000 claims description 367
- 230000001054 cortical effect Effects 0.000 claims description 116
- 238000004458 analytical method Methods 0.000 claims description 66
- 230000000694 effects Effects 0.000 claims description 40
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 230000007704 transition Effects 0.000 claims description 28
- 238000011282 treatment Methods 0.000 claims description 27
- 206010017076 Fracture Diseases 0.000 claims description 26
- 208000010392 Bone Fractures Diseases 0.000 claims description 24
- 201000010099 disease Diseases 0.000 claims description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 230000032683 aging Effects 0.000 claims description 7
- 102000003982 Parathyroid hormone Human genes 0.000 claims description 6
- 108090000445 Parathyroid hormone Proteins 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 239000000199 parathyroid hormone Substances 0.000 claims description 6
- 229960001319 parathyroid hormone Drugs 0.000 claims description 6
- XXUZFRDUEGQHOV-UHFFFAOYSA-J strontium ranelate Chemical compound [Sr+2].[Sr+2].[O-]C(=O)CN(CC([O-])=O)C=1SC(C([O-])=O)=C(CC([O-])=O)C=1C#N XXUZFRDUEGQHOV-UHFFFAOYSA-J 0.000 claims description 6
- 229940079488 strontium ranelate Drugs 0.000 claims description 6
- 238000005755 formation reaction Methods 0.000 claims description 5
- 238000002560 therapeutic procedure Methods 0.000 claims description 4
- 229940122156 Cathepsin K inhibitor Drugs 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000001794 hormone therapy Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 142
- 210000003205 muscle Anatomy 0.000 description 50
- 238000002591 computed tomography Methods 0.000 description 33
- 239000008186 active pharmaceutical agent Substances 0.000 description 32
- 230000008569 process Effects 0.000 description 31
- 238000012545 processing Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 20
- 210000001519 tissue Anatomy 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 17
- 210000004872 soft tissue Anatomy 0.000 description 16
- 230000033558 biomineral tissue development Effects 0.000 description 15
- 239000011148 porous material Substances 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 239000000126 substance Substances 0.000 description 11
- 230000000977 initiatory effect Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 206010065687 Bone loss Diseases 0.000 description 9
- 208000001132 Osteoporosis Diseases 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 9
- 239000003814 drug Substances 0.000 description 9
- 239000004033 plastic Substances 0.000 description 9
- 238000001878 scanning electron micrograph Methods 0.000 description 9
- 230000037182 bone density Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000001727 in vivo Methods 0.000 description 8
- 230000004069 differentiation Effects 0.000 description 7
- 238000007667 floating Methods 0.000 description 7
- 210000002303 tibia Anatomy 0.000 description 7
- 208000000913 Kidney Calculi Diseases 0.000 description 6
- 206010029148 Nephrolithiasis Diseases 0.000 description 6
- 208000006735 Periostitis Diseases 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 210000003460 periosteum Anatomy 0.000 description 6
- 238000004626 scanning electron microscopy Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 229910052588 hydroxylapatite Inorganic materials 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- XYJRXVWERLGGKC-UHFFFAOYSA-D pentacalcium;hydroxide;triphosphate Chemical compound [OH-].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O XYJRXVWERLGGKC-UHFFFAOYSA-D 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 208000020084 Bone disease Diseases 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 4
- 210000001185 bone marrow Anatomy 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000001338 necrotic effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 208000029725 Metabolic bone disease Diseases 0.000 description 3
- 206010000269 abscess Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 206010020100 Hip fracture Diseases 0.000 description 2
- 206010027452 Metastases to bone Diseases 0.000 description 2
- 206010049088 Osteopenia Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000037118 bone strength Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000326 densiometry Methods 0.000 description 2
- 230000009699 differential effect Effects 0.000 description 2
- 238000009547 dual-energy X-ray absorptiometry Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- FWIVDMJALNEADT-SFTDATJTSA-N (2s)-n-(1-cyanocyclopropyl)-4-fluoro-4-methyl-2-[[(1s)-2,2,2-trifluoro-1-[4-(4-methylsulfonylphenyl)phenyl]ethyl]amino]pentanamide Chemical compound C1=CC([C@H](N[C@@H](CC(C)(F)C)C(=O)NC2(CC2)C#N)C(F)(F)F)=CC=C1C1=CC=C(S(C)(=O)=O)C=C1 FWIVDMJALNEADT-SFTDATJTSA-N 0.000 description 1
- 208000004434 Calcinosis Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 101100326726 Flaveria trinervia PPCC gene Proteins 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 201000002980 Hyperparathyroidism Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000010191 Osteitis Deformans Diseases 0.000 description 1
- 208000031964 Other metabolic disease Diseases 0.000 description 1
- 208000027868 Paget disease Diseases 0.000 description 1
- 206010039710 Scleroderma Diseases 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 208000005475 Vascular calcification Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000001195 anabolic effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000012668 chain scission Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000004821 effect on bone Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000002436 femur neck Anatomy 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 235000004213 low-fat Nutrition 0.000 description 1
- 208000027202 mammary Paget disease Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 229950009755 odanacatib Drugs 0.000 description 1
- 230000011164 ossification Effects 0.000 description 1
- 208000005368 osteomalacia Diseases 0.000 description 1
- 230000001009 osteoporotic effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- -1 re is the resolution Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 229910052712 strontium Inorganic materials 0.000 description 1
- CIOAGBVUUVVLOB-UHFFFAOYSA-N strontium atom Chemical compound [Sr] CIOAGBVUUVVLOB-UHFFFAOYSA-N 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000010936 titanium Substances 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30008—Bone
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Dentistry (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种用于分析样本的方法,所述样本包括具有通常意义上不同的密度的第一材料和第二材料,并且在第一材料和第二材料之间具有结合部,该方法包括:在包括所述结合部的样本的至少一部分的横截面图像中限定感兴趣区域;确定在感兴趣区域内并穿过结合部的样本的密度分布;确定所述第二材料的代表性密度,并使用用来区分所述第一材料和第二材料的所述结合部来分析所述样本。
Description
本申请是申请号为201080051311.0、申请日为2010年9月10日、名称为“用于所选组织结构的图像分析的方法及***”的PCT发明专利申请的分案申请。
相关申请
本申请基于2009年9月11日提交的澳大利亚申请2009904407号并且要求其申请日期的优先权,其全部的提交内容通过引用合并于此。
技术领域
本发明涉及用于将对象或结构从其周围环境中识别、将对象或结构与其周围环境分离开或区分开以及使用如对象或结构的图像对其进行分析的分析方法以及***,本发明具体地但绝不是以排它性的方式应用在包括骨的分析(在活体或其它中)和疾病如骨疾病的诊断的生物组织分析以及材料与地质样本的分析或表征中。在具体的实施例中,本发明涉及将骨从周围组织(如肌肉和脂肪)中识别并且将骨与周围组织区分开、对骨结构进行分析以及对衰变的或异常的骨(因此在某些情况下是易骨折的骨)进行检测。在另一种具体的实施例中,本发明涉及对嵌入在生物组织(如肌肉)内的异物进行定位或识别。
背景技术
目前,骨密度是预测骨折风险和评估对骨的治疗效果的常用工具,但是其缺乏敏感性和特殊性。在所有的髋骨折中,有超过一半的髋骨折发生在使用双能X线吸收测定法(DXA,dual energy X-ray absorptiometry)被确定为骨折疏松症(T-score≤-2.5)的妇女中。此外,大多数具有由DEXA BMD定义的骨质疏松症的妇女没有经受骨折(Delmas P.D.,Seeman E.Changes in bone mineral density explain little of the reduction invertebral or nonvertebral fracture risk with anti-resorptive therapy,Bone 34(4)(2004)p.599-604)。在药物治疗期间,仅有一小部分骨折风险的减少用骨密度的增长来解释(Ott S.M.,When bone mass fails to predict bone failure,Calcif.TissueInt.53(Suppl1)pp.S7-S13)。这种敏感性和特殊性的缺乏部分地由于以下事实:骨折的风险不仅由骨的密度来确定而且由骨的结构来确定(Zebaze R.M.and Seeman S.,MeasuringFemoral Neck Strength:Lost in Translation?,IBMS BoneKEy 5(2008)pp.336-339)。
从而,正在使用如定量计算机断层扫描(CT)和核磁共振成像(MRI)等技术产生图像,然后分析这些图像以预测骨折风险、量化药物的效果以及确定针对骨损失的预防的各个策略(如锻炼或饮食)的有效性。但是,不能证明从这些显像模式中导出的参数要比骨密度测量明显地好,所以目前不能将其用作骨密度测量的替代。
使用这些方法的问题不仅在于图像采集而且更重要地在于图像处理。用于从这些图像中评估骨结构的现有技术的其中一个最重要的问题是对于识别感兴趣区域(ROI)内的骨和将骨分割(即,分离)成骨的各个隔室(通常是皮质骨和小梁骨)的固定的任意阈值的依赖。骨的构造因人而异,为此,固定阈值的使用对来自不同个体的骨具有不同和不可预测的结果。从而,固定阈值的使用在不存在差异的情况下可以产生明显的差异,或是在存在差异的情况下使得差异变得模糊。
此外,现有的方法使用骨结构的简化模型。具体地,这些方法将骨视为由两个不同的隔室(皮质骨和小梁骨)组成的结构。实际上,所谓的“致密”骨和小梁(“海绵状的”)骨是从骨膜到内部骨髓腔的孔隙率的变化的连续体的极端情况。
此外,现有方法使用所谓的“体模校准(phantom calibration)”来确定与图像内每个像素相关联的密度。然后使用该密度识别骨以及评估骨的结构(从而有术语:定量计算机断层扫描(QCT))。现有的校准过程具体到每个扫描仪制造商,所以由嵌入在扫描仪中的软件所进行的骨结构的分析是制造商特定的。
发明内容
根据本发明第一概括方面,提供了用于分析包括具有通常意义上的不同的密度的和在其之间具有结合部(突兀或其它)的第一材料和第二材料的样本的方法,该方法包括:
在包括该结合部的样本的至少一部分的横截面图像中限定感兴趣区域;
确定在感兴趣区域内并穿过该结合部的样本的密度分布;
确定所述第二材料的代表性密度(诸如根据密度分布);以及
使用用于区分所述第一材料与第二材料的所述结合部来分析所述样本。
本发明的特征使得能够自动地操作该方法(以及以下被描述成自动化的***)。
该方法可以包括:在密度分布中定位第一材料与第二材料之间的结合部(使用例如相对于适当地选择的点的距离函数)。
因此,第一材料和第二材料可以是不同密度的两种生物组织(诸如分别是骨或肿瘤组织以及周围的软组织),但也可以是使得能够产生横截面图像和具有通常意义上不同的密度的任何两种材料。例如,该方法与***可以用于识别和提供对包括嵌入在肌肉或其它生物组织中的子弹(或其它金属物体)的样本的分析或表征。
应当注意,这是没有要求在图像分析诸如将骨与周围软组织区分开或将骨区分成多个隔室中使用阈值的情况下实现的。
还应当注意,“材料”是以其广义来使用的。材料可以是物体(或其一部分)、物体内的结构、一定体积的气体或被较大程度抽空的体积。
在一个实施例中,该方法还包括确定第一材料的构造(诸如骨的构造)。
在另一个实施例中,该方法还包括检测第一材料中的衰变或异常(诸如骨结构中的衰变或异常)。例如,该方法可以包括识别易骨折的骨。
在密度分布中定位结合部可以包括定位密度分布中离参考点最近的点,参考点具有与第一材料的代表性密度相同的位置并且具有近似或小于第二材料的代表性密度的密度。
在另一个实施例中,定位结合部包括:在所述感兴趣区域的部分中定位密度分布变化率最大点,所述部分由所述密度差最大点划界并且包括所述第二材料。
在再一个实施例中,定位结合部包括:在所述感兴趣区域的部分中定位密度分布变化率最小点,所述部分由所述密度差最大点划界并且包括所述第二材料。
在特定实施例中,定位结合部包括定位密度分布中的拐点。
在再一个实施例中,定位结合部包括:形成密度分布的二阶导数(即,密度分布的一个或更多个部分的二阶导数,例如,在如下所述的最高“山”中),诸如在密度分布曲线的一个或更多个段(例如对应于样本内的各个隔室)中的一阶导数中定位拐点。
在一些实施例中,感兴趣区域包括位于所述第一材料与所述样本的包括所述第二材料、第三材料或空穴的另外一部分之间的至少一个另外的结合部,并且所述方法还包括:
确定所述另外一部分的代表性密度;以及
在所述感兴趣区域的由所述密度最大的点划界并且包括所述另外一部分的一部分中的所述密度分布中定位另外的结合部。
在本实施例中,该方法可以包括通过仅使用所述样本的、在所述密度分布中的所述结合部与所述密度分布中的该另外的结合部之间的部分来进一步分析第一材料。
在密度分布中定位另外的结合部可以包括:在所述密度分布中定位距另外的参考点最近的点,所述另外的参考点具有与密度差最大的点相同的位置以及与所述另外一部分的所述代表性密度相同的密度。
该方法还可以包括:通过调节所述感兴趣区域的位置来优化由密度分布分析器在确定所述密度分布时使用的所选择的感兴趣区域的位置。
该方法还可以包括合并多个感兴趣区域。
该方法还可以包括识别所述密度分布中的一个或更多个拐点,尤其在第一材料内。
该方法还可以包括识别密度分布中(诸如在第一材料内)的一个或更多个拐点,以限定多个样本内的多个隔室。
从而在不使用阈值的情况下,根据本实施例,例如可以将骨表征为多个隔室。
在一个实施例中,第一材料是骨,以及隔室包括以下所述的一个或多个:
由骨膜边界和皮质的起始划界的隔室;
由皮质的起始和致密皮质的起始划界的隔室;
致密(或硬的)皮质隔室;
小梁化皮质隔室;
皮质-小梁结合部隔室;以及
小梁隔室。
将骨膜边界、皮质的起始以及硬皮质的起始区分开的重要性出现的原因是:(i)骨膜边界是标记骨的起始的边缘(但是某些体素可以包括不同比率的组织与骨,所以这些体素可能被假象如部分容积效应所污染)。(ii)皮质的起始标记了由骨组织导致体素内的大多数衰减的点,从而标记了骨被认为是起始的点,以及(iii)致密皮质的起始对应于具有几乎仅由几乎不具有由PVE导致的假象的骨组织所引起的衰减的第一条。
因此,位于骨膜边界与硬皮质的起始之间的体素或像素受到部分容积效应的(PVE)的污染,即,它们的衰减部分地由周围软组织或其它假象引起。
在本实施例中,应当理解,这些隔室可以用不同的术语来定义但实质上是相同的效果。因此,在本实施例中,第一材料是骨,并且隔室包括以下所述的任何一个或多个:
由骨膜边界和致密皮质的起始划界的隔室;
由致密皮质的起始和外部过渡区带的起始划界的隔室;
外部过渡区带;
内部过渡区带;以及
小梁隔室。
识别骨膜边界(即,纯粹的软组织)与致密皮质(纯粹的骨)的起始之间的这种过渡的能力是本方面的方法所特有的,并且还可以具有许多重要的有利应用。根据本方面,可以允许假象如PVE对结构的评估的影响,可以确定骨的尺寸以及可以以最小的来自PVE的影响来评估骨的结构。
从而,在一个实施例中,该方法包括在分析结构时最小化PVE,而在另一个实施例中,该方法包括在最小化PVE的同时确定图像内的结构(如肿瘤、脓肿或出血)的尺寸。
在一个实施例中,该方法包括确定具有类小梁的外观的皮质的比例。
在一个实施例中,该方法包括确定致密皮质的皮质厚度的平均值。
在一个实施例中,该方法包括确定皮质物质的皮质厚度的平均值。
在一个实施例中,该方法包括确定小梁化皮质的皮质厚度的平均值。
在一个实施例中,该部分包括所述骨样本的小梁部分和所述骨样本的皮质部分。
该方法可以包括对骨样本的内部区域进行成像。
成像可以包括计算机断层扫描成像。
在特定实施例中,成像是在活体内进行的。
在一个实施例中,样本的部分包括径向条。
在实施例中,该方法包括对样本的多个部分进行成像并且确定所述每个部分各自的密度分布(如径向骨密度分布)。
该方法可以包括自动识别样本内的骨。
该方法可以包括确定来自以下所述指标中的任何一个或更多个指标:
皮质的厚度、小梁化皮质的厚度或过度区带的厚度;
小梁化皮质的皮质面积;
皮质的孔隙率、小梁化皮质的孔隙率或过渡区带的孔隙率;
无论其绝对厚度或面积如何,皮质或小梁化皮质是否正常;
皮质或小梁化皮质是否经历了再吸收(从而,损失骨);以及
来自分布的分析中的小梁构造和孔隙率;
该方法可以包括确定皮质隔室与小梁隔室之间的分化的损失。
该方法可以包括识别骨膜的包膜内的非骨组织(即,孔和脂肪组织)。
该方法可以包括确定第一材料的半径、周长或横截面面积(诸如逐点围绕骨样本的周界的骨样本的一个或更多个半径)。
该方法可以包括确定第一材料(诸如逐点围绕骨样本的周界的骨)的二次矩面积(或惯性矩)。
该方法可以包括确定逐点围绕骨样本的周界的骨的横截面的质量调节的二次矩面积。
该方法可以包括确定骨的横截面的截面模数(和质量调节的截面模数)。
该方法可以包括确定骨的横截面的屈曲率(或质量调节的屈曲率)。
该方法可以包括确定骨的横截面的面积。
该方法可以包括确定骨的横截面的周长。
该方法可以包括使用如下所述的将骨与软组织分离开的具体函数来确定骨的横截面的截面模数(和质量调节的截面模数)
该方法可以包括使用以下所述的具体函数确定骨横截面的极惯性矩(质量调节的极惯性矩)。
该方法可以包括确定逐点围绕骨样本周围的骨的横截面的半径,诸如通过使用如下描述的具体函数。
该方法可以包括识别样本内的小梁骨和确定一个或更多个小梁指标,诸如小梁尺寸或小梁分离。
该方法可以包括使用周围肌肉组织作为参考来确定骨的矿化程度。
该方法可以包括使用第二材料(诸如肌肉组织)的衰减作为参考来确定感兴趣区域ROI内的组分(或成分)的绝对密度(诸如以g/cc或等同的mgHA/cc为单位)。
该方法可以包括使用第二材料(诸如肌肉组织)的衰减作为参考来确定感兴趣区域内的对象(或结构)的相对密度(诸如以百分比表示)。
在本实施例中,该方法可以包括根据任何一个或更多个指标来识别骨样本内的异常。
在一个实施例中,该方法可以包括基于具有异常皮质、异常小梁隔室或既具有异常皮质又具有异常小梁隔室来确定骨样本是否异常。
该***和方法可以嵌入在可以安装在个人计算机中的计算机可读介质中,CT机器或MRI机器使得能够对用于疾病的自动化放射性诊断的图像进行灵活和鲁棒的分析。具体地,使得能够使用活体内或活体外的CT、QCT以及MRI源文件(DICOM、JPEG、TIFF或其它成像文件)来对骨结构进行自动化分析以诊断骨质疏松症、评估骨中的骨折风险和疾病与治疗的效果。可以预期本发明在骨质疏松症、某些代谢性骨疾病(如骨软化症或佩吉特疾病)以及浸润性骨疾病如骨转移的诊断中是有用的。
还应当注意,本发明使得能够使用如个人计算机(如由医师或科学家操作)对样本(如骨)结构进行评估以及对骨疾病如骨质疏松症进行诊断。
在一个实施例中,该方法包括根据坏死物质与周围健康组织之间的衰减差来从周围健康软组织中识别和分析所述坏死物质。
在一个实施例中,该方法包括识别和分析来自周围软组织的异常钙化。这具有用于心血管疾病的监测与诊断的潜在应用。
在一个实施例中,该方法包括识别和分析肾结石。肾结石含有大部分(80%)的钙成分,从而可以将其视为在异常位置的骨组织。这会是对于大部分(可能是80%)肾结石的自动化诊断的工具。
在美国,肾结石的终身患病率是10%或每年大约有二百万左右的肾结石患者,所以在这种状况下的自动化诊断对于医护专业人员具体地对于放射科医师会有很大的帮助。
在一个实施例中,该方法包括识别和分析钙化的其它肿瘤。
在一个实施例中,该方法包括:识别和分析非医学学科的图像内的对象。
在具体地有益的实施例中,分析样本包括使用旋转的臂宽来分析图像。
根据本概括方面,本发明还提供了用于分析包括通常意义上不同密度和在其之间具有结合部的第一材料和第二材料的样本的方法,该方法包括:
在包括所述结合部的样本的至少一部分的横截面图像中限定感兴趣区域;
确定臂宽,在所述臂宽上所述样本的所述部分是局部线性的;以及
分析所述图像包括旋转所述臂宽、变换所述臂宽或既旋转又变换所述臂宽。
在第二概括方面,本发明提供了用于分析包括通常意义上不同密度和在其之间具有结合部的第一材料和第二材料的样本的***,该***包括:
感兴趣区域选择器,用于在包括所述结合部的所述样本的至少一部分的横截面图像中选择感兴趣区域;
密度分布分析器,用于确定所述感兴趣区域内的穿过所述结合部的所述样本的密度分布,用于确定所述第二材料的代表性密度,并用于通过使用所述结合部区分所述第一材料和所述第二材料来分析所述样本;以及
输出部分,用于输出所述分析的结果。
***可以包括感兴趣区域位置调节器,其适于优化由密度分布分析器在确定密度分布时使用的所选择的感兴趣区域的位置。
***可以包括适于合并多个感兴趣区域的感兴趣区域合并器。
因此,样本的分析可以包括多次使用感兴趣区域选择器、产生多个感兴趣区域;感兴趣区域合并器适于合并多个感兴趣区域(一般每个都是针对适合性测试成功后的感兴趣区域),包括正确地处理多个感兴趣区域的交叠部分以构建样本的图像,诸如横截面图像。
密度分布分析器还可以适用于在第一材料与第二材料之间的密度分布中定位结合部(例如使用距离函数)。
***(具体是密度分布分析器)可以具有适于执行第一方面的方法的各个可操作步骤的一个或多个模块。
***可以包括能抽真空的样本腔,或可替代地,样本可以包括放置在第一材料周围以作为用于第一材料(正如,在活体内的骨的情况下,样本包括被基本上可以被视为水的肌肉围绕的骨)的分析参考的已知特征的第二材料(诸如水)。
这使得能够创建第一材料和第二材料中的一种材料包括抽空的容积(如相邻或围绕另一种材料)的样本。
根据进一步的概括方面,本发明提供了可执行的指令或软件(如嵌在计算机可读介质中,例如,在其中嵌入或永久地存储可执行指令或软件),当被计算机或计算机的处理器执行时,这些指令或软件会使得计算机或计算机的处理器执行用于分析样本的该方法。
为了回顾或进行进一步的分析,一般会将分析步骤的结果输出,但是可以输出至存储器或存储介质,诸如用于后续回顾或进一步分析。
根据另一概括方面,本发明提供设置有可执行的指令或软件的计算设备,如果被计算设备或计算设备的处理器执行,则这些可执行的指令或软件使得计算设备或计算设备的处理器执行如上所述的用于分析样本的方法。
应当注意,本发明的每一个所述方面的任何一个特征组合成适合和期望的。还应当注意,涉及骨分析的实施例还可以应用到其它样本,如有必要还可以适当地修改。
附图说明
为了更加清楚地弄清本发明,将参考附图以示例的方式来描述实施例,其中:
图1是根据本发明实施例的用于检测易骨折骨的***示意图;
图2是图1的***的图像处理器的示意图;
图3是图1的***的图像处理器的处理控制器的存储器的示意图;
图4是图1的图像处理器的另一个更加详细的示意图;
图5是图1的***的***流程图(包括与用户和客户的交互);
图6是如由图1的***的图像处理器输出的示例性骨图像;
图7A是由图1的***的图像处理器对骨样本的质心进行确定的示意性描绘;
图7B是由图1的***的图像处理器顺时针和逆时针旋转骨样本的图像的示意性描绘;
图8A是由图1的***的图像处理器从感兴趣区域(ROI)的DICOM文件中导出的示例性图像;
图8B是为了额外的清楚以阴性示出的图8A的图像;
图9是如由图1的***的图像处理器确定的针对用于图8A的图像的行号的骨条密度(用mgHA/cc表示)的图;
图10是图9的密度分布曲线的一阶导数的图,如由图1的***的图像处理器所确定。
图11是可以与图9的图对比的图,例示由图1的***的图像处理器对骨膜边界进行的确定;
图12是可以与图9的图对比的图,例示由图1的***的图像处理器对致密皮质的起始进行的确定;
图13是可以与图9的图对比的图,例示由图1的***的图像处理器对皮质物质的结尾进行的确定;
图14是用于确定皮质的起始和结尾的、由图1的***的图像处理器二值化的图10的一阶导数数据的图;
图15是可以与图9的图对比的图,例示了由图1的***的图像处理器对致密皮质的结尾进行的确定;
图16是可以与图9的图对比的图,概括了由图1的***的图像处理器所执行的识别步骤的结果;
图17是由图1的***的图像处理器从感兴趣区域的DICOM文件中导出的另一示例性图像(顶部记录)以及为了额外的清楚而以阴性示出的该图像的拷贝(下部记录),所示图像标记有由图1的***的图像处理器所识别的隔室边界;
图18是如由图1的***的图像处理器确定的针对用于图17的图像的行号的骨条密度(用mgHA/cc表示)的图;
图19是带有由图1的***识别的具有“漂浮皮质的”骨的骨样本的示例性图像;
图20A和图20B例示由图1的***的图像处理器执行的用于旋转图像内感兴趣区域的预备步骤;
图20C是由图1的***的图像处理器执行的图像识别和图像分析旋转的流程图;
图21是在分析旋转期间由图1的***的图像处理器用来分析和表征骨的BVE标尺;
图22A、图22B以及图22C描绘了由图1的图像处理器执行的图像二值化过程,其中,图22A是骨样本的示例性图像,图22B例示在一列中的皮质物质内的孔的识别,以及图22C是沿着所分析的线的相对于非骨像素的骨的二值化图;
图23是例示识别图像内已知尺寸的对象、隔离和确定其尺寸的图1的***的使用的流程图;
图24是对于代表性密度的像素一般不是样本的中心的情况,由图1的***的图像处理器对骨样本的几何中心进行确定的示意性描绘。
图25是例示识别图像内已知尺寸的对象、隔离和确定其尺寸的图1的***的使用的流程图;
图26是图1的***的图像处理器的控制屏幕的视图;
图27A、图27B、图27C、图27D、图27E以及图27F分别是从图25的示例性使用产生的作为ROI的函数的厚度、半径、外周长、横截面、内周长以及内表面面积的图;
图28是针对图1的***的使用的包括钻孔塑料管的示例性体模样本的横截面的灰度图像;
图29是使用图1的***获得的相对于已知的孔隙率的可以与图28示出的塑料管相比较的多个塑料管的孔隙率图;
图30是使用图1的***获得的相对于已知的孔隙率的不同的但是已知羟磷灰石浓度的的四个体模样本的孔隙率的图;
图31A和图31B是使用图1的***分析的骨样本的显微图像;
图32A和图32B是使用图1的***分析另外的骨样本的显微图像;
图33是使用图1的***分析的另一个骨样本的显微图像;
图34A是针对二十四个标本的相对于孔隙率的BMD T-score,例示直接从所分析的二十四个标本中的SEM图像直接测量的孔隙率水平与从所分析的二十四个标本中的BMD诊断阈值中测量的孔隙率水平之间的弱相关性;
图34B是相对于直接从SEM图像测量的百分比孔隙率的由图1的***确定的百分比孔隙率的图;
图35例示针对骨样本的、与对应的SEM图像的直接观察结果比较时由图1的***确定的密度分布曲线内的点m、n以及o的位置;
图36例示针对另一个骨样本的、与对应的SEM图像的直接观察结果比较时由图1的***确定的密度分布曲线内的点m、n以及o的位置;
图37A由组织形态测定术直接测量的作为年龄的函数的每年的激活频率的年龄相关的增加的图;
图37B是用于与图37A的数据比较的使用图1的***测量的孔隙率的年龄相关的增加的图;
图38A是从高分辨率外周定量计算机扫描(HRpQCT)数据中重构的桡骨远端的灰度图像;
图38B是在骨膜表面的提取之后由图1的***重构的在图38A描绘的样本的图像;
图38C是图38A的样本的另一个视图,示出由图1的***将相同的图像分割成四个骨隔室;
图38D是从图38C中提取的仅是外部过渡区带的图;
图38E是从图38C中提取的仅是内部过渡区带的图;
图38F和图38G分别是图38B和图38C的灰度版本;
图39A是由图1的***产生的包括嵌入在肌肉中的安全别针的头的样本的图像;
图39B是图像的初始的感兴趣区域的放大;
图40包括与图39A的图像的ROI1相关联的密度分布曲线(上部记录)图和与密度分布曲线相关联的函数λ1(下部记录)的图,两者都是由图1的***产生;
图41A是由背景技术的***产生的桡骨远端的横截面视图;
图41B是由图1的***产生的相同的桡骨远端的横截面视图;
图42A是具有由背景技术***描绘的骨和背景的胫骨的横截面图;以及
图42B是具有由图1的***描绘出的骨和背景的相同胫骨的横截面图。
具体实施方式
根据本发明的实施例,提供了用于检测易骨折骨的***,该***在图1中以附图标记10示意性地示出。
***10包括CT扫描仪12、CT控制***14以及图像处理器16形式的图像分析器。图像处理器16包括包含有输入设备和输出设备的用户接口18。输入设备的形式是用于控制图像处理器16的键盘20,以及输出设备的形式是在由图像处理器16进行的处理前后用于显示来自CT扫描仪12的图像的显示器22。CT扫描仪12被配置为对放置在CT扫描仪12的中心扫描体24中的样本进行扫描并且向CT控制***14输出数字化扫描数据;CT控制***14被配置为从接收自CT扫描仪12的数据中产生图像数据,并且向图像处理器16输出这些图像数据。
在本实施例中,图像数据包括一组穿过样本的单独的图像切片或图像条,但是在其它实施例中,可以使用其它截面(如冠状面、横截面或斜剖面)。
应当理解***10可以操作在在线模式或离线模式。当处于在线模式时,图像处理器16直接从控制***14接收数据(在样本扫描器期间或在样本扫描后不久)。这种布置可以用在临床环境中,尤其是如果对于任何易骨折骨的检测是紧急的。在这种在线模式中,数据通过数据链路(结合部至CT控制***14和图像处理器16各自的USB)或通信网络(CT控制***14和图像处理器16都结合部至其上,如以因特网的形式)传输至图像处理器16。这种链路或网络在图1中以26示意性地示出。
当处于离线模式时,图像处理器16接收早期由CT扫描仪12和CT控制***14所收集的数据;数据可以通过通信链路或网络26,或通过任何其它适合的工具(包括便携式计算机可读介质如CD-ROM、闪存卡等)传输至图像处理器16。
图像处理器16包括与输入20和输出22进行数据通信的处理控制器28,处理控制器28被配置为处理根据处理过程(下面所讨论的)的图像处理指令,并且将处理结果(可以包括图像和/或检测结果)输出到显示器22。
参考图2,处理控制器28包括处理根据处理过程的处理指令和如上所述的将处理结果输出到显示器22的数字处理器30。键盘20和显示器22一起组成了用户接口32。典型地,处理指令作为程序代码存储在处理控制器28的存储器34中,但还可以是硬连线的。本文中的术语“处理器”一般地用来指能够处理根据处理过程的处理指令的任何设备,并且可以包括:微处理器、微控制器、可编程逻辑器件或其它计算设备,通用计算机(如PC)或服务器。
图3示出存储器34的主要部件的框图。存储器34包括RAM 36、EPROM 38以及大容量存储设备40。RAM 36通常临时地保存用于处理器30的程序文件和相关数据。EPROM 38可以是引导ROM器件和/或可以包括某些***或处理相关的代码。大容量存储设备40通常用于处理程序。
图4是图1的***10的用户接口32和处理控制器28的另一个示意图,其示出了处理控制器28的更多细节。具体地,处理控制器28的处理器30包括用于控制显示器22的显示控制器42、用于从数据准备区(通常是CT控制***14)轮询DICOM(医学数字成像和通信)文件的DICOM文件轮询器44、用于将DICOM文件转换成用于显示的图像的DICOM文件转换器46、可控制以选择图像处理器16的待处理文件的文件选择器48、用于数字化所选择文件的文件数字转换器50、用于选择感兴趣区域的ROI选择器52、用于识别感兴趣区域中的骨的骨识别器54、标本位置调节器56、用于分析骨样本的密度分布的密度分布分析器58、ROI否决器60、初步结果整合器62、最终结果整合器64、指标确定器66以及结果输出器68。指标确定器66适于确定表征骨样本的各种指标,以使得图像处理器16可以将指示骨样本的外观的图像数据转换成指示样本的各种物理属性的指标。
处理控制器28的存储器34包括ROI结果存储器70和文件结果存储器72。
实施处理过程的处理指令的形式是如上所述的存储在存储器34中并且适于控制控制处理器26执行如在图5中示意性示出的处理过程的程序代码。参考图5,图像处理器16通过轮询CT控制***14以接收(以在线或离线模式)DICOM文件(可能是在活体内的骨样本中收集),并且将文件存储在存储器34中。所接收的文件在本实施例中是DICOM文件,但是在其它实施例中可以是不同的图像格式如JPEG或TIFF。图像处理器16将文件转换成图像并且将图像输出到显示器22,以使得用户可以查看待处理的图像。图6是由软组织84围绕的骨样本82的这样的图像80的示例。这使得用户能够针对进行的处理,通过验证适当的文件是否已经被上载和图像是否具有足够的质量来评估样本的充分性。如果这些条件满足,则用户控制图像处理器16从DICOM文件(即,相当于穿过他或她希望分析的感兴趣区域(ROI)的具体图像切片)内选择用于处理的个别文件。如果用户没有指定待处理的个别文件,则图像处理器16继续做出切片数量的默认选择。用户然后控制图像处理器16开始处理过程。
如果十分确信图像具有足够高的质量以至于不需要另外的验证,用户还可以控制***10跳过查看图像的步骤。在这些情况下,***10在没有进一步的用户干涉的条件下自动地上载和分析样本,并且图像处理器16在没有来自用户的指令的条件下启动分析。
初始地,图像处理器16使用传统的技术对文件进行数字化。在该点上还可以执行任何其它期望的、传统的预处理。
由图像处理器16执行的第一步骤是识别感兴趣的材料(在此示例中是骨)。对于感兴趣材料的初始识别是通过定位具有材料密度的代表性密度的点来完成的。在包括骨组织的CT扫描图像样本的情况下,具有代表性密度的点(B)是具有最高衰减(或密度)的像素。(在其它实施例中,具有待分析的材料密度的代表性密度的点可以是具有最低衰减值的点,例如其可以用于脓肿的初步识别,这是由于脓肿具有很低的衰减值)。
从点B(参照图7A),图像处理器16使用分别处于0°、90°、180°以及270°的半径r1、r2、r3以及r4来确定几何中心(C)的坐标(x,y),在本实施例中根据:
图像处理器16还可以从初始中心(I)确定质心(即,质量的中心)G(xG,yG)如下:
Ai是像素i的衰减(或密度)以及xi与yi是其参考中心(C)的坐标。针对图6的示例,此处理在图7A中示出。
取决于待计算的指标,图像处理器16使用C或G。
图像处理器16接下来确定用于分析的适当的臂宽(AW)。图像处理器16不同时分析整个横截面(或文件内容)。每个文件被细分成特定长度(LROI)和宽度的感兴趣区域(ROI)。ROI可以称为“臂”,所以ROI的宽度称为“臂宽”或AW。图像处理器16所使用的AW取决于待确定的指标和如下所述的待分析的材料的尺寸。图像处理器16使用如下形式的适当AW:
AW≤ri*tan(arccos(Δ)) (2)
其中Δ是从所选择的中心(C或G)估计的骨的曲率,并且ri是上面计算出的四个半径(即,r1、r2、r3以及r4)中最小的半径。
对于大多数指标,图像处理器16从中心C开始,并且将Δ的值设为0.98;将此AW表示为AW1。对于0.98的Δ,对分析具有来自骨的曲率的可以忽略的影响(0.02)。即,骨实际上看起来基本上是局部地“平坦”,这就是为什么选择0.98的反余弦值的原因。例如,在桡骨远端处的最小半径是~8mm,该半径给出了图像处理器16桡骨远端处的~1.62mm的AW。胫骨处的最小半径为12mm,针对此半径图像处理器16使用~2.42mm的AW。选择足够宽的AW以使得能够在密度分布曲线中(如上所见)检测到孔和吸收腔。人类的孔和吸收腔的直径可以高至600微米,所以在评估人类的孔隙率时图像处理器16所使用的AW应该大于或等于1mm。值得注意地,由于没有两个骨具有完全相同的尺寸,所以图像处理器16不以相同的方式处理两个骨的图像,并且根据本实施例的骨结构的处理对于每一个骨都是特定的。
针对其它指标如强度参数或外部尺寸,图像处理器16从G开始并且使用另一个臂宽(用AW2来表示)。AW2由图像处理器16利用很小的曲率Δ(0.999)根据下式来确定:
AW2=ri*tan(arccos(0.999)). (3)
AW2小于AW1,这是因为:由于直接目的是对横截面的内部和外部几何形状的进行准确计算(而不是检测孔隙率),所以这里所期望的是具有足够小以成为代表很小弧线的骨膜表面和皮质内表面。在桡骨远端和胫骨处,AW2分别是~360微米之间和590微米。
图像处理器16可以使用更大的默认曲率,但是在本实施例中使用0.999的Δ值。在本示例中使用0.999的Δ值来确定由图像处理器16提供的分析的精度和准确度。还应当注意,Δ是图像处理器16中用户可控制的设置值。这和其它这样的设置使得用户能够最小化骨膜边缘的不规则性(与圆的一部分的偏差)对分析的影响。如上所述,其是用户可控制的以最小化由偏离圆的部分的ROI的骨膜边缘所产生的任何潜在错误。图像处理器使用Δ=0.999的默认值,这是因为使用该值并且考虑到活体内人类的骨直径的范围(通常小于5cm),AW2是1mm或小于1mm。即,骨的骨膜边界在局部水平(即在1mm的长度内)上是规则的。
由于图像处理器16采用校准,所以图像处理器16能够容易地识别肌肉组织并且将肌肉密度用作参考。然后将肌肉组织与非肌肉组织的比率用作校准的形式。这就是为什么针对许多计算,在由图像处理器16所进行的处理中使用识别肌肉以及寻找其密度。(为此图像处理器16如下所述使用了不同的臂宽AW3)。由此导致的其中两个优点是(i)在将要使用图像处理器16分析扫描时,不需要出于测量参考密度的目的而进行繁琐和资源消耗的日常校准,和(ii)图像处理器16可以操作和分析基本上来自任何CT的图像文件,而不仅仅是来自定量计算机断层扫描的图像文件。这可以排除对于具有QCT的需要。此外,利用此方法,图像处理器16能够提供给现有的CT(或MRI)骨结构分析功能。(现有的CT机器虽然得到了广泛的应用,但是缺乏骨分析功能所以不能用于骨质疏松症的诊断)。
诸如小梁骨参数的许多指标或者强度或孔隙率的指标需要肌肉密度的先验检测,所以图像处理器16在这些情况下使用较大的臂宽AW3:
AW3=rx*tan(arccos(0.965)) (4)
其中rx是选为骨外部的具体角度的半径,这些角度是基于局部解剖学预置的。在这些具体角度的骨外部的软组织主要是肌肉。图像处理器16使用如针对桡骨的90°和针对胫骨的~65°。选择足够宽的AW3以包括充足的肌肉组织,以便充分地确定其密度,包括针对作为校准参考的使用。
在确定中心和适当的臂宽后,图像处理器16确定旋转的适当角度θ。图像处理器16具有5°的默认旋转角度θ1,鉴于半径的预期范围,该角度对于大多数骨都是恰当的。但是该角度在某些情况下可能不是恰当,所以在进行到其它ROI的分析(如下所述)以前,需要测试该旋转角度的适当性。5°的θ1给出每个所分析的切片72个ROI。
对于使用AW2作为旋转臂宽的指标,图像处理器16具有1.5°的预置旋转角度θ2。这对于表现出局部线性(或至少能够接近于圆弧)的骨边缘是足够小的。这给出了总计240个ROI。如果用户期望,则图像处理器16可以操作使用1°(或更小)的预置旋转角度θ。
为了测试旋转角度θ的适当性,图像处理器16验证是否满足如下条件:
sinθ*ri<AW, (5)
其中ri是上面定义的四个半径中最小的半径。
对于使用AW1的分析,如果不满足该条件,则认为旋转角度θ1不适合,然后图像处理器16根据公式5选择下一个较小的低于5°的角度(如4°,但是其在任何情况下都适合用作旋转角度)。该条件确保了没有剩下未被分析的横截面片段。如果使用了小于5°的角度,则图像处理器16通知用户。
如果使用AW2和θ2(1.5°)并且如上使用公式5由图像处理器16选择了上面的小于1.5°的角度,则执行相同的过程。
应当理解旋转角度(θ)和AW(如由Δ确定的)是由用户选择或设置以用于控制由图像处理器16进行的分析的参数。尽管它们具有预置的值,但其不是固定的。可以选择预置的值用于人类骨结构的最佳分析。因此通过控制用于骨(特别是非人类骨)的最优分析的图像处理器16的设置控制,用户可以调节θ和Δ。
例如,某些动物(诸如马)的骨的直径可以达到10cm。为了确保骨膜边缘的长度保持在毫米长度内(为了最小化任何潜在的曲率的不规则性的影响),将Δ设为0.9999并且将θ2重调节为0.5°;将这样的骨的较大横截面细分为每~700微米长度480个ROI,使得能够对周界和表面进行准确的测量。
图像处理器16然后选择初始感兴趣区域(ROI),其在本实施例中是竖直的。此初始ROI是横截面,该横截面宽度是始于C(或G)的图像处理器16的宽度AW1(或AW2),以及该横截面的长度是离中心的长度L,其从中心(C或G)起是这个截面的最大对角线的一半,即:(其中a和b在以下定义)。应当注意:在本实施例中可以认为材料(或,严格来讲是材料的图像)在具有边长a和b的平行四边形内。
如果已经选择了ROI,在进行处理前图像处理器适当地安置ROI内的骨。安置的过程包括分别从第一列或最后一列将骨样本逆时针旋转或顺时针旋转,以使得皮质的起始在第一列和最后列内的从相同的线开始。这确保了骨样本被水平地放置(如果样本已经是水平的则图像处理器不进行旋转)。执行骨样本的适合安置以避免样本角位置会影响到密度分布。
在实际执行旋转以前,图像处理器16识别骨样本的明显的皮质物质。这是对于样本的角位置(即,非水平)未修正的皮质物质。在明显的皮质物质内,图像处理器16确定处于第一列和第二列的骨的起始。这使得算法能够辨识样本是否完全水平。如上所述,如果样本是完全平行则不进行旋转;否则,进行适当的旋转。
参考图7B(顶部记录),如果将要进行逆时针旋转,处于第一列(即x=0)的骨的起始开始于最后一列(Xa)的骨的起始之后。图像处理器16检测第一列处(0,Ya)处的皮质的起始和最后一列处(Xa,Yb)的皮质的起始,并且确定Ya>Yb;图像处理器16然后确定样本与水平之间角度δ:
δ=atan((Ya-Yb)/Xa)
应当注意,Xa=AW。
接下来,图像处理器16使用δ计算像素数(n),0和Xa之间的每一列Xi需要旋转该像素数,以使得标本是水平的:
n=xi cos(δ)
从而所有的列逆时针移动n个像素。
应当注意,由于图像处理器16处理很小的AW值(即,相对于骨的半径),即,小于3mm,所以角度δ如此地小以至于atan(δ)~δ,并且每一列x需要顺时针和逆时针旋转的像素数(n)近似地如下:
n=xi*(Ya-Yb)/AW
其中xi是第i列。
参考图7B(底部记录),如果要进行顺时针旋转,则第一列(即,x=0)处的皮质的起始开始于最后一列(Xa)处的皮质的起始之后。图像处理器16检测第一列(0,Ya)处的皮质的起始和最后一列(Xa,Yb)处的皮质的起始,并且确定Ya<Yb。接下来,图像处理器16确定样本与水平之间的角度δ:
δ=atan((Ya-Yb)/Xa)
利用δ,图像处理器16然后计算在0与Xa之间的每一列Xi需要旋转的像素数(n),以使得标本是水平的:
n=xi cos(δ)
所有列逆时针移动了n个像素。
图像处理器16然后逐条分析密度分布。条是指具有ROI(即,AW,诸如AW1或AW2)的长度和具有一个体素(或像素)的宽度的矩形截面。(图像处理器16还是可控制的以修改条的特征)。图8A是从来自ROI的CT扫描仪12的DICOM文件中导出的示例图像,其具有组成图像的从1(实际上在骨样本的外部)标记到70(骨内)的单独的线。图8B是出于清楚的目的以阴性示出的相同图像。
在进行足够的旋转来调整ROI的位置后,图像处理器16然后计算ROI内的密度分布。所计算的密度分布类型取决于分析的目的。取决于分析,可以计算每个条的最大分布、最小分布或中间值分布。但是,在大多数情况下,图像处理器16计算每个条的平均值分布。(例如,如果期望将在图像中将两个或多个骨分离开,则可以由图像处理器16计算最大值分布。此外,在可替代的实施例中可能期望控制图像处理器16计算如在定义分布时的所有值的平均的平方)。以下针对平均值的情况,描述对密度分布进行确定与分析的示例。(如果计算的是如最大值的分布,则会进行相同的分析)。
图像处理器16确定骨的每个条i的平均密度DSi如下:
其中Ai是条i内的m个体素中的每一个体素的衰减值。密度分布的曲线是使用针对每个条的平均密度分布来创建的。图像处理器16还识别整个曲线内的具有最大密度(DSmax)的条。(在体素或像素水平上,词语密度和衰减可以换地使用。)图9是针对图8A的图像的具有指示出的最大条密度DSmax的位置的相对于条或行号的骨条密度图(以毫克羟磷灰石每立方厘米或mgHA/cc为单位)。
然后,通过计算连续条之间的密度的差来计算密度分布曲线的一阶(或准)导数(derivative)如下:
ΔDSi,i+1=(DSi-DSi+1)/DSi (7)
(应当注意,导数的此定义是传统的定义的负数。)从该一阶导数,图像处理器16通过将样本表征成包括在“山”或“谷”上的数列的样本来对样本进行分析。山对应密度分布曲线的下降部分(即,此处的一阶导数如在公式7中的定义的是正的)以及谷对应的密度分布曲线的增长部分(此处一阶导数是负的)。导数在山和谷的结合部处具有零值。
在图10中画出了由图像处理器16确定的图9的密度分布曲线的导数。图像处理器16将山的“高度”确定为山的顶部的密度与山的底部处的密度之间的差。图像处理器16将谷的结尾处的密度与谷的起始处的密度之间的差确定为谷的“高度”,与针对山的计算是相反的。即,山计算为1-0(0值序列之前与1对应的密度减去与数列中最后一个0对应的密度),但是谷是0-1(1值序列之前的0对应的密度减去序列中最后一个1对应的密度)。使用这些山和谷,图像处理器16使用以下方法识别衰减分布中的关键点,诸如皮质物质内密度分布曲线中的最高峰和凹处。
图像处理器16然后识别骨膜边界j(即,骨起始的地方)。密度分布曲线是从矩阵中得到的并且提供了新的中心参考P1(参考图11)。P1具有等于DSmax的水平坐标(根据图10所示密度的导数确定)的水平坐标和具有等于DSmax外部的最小密度的竖直坐标。在此参考系中,从P1到密度分布曲线的距离函数λ1(Ni)确定如下:
其中Ni指的是密度分布中的第一条与DSmax(即具有最大衰减的条)之间的条。点j对应于λ1的最小值。
图11是可以与图9的图对比的图,但是例示该步骤。
然后,图像处理器16通过检查j与DSmax之间的密度的一阶导数(见图10)中的谷来识别皮质的起始;皮质的起始k是J与DSmax之间最高(或最深)的谷中的一阶导数的最小值。该点在图10的点k处示出。
接下来,图像处理器16识别致密皮质(l)的起始,其被确定为函数λ2的最小值:
在图12中示出了该步骤。以这种方式识别l使得能够排除假象如可能的骨膜的局部非线性或部分容积效应。在l的识别中,在Ni被限制在k(皮质的起始)与DSmax之间的条的情况下,从新的中心参考P2来重新分析密度分布曲线。
应当注意,λ2与λ1在形式上是一致的。它们的区别(如下面讨论的λ3与λ4)在于操作的参考点和其应用的密度分布曲线的部分。
如图13所示,图像处理器16识别皮质物质的结尾(o)(并且因此是小梁骨的起始),其被定义为函数λ3的最小值:
为了识别o,在Ni被限制在DSmax与z(曲线的结尾处,与ROI的结尾对应)之间的条的情况下,从新的中心参考P3重新分析密度分布曲线。本领域普通技术人员应当理解,确定这些点的顺序不是根据它们在密度分布曲线中的顺序,而更合适地是根据其需要用于连续步骤的顺序。例如,这就是为什在点m和n之前确定o(见下)。
接着,图像处理器16通过识别DSmax与o之间的最高山中的一阶导数的最大值来识别小梁化皮质的结尾n。在图10中的点n处示出了此点。
为了便于对k和n进行识别,图像处理器16可以“二值化”密度的一阶导数(例如如图10所示出的);该二值化的结果在图14中绘出。这便于在皮质物质内(即点j与o之间)的最高山和最深谷的确定,两者分别在150和152处示出。(每一个谷和山的密度值用mgHA/cc为单位示出。)
图像处理器16识别致密皮质的结尾(m),其被确定为函数λ4的最小值(如图15所示):
在识别m时,在Ni被限制在DSmax与n(小梁化皮质的结尾)之间的条的情况下,从新的中心参考P4重新分析密度分布曲线。
图16概括由图像处理器16所进行的这些识别步骤的结果。参考图16,具有这些由图像处理器16所识别的在密度分布中的点(图中从左至右):
j:骨的起始(即骨膜边界);
k:皮质的起始;
l:致密皮质的起始;
m:致密皮质的结尾;
n:小梁化皮质的结尾;以及
o:皮质物质的结尾(从而是小梁骨的起始);
一旦定义了这些点,则图像处理器16将骨分解成四个隔室:
(i)致密(或“硬的”)皮质:在l与m之间;
(ii)小梁化皮质:在m与n之间;
(iii)皮质-小梁结合部:在n与o之间;以及
(iv)o与样本的结尾(z)之间的小梁骨。
图17和图18给出了由图像处理器16确定的图像和密度分布曲线的另一个示例。图17包括图像(顶部记录)以及出于清楚的目的的图像的阴图(下部记录)。图18是确定的密度曲线的图,其带有在180处指示出的皮质骨与小梁骨之间分离的当前阈值。针对图像和密度曲线在这些图中指示出了如由图像处理器16确定的隔室边界。
骨的分解片段(即分离)具有不依赖于阈值的使用的优点。例如,在现有***中使用550到560mg/HAcc的阈值将小梁物质与皮质物质分离开(Sharmilla)。在图16中的160处指示出了该阈值的近似位置;从而,在密度的初始上升后,现有的技术会认为密度连续下降的低于该阈值的点内的所有骨组成了小梁骨。在本示例中,尽管图像处理器16将包含在框162中的骨物质识别为皮质物质,但是现有的方法会将其不正确地识别为小梁物质(即使在本示例中实质上没有看到小梁,如从具有大于肌肉密度的密度的小梁隔室中的数据点的缺少中很明显的)。在使用阈值将骨分割成皮质骨和小梁骨后,通过现有的方法会将如具有大于550mgHA密度的皮质部分(在164处指示的)看成是骨髓空间的漂浮骨(见图19中的骨图像190中的“漂浮皮质的”骨192)。这是由基于将骨分割成皮质和小梁隔室的阈值创建的现有方法的假象。此外,现有的方法还未能识别在本示例中的皮质中心的可见的很大孔,从而产生了针对样本的皮质的孔隙率的不正确地低的值。此外,由于现有的方法会不正确地将皮质骨识别为小梁骨,所以现有的方法会低估在小梁隔室内所发生的衰变,如果确实丢失了小梁骨,则会导致小梁骨丢失的不正确(实际上非常地低)的估计。图像处理器16避免了这些缺陷。
图18中的框182例示了另一种情况,其中多数皮质及其孔隙率被错过并且错误地标记为小梁骨。
图像处理器16然后逆时针旋转图像,并且在横截面(或切片)内的所有ROI内进行相同的分析。ROI的数量n是旋转角度(θ度)的函数:
n=360/θ (8)
针对每个切片,用于从ROI1到ROIn进行旋转的方法由图像处理器16执行如下(如在图20A和图20B示意性地示出的)。
这时,图像处理器16创建虚拟镜像矩阵(见图20B,下部显示),其具有每个像素的相对于中心(G或C)的(x,y)坐标,但是没有衰减值。该虚拟矩阵是旋转矩阵。然后从该旋转矩阵中选择初始感兴趣区域(ROI1)。应当注意,选择ROI1使得其长度是最长对角线的长度的一半,以使得在旋转过程期间没有丢失初始矩阵中具有衰减值的点。图像处理器16然后从初始矩阵中取得虚拟矩阵中与ROI1对应的每个点(或像素)的衰减值。
图像处理器16然后根据下式将该虚拟矩阵的ROI1中的每个点A(x,y)旋转至A’(x’,y’):
一旦经过旋转,则从初始矩阵中取得像素A’的衰减值。图像处理器16同时将整个初始ROI(ROI1)旋转。图像处理器16旋转初始ROI1中的每一个点,并且重构其宽度和长度与ROI1类似的矩阵,直到进行了完全的360°旋转。例如,对于5°的角θ,每个横截面被分析成72个矩阵或72个ROI。对于1.5°的角θ,整个横截面被分析成240个矩阵(或ROI);对于0.1°的角θ,整个横截面被分析成3600个矩阵(或ROI)。
由于特别长的ROIi,所以图像处理器16于是忽略了初始矩阵中的具有无对应衰减值的点的任何条。
在选择了恰当的AW和角度(θ)后,图像处理器16通过围绕整个横截面进行可变数量的旋转来分析图像。对于多数指标(如孔隙率、矿化度以及小梁参数),在图像分析中使用最少两次旋转。
图20C是图像处理器16的图像辨识与图像分析站的操作的示意性流程图200。在步骤202,图像处理器16将图像输入到图像辨识站中。
在步骤204,确定是否需要校准。对于诸如材料尺寸的不需要校准的参数(如皮质厚度、外部尺寸以及内部尺寸)的测量,不进行辨识旋转。因此,如果不需要校准,则图像处理器16前进至步骤208(见下文);否则,处理在步骤206继续。
在步骤206,根据需要的次数进行一次或更多次“辨识”旋转,以识别图像内将要在用于详细的定量分析的后续旋转中用到特性或特征。这些特征包括样本中的周围软组织的一个或更多个代表性密度和感兴趣材料(在本示例中为骨)的一个或更多个代表性密度。
因此,在图像内的骨的情况下,步骤206的辨识旋转的目的是(i)识别包括肌肉组织的周围背景和取得将要在后续分析旋转中用作校准物的例如肌肉组织的代表性密度,以及(ii)识别待分析材料的代表性密度,其后续还会用在样本的定量分析中。然后处理前进至步骤208。
在步骤208,图像处理器16将图像输入到图像分析站以分析和表征感兴趣材料。在步骤210,图像处理器16使用图像分析站来进行一次或更多次的分析旋转(根据需要的次数)以分析样本。在步骤210的分析旋转期间,图像处理器16在本示例的骨中使用在图像辨识旋转期间(参见步骤206)取得的特征量化上述参数。
在步骤212,图像处理器16退出图像分析站并开始结果合成。
由图像处理器16进行的分析利用了隔室内一个条到下一个条的密度差,因而限于到一个条的任何隔室(即,致密皮质、小梁化皮质、皮质-小梁结合部以及小梁骨)不适合于此分析,因为在本示例中,图像处理器16不能确定孔隙率、衰变等。此外,因为不能评估在一个条上部分容积效应的混合效应,所以限于该条的隔室是不可分析的。因此,图像处理器16不分析限于一个条的隔室。
图像处理器16把四个条(实际上或更少)的皮质物质视为不适合于分析的:三个皮质内隔室会仅具有一个条(所以其每个都是不可分析的)并且最后一个条或第四个条可被PVE污染。
但是,不论皮质物质内的条的数量如何,图像处理器16近似皮质的厚度(CThcm)如下:
其中n是皮质物质内的条的数量,re是分辨率,DSn和DSmax分别是邻近的适合的ROIi-1或ROIi+1中的最后条n的密度和具有最大密度的条的密度。(如果两个ROI即ROIi-1和ROIi+1都是适合的,则从具有最大的DSmax的ROI中取得DSmax)。在此假设最后条(n)被PVE污染。
此外,由于可以识别骨的起始和近似皮质的厚度,所以可以计算内部和外部的半径以及周长。
使用此方法,图像处理器16选择和分析与ROI1具有相同宽度的n个ROI。一旦分析完切片内的所有ROI,图像处理器16然后合并n个ROI以重构经分析的切片,其具有辨识和诊断所需要的特征。
应当注意,在旋转步骤期间,感兴趣的ROI交叠;即像素(i)可出现在不止一个的ROI中。例如,在胫骨远端,对于0.1°的角度θ,横截面是利用3600个ROI重构的并且相同的点可出现在90个ROI中。在这样的情况下,由于将每个像素的贡献仅计入一次是非常重要的,所以图像处理器16考虑到(如,将ROI中的点追溯到初始矩阵的相同点)重叠点对每个具体的参数的贡献。图像处理器16计数和存储点在不同ROI中的具体区域(即,致密皮质、小梁化皮质或小梁骨)中出现的次数。在合并过程中,图像处理器16首先确定不同区带中点的出现的频率分布,然后把点归到该点出现最频繁的区带中(但是可以使用其它准则来确定正确或最恰当的区带)。
在重构第一个切片后,图像处理器16前进到下一切片,直到分析完所有切片或所有预先选择的切片。当分析完了所有的切片时,图像处理器16确定各个参数和针对单独样本输出相关的参数。
图像处理器16使得能够对骨和其周围组织(通常包括肌肉和脂肪)进行广泛的调查。图像处理器16的应用不限于与骨质疏松症的检测有关的指标。所产生的指标与许多其它代谢性疾病和浸润性骨疾病如骨转移有关。图像处理器16可以由用户控制来选择用户期望的指标,并且迅速进行所选择的分析。
皮质的面积和厚度是由图像处理器16在臂宽AW1和旋转角度θ1的情况下根据几何中心C确定的。这些指标在输出时以毫米或厘米(针对厚度)以及mm2或cm2(针对面积)为单位来显示。
致密皮质的皮质厚度(CThcc)的平均与由现有QCT技术提供的均值CTh类似,但是进行了不同的确定。根据本实施例,图像处理器16根据下式确定真实平均:
其中n是针对个体分析的ROI的数量,即,所有CThs值的均值(参考现有的QCT技术,其确定计算为皮质面积/横截面周长的均值的估计)。
由图像处理器16确定的值是n个切片中分析的72个区域(或更多)的平均。图像处理器16使得用户能够输出标准偏差(SD)和平均标准误差(SEM)以及该值的范围。从而,输出是平均CTh、SD、SEM。
在现有的方法中不确定致密皮质的皮质厚度的中间值,但是本发明人已经确认:相比于平均Cth,中间CTh提供了对骨强度的如使用有限元分析所估计的更好预测,因而图像处理器16确定和输出中间CTh。图像处理器16将中间CTh确定为所有72(或更多)ROI×n切片的CTh测量值的中间值。图像处理器16还可以确定这样的中间值的范围(即,最小值与最大值)。
现有的QCT技术不提供致密皮质的皮质厚度的最小值,但是本发明人已经得到结论:致密皮质的皮质厚度的最小值在临床和研究应用中可能有用。很明显的是:在横截面内的CTh的最小值的显示出随年龄增长的最大下降,因此相比于平均CTh可能提供更好的骨折风险指示(其从生物力学的观点是不可理解的,就像在其最弱结合部处断链那样)。图像处理器16还可以确定致密皮质的皮质厚度的平均值、SD、SEM以及最小值的值范围,以及识别致密皮质的解剖学位置(如前部或后部)(见下面概括的结果)。
致密皮质的面积(或“皮质的面积”)越小,骨折的风险越大。皮质面积(或CoA)由图像处理器16确定为致密皮质内的像素数量乘以像素的面积,从而有:
CoA=n·(re2) (10)
其中n是致密皮质内的像素数量以及re是CT扫描仪12(或用于成像骨的其它扫描仪如MRI扫描仪)的分辨率。CoA还可以根据下式确定:
其中i是ROI,n是所检查的ROI的数量,CThi是ROIi处的皮质厚度,旋转角度是θ以及ri是ROIi处的骨的半径(如下所确定的)。图像处理器16有效地将横截面分成曲率半径是ri的很小的弧,以使得能够准确地确定不规则横截面(如,骨)的面积。可以针对所检查的所有横截面确定平均值、SD、SEM以及CoA的范围。
图像处理器16还可以配置为确定小梁化皮质的皮质厚度(CTh)的平均CThtc。(在现有技术中不确定CThtc。)CThtc是独立于致密皮质的平均厚度的骨损失和骨折风险的指示。较厚的小梁化皮质表示有较大的衰变发生并且比较易碎(即使剩余的致密皮质很明显地仍然与其同类一样厚)。由图像处理器16使用公式10或11来确定该值,但是应用在致密皮质内。
图像处理器16被配置为确定小梁化皮质的皮质厚度(CTh)的中间值,其提供关于上述皮质的状态的附加信息并且在平均值以上和超出平均值,图像处理器16还被配置为确定过渡(或相当于小梁化的)皮质的皮质厚度(CTh),其显示出皮质最弱的地方。
图像处理器16还被配置为确定新的参数,即小梁化皮质的面积,这是由小梁化皮质内的像素占据的面积。应当对其进行同于致密皮质的面积的解释(从某种意义上讲小梁化皮质的面积是致密皮质面积的补充):小梁化皮质的面积越大,所发生的皮质衰变的大小就越大,从而脆性越大。该值由图像处理器16再次使用公式10或11来确定,但是应用在小梁化皮质内。
图像处理器16还被配置为确定新指标CThcm:皮质物质的皮质厚度(CTh)的平均值。现有的方法识别皮质物质但是仅在致密皮质中。皮质物质越厚越好。该值使用公式9来确定,但是应用在致密物质内。
图像处理器16被配置为确定两个其它的新指标:皮质物质的皮质厚度的中间值和皮质物质的皮质厚度的最小值,以及其各自解剖学位置(见下面概括的)。现有的方法不识别皮质物质,其仅限于致密皮质。皮质物质的中间值越大,骨越强,以及皮质物质的最小值越小,骨越弱。
图像处理器16还配置为确定皮质物质的面积,因为皮质面积越小,则骨折的风险越大。皮质面积由图像处理器16根据使用公式10或11来确定,但是应用在致密物质内。
图像处理器16还配置为确定皮质-小梁结合部的皮质厚度(CTh)的平均值(表示为CThctj)、皮质-小梁结合部的皮质厚度的中间值以及皮质-小梁结合部的皮质厚度的最小值。这些指标具有这样的值:在健康骨中,这些值在皮质和小梁隔室之间具有清晰的区分,所以皮质-小梁结合部非常小,随着衰老和衰变,皮质-小梁结合部增加,所以区分变得模糊。
图像处理器16类似被配置为使用公式10或11来确定皮质-小梁结合部的面积,但是应用在皮质-小梁结合部内。
图像处理器16可以确定针对72或更多个ROI中的每一个的各个半径ri,其被定义为皮质的起始与(C)之间的长度,如下:
ri=(z-l)·re (12)
其中ri是ROIi处的半径以及re是CT扫描仪12的分辨率。
图像处理器16还可以确定孔隙率和其它相关指标如百分比的致密皮质(PCC),百分比的致密皮质是具有致密或结实的外观的皮质的比例,其是根据计算出的致密皮质的厚度与皮质物质的厚度的比率通过下式确定的:
PCC=100·CThcc/CThcm (13)
小的PPC值表示皮质由于如衰老而减少了。(还可以表示某种疾病过程如甲状旁腺功能亢进)。
类似地,图像处理器16被配置为确定百分比的小梁化皮质(PTC)即具有类小梁外观的皮质的比例,并且计算如下:
PTC=100·CThtc/CThcm (14)
高的PTC意味着皮质在年龄增长或疾病期间减少了,使得具有较大比例的类似于小梁骨的皮质。
图像处理器16被配置为确定百分比皮质-小梁结合部(PCTJ),过渡区带的皮质的比例,如下:
PCTJ=100·CThctj/CThcm. (15)
一般地,孔隙率越高,骨越弱,所以图像处理器16被配置为确定若干个孔隙率指标。
例如,图像处理器16被配置为确定致密皮质的表观孔隙率(aPoCC)(有时将其简单地称为“孔隙率”,但是如本领域普通技术人员应当理解的,应将其与绝对孔隙率区别开)。如果孔隙率不增加,则所有的条具有相似的密度。从而将表观孔隙率计算为(i)由DSmax和皮质的厚度定义的矩形面积与(ii)皮质的具体隔室内的密度曲线下的面积的比(参考图16,针对各自隔室的边界l、m、n以及o)。从而根据下式确定致密皮质的表观孔隙率:
其中n是ROI中的皮质内的条的数量。这是更一般的公式的近似:
其反映了以下事实:分析是基于两个面积的比率,而不一定是逐点分析。在其它实施例中,更一般的公式可能更为合适。
图像处理器16还可以被配置为确定小梁化皮质的孔隙率(再一次,实际上是表观孔隙率)(aPoTC)(根据公式16但不限于小梁化皮质)、皮质物质的孔隙率(aPoCM)(根据公式16但针对整个皮质)以及小梁隔室的孔隙率(aPoTB)(根据公式16但是针对小梁隔室)。
图像处理器16还可以确定孔隙率(即,“绝对”而不是表观孔隙率)。为了量化孔隙率,图像处理器16确认周围肌肉组织(Maxmd)的代表性密度和感兴趣物质(即,在该情况下是骨)的代表性密度A(x)。
为了确认Maxmd,需要旋转的最小值。图像处理器16从第一次旋转开始,使用AW3确认周围肌肉组织并且获取肌肉组织的最大密度(Maxmd)。为此,图像处理器16确定与周围肌肉肌肉组织对应的全部体素的衰减值的频率分布。Maxmd与对应于频率分布曲线中的第95个百分点对应的衰减对应。最大值可能被来自如康普顿散射的噪声污染。在第95个百分点处的值足够大以作为Maxmd的代表但是基本上没有被噪声污染。
图像处理器16使用相同的过程来确认的代表纯净骨的值(B)。有实验依据表明每个ROI的最大密度满足这些判据。内哈佛斯距离超过200μm,所以四个哈佛斯骨管定义不出现孔的超过40,000μm2的正方区。因此,在82μm的空间分辨率,皮质内的哈佛斯骨管之间可以放置多达6个的没有被部分容积效应污染的像素。因此可以假设给定ROI内的具有最高密度的像素实际上是这些像素中的并且具有完全矿化骨的密度。因此,对于200μm或以下的分辨率的每一个成像模式,(B)的衰减被认为完全矿化的骨构成,不被PVE污染。图像处理器16然后结合Maxmd使用(B)的衰减以将全部带有图像的体素或像素的衰减值转换至从-1到+1的标尺范围内。此转换是新的概念,其允许将每个体素的衰减转换成每个体素内的骨的估计量。每个体素的转换单位被称为骨容积等价量(BVE)。图21是在图像处理器16分析旋转期间用来对骨进行分析和表征的BVE标尺。脂肪具有为-1的BVE,水(在骨中对应于细胞、血管以及间质组织,从而与类似于周围肌肉组织或水)具有为0的BVE,而纯骨具有大于或等于0.9的BVE。任何具有低于0.9的BVE的体素部分地(如果0<BVE但<0.9)或全部地(如果BVE≤0)由空隙组成。
图像处理器16计算ROI内的坐标(i,j)的体素(X)的BVE如下:
其中A(X)、A(B)以及A(Maxmd)分别是体素X、B以及Maxmd的衰减值。
BVE的概念允许图像处理器16提供骨的特别详细的特征,包括由于孔的尺寸小于显像模式的平面分辨率中的额定尺寸而导致的对孔隙率的估计。
如果图像由具有200μm或以下的面内分辨率的显像模式拍摄,则具有等于或大于0.9的BVE的体素是具有完全地矿化的骨的体素(因为组织矿化的差引起的密度或衰减的差不超过10%)。从而,任何具有在0到0.9之间的BVE的体素包括一定比率的空隙。如果体素位于皮质物质内,则该体素包括小于模式的分辨率的尺寸的孔(参考图21)。
具有为0的BVE的体素是尺寸近似于或大于显像模式的分辨率的尺寸的空隙。
图像处理器16从BVE计算每个体素的孔容积等价量(PoVE)如下:
如果BVE(X)≤0,则PoVE(X)=1以及
如果BVE(X)>0,则PoVE(X)=1-BVE(X)
然后从PoVE估计图像内每个体素的空隙含量。
(iii)图像处理器16然后计算ROI内的总的PoVE(TPoVE)如下:
(iv)最终,图像处理器16计算ROI内的孔隙率(Po)如下:
其中n是ROI内的体素的数量。
通过此过程,每一个体素对孔隙率的影响都被图像处理器16按比例地考虑在内,以使用体素的密度估计体素内的完全地矿化的骨的比例。
应当注意,用户可以使用图像处理器16的用户接口18来选择待评估孔的范围。例如,具有PoVE=0的孔(即,在***10的的分辨率内看起来像是空的体素),或具有PoVE=0.5的孔(即,尺寸是***10的分辨率的尺寸的一半的孔)。
由于在骨的三个隔室(即致密皮质、小梁化皮质以及小梁骨)内中的任何一个内的孔具有任意尺寸,所以用户可以选择量化孔隙率。
具有机器分辨率的尺寸的孔的量化的方法如下。图像处理器16将每一个隔室中的每个像素(或体素)转换成二进制值:骨“1”和非骨“0”,骨被定义为像素i,从而:
Ai>Maxmd, (18)
以及非骨被定位为像素j,从而:
Aj≤Maxmd. (19)
在图22A、图22B以及图22C中示意性地示出了该过程的结果。图22A是具有在皮质内可见的孔的ROI的示例。在对隔室进行确认后,将孔定义为具有小于Maxmd的密度的体素。在图22B中示出了一列中的皮质物质内孔的确认示例。图22C是沿着分析的线的骨相比非骨像素的二值化图。孔的二值化和确认发生在对整个ROI的分析中对皮质物质的确认之后。
用于确定孔隙率的现有技术基于固定的任意阈值使用两分法将孔与骨组织区别开。如此确定出的孔隙率高度依赖于分辨率,并且受到部分体效应(PVE)的影响,所以图像处理器16仅将其认作“表观孔隙率”。在孔-骨的边缘处具有骨和软组织的可变比例的体素(即被PVE污染),如在图22B中示出的点i(即被PVE污染),被错误地排除在孔隙率的计算之外。当现有算法在使用阈值将骨与软组织分离开后计算孔隙率时,会引入同样的错误。这就是为什么图像处理器16如所述的(参考公式16和17)有利地计算孔隙率,其中考虑到了每一个体素的密度。
应当理解,由图像处理器16所实施的一般原理是通过使用周围环境和纯净形式的感兴趣材料的代表性密度作为基准,来进行孔隙率的确定。这使得图像处理器16能够很容易地提供任何材料的孔隙率的非破坏性测量,而不仅仅是对骨。可以使用真空或“空间”作为基准来确定材料(例如石头、金属以及塑料)的孔隙率。这在图23中以示例的方式示出。图23是针对结合图1的***10的使用、根据本发明实施例的用于材料的孔隙率的非破坏性体外测量的孔隙率测量装置220的示意图。
装置220包括带有内部台(用于支承待分析的材料或样品226)的可密封管222。管222具有阀228,并且装置220包括附接至阀228的真空泵229。真空泵229用于当材料或样本226在台224上并且管222已密封时抽空管222。
因此,在将材料或样品226安装在台224上并且将管222密封后,接通真空泵229,从而由真空泵229将任何在材料或样品226周围的漂浮材料从管222中抽出。因此,在材料或样品226周围创建了至少部分真空,其用作根据本实施例的所使用的真空或“空间”(低或零密度)。管222然后可以与真空泵229分开并且被安置在CT扫描仪12的中心扫描体24中,扫描,然后将产生的数据转发给图像处理器16以便如上所述进行处理。
在材料或样品226周围建立这种“空间”(实质上是低密度的区域)使得图像处理器16能够使用周围环境(在这种情况下为所谓的“空间”)来确定材料或样品226内的孔隙率。否则,图像处理器16将确认材料或样品226周围的漂浮的或其它的材料,这些材料用作基准,这就导致不准确结果。(引用“空间”是承认不能实现完全的零压强,以及在任何情况下零压强都不是必需的;去除这种“漂浮碎屑”就足够了。)
在杂质(如漂浮材料)被去除掉之后,如上所述,对感兴趣材料成像(CT)。图像被自动获取并且被图像处理器16分析以如上所述使用周围环境(这种情况下是“空间”)作为基准来确定绝对孔隙率。使用基准(在孔隙率的情况下为空间)避免了对绝对CT值的依赖。
在一个实施例中,本发明提供了包括有***10、可密封管222以及真空泵229的一体化的孔隙率测量***。
应当注意,在活人的孔隙率量化的情况下,孔是骨膜内的非骨间隔,更具体将此称为“空间”。这些非骨间隔由具有密度等于或小于肌肉的组织占据。这就是为什么在对活的个体(在活体设置)中的骨的孔隙率进行评估时使用肌肉作为基准。
孔隙率的非破坏性测量具有许多潜在的应用,其包括材料表征、材料内的内部缺陷与裂缝的检测。
应当注意,图像处理器16可以输出此孔隙率。例如用于比较。在这种情况下,每个隔室内的孔面积(PoA)是:
图像处理器16然后确定每个隔室中的孔隙率。例如致密皮质的孔隙率(PoCC)是:
其中PoCC是致密皮质的孔隙率,PoACC是致密皮质的孔面积并且AreaCC是致密皮质的面积。
图像处理器16被配置为确定致密皮质的衰变(CD1)。这个指标反映了如所观察的在衰老期间从内部皮质到外部皮质的孔隙率的逐渐增加。在年轻健康个体的皮质内孔是均匀分布的,所以对于他们,皮质内的最佳拟合线基本上是水平的。随着衰老,孔隙率比皮质的外部表观较大地侵蚀皮质的内部表观,所以最佳拟合线与水平方向产生了增加地更大的角度。正常的CD1小于3.5%。
图像处理器16按如下所述来确定CD1:使用传统的最小均方公式确定致密皮质内的最佳拟合线,然后确定最佳拟合线和经过DSmax的水平线的之间角度(ω1,单位是弧度),CD1接着被确定如下::
CD1(%)=100(ω1/1.5707). (22)
类似于CD1,图像处理器16确定小梁化皮质的衰变(CD2)。CD2是按如下所述来确定:使用传统的最小均方公式确定致密皮质(m)的末尾和小梁骨的开始之内的最佳拟合线,然后确定最佳拟合线与经过m的竖直线之间的角度(ω2,单位是弧度)。CD2接着被确定如下:
CD2(%)=100(ω2/1.5707).
图像处理器16还可以确定皮质的脆性(CF),其指示因而允许评估由于高的重塑导致的孔隙率对体素脆性的作用。CF被确定如下:
CF(%)=(AbsPocc*CD1+AbsPotc*CD2)/10000. (23)
图像处理器16还可以确定相对密度,即,相对于周围肌肉的密度的各个隔室(致密皮质、小梁化皮质等)的衰减。因此相对密度可以反映矿化和孔隙率两者,并且表示为百分比。相对密度与DSmax无关。
肌肉条的平均密度(或衰减)DSm是:
然后以类似的方式确定每个隔室的相对密度。例如,致密皮质的相对密度是:
RDcc=100·DScc/DSm, (25)
其中DScc是致密皮质的密度。相对密度因此表示与周围组织相比骨的平均的密集程度。骨矿化的越少,孔越少以及其相对密度也越小。
同样地,小梁化皮质(RDtc)的相对密度,即小梁化皮质的条的密度(DStb)与DSm的比是:
RDtc=100·DStc/DSm
皮质物质(RDcm)的相对密度,即皮质物质的条的密度(DScm)与DSm的比是:
RDcm=100·DScm/DSm
小梁物质(RDtb)的相对密度,即皮质物质的条的密度(DStb)与DSm的比是:
RDtb=100·DStb/DSm
皮质-小梁分化指标(CDTI)是小梁骨隔室中的密度分布曲线下的面积与皮质物质隔室中的密度分布曲线下的面积的比,由图像处理器16从下式确定:
其中k、o以及z分别是与致密皮质的起始、皮质物质的结尾以及整个样品的结尾对应的条。应当注意,在青年的大部分皮质部位(如股骨中段或转子下的区域)中,皮质很明显地区别于小梁骨。在这些部位,骨损失将皮质转换成内部的类小梁结构,因此减少了皮质与小梁骨之间的分化,从而减小了CTDI。
图像处理器16还被配置为确定各个脂肪指标。这些指标反映骨髓的脂肪转换程度。被脂肪代替的骨越多,损失的骨越多以及骨的脆性越大。骨内的隔室中的低于周围肌肉(具有代表性密度Maxmd)的衰减反映出了该隔室内的骨损失并且其被脂肪替代。因此脂肪体素组成了小梁骨内具有比肌肉密度Maxmd小的密度的条。
图像处理器16被配置为确定脂肪比例(FatP)(脂肪体素的数量除以所检查的体素的总数量)和脂肪负荷(FatB)(脂肪体素(FS)的平均密度与肌肉的代表性密度Maxmd的比)。脂肪带的平均密度(DSf)是:
其中,Di是体素i的密度并且Di≤Maxmd。从而,脂肪负荷(FatB)是:
FB(%)=100(DSf/Maxmd). (28)
图像处理器16还被配置为确定各种矿化指标。这些指标反映了矿化的程度和矿化分布中的异质性。假设具有最大密度的骨像素与肌肉(Maxmd)之间的衰减的差异,其是这两种组织的对比,反映了骨的矿化水平。该指标是不是使用条而是使用带来计算。图像处理器16确认几乎确实全部由完全地矿化的骨制成,因此最少被部分体效应和孔隙率污染的像素或体素。如上所述的,这些是具有等于或大于0.9的BVE的体素。在检查完图像内而不是在ROI处的所有截面后,确定矿化水平(ML)。
图像处理器16将ML确定如下:
其中A(i)是BVE(i)>9的像素或体素(i)的衰减。
当期望时,图像处理器16能够根据用户的要求确定和输出用mgHA/cc(HA=羟磷灰石)表示的致密皮质、小梁化皮质、皮质-小梁结合部以及小梁骨的绝对密度或用mg/cc表示的矿化骨的绝对密度。
图像处理器16利用如下的公式将骨的给定隔室内的每个体素的衰减转换成mgHA/cc:
D(mgHA/cc)=(695.808*(Ai/Maxmd)))-455.27 (30)
其中Ai是体素i的衰减。此公式通过扫描体模来实验性地建立。
图像处理器16将给定隔室内的每个体素的衰减A转换成其用g/cc表示的矿化骨的等价量,首先通过确认与肌肉相关联的体素,然后使用肌肉密度作为基准来确定骨密度。由于使用了被检者自己的肌肉作为基准,所以避免了对于日常校准的需要。其它体素的用g/cc表示的密度(D)然后由图像处理器16从下式中确定:
D(g/cc)=0.495*(A/Maxmd). (31)
完全矿化的骨具有2.14g/cc的密度。
图像处理器16输出皮质和小梁骨的绝对密度(以g/cc和mgHA/cc)。由于通常更多地需要绝对密度,所以这仅用于比较。
图像处理器16通过使用质心G、旋转臂宽AW2以及旋转角度θ2来确定强度指标。使用如上所述的Maxmd+1去除骨膜下的包膜内的非骨组织。图像处理器16然后如下来确定强度指标。
图像处理器16根据下式来确定针对每一个ROI的屈曲率(BR):
BRi=CThcci/ri, (32)
其中,CThcci和ri分别是致密皮质的的厚度和ROIi处的半径。
图像处理器16确定针对切片内所有的角θ的面积二次矩(或惯性矩l)如下:
其中,Ix是围绕轴线x的面积二次矩,re是像素的分辨率,以及yi是从轴线x到成分像素的垂直距离。
图像处理器16计算围绕截面的沿着所有方向的面积二次矩。但是在计算惯性矩之前,图像处理器16从图像中排除了任何非骨像素。再一次,不使用阈值来确认非骨像素。非骨像素是衰减小于骨的起始(即,肌肉或以下)的衰减的像素。这种对非骨像素(即,孔隙)的排除使得图像处理器16能够尽可能地不受孔隙率的影响来计算I。
按照与计算惯性矩的方式类似方式,计算质量调节的面积二次矩,但是将每个像素的密度或衰减考虑进去。针对每一个ROI的质量调节的面积二次矩因此可以确定如下:
其中,lxma是围绕轴线x的质量调节的面积二次矩,Ai是每个骨像素的密度(或衰减)以及Amax是切片内所有像素中的最大衰减(即,几乎确实由完全地矿化的骨组成)。
图像处理器16确定截面模数与确定所有方向的l相似,再次排除了非骨像素,如下:
图像处理器16确定质量调节的截面模数与确定所有方向的l相似,再次排除了非骨像素,如下:
图像处理器确定面积积矩,排除非骨组织并且不考虑角度(在这种情况下,其是不相关的),如下:
其中x和y是在由骨像素定义的以G为中心的参考系中的坐标。面积积矩是非对称横截面中的弯曲应力的决定因素。这是针对大多数的不对称的骨的情况。不同于面积二次矩,积矩可以给出正值和负值两者。从积矩中图像处理器16确定最大的和最小的质量调节的面积二次矩,以及其在截面内的方位。
图像处理器16在分离开骨与非骨像素后确定质量调节的面积积矩,并且由于再次不需要而不考虑角度。图像处理器16确定质量调节的面积积矩如下:
其中Amax和Ai分别是最大衰减和像素i的衰减。x和y是以G为中心的参考系中每个像素i的坐标。图像处理器16然后确定最大和最小的质量调节的面积二次矩,以及其在截面内方位。
图像处理器16被配置为确定极惯性矩J,其预测横截面抵御扭转的能力,如下:
图像处理器16确定了针对每一个角度的极惯性矩,并且还确定了其最大值和最小值。
图像处理器16被配置为确定质量调节的极惯性矩Jmax,如下:
图像处理器16还被配置为确定总的横截面面积(TCSA)和周长。对于这些指标,图像处理器16使用质心G、旋转臂宽AW2以及旋转角度θ2。如上所述使用Maxmd作为基准去除骨膜下的包膜内的非骨组织。
对于每一个ROI1,图像处理器16根据下式计算LROIi(ROIi的长度):
LROIi=θ2*(2ri*π)/360. (39)
在旋转了360°后,图像处理器16从下式确定横截面的总周长P:
图像处理器16然后确定总的横截面面积(或骨膜面积)TCSA:
图像处理器16然后确定皮质内周长ECP如下:
其中CThcci是ROIi中致密皮质的厚度。
图像处理器16然后确定皮质内面积ECA:
图像处理器16然后计算比ECA/TCSA,其是脆性的指标。
图像处理器16将每个ROI视为半径是ri的圆的微元部分,使得能够确定如骨的横截面这样的复杂形状的结构的面积和周长。这就是为什么AW2非常小。
使用Maxmd作为基准,将非骨组织从小梁隔室中去除掉,以使得对于任何ROI,从条o到z,仅包括小梁区。如上所讨论的,图像处理器16使用臂宽AW1和旋转角度θ1。(实际上,在此AW的选择不重要;任何旋转AW都可以满足。如上所讨论的,图像处理器16具有三个AW;AW1和AW2从可以从一个ROI移动到另一个ROI的意义上来讲是旋转的,但是AW3是静止的并且仅用于评估具***置处的肌肉密度。)
在如上所述去除非骨组织以后,所有的非骨组织像素被赋予0值以及骨组织被赋予1值。对于针对每一列i的n个非骨空隙的宽度(wi)确定如下:
wi=n*re, (44)
其中re是扫描仪的分辨率。对于每一列i的小梁尺寸(Tr.Si)计算如下:
其中,mi是小梁的数量。小梁骨被认为是被编码为1的一系列连续像素。“0”的出现表示小梁的结尾。
图像处理器16针对每一行j重复此过程,对于每一行j的小梁尺寸是:
并且mj是j行的小梁的数量。应当注意,列是沿着密度分布的方向的一系列像素,而行垂直于列。
最终,图像处理器从下式中确定针对ROI的Tr.S:
图像处理器16确定和输出该小梁尺寸,因为其反映小梁的缩短和变薄两者。现有的方法使用不把由于骨的缩短所导致的小梁衰变考虑在内的小梁厚度的定义。
图像处理器16从下式中确定每一行(i)和每一列(j)中的小梁分离:
Tr.Sep=(wi/ni)+(wj/nj) (48)
其中,ni和nj分别是i列和j行中的空隙的数量。空隙是一系列不间断的0。1的出现表示空隙的结尾。
图像处理器16可以将各种结果图形化地输出到显示器20,包括:
-截面周围的皮质厚度;以及
-以任何给定的角度(如,向前侧的)沿着骨的皮质厚度。
结果概括
图像处理器16可在多种模式下操作:
(i)默认模式:针对每一个切片总结结果,然后针对所有的切片总结结果如用于指示部分周长和部分面积的平均、最小、中间(median)、标准偏差。将部分周长和面积相加以获得针对每一个切片的周长或面积,对部分周长和面积取平均以获得针对样本的周长或面积的平均。在此默认模式下,可以获得所有的参数。
(ii)灵活分析模式:此分析模式允许用户控制图像处理器16来确定具体解剖位置(前侧的、前外侧、内侧等)处的某些参数。图像处理器16在分析中提供这种灵活性,因为给定的参数可能依赖于解剖区域而不同地影响骨强度和骨折风险。例如在股骨颈处,在上部面观的孔隙率的增加可能比下部面观上的类似空隙率的增加更与骨折相关。
图像处理器16给切片内的感兴趣区域编号或编索引,所以每一个ROI与具体的解剖位置对应。例如,在远端桡骨,随着图像处理器16如以5度的角逆时针旋转,ROI1对应于桡骨的外侧面观,ROI36对应于前面观,以及ROI54对应于中面观。
可以组合具体解剖位置处的ROI以提供切片或(截面)内的位置处的具体指标。每个解剖区域中的要被组合的ROI的数量(N)被估计成:
N=(360/(m*θ))
其中,θ是旋转角度,并且m是切片待要分成的解剖区域的数量。例如,用户可以控制图像处理器16通过选择针对从ROI1开始的值是2的m或从ROIi如i=360/(4*θ)开始的m=2的值,来将切片分成两半(如,子午和横向)。应当注意,m的最小值是2(因为m为1的值将意味着整个截面被分析,这就把图像处理器16切换到默认模式),而m的最大值是360/θ。
应当是,在默认模式下,仅输出其局部或区域性的值有意义的参数。这些参数包括厚度、孔隙率、矿化度,小梁指标,是强度惯性矩的指标。在灵活模式下,不输出对于整个截面有意义的参数,如周长和面积。
在默认模式下,针对文件内所有切片,确定针对具体解剖位置处的参数的平均值。
结果的说明
***10能够评估骨的结构和对在骨的各种干涉(如锻炼、营养变化或治疗)期间的骨结构的变化。这具有多的应用。例如,表明通过如雷奈酸锶(strontium ranelate)的药物的治疗、甲状旁腺激素(PTH,parathyroid hormone)治疗或组织蛋白酶K抑制剂(odanacatib)(处于临床试验的第三阶段)的治疗增加骨的直径,也因此增加骨的弯曲强度。如***10所完成的,这可以在不使用阈值的情况下通过准确地量化骨的尺寸来检查。根据现有方法所进行的基于阈值的骨结构的评估对此目的不是最优的,因为,例如使用阈值进行的骨的识别可以导致错误地移除在骨膜表面上新并且弱的矿化,导致骨没有形成的错误结论,从而得出骨膜附着生长没有发生,而实际上其确实发生了。这有可能在评估对骨的PTH治疗的效果时发生。PTH是合成代谢的并且刺激新并且弱地矿化的骨的形成。这有可能在评估锻炼对骨的效果时发生,因为锻炼尤其是在生长期间刺激新并且弱地矿化的骨的形成。
此外,雷奈酸锶被骨组织吸收并且具有较高的钙原子数量。从而,锶治疗增加了骨体素的密度或衰减。与骨的边缘(骨膜或骨髓空间)相邻的体素的密度的增加可以影响对边缘的检测,造成了此药物改变了骨的尺寸的错误印象。这发生在当基于密度的固定阈值(根据现有的方法)被使用来检查该试剂的治疗之前和之后的骨结构时给出了关于该试剂对骨结构的影响的含糊不清的结果。将所有的衰减值转换成范围从-1到1并且与骨的值的绝对衰减无关的单一的BVE度量值,以及图像处理器16不使用阈值的这个事实,最小化了以下风险:药物对体素的衰减或密度的不同影响会与对骨结构(即,尺寸,如皮质厚度)和孔隙率的分化效果混淆。(使用现有的处理方法,关于两种治疗对于估计骨的结构和孔隙率的不同影响的结论被得出,仅仅是因为相比另一种治疗,一种治疗较多地改变了材料的衰减(Rizzoli R,Laroche M,Krieg MA,Frieling I,Thomas T,Delmas P,Felsenberg D.,Strontium ranelate and alendronate have differing effects on distal tibiabone microstructure in women with osteoporosis,Rheumatol.Int.30(10)(2010)pp.1341-8)))。此外,这避免了体素的密度或衰减值的变化导致了对骨的构造参数如孔隙率的错误评估。例如,孔被定义为具有低于给定值的衰减的体素;如雷奈酸锶的药物明显地增加骨组织的衰减值,所以骨组织衰减的变化可以与孔隙率的下降混淆。在由图像处理器16所进行的图像处理过程中最小化或者消除了这种错误的评估。
基于以下考虑,***10还能够以相当的置信度确定骨的衰变水平并且检测易骨折骨。
(i)正常皮质
在骨的任何子隔室中的整个皮质物质内的CTh的绝对值和皮质面积对于确定皮质是否正常是不充分的。即,高于平均值(对于有关的受验者组)的值不意味着没有发生衰变。类似地,孔隙率的绝对值和皮质面积对于确定皮质是否正常是不充分的,因为皮质小可以是由于低生长而不是由于骨损失。类似地,高孔隙率不是必要地是增长的皮质内重塑的结果。其还可以是与生长相关的。从而绝对值仅仅是指示性的。这是从现有方法本质转换,现有方法将与同类相比的较小皮质或面积视为异常。
相反地,图像处理器16确定皮质的构造并且使用其结果来确定皮质正常与否。正常的皮质具有:
-低的PTC(<20%,基于现有证据),表明很少或没有小梁化,以及
-高的PCC(>60%,基于现有证据)。
皮质的正常性进一步由图像处理器16输出的一个或更多个指标支持:
-小的(如果存在任何)衰变(CD1正常)
-正常的RDcc
-正常的RDcm
-正常的皮质厚度或皮质面积
-低的PoCC和PoCM
-低的脆性指标
(ii)衰变的皮质
厚度近似或大于同类的厚度的皮质可能仍然是衰变的(与现有方法中使用的分类不一致,现有方法认为厚度近似或大于同类的厚度的皮质是正常的)。某些个体天生具有厚于一般皮质的厚度,所以即使在损失骨之后,他们可能依然具有正常厚度的皮质。因此,这样的个体被现有的方法误诊为具有正常的骨。然而,图像处理器16不是一定将较厚的骨表征为正常。而是,图像处理器16根据其的构造来表征皮质(正常或者异常)。异常皮质具有高的PTC。此外这种皮质可以是薄的,具有低的PCC、高的孔隙率以及低的相对密度,从而具有高的CD1值和/或CD2值以及高的脆性。
(iii)正常的小梁骨具有正常的相对密度,低的孔隙率、低的脂肪比例以及脂肪负担。
(iv)异常小梁骨可以具有低的相对密度、高的孔隙率以及高的脂肪比例以及脂肪负担,所有这些表明小梁骨有损失并且被脂肪代替。
(v)异常的骨将具有异常的皮质、异常的小梁隔室,或具有异常皮质和异常小梁隔室两者。
图像处理器16还使用每个子隔室的孔隙率指标来做出这样的确定。
(i)图像处理器16从密度分布曲线下的面积来确定孔隙率,使得能够在活体内进行确定以及确保考虑到每个子隔室中的每个像素的贡献。这可以与现有的方法相比较,在现有方法中,孔隙率是从特定的骨区内的孔的数量来确定的,这受到图像分辨率(记住,在这样的图像内大多数孔是不可见的)和阈值方法的限制(还要记住,大多数被归类为骨和在孔隙率评估中被拒绝的像素可能被PVE污染,即,部分在骨上以及部分在孔上)。曲线下的面积与由DSmax定义的面积之间的差异与由直接的组织形态测定术测量的孔隙率是强相关的。发现随着年龄的孔隙率的增加不在样本内均匀地发生,所以根据本实施例,具有最低孔隙率的条被图像处理器16用作在评估孔隙率的增加中使用的标记。
(iii)图像处理器16可以确定小梁化皮质和皮质-小梁结合部的孔隙率。现有的方法仅测量致密皮质中的孔隙率,而不去准确地评估小梁化皮质和结合部区带的孔隙率。
图像处理器16可以确定可归因于致密皮质和致密+小梁化皮质内的与衰老相关的骨(皮质退化)的皮质孔隙率的程度的指标。当小梁化皮质由皮质残骸形成时,出现衰变。年轻健康的骨具有变化程度的孔隙率的皮质但是没有衰变。具有骨损失迹象的年老骨还具有带有变化程度的孔隙度的骨但是大量的骨衰变。
皮质的脆性是皮质孔隙率和皮质衰变的产物。相信孔隙率越大和衰变越大导致越大的脆性。
致密皮质的比例(PCC),即,表示成百分比的致密/(皮质物质)的厚度的比。
每个子隔室的厚度和面积:
皮质-小梁分化指标(CTDI)是能够进行皮质与小梁化之间的分化。随着衰老和骨损失,小梁隔室与皮质复合体(即,皮质加过渡区带)之间的分化发生。这是衰变和脆弱的标记。
还应当注意,图像处理器16用百分比的形式输出大多数指标,其容易由用户解释。例如,应当是直接地明显的,高的百分比孔隙率或低的百分比密度是有害的。(现有的方法输出绝对数字,这一般仅能由专家用户解释;例如,密度用mgHA/cc来表述,所以为了解释这些结果用户必须知道什么组成了低、可接受以及高的范围。)
在上文中,一般假设点B在被分析材料的中心。如果不是,则可以控制图像处理器16来识别材料内更中心的点F(见图24),从而:
其中I1、I2、I3以及I4远离B的处于骨的边缘或起始(如上所述确定的)的在关于B的顶部左侧、顶部右侧、下部左侧以及下部右侧象限。图像处理器16然后以如上所述从点B确定C的相同方式,从F确定样本的质量的中心C。
示例
图25示出了使用***10识别图像内已知尺寸的对象,隔离和以高的精确度和准确度来确定对象的尺寸。此实验用于测试图像处理器16在识别和确定图像内的结构的尺寸时的准确度和精确度。
图26是图像处理器16的控制屏幕的视图。根据可待分析的区域(如,骨)可以选择各种设置(见第二行)。
参考图25,***10的扫描仪12扫描已知的均匀尺寸的塑料管230。DICOM文件被从扫描仪12中获取DICOM文件;产生结果图像文件234(指示管的图像236)以及将其传输给图像处理器16以用于分析。
图像处理器16通过使用2、产生240个ROI、以及AW2来分析图像236。图像处理器16识别G和产生分别在图27A、图27B、图27C、图27D、图27E以及图27F中呈现的作为ROI(从ROI1到ROI240)的函数的厚度、半径、外周长、截面(即,总面积)、内周长以及内表面积。
此测试用于若干个目的。首先,可以测试由图像处理器16进行的分析的精确性。由于已知对象230具有均匀的结构,所以从ROI到ROI的任何结构性参数中的差异基本上是由图像处理中的噪声造成的。可以看到对象的尺寸(厚度、半径等)从ROI到ROI是恒定的(从而如所绘的几乎是完全平坦的线)。这可以确定由图像处理器16旋转和从ROI到ROI获取结构的成分的分析过程是有效的,其几乎没有噪声。(如果结构的成分从ROI到ROI不同,则这会表示由图像处理器16进行的从ROI到ROI的结构分析噪声大并且可再现性比较差)。由图像处理器16进行的分析的精确性然后被计算成方差系数(CV),即,240个ROI的平均值除以这240个值的标准差。对于厚度、半径、外周长、内周长、外表面以及内表面的测量的CV分别是3%、1.7%、1.7%、2.1%、3.4%以及4.2%,证实了分析的高的可再现性。
其次,因为塑料管的尺寸已知,可以评估图像处理器16确定结构尺寸的准确性。直接测量塑料管的尺寸,并且使用***10确定对应的参数。将结果制成表格并且比较如下:
总之,这示出了图像处理器16可以自动地检测图像内的对象,并且以良好的精确度和准确度来确定其尺寸。
此外,图像处理器16能够在不使用阈值(如,现有技术所使用的)的情况下自动地识别塑料管和鲁棒地确定其尺寸。不同于图像处理器16,现有技术要求外部输入以进行这种分析;即,操作者必须重设用于检测的密度阈值以使得图像内的对象可以被识别。这就需要在将对象表观的图像从周围环境中分离出来以前,知道对象的先验密度和/或手动地调节图像。图像处理器16适于识别图像内的结构和将其分离而基本上不考虑其密度。
在另一示例中,在一系列塑料管钻多种数量的洞(如图28的灰度图像280中的截面中所示出的)以产生不同的孔隙率水平。然后使用***10对这些管成像,收集图像并且使用图像处理器16量化孔隙率。图29是由***10确定(即,从每个管中的孔的数目和已知特征中实验性地确定)的孔隙率对真实孔隙率的图。发现了高的相关性:r2的值是0.98。
在进一步的示例中,使用CT扫描仪成像四个不同的但是已知羟基磷灰石的浓度的圆柱形模型。使用***10来收集这些图像,并且使用图像处理器16来分析这些图像,以确定矿化的水平。图30是来自图像处理器16的矿化水平(%)对已知羟基磷灰石浓度(mg.cm-1)的的图:两者之间的高的相关性再次很明显。
使用扫描电子显微镜(SEM)和QCT研究来自尸体的24个骨样本,并且在类活体内的条件下(在盐水中浸渍并且适当地内部旋转15)测量这些骨的密度。从显微图像确定孔隙率和其它指标,并且使用图像处理器16从CT扫描仪1获取到DICOM文件后直接和估计。在直接从SEM图像中测量出孔隙率后,产生孔隙率分布曲线(类似于密度分布)。将图像处理器16从密度分布曲线识别的点与图像扫描和SEM显微图像进行比较。
这些结果的示例在图31A、图31B、图32A、图32B、图33、图34A、图34B、图35以及图36中示出。
来自转子下的区域的显微图像、这些样本中的骨矿物质密度(BMD)在转子区域处被测量,并且使用作为由澳大利亚和新西兰骨与矿物质学会(Australian and NewZealand Bone and Mineral Society)建议的基准的Geelong基准范围转换成T-score。
图31A是来自图像处理器16的、72岁女性的骨的显微图像,如在显微图像中可见皮质内孔隙率稍稍提高。孔隙率的小的增长被图像处理器16辨识,其将孔隙率量化为4.4%。图31B是来自图像处理器16的、90岁女性的骨的显微图像,其中皮质内孔隙率显著地提高。此皮质内孔隙率的显著增加也被图像处理器16获得。两个样本之间的衰变的差异是清楚地可见的,图31A比图31B示出更多的衰变。这可以通过利用图像处理器16确定出的孔隙率结果识别(而根据传统的骨密度测试,这两个骨具有相似的衰变,因为骨密度测试不能辨别出这两个骨之间的脆性的差异)。
图32A是来自图像处理器16的、具有最小孔隙率的29岁女性的骨的显微图像。图像处理器16将此样品(sample)的孔隙率量化为0.9%。图32B是来自图像处理器16的、具有正常皮质和低孔隙率的72岁女性的骨的显微图像;这个低的孔隙率被图像处理器16很好地获得,其将图32B的样品的孔隙率量化为0.1%。然而,根据BMD测试(当前使用的诊断方法),29岁女性是正常的(具有1.92的T-score)但是七十二岁女性骨质减少(具有-1.14的T-score),这表明没有骨易脆性的较大年龄的女性具有骨易脆性。图像处理器16从而具有通过当在衰变存在时恰当地检测出衰变来避免如此误诊的情况。
图33是来自图像处理器16的、具有明显的衰变的皮质(如可以在显微图像中看到的)的67岁女性的骨的显微图像。图像处理器16获得此衰变并且将孔隙率量化为14.7%。然而,根据BMD测试,该女性被归类为正常(具有-0.2的T值)。很多具有正常骨密度测试值的人在某些点处经受了骨折;该女性有可能就是其中的一员。图像处理器16的分析将识别这些尽管具有正常的BMD测试值但是骨折的人。
图34A是孔隙率(表示为骨面积的百分比)对BMD T-score的曲线图,并且例示了从SEM图像中直接测量的孔隙率水平与所分析的24个样本中的BMD诊断阈值之间的差的相关性。这示出了BMD测试很差地获得皮质衰变。有高的孔隙率(>20%骨面积)并且具有骨损失的样本中的大约50%(7/13)具有正常的BMD(T-score>-1)。具有低的aBMD(T-score<-2.5SD)的样本中的仅50%(2/4)具有高的孔隙率(>20%);剩余的样本尽管具有正常的孔隙率,但是具有低的aBMD。在T-score小于-1(即,骨质减少或骨质疏松症)的10个样本中,仅有5/10(50%)具有低的孔隙率而剩余的50%具有高的孔隙率。
图34B是由***10确定的百分比孔隙率对从SEM图像中直接测量的百分比孔隙率的曲线图。如从该曲线图中明显地,由图像处理器16量化的孔隙率与直接测量的孔隙率很好地相关。
图35和图36例示当与针对两个不同样本的SEM图像的直接观察相比较时,密度分布曲线(profile curve)内的m、n以及o点的位置。与从DICOM文件中产生的活体的图像并且将这些图像进行分析相比,图像处理器16识别密度分布曲线内的点的能力在上文呈现(本发明的详细描述)。
在这两个活体样本中,可以看到样本内的点及其尺寸(特别是厚度)被清楚地识别。还指示出了致密皮质(CD1)和小梁化皮质(CD2)的衰变。参考图35,样本1来自具有组织学上正常的皮质的29岁的女性。这被图像处理器16识别,其发现1.45%的CD1和4.2%的CD2;这对应于同质皮质随后是从皮质到骨髓空间的清楚过渡。皮质几乎是整体上是致密的(PPCC=87.5%),PTC和PCTJ均被限制于一个条,因此如在分析的不适合性的章节中讨论的,不存在。样本的正常性由1.26%的皮质脆性指标来证实。
参考图36,样本2来自65岁的女性。在显微图像(顶部记录)中皮质的衰变是可见的。并且被图像处理器16识别,其将CD1和CD2分别量化为12%和20%。
分别地。样本的更多的衰变状态通过致密皮质的百分比(被图像处理器16确定为57.1%)、小梁化皮质的百分比(PTC)(被图像处理器16确定为37.1%)以及皮质的脆性指标(被图像处理器16确定为6.8%)来进一步识别。
此外,获得从活的个体(五个来自骨折的情况和三个来自非骨折的个体)获得的带有扫描数据的DICOM文件,以使用与活的个体有关的QCT数据来测试***10。密度分布中的相关点被识别并且相关的索引被图像处理器16确定。发现:
1)图像处理器16能够识别相关点(即,j、k、l、m、n、o)并且比较图像和以上讨论的SEM测量结果。
直接测量的孔隙率与由图像处理器16估计的孔隙率之间的相关性是优异的。
2)孔隙率(由图像处理器16评估的)与作为当前使用的识别处于骨折风险的个体的方法骨密度差地相关。这表明两个技术有交叠但是不能获取相同的东西。
在附件中(本文的结束处),呈现了所研究的样本的示例。示出了被图像处理器16确定的显微图像和孔隙率分数以及这些个体中的BMD T-score。小于-1的BMD T-score被认为是骨质减少,但是-2.5或者更小的T-score被认为是骨质疏松症。
在附件中还呈现了带有桡骨远端的骨折的个体和没有骨折的个体的孔隙率的比较值。由图像处理器16确定的指标和参数使得能够辨别具有易骨折骨的个体与不具有易骨折骨的个体。
在进一步的示例中,示出了使用图像处理器16测量的与衰老相关的孔隙率增加类似于使用组织形态测定术直接测量出的激活频率的增加。图37A是由组织形态测定术直接测量的作为年龄的函数的每年的激活频率(Ac.F)的年龄相关的增加的图(Compston,Porosity increase from the rise in Ac.F within intracortical pores(haversianand Volkmann canals,private communication))。图37B是使用图像处理器16测量的73岁女性中的年龄相关的孔隙率的增加的图。这两幅图中的数据证明了相似的趋势。
图38A、图38B以及图38C是桡骨的横截面图。图38A是从高分辨率***定量计算机断层扫描(HRpQCT)数据中重构的远端桡骨的灰度图像。图38B是在提取骨膜表面后由图像处理器16重构的相同样品的图像,展示出图像处理器16将图像从背景中分隔出来的能力。该图像是从BVE值重构的;黑色(总体上内部区域)至红色(总体上外部区域)代表增加的BVE值。应当注意,因为图像处理器16不使用阈值,所以图像处理器16提取材料(在此情况下是骨的骨膜表面)的外部轮廓并且保存材料内所有体素的初始衰减。这使得图像处理器16能够在将材料从背景分割后充分地表征材料,包括评估孔隙率和组织矿化水平。
图38C是样品的另一视图,示出了将相同的图像分割成如上所述的四个骨的区段。红色是致密皮质382、淡绿色是外部过渡区带384、蓝绿色是内部过渡区带386以及蓝色是由小梁骨399占据的骨髓空间。(内部过渡区带386在可见处位于外部过渡区带384与小梁骨388之间。图38D和图38E仅用灰度分别绘出了外部过渡区带384和内部过渡区带386。)白色是背景或周围肌肉组织390。图38F和图38G分别是图38B和图38C的灰度版本。
此外,在图39A、图39B以及图40中示出了骨内异物的自动识别与分析的示例。如上所述,图像处理器16可以自动地识别和分析图像内的结构。但是,***10的主要应用是骨的识别与分析,图像处理器16的使用决不限于此应用。
图39A是由图像处理器16的显示器22显示的图像。在图像内明亮的对象很明显,尽管明亮的对象类似于骨的截面,但是实际上它是金属安全别针的头。设计这个实验来模拟患者或其它对象内的金属异物的存在,例如子弹或硬币(可能是由于疏忽而吞下的)。
安全别针的头埋在肌肉组织内并且被***10成像;在图39A的图像中的明亮对象因此是安全别针的头的截面。图像处理器16很容易识识别此结构,将其从周围肌肉组织分离,并且分析其结构,使得能够对肌肉组织内的金属对象进行诊断。
在图39A中标记的ROI1在图39B中放大示出。图40(顶部记录)是与ROI1相关联的密度分布曲线。图40(下部记录)是与图40中的顶部记录中示出的密度分布曲线相关联的函数1。如上所述,1是能够将骨与周围软组织区分开的函数。在这种情况下,1能够将所分析的对象(即,安全别针的头)与周围肌肉组织分离开。函数1确定了对象与周围肌肉之间的清楚分离是在点99处(见图40的下部记录)。点99在密度分布曲线和ROI1的图像中指示出(见图40的顶部记录),并且在ROI1的图像中(见图39B)。应当注意到,j,在此情况下为点99,是由1以如下方式选择的:大多数与结构相邻的朦胧(与对象相邻的白色模糊区,开放的正方形)不被包括在周围软组织内。此朦胧区是由部分体效应导致的,并且图像处理器16使用1可以将对象与具有由对肌肉组织的部分容积效应导致的最小假象的周围肌肉组织中分离开。此外,部分容积效应不影响图像处理器识别无假象的对象的起始(点m,在这种情况下处于点110)的能力。图像处理器16容易地识别点n(在点115处),使得其能够不受假象(PVE)和衰变(在骨的情况下为小梁化)影响地隔离对象的物质。
从而,图像处理器16识别、和隔离对象以及周围肌肉并且最小化来自假象的干扰。从可以通过比较对象的密度与周围肌肉的密度来识别对象的实质,而不管是计算其相对密度还是其绝对密度(如以mgHA/cc或g/cc)。
图像处理器16将图39A中观察到对象的相对密度确定为93.5%。从而,该对象(实际上是安全别针的头)比肌肉密实的多,因此不是骨(骨的相对密度通常是~66%并且不大于75%,并且比肌肉大~3倍)。就绝对而言,图像处理器将对象的密度确定为6036mgHA/cc或4.6g/cc的等价量,辨识对象具有与金属对应的密度。(就绝对而言,完全地矿化的骨的密度不会超过~1200mgHA/cc的等价量或~2g/cc)。在肌肉组织内存在密度大于骨的密度的对象表示存在异物。
表示出的示例不是图像处理器16的潜在用途的完整列表。设想其在没有人工干涉的情况下自动地识别、分离以及分析非特定图像(即,其组分不是已知的)的对象(或元素)的潜在能力不仅会具有在其它医疗领域(如在血管钙化、急性心肌梗死、骨折以及中风的诊断中)的应用,而且会具有医疗领域外的应用。例如,一个这样的应用是针对为了创建人工视觉的图像处理器16的自动化图像分析。在这些情况下,图像处理器16可以集成在照相机中以进行图像的同时分析。在对图像进行分析后,图像处理器16立即将结果传递给用于做出决定的“命令中心”。这样的“命令中心”可以是具有具体指令的人或软件。人工视觉可以在医学内和外具有很多的应用。在医学外,图像处理器16可以例如用来控制机器人。
上述提出的示例表明对于识别、分离以及分析图像内的对象的结构,具体地是骨的自动分割和分析来说,图像处理器16是非常有用的工具。图像处理器16确定的指标使得能够对皮质骨结构而不仅仅对皮质厚度、皮质面积以及皮质密度的测量值进行评估。
图像处理器16可以从周围环境中获取图像,同时最小化PVE的混杂效应。例如,图41A的顶部记录是远端桡骨的截面图;图41B的顶部记录是在将骨(在此情况下为桡骨)与周围背景分离开后由图像处理器16重构的相同截面。图41A的下部记录是背景与骨之间的、由于部分体效应(即,体素,其一部分是骨,一部分是背景)而导致模糊的接口(或结合部)的放大图。但是,图41B的下部记录是在由图像处理器16对图像进行处理后的相同的结合部。轮廓更加尖锐:模糊的体素(即,那些被部分体效应污染的体素)已被分离并且留在背景中,从而骨的边界更加清楚地明显。
将图像内的材料从背景分离并且最小化由于部分体效应导致的模糊的过程在医学领域内和医学领域外具有很多应用。
而言,图像处理器16可以比较基于阈值方法的已有软件更好地将骨从背景中分离。图42A,顶部记录是胫骨的截面图。外部边界是利用基于阈值的软件画的。可以看到很大量的骨留在了边界外,而被错误地包括在背景中。图42A,下部记录是示出了位于边界外因而被错误地包括在背景中的骨的具体部分的放大图。
图42B,顶部记录是由图像处理器16从背景中分离出的相同骨的相同截面。可以看到图像处理器16将骨清楚地从周围软组织分离。由传统的基于阈值的软件错误地分割的区域在此图的下部记录中示出,在其中,很明显的是图像处理器16正确地地将此区域从背景中分离。
本领域的普通技术人员可以很容易地实现本发明范围内的修改。因此应当理解,本发明不限于上文中通过示例的方式描述的具体实施例。
在本发明中的权利要求前后的描述中,除了上文要求或是由于表达语言或必要的暗示的地方,单词“包括(comprise)”或其变体如“包括了(comprises)”或“包括有(comprising)”以包括的意义使用,即,指定所述特征的存在但是不排除本发明的各种实施例中的进一步特征的出现或附加。
此外,本文对现有技术的任何引用不意味着这些现有技术构成或已经构成在澳大利亚或其它国家的公知知识的一部分。
本公开内容还包括以下技术方案。
方案1.一种用于分析样本的方法,所述样本包括具有通常意义上不同的密度的第一材料和第二材料,且所述第一材料与所述第二材料之间具有结合部,所述方法包括:
在包括所述结合部的所述样本的至少一部分的横截面图像中限定感兴趣区域;
确定在所述感兴趣区域内并穿过所述结合部的所述样本的密度分布;
确定所述第二材料的代表性密度;以及
使用用来区分所述第一材料和所述第二材料的所述结合部来分析所述样本。
方案2.根据方案1所述的方法,其中,根据所述密度分布来确定所述第二材料的代表性密度。
方案3.根据方案1所述的方法,还包括在所述密度分布中定位所述第一材料与所述第二材料之间的所述结合部。
方案4.根据方案3所述的方法,还包括使用相对于适当地选择的点的距离函数来在所述密度分布中定位所述第一材料与所述第二材料之间的所述结合部。
方案5.根据方案3所述的方法,其中,在所述密度分布中定位所述结合部包括:在所述密度分布中定位距参考点最近的点,所述参考点具有与所述第一材料的代表性密度相同的位置以及相似于或低于所述第二材料的代表性密度的密度。
方案6.根据方案5所述的方法,其中,定位所述结合部包括:在密度分布内以(xi,yi)=(0,0)为中心的参考帧中找到表达式的最小值,或者在所述密度分布内以(xi,yi)=(0,0)为中心的参考帧中找到表达式的最大值。
方案7.根据方案3所述的方法,其中,定位所述结合部包括:在所述感兴趣区域的部分中定位密度分布变化率最大点,所述部分由所述密度差最大点划界并且包括所述第二材料,或者,在所述感兴趣区域的部分中定位密度分布变化率最小点,所述部分由所述密度差最大点划界并且包括所述第二材料。
方案8.根据方案3所述的方法,其中,定位所述结合部包括:在所述密度分布中定位拐点,或形成所述密度分布的一个或更多个部分的二阶导数。
方案9.根据方案1所述的方法,还包括确定所述第一材料的构造。
方案10.根据方案1所述的方法,其中,所述样本包括骨。
方案11.根据方案1所述的方法,包括检测所述第一材料中的衰变或异常。
方案12.根据方案1所述的方法,包括识别易骨折的骨。
方案13.根据方案1所述的方法,其中,所述感兴趣区域包括位于所述第一材料与所述样本的包括所述第二材料、第三材料或空穴的另外一部分之间的至少一个另外的结合部,并且所述方法还包括:
确定所述另外一部分的代表性密度;以及
在由所述密度最大点划界并且包括所述另外一部分的所述感兴趣区域的部分中,在所述密度分布中定位另外的结合部。
方案14.根据方案13所述的方法,包括通过仅使用所述样本的、在所述密度分布中的所述结合部与所述密度分布中的所述另外的结合部之间的部分来进一步分析所述第一材料。
方案15.根据方案13所述的方法,其中,在所述密度分布中定位所述另外的结合部包括:在所述密度分布中定位距另外的参考点最近的点,所述另外的参考点具有与密度差最大点相同的位置以及与所述另外一部分的所述代表性密度相同的密度。
方案16.根据方案1所述的方法,包括通过调节所述感兴趣区域的位置来优化由密度分布分析器在确定所述密度分布时使用的所选择的感兴趣区域的位置。
方案17.根据方案1所述的方法,包括合并多个感兴趣区域。
方案18.根据方案1所述的方法,包括识别所述密度分布中的一个或更多个拐点,或通过识别所述密度分布中的一个或更多个拐点来限定所述样本内的多个隔室。
方案19.根据方案1所述的方法,其中,所述第一材料是骨,并且所述方法包括在所述样本内限定多个隔室,所述隔室包括以下隔室中的一个或更多个:
由骨膜边界和皮质的起始划界的隔室;
由皮质的起始和致密皮质的起始划界的隔室;
致密(或硬的)皮质隔室;
小梁化皮质隔室;
皮质-小梁结合部隔室;以及
小梁隔室。
方案20.根据方案1所述的方法,其中,所述第一材料是骨,并且所述方法包括在所述样本内限定多个隔室,所述隔室包括以下隔室中的一个或更多个:
由致密皮质的起始和骨膜边界划界的隔室;
由致密皮质的起始和外部过渡区带的起始划界的隔室;
外部过渡区带;
内部过渡区带;以及
小梁隔室。
方案21.根据方案1所述的方法,包括在分析骨的结构时最小化部分容积效应,或在最小化部分容积效应的同时确定图像内的结构的尺寸。
方案22.根据方案1所述的方法,包括确定具有类小梁外观的皮质的比例。
方案23.根据方案1所述的方法,包括确定致密皮质、皮质物质或小梁化皮质的皮质厚度的平均值。
方案24.根据方案1所述的方法,其中,所述样本包括骨样本,并且所述部分包括所述样本的小梁部分和所述样本的皮质部分。
方案25.根据方案1所述的方法,包括对所述样本的内部区域进行成像。
方案26.根据方案1所述的方法,其中,所述成像包括计算机断层扫描成像。
方案27.根据方案1所述的方法,其中,所述样本的所述部分包括径向条。
方案28.根据方案1所述的方法,包括对所述样本的多个部分进行成像并确定所述各部分中的每个部分各自的密度分布。
方案29.根据方案1所述的方法,包括自动识别样本内的骨。
方案30.根据方案1所述的方法,包括根据由下述因素构成的组确定一个或更多个指标:
皮质、小梁化皮质或过渡区带的厚度;
皮质面积或小梁化皮质的皮质面积;
皮质、小梁化皮质或过渡区带的孔隙率;
无论皮质或小梁化皮质的绝对厚度或面积如何,皮质或小梁化皮质是否正常;
皮质或小梁化皮质是否经历了再吸收;以及
根据所述分布的所述分析的小梁构造和孔隙率。
方案31.根据方案1所述的方法,包括确定皮质隔室与小梁隔室之间的分化的损失。
方案32.根据方案1所述的方法,包括识别所述样本的骨膜的包膜内的非骨组织。
方案33.根据方案1所述的方法,包括确定所述第一材料的半径、周长或横截面面积,或者确定所述第一材料的二次矩面积或惯性矩。
方案34.根据方案1所述的方法,包括确定逐点围绕所述骨的周界的骨横截面的经质量调节的二次矩面积,或确定骨横截面的截面模数或经质量调节的截面模数。
方案35.根据方案1所述的方法,包括确定骨横截面的屈曲率或经质量调节的屈曲率。
方案36.根据方案1所述的方法,包括确定骨横截面的面积或周长。
方案37.根据方案1所述的方法,包括确定骨横截面的极惯性矩模数或经质量调节的极惯性矩,或确定逐点围绕所述骨的周界的骨横截面的半径。
方案38.根据方案1所述的方法,包括识别所述样本内的小梁骨并且确定一个或更多个小梁指标。
方案39.根据方案1所述的方法,包括使用周围肌肉组织作为参考来确定骨的矿化程度。
方案40.根据方案1所述的方法,包括使用所述第二材料的衰减作为参考来确定所述感兴趣区域内的组分或成分的绝对密度或相对密度。
方案41.根据方案1所述的方法,包括使用所述第二材料的衰减作为参考来确定所述感兴趣区域内的对象或结构的相对密度。
方案42.根据方案1所述的方法,其中,所述样本是骨样本,并且所述方法包括确定指示所述样本的至少一部分的一个或更多个指标,并且根据所述一个或更多个指标识别所述样本内的异常。
方案42.根据方案1所述的方法,其中,所述样本是骨样本,并且所述方法包括根据具有异常皮质、异常小梁隔室或者异常皮质和异常小梁隔室二者来确定所述样本是否异常。
方案43.根据方案1所述的方法,包括:根据坏死物质与周围健康组织之间的衰减差来从周围健康软组织中识别和分析所述坏死物质;识别并分析肾结石;识别并分析钙化肿瘤或其它肿瘤;或者识别并分析非医学学科的图像内的对象。
方案44.根据方案1所述的方法,其中,分析所述样本包括使用旋转臂宽,或使用图像的平移,或使用图像的旋转和平移二者来分析所述图像。
方案45.一种用于分析样本的方法,所述样本包括具有通常意义上不同的密度的第一材料和第二材料,所述第一材料与所述第二材料之间具有结合部,所述方法包括:
在包括所述结合部的所述样本的至少一部分的横截面图像中限定感兴趣区域;
确定臂宽,在所述臂宽上所述样本的所述部分是局部线性的;以及
通过旋转所述臂宽、平移所述臂宽或者旋转和平移所述臂宽二者来分析所述图像。
方案46.一种用于分析样本的***,所述样本包括具有通常意义上不同的密度的第一材料和第二材料,所述第一材料和所述第二材料之间具有结合部,所述***包括:
感兴趣区域选择器,用于在包括所述结合部的所述样本的至少一部分的横截面图像中选择感兴趣区域;
密度分布分析器,用于确定所述感兴趣区域内的穿过所述结合部的所述样本的密度分布,用于确定所述第二材料的代表性密度,并用于通过使用所述结合部区分所述第一材料和所述第二材料来分析所述样本;以及
输出部分,用于输出所述分析的结果。
方案47.根据方案46所述的***,包括:感兴趣区域位置调节器,适于优化由所述密度分布分析器在确定所述密度分布时使用的所选择的感兴趣区域的位置。
方案48.根据方案46所述的***,包括:适于合并多个感兴趣区域的感兴趣区域合并器。
方案49.根据方案46所述的***,其中,所述密度分析器适于在所述密度分布中定位所述第一材料与所述第二材料之间的所述结合部。
方案50.根据方案46所述的***,包括能抽真空的样本腔。
方案51.根据方案46所述的***,其中,所述样本包括围绕所述第一材料定位的或能够围绕所述第一材料定位的、用作用于所述第一材料的分析的参考的具有已知特征的第二材料。
方案52.一种用于分析样本的***,所述样本包括具有通常意义上不同的密度的第一材料和第二材料,所述第一材料与所述第二材料之间具有结合部,所述***适于执行方案1至45中任一项所述的方法。
方案53.能够执行的指令或软件,当由计算机或计算机的处理器执行所述能够执行的指令或软件时,所述能够执行的指令或软件使所述计算机或所述计算机的处理器执行方案1至45中任一项所述的方法。
方案54.设置有能够执行的指令或软件的计算设备,当由所述计算设备或所述计算设备的处理器执行所述能够执行的指令或软件时,所述能够执行的指令或软件使所述计算设备或所述计算设备的处理器执行方案1至45中任一项所述的方法。
Claims (23)
1.一种用于量化被检者的治疗的效果的方法,包括:
分析所述被检者的样本,所述样本包括感兴趣材料和至少一个邻近材料,所述至少一个邻近材料总体上与所述感兴趣材料邻近,所述感兴趣材料具有通常意义上与所述邻近材料不同的密度,所述分析包括:
(i)在包括所述感兴趣材料与所述邻近材料之间的结合部的所述样本的图像内自动地定义感兴趣区域,所述感兴趣区域具有一个或更多个像素或体素的宽度;
(ii)确定所述感兴趣区域内的密度分布,所述分布穿过所述感兴趣材料与所述邻近材料之间的所述结合部;
(iii)在所述分布中自动地识别所述感兴趣材料;以及
(iv)在所述分布中定位所述结合部,包括:(a)识别包括所述感兴趣材料中的至少一些和所述邻近材料中的至少一些的所述分布的段中的邻近峰与凹处之间的所述分布的最大值差;(b)定位所述段中的拐点。
2.根据权利要求1所述的方法,包括在所述治疗之前,在所述治疗期间和/或在所述治疗之后执行所述样本的所述分析。
3.根据权利要求1所述的方法,其中,所述治疗包括雷奈酸锶治疗、组织蛋白酶K抑制剂治疗或甲状旁腺激素治疗。
4.根据权利要求1所述的方法,包括使用所述样本的所述分析的至少一个结果评估对骨的所述治疗的效果。
5.一种在被检者的治疗期间评估骨的结构的方法,所述方法包括:
分析所述被检者的骨样本,所述样本包括感兴趣材料和至少一个邻近材料,所述感兴趣材料包括所述结构,所述至少一个邻近材料总体上与所述感兴趣材料邻近,所述感兴趣材料具有通常意义上与所述邻近材料不同的密度,所述分析包括:
(i)在包括所述感兴趣材料与所述邻近材料之间的结合部的所述样本的图像内自动地定义感兴趣区域,所述感兴趣区域具有一个或更多个像素或体素的宽度;
(ii)确定所述感兴趣区域内的密度或衰减分布,所述分布中的每个穿过所述感兴趣材料与所述邻近材料之间的所述结合部;
(iii)在所述分布中自动地识别所述感兴趣材料;以及
(iv)在所述分布中定位所述结合部,包括:(a)识别包括所述感兴趣材料中的至少一些和所述邻近材料中的至少一些的所述分布的段中的邻近峰与凹处之间的所述分布的最大值差;(b)定位所述段中的拐点。
6.根据权利要求5所述的方法,包括使用所述骨样本的所述分析的至少一个结果评估对骨的所述治疗的效果,或评估所述被检者的骨折风险。
7.根据权利要求5所述的方法,包括通过分析所述感兴趣材料的结构来检测正常骨。
8.根据权利要求5所述的方法,其中,分析所述感兴趣材料的结构包括量化皮质构造,并且皮质隔室包括致密皮质、外过渡区带、内过渡区带或其任一组合。
9.根据权利要求8所述的方法,包括:
i)通过确定孔隙率、皮质厚度、皮质面积、皮质密度来量化皮质构造;或者
ii)通过确定孔隙率、皮质厚度、皮质面积、皮质密度来量化皮质构造并且区分能够归因于与衰老相关的骨衰变的皮质孔隙率和正常孔隙率。
10.根据权利要求5所述的方法,包括:(a)通过分析所述感兴趣材料的结构来检测衰变骨或异常骨,分析所述感兴趣材料的结构包括量化小梁构造;或(b)通过分析所述感兴趣材料的结构来检测衰变骨或异常骨,分析所述感兴趣材料的结构包括通过确定小梁密度和小梁厚度来量化小梁构造。
11.一种监测被检者的疾病或疾病的影响的方法,所述方法包括:
分析所述被检者的样本,所述样本包括感兴趣材料和至少一个邻近材料,所述至少一个邻近材料总体上与所述感兴趣材料邻近,所述感兴趣材料具有通常意义上与所述邻近材料不同的密度,所述分析包括:
(i)在包括所述感兴趣材料与所述邻近材料之间的结合部的所述样本的图像内自动地定义感兴趣区域,所述感兴趣区域具有一个或更多个像素或体素的宽度;
(ii)确定所述感兴趣区域内的密度分布,所述分布中的每个穿过所述感兴趣材料与所述邻近材料之间的所述结合部;
(iii)在所述分布中自动地识别所述感兴趣材料;以及
(iv)在所述分布中定位所述结合部,包括:(a)识别包括所述感兴趣材料中的至少一些和所述邻近材料中的至少一些的所述分布的段中的邻近峰与凹处之间的所述分布的最大值差;(b)定位所述段中的拐点。
12.根据权利要求11所述的方法,其中,所述被检者正在或者已经使用雷奈酸锶治疗、组织蛋白酶K抑制剂治疗或甲状旁腺激素治疗被治疗。
13.根据权利要求11所述的方法,包括通过分析所述感兴趣材料的结构来检测正常骨。
14.根据权利要求11所述的方法,包括通过分析所述感兴趣材料的结构来检测衰变骨或异常骨,其中,分析所述感兴趣材料的结构包括量化皮质构造,皮质隔室包括致密皮质、外过渡区带、内过渡区带或其任一组合。
15.根据权利要求11所述的方法,包括通过以下来检测衰变骨或异常骨:
i)分析所述感兴趣材料的结构,其中,分析所述感兴趣材料的结构包括量化小梁构造;
ii)分析所述感兴趣材料的结构,其中,分析所述感兴趣材料的结构包括通过确定小梁密度和小梁厚度量化小梁构造;
iii)分析所述感兴趣材料的结构,其中,分析所述感兴趣材料的结构包括组合皮质及小梁构造;或
iv)分析所述感兴趣材料的结构,其中,所述异常骨包括异常皮质和异常小梁隔室。
16.根据权利要求11所述的方法,包括使用所述样本的所述分析的至少一个结果评估所述被检者的治疗的效果。
17.一种图像分析***,包括处理器,所述处理器被配置成:
分析被检者的样本,所述样本包括感兴趣材料和至少一个邻近材料,所述至少一个邻近材料总体上与所述感兴趣材料邻近,所述感兴趣材料具有通常意义上与所述邻近材料不同的密度,所述分析包括:
(i)在包括所述感兴趣材料与所述邻近材料之间的结合部的所述样本的图像内自动地定义感兴趣区域,所述感兴趣区域具有一个或更多个像素或体素的宽度;
(ii)确定所述感兴趣区域内的密度分布,所述分布中的每个穿过所述感兴趣材料与所述邻近材料之间的所述结合部;
(iii)在所述分布中自动地识别所述感兴趣材料;以及
(iv)在所述分布中定位所述结合部,包括:(a)识别包括所述感兴趣材料中的至少一些和所述邻近材料中的至少一些的所述分布的段中的邻近峰与凹处之间的所述分布的最大值差;(b)定位所述段中的拐点。
18.根据权利要求17所述的图像分析***,被配置成量化被检者的治疗的效果,在所述被检者的治疗期间评估骨的结构,诊断或监测被检者的疾病,或诊断或监测被检者的疾病的影响。
19.一种用于量化被检者的治疗的效果的方法,包括:
分析所述被检者的样本,所述样本包括感兴趣材料和至少一个邻近材料,所述至少一个邻近材料总体上与所述感兴趣材料邻近,所述感兴趣材料具有通常意义上与所述邻近材料不同的密度,所述分析包括:
(i)在包括所述感兴趣材料与所述邻近材料之间的结合部的所述样本的图像内自动地定义感兴趣区域,所述感兴趣区域具有一个或更多个像素或体素的宽度;
(ii)确定所述感兴趣区域内的密度或衰减分布,所述分布穿过所述感兴趣材料与所述邻近材料之间的所述结合部;
(iii)在所述分布中自动地识别所述感兴趣材料;以及
(iv)在所述分布中定位所述结合部,包括:(a)识别包括所述感兴趣材料中的至少一些和所述邻近材料中的至少一些的所述分布的段中的邻近峰与凹处之间的所述分布的最大值差;(b)定位所述段中的拐点;
其中,所述感兴趣材料包括骨。
20.一种监测被检者的疾病或疾病的影响的方法,所述方法包括:
分析所述被检者的样本,所述样本包括感兴趣材料和至少一个邻近材料,所述至少一个邻近材料总体上与所述感兴趣材料邻近,所述感兴趣材料具有通常意义上与所述邻近材料不同的密度,所述分析包括:
(i)在包括所述感兴趣材料与所述邻近材料之间的结合部的所述样本的图像内自动地定义感兴趣区域,所述感兴趣区域具有一个或更多个像素或体素的宽度;
(ii)确定所述感兴趣区域内的密度或衰减分布,所述分布中的每个穿过所述感兴趣材料与所述邻近材料之间的所述结合部;
(iii)在所述分布中自动地识别所述感兴趣材料;以及
(iv)在所述分布中定位所述结合部,包括:(a)识别包括所述感兴趣材料中的至少一些和所述邻近材料中的至少一些的所述分布的段中的邻近峰与凹处之间的所述分布的最大值差;(b)定位所述段中的拐点;
其中,所述感兴趣材料包括骨。
21.一种图像分析***,包括处理器,所述处理器被配置成:
分析被检者的样本,所述样本包括感兴趣材料和至少一个邻近材料,所述至少一个邻近材料总体上与所述感兴趣材料邻近,所述感兴趣材料具有通常意义上与所述邻近材料不同的密度,所述分析包括:
(i)在包括所述感兴趣材料与所述邻近材料之间的结合部的所述样本的图像内自动地定义感兴趣区域,所述感兴趣区域具有一个或更多个像素或体素的宽度;
(ii)确定所述感兴趣区域内的密度或衰减分布,所述分布中的每个穿过所述感兴趣材料与所述邻近材料之间的所述结合部;
(iii)在所述分布中自动地识别所述感兴趣材料;以及
(iv)在所述分布中定位所述结合部,包括:(a)识别包括所述感兴趣材料中的至少一些和所述邻近材料中的至少一些的所述分布的段中的邻近峰与凹处之间的所述分布的最大值差;(b)定位所述段中的拐点;
其中,所述感兴趣材料包括骨。
22.一种非暂态计算机可读介质,包括用于使计算机执行权利要求1、5、11、19和20中的任一项所述的方法的程序指令。
23.一种计算设备,被设置有程序指令,当由所述计算设备或由所述计算设备的处理器执行所述程序指令时,所述程序指令使所述计算设备或所述计算设备的处理器执行权利要求1、5、11、19和20中的任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AU2009904407 | 2009-09-11 | ||
AU2009904407A AU2009904407A0 (en) | 2009-09-11 | Analysis method and system | |
CN201080051311.0A CN102648482B (zh) | 2009-09-11 | 2010-09-10 | 用于所选组织结构的图像分析的方法及*** |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080051311.0A Division CN102648482B (zh) | 2009-09-11 | 2010-09-10 | 用于所选组织结构的图像分析的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107610096A CN107610096A (zh) | 2018-01-19 |
CN107610096B true CN107610096B (zh) | 2021-08-10 |
Family
ID=43731867
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710698270.8A Active CN107610096B (zh) | 2009-09-11 | 2010-09-10 | 用于所选组织结构的图像分析的方法及*** |
CN201080051311.0A Active CN102648482B (zh) | 2009-09-11 | 2010-09-10 | 用于所选组织结构的图像分析的方法及*** |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080051311.0A Active CN102648482B (zh) | 2009-09-11 | 2010-09-10 | 用于所选组织结构的图像分析的方法及*** |
Country Status (8)
Country | Link |
---|---|
US (5) | US9064320B2 (zh) |
EP (2) | EP2476095A4 (zh) |
JP (3) | JP5859966B2 (zh) |
CN (2) | CN107610096B (zh) |
AU (3) | AU2010292991B2 (zh) |
CA (1) | CA2809286C (zh) |
IN (1) | IN2012DN03065A (zh) |
WO (1) | WO2011029153A1 (zh) |
Families Citing this family (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10586400B2 (en) * | 2018-02-23 | 2020-03-10 | Robert E Douglas | Processing 3D medical images to enhance visualization |
US9058665B2 (en) * | 2009-12-30 | 2015-06-16 | General Electric Company | Systems and methods for identifying bone marrow in medical images |
US9254101B2 (en) | 2010-12-31 | 2016-02-09 | General Electric Company | Method and system to improve visceral adipose tissue estimate by measuring and correcting for subcutaneous adipose tissue composition |
WO2012092581A1 (en) | 2010-12-31 | 2012-07-05 | General Electric Company | Normalized metrics for visceral adipose tissue mass and volume estimation |
US9271690B2 (en) | 2010-12-31 | 2016-03-01 | General Electric Company | Method and system to estimate visceral adipose tissue by restricting subtraction of subcutaneous adipose tissue to coelom projection region |
ITPI20110054A1 (it) * | 2011-05-16 | 2012-11-17 | Echolight S R L | Apparato ad ultrasuoni per valutare lo stato della struttura ossea di un paziente |
JP6103829B2 (ja) * | 2012-06-21 | 2017-03-29 | キヤノン株式会社 | 画像診断支援装置、画像診断支援方法、画像診断支援システムおよびプログラム |
US20130089186A1 (en) * | 2011-10-05 | 2013-04-11 | General Electric Company | X-ray calibration device |
JP5967108B2 (ja) * | 2012-01-20 | 2016-08-10 | 株式会社ニコン | X線装置、方法、構造物の製造方法、プログラム及びプログラムを記録した記録媒体 |
WO2014003855A1 (en) | 2012-06-27 | 2014-01-03 | Monteris Medical Corporation | Image-guided therapy of a tissue |
CN105765622B (zh) * | 2013-09-13 | 2021-04-09 | 斯特拉克斯私人有限公司 | 用于给图像分配颜色的方法和***、计算机可读存储介质 |
US10292670B2 (en) | 2013-12-04 | 2019-05-21 | Elekta Ltd. | Method and system for dose calculation based on continuous material indexing |
US9700342B2 (en) * | 2014-03-18 | 2017-07-11 | Monteris Medical Corporation | Image-guided therapy of a tissue |
US9492121B2 (en) | 2014-03-18 | 2016-11-15 | Monteris Medical Corporation | Image-guided therapy of a tissue |
US10675113B2 (en) | 2014-03-18 | 2020-06-09 | Monteris Medical Corporation | Automated therapy of a three-dimensional tissue region |
US10460508B2 (en) | 2014-06-12 | 2019-10-29 | Siemens Healthcare Gmbh | Visualization with anatomical intelligence |
CN104573218A (zh) * | 2015-01-04 | 2015-04-29 | 秦晓亮 | 一种三维打印孔隙优化及快速建模方法 |
JP2016131573A (ja) * | 2015-01-15 | 2016-07-25 | キヤノン株式会社 | トモシンセシス撮影の制御装置、放射線撮影装置、制御システム、制御方法及びプログラム |
US10819881B1 (en) | 2015-03-12 | 2020-10-27 | Igor Vladimir Smolyar | System and method for encryption/decryption of 2-D and 3-D arbitrary images |
EP3098780A1 (en) | 2015-05-28 | 2016-11-30 | Galgo Medical, S.L. | A method, a system and a computer program for determining data defining an estimate of the thickness and density of a tissue structure of interest from imaging data |
EP3329458B1 (en) * | 2015-07-29 | 2020-08-19 | PerkinElmer Health Sciences, Inc. | Systems and methods for automated segmentation of individual skeletal bones in 3d anatomical images |
JP6920376B2 (ja) * | 2015-07-29 | 2021-08-18 | ペルキネルマー ヘルス サイエンシーズ, インコーポレイテッド | 3d解剖画像における個々の骨格の骨の自動化されたセグメンテーションのためのシステムおよび方法 |
WO2017035602A1 (en) * | 2015-09-04 | 2017-03-09 | Straxcorp Pty Ltd | Method and apparatus for identifying a gap between objects in an image |
CN116051535A (zh) | 2016-03-03 | 2023-05-02 | 斯特拉克斯私人有限公司 | 用于识别和量化异常的方法与设备 |
CN109310383A (zh) * | 2016-06-08 | 2019-02-05 | 皇家飞利浦有限公司 | 用于对x射线成像设备进行校准的测试对象 |
DE102016211935B4 (de) | 2016-06-30 | 2019-06-06 | Sauer Gmbh | Vorrichtung und Verfahren zur Prozessüberwachung bei einem Auftragschweiß-Verfahren |
CN106204624A (zh) * | 2016-07-25 | 2016-12-07 | 武汉大学 | 一种检测图像结构变化的方法 |
EP3618747A1 (en) * | 2017-05-04 | 2020-03-11 | Boston Scientific Scimed, Inc. | Medical system and related methods |
US11188800B1 (en) * | 2018-04-03 | 2021-11-30 | Robert Edwin Douglas | Method and apparatus for improved analysis of CT scans of bags |
US20200170604A1 (en) * | 2018-12-04 | 2020-06-04 | Howmedica Osteonics Corp. | CT Based Probabilistic Cancerous Bone Region Detection |
US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
JP7284768B2 (ja) * | 2019-02-01 | 2023-05-31 | 富士フイルム株式会社 | 被写体情報取得装置及びその作動方法並びに被写体情報取得プログラム |
US12033324B2 (en) | 2019-06-06 | 2024-07-09 | The Research Foundation For The State University Of New York | System and method for identifying fractures in digitized x-rays |
US11087463B2 (en) | 2019-06-21 | 2021-08-10 | StraxCorp Pty. Ltd. | Image analysis method and system for assessing bone fragility |
US11263497B2 (en) | 2019-06-21 | 2022-03-01 | StraxCorp Pty. Ltd. | Method and system for machine learning classification based on structure or material segmentation in an image |
US11170245B2 (en) | 2019-06-21 | 2021-11-09 | StraxCorp Pty. Ltd. | Method and system for selecting a region of interest in an image |
US11375962B2 (en) * | 2019-08-05 | 2022-07-05 | Linev Systems, Inc. | Fast foreign object scanner for scanning human bodies |
CN110660044B (zh) * | 2019-08-30 | 2023-03-17 | 博志生物科技(深圳)有限公司 | 骨组织结构形态异常的快速检测方法及电子装置 |
WO2021035712A1 (zh) * | 2019-08-30 | 2021-03-04 | 博志生物科技(深圳)有限公司 | 骨组织结构形态异常的快速检测方法及电子装置 |
US11337644B2 (en) * | 2020-01-06 | 2022-05-24 | M2Test S.R.L. | Method, device and machine for calculating an index representative of the properties of a material of the bone type |
US20220392065A1 (en) | 2020-01-07 | 2022-12-08 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
KR20220124217A (ko) | 2020-01-07 | 2022-09-13 | 클리어리, 인크. | 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스 |
US11969280B2 (en) | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
CN115192065A (zh) * | 2021-04-05 | 2022-10-18 | 佳能医疗***株式会社 | 超声波诊断装置 |
US20230165557A1 (en) * | 2021-11-29 | 2023-06-01 | GE Precision Healthcare LLC | System and method for autonomous identification of heterogeneous phantom regions |
US20230289963A1 (en) | 2022-03-10 | 2023-09-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
JP7479648B1 (ja) * | 2022-11-14 | 2024-05-09 | 京セラ株式会社 | 予測装置、予測システム、予測方法、制御プログラム、および記録媒体 |
GB202301075D0 (en) * | 2023-01-25 | 2023-03-08 | Native Tech Limited | Analysis of medical images |
CN118121164B (zh) * | 2024-05-08 | 2024-07-05 | 达州市中心医院(达州市人民医院) | 基于风湿病变区域多维检测数据的骨质状态筛查方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020181755A1 (en) * | 2001-05-09 | 2002-12-05 | Sooyeul Lee | Method for measuring bone mineral density by using X-ray image |
CN1682236A (zh) * | 2002-08-20 | 2005-10-12 | 成像治疗仪股份有限公司 | 用于x射线图像分析的方法和设备 |
CN101085091A (zh) * | 2007-06-11 | 2007-12-12 | 中国人民解放军第二军医大学 | 一种用于防治骨质疏松症的中药提取物及其制备方法 |
CN101199429A (zh) * | 2006-12-13 | 2008-06-18 | 计算机逻辑公司 | 超声波骨评估的方法和装置 |
CN101271574A (zh) * | 2008-03-20 | 2008-09-24 | 华南师范大学 | 三维可视化的方法、装置 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5480439A (en) * | 1991-02-13 | 1996-01-02 | Lunar Corporation | Method for periprosthetic bone mineral density measurement |
US5228068A (en) | 1992-09-14 | 1993-07-13 | Lunar Corporation | Device and method for automated determination and analysis of bone density and vertebral morphology |
JPH0595940A (ja) | 1991-10-14 | 1993-04-20 | Fuji Photo Film Co Ltd | 骨計測装置 |
JP2793502B2 (ja) * | 1994-04-20 | 1998-09-03 | 浜松ホトニクス株式会社 | 骨塩量測定方法および装置 |
US5673303A (en) | 1995-04-19 | 1997-09-30 | Wright State University | Method and apparatus for the evaluation of structural width and density by computed tomography |
US5594775A (en) | 1995-04-19 | 1997-01-14 | Wright State University | Method and apparatus for the evaluation of cortical bone by computer tomography |
WO1997042602A1 (en) * | 1996-05-06 | 1997-11-13 | Torsana A/S | A method of estimating skeletal status |
AU8103198A (en) | 1997-07-04 | 1999-01-25 | Torsana Osteoporosis Diagnostics A/S | A method for estimating the bone quality or skeletal status of a vertebrate |
IL121773A0 (en) | 1997-09-15 | 1998-02-22 | Elscint Ltd | Method for improving CT images having high attenuation objects |
US5931795A (en) | 1997-11-07 | 1999-08-03 | Manly; Philip | Method for evaluating human bone strength |
JP3499761B2 (ja) * | 1998-10-22 | 2004-02-23 | 帝人株式会社 | 骨画像処理方法及び骨強度評価方法 |
US6625303B1 (en) | 1999-02-01 | 2003-09-23 | Eastman Kodak Company | Method for automatically locating an image pattern in digital images using eigenvector analysis |
EP1046374B1 (en) * | 1999-04-20 | 2004-10-13 | Sectra Pronosco A/S | Apparatus for estimating the BMD of a bone using radiogrammetry |
WO2002038045A2 (en) * | 2000-11-08 | 2002-05-16 | The Johns Hopkins University | Techniques for deriving tissue structure from multiple projection dual-energy x-ray absorptiometry |
US6744911B1 (en) | 2000-11-22 | 2004-06-01 | General Electric Company | Tomographic segmentation |
KR100419573B1 (ko) | 2000-12-14 | 2004-02-19 | 한국전자통신연구원 | 엑스선 영상을 이용한 해면골 발달정도 측정 방법 |
JP2004057804A (ja) * | 2002-06-05 | 2004-02-26 | Fuji Photo Film Co Ltd | 骨関節評価方法、装置およびそのためのプログラム |
JP4373682B2 (ja) | 2003-01-31 | 2009-11-25 | 独立行政法人理化学研究所 | 関心組織領域抽出方法、関心組織領域抽出プログラム及び画像処理装置 |
US7664298B2 (en) | 2003-03-25 | 2010-02-16 | Imaging Therapeutics, Inc. | Methods for the compensation of imaging technique in the processing of radiographic images |
US7727153B2 (en) * | 2003-04-07 | 2010-06-01 | Sonosite, Inc. | Ultrasonic blood vessel measurement apparatus and method |
CA2557324C (en) | 2004-02-26 | 2012-10-16 | Osteologix A/S | Strontium-containing compounds for use in the prevention or treatment of necrotic bone conditions |
ATE493137T1 (de) * | 2004-02-26 | 2011-01-15 | Osteologix As | Strontiumhaltige verbindungen zur verwendung bei prävention oder behandlung nekrotisierender knochenkrankheiten |
US7869860B2 (en) | 2005-11-14 | 2011-01-11 | University Of Washington | Method for enhancing the accuracy of PET/CT images |
JP2007151609A (ja) * | 2005-11-30 | 2007-06-21 | Canon Inc | 骨計測装置及びその方法 |
JP4992456B2 (ja) * | 2007-02-16 | 2012-08-08 | コニカミノルタエムジー株式会社 | 骨疾患評価システム |
US7706501B2 (en) * | 2007-09-07 | 2010-04-27 | Carestream Health, Inc. | Method and apparatus for measuring long bone density of small-animals |
-
2010
- 2010-09-10 IN IN3065DEN2012 patent/IN2012DN03065A/en unknown
- 2010-09-10 EP EP10814817.2A patent/EP2476095A4/en not_active Ceased
- 2010-09-10 CA CA2809286A patent/CA2809286C/en not_active Expired - Fee Related
- 2010-09-10 WO PCT/AU2010/001181 patent/WO2011029153A1/en active Application Filing
- 2010-09-10 CN CN201710698270.8A patent/CN107610096B/zh active Active
- 2010-09-10 AU AU2010292991A patent/AU2010292991B2/en active Active
- 2010-09-10 JP JP2012528197A patent/JP5859966B2/ja active Active
- 2010-09-10 EP EP21182562.5A patent/EP3940634A1/en active Pending
- 2010-09-10 CN CN201080051311.0A patent/CN102648482B/zh active Active
- 2010-09-10 US US13/395,379 patent/US9064320B2/en active Active
-
2015
- 2015-05-22 US US14/720,004 patent/US9378566B2/en active Active
- 2015-06-25 AU AU2015203523A patent/AU2015203523B2/en active Active
- 2015-12-17 JP JP2015245868A patent/JP6208735B2/ja active Active
-
2016
- 2016-06-23 US US15/191,079 patent/US9566038B2/en active Active
-
2017
- 2017-01-04 US US15/398,116 patent/US9877691B2/en active Active
- 2017-09-06 JP JP2017171266A patent/JP6475300B2/ja active Active
-
2018
- 2018-01-24 US US15/879,126 patent/US10182781B2/en active Active
- 2018-01-25 AU AU2018200612A patent/AU2018200612B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020181755A1 (en) * | 2001-05-09 | 2002-12-05 | Sooyeul Lee | Method for measuring bone mineral density by using X-ray image |
CN1682236A (zh) * | 2002-08-20 | 2005-10-12 | 成像治疗仪股份有限公司 | 用于x射线图像分析的方法和设备 |
CN101199429A (zh) * | 2006-12-13 | 2008-06-18 | 计算机逻辑公司 | 超声波骨评估的方法和装置 |
CN101085091A (zh) * | 2007-06-11 | 2007-12-12 | 中国人民解放军第二军医大学 | 一种用于防治骨质疏松症的中药提取物及其制备方法 |
CN101271574A (zh) * | 2008-03-20 | 2008-09-24 | 华南师范大学 | 三维可视化的方法、装置 |
Non-Patent Citations (2)
Title |
---|
HCT图像中骨小梁结构的三维重建;刘文军 等;《中国医学物理学杂志》;20050331;第22卷(第2期);第447-449页 * |
高分辨率CT图像定量描述非胰岛素治疗2型糖尿病患者跟骨形态学改变;胡彦君 等;《中国组织工程研究与临床康复》;20080624;第12卷(第26期);第5071-5074页 * |
Also Published As
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610096B (zh) | 用于所选组织结构的图像分析的方法及*** | |
Pothuaud et al. | Fractal analysis of trabecular bone texture on radiographs: discriminant value in postmenopausal osteoporosis | |
Gordon et al. | Image-based assessment of spinal trabecular bone structure from high-resolution CT images | |
CN108472002A (zh) | 用于医学图像分析的方法和设备 | |
US6560474B2 (en) | Method for evaluating structural strength of cancellous bone using X-ray image | |
US10950015B2 (en) | Medical image processing method, and computer readable storage medium | |
Mallard et al. | Trabecular microarchitecture in established osteoporosis: relationship between vertebrae, distal radius and calcaneus by X-ray imaging texture analysis | |
Camp et al. | System for the analysis of whole-bone strength from helical CT images | |
Graham | Detecting low bone mineral density from dental radiographs: a mini-review | |
Sevestre-Ghalila et al. | Texture image analysis for osteoporosis detection with morphological tools | |
Harrar et al. | The fractal dimension correlated to the bone mineral density | |
EP4105880A1 (en) | An x-ray image analysis method and apparatus | |
JP2005304872A (ja) | 骨折予知判定システム及び骨折予知判定方法 | |
WO2024157202A1 (en) | System and method for analysis of medical images | |
Ohs et al. | 2.1 Validation of HR-pQCT against micro-CT for morphometric and biomechanical analyses: A | |
Sapthagirivasan et al. | A computer aided system for automatic extraction of femur neck trabecular bone architecture using isotropic volume construction from clinical hip CT images | |
Lee et al. | Quantification of Risk Factors for Osteoporosis using Thresholding Technique based on Trabecular Microarchitectures of the Proximal Femur |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240129 Address after: Vitoria Australia Patentee after: Quguang Intelligent Co.,Ltd. Country or region after: Australia Address before: Vitoria Australia Patentee before: Straxcorp Pty Ltd. Country or region before: Australia |
|
TR01 | Transfer of patent right |