CN110720128A - 使用图集要素识别图像中的候选要素以确定疾病状态 - Google Patents

使用图集要素识别图像中的候选要素以确定疾病状态 Download PDF

Info

Publication number
CN110720128A
CN110720128A CN201880036870.0A CN201880036870A CN110720128A CN 110720128 A CN110720128 A CN 110720128A CN 201880036870 A CN201880036870 A CN 201880036870A CN 110720128 A CN110720128 A CN 110720128A
Authority
CN
China
Prior art keywords
image
elements
candidate
atlas
quantitative
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
Application number
CN201880036870.0A
Other languages
English (en)
Inventor
R·阿塔里瓦拉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Health Early Warning Imaging Network Co Ltd
Original Assignee
Health Early Warning Imaging Network Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Health Early Warning Imaging Network Co Ltd filed Critical Health Early Warning Imaging Network Co Ltd
Publication of CN110720128A publication Critical patent/CN110720128A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本文公开了用于确定图像要素的疾病状态的***和方法。示例方法可以包含提供定量图像和非定量图像、确定所述定量图像到图集的对应映射以及通过将所述定量图像的所述要素与所述图集的图集要素进行比较来确定所述定量图像的候选要素。所述示例方法还可以包含定位所述非定量图像中的所述候选要素、基于所述非定量图像的属性对所述候选要素进行分类以及确定所述候选要素的疾病状态。

Description

使用图集要素识别图像中的候选要素以确定疾病状态
相关申请的交叉引用
本申请根据35 U.S.C.§119要求于2017年4月20日提交的美国临时申请序列号62/487,848的较早提交日期的的权益，出于所有目的，所述申请的全部内容以其全文通过引用特此并入。
技术领域
本文描述的实例涉及一种使用定量图像确定组织疾病状态的方法以及一种用于执行所述方法的***。
背景技术
医学图像由空间中不同点处的强度值构成，所述强度值通常以规则的笛卡尔网格布置。网格可以例如是：二维的，如用于平面x射线成像或MR切片成像；三维的，如用于3D CT或3D MRI成像；或者四维的，如用于呼吸相关的4D CT成像。强度值取决于使用的成像模式；例如，所述强度值可以对应于x射线衰减，或者与水分子浓度有关。强度值通常是相对的，例如，所述强度值的值本身没有任何意义，只是在网格中相邻点之间提供对比度。例如，临床医生可以使用对比度上的变化来在视觉上区分癌组织和非癌组织。
在定量医学成像中，获取技术和重建技术试图产生强度值为绝对的图像，例如，所述图像的强度值与患者在所述点的物理或功能属性相关。定量成像的一个潜在优势是，图像可以用于基于强度值本身而非主观地比较图像之间的强度变化来诊断患者体内的恶性肿瘤区域。在实践中，定量医学成像被强度值与患者属性之间关系的巨大不确定性所混淆。
通过大量医学成像数据集在视觉上进行搜索以及根据这些变化解释强度值既耗时又需要高深的经验，特别是对于没有已知可疑疾病的有限区域的全身成像。用于自动化诊断的方法被强度值的不确定性所混淆。本公开旨在满足这种需求。
发明内容
本文公开了用于确定候选要素和/或所述候选要素的疾病状态的示例方法和***。示例方法可以包含：提供受试者的至少一个定量图像，所述至少一个定量图像中的每一个包含要素；提供对应于所述受试者的图集，所述图集包含图集要素，所述图集要素中的每一个包括度量分布；确定将所述至少一个定量图像的要素与对应的图集要素相关联的对应映射；以及通过将所述至少一个定量图像的某些要素的值与所述对应映射的相关图集要素的所述度量分布进行比较来确定候选要素。
所述示例方法还可以包含：提供所述受试者的至少一个另外的图像，所述至少一个另外的图像中的每一个包含要素；将所述候选要素定位到所述至少一个另外的图像的对应要素；基于所述至少一个另外的图像的所述对应要素的属性将所述候选要素分类为至少一个类别；以及通过分析对应于所述候选要素的所述至少一个另外的图像的所述至少一个类别确定所述候选要素的疾病状态。
示例方法可以包含：将定量图像的候选要素定位到至少一个另外的图像的对应要素；基于所述至少一个另外的图像的所述对应要素的属性将所述候选要素分类为至少一个类别；以及通过分析对应于所述候选要素的所述至少一个另外的图像的所述至少一个类别确定所述候选要素的疾病状态。
示例***可以包含至少一个处理单元和用指令编码的至少一个计算机可读介质，所述指令当被执行时使得所述***：提供受试者的至少一个定量图像和至少一个另外的图像，所述至少一个定量图像和所述至少一个另外的图像中的每一个包含要素；提供对应于所述受试者的图集，所述图集包含图集要素，所述图集要素中的每一个包含度量分布；确定将所述至少一个定量图像的要素与对应的图集要素相关联的对应映射；通过将所述至少一个定量图像的某些要素的值与所述对应映射的相关图集要素的所述度量分布进行比较来确定候选要素；将所述候选要素定位到所述至少一个另外的图像的对应要素；基于所述至少一个另外的图像的所述对应要素的属性将所述候选要素分类为至少一个类别；并且通过分析对应于所述候选要素的所述至少一个另外的图像的所述至少一个类别确定所述候选要素的疾病状态。
附图说明
根据以下结合附图给出的描述和所附权利要求，本公开的前述和其它特征将变得更加充分明显。应理解的是，这些附图仅描绘了根据本公开的几个实例，因此不应被认为是对本公开范围的限制，将通过使用附图用另外的特征和细节来描述本公开，在附图中：
图1是根据本公开的实施例布置的用于确定组织疾病状态的方法的流程图；
图2是描绘根据本公开的实施例布置的用于确定组织疾病状态的***的示意图；
图3是根据本公开的实施例布置的定位候选要素的方法的流程图；
图4是根据本公开的实施例布置的对应映射的示意图；
图5是根据本公开的实施例布置的度量分布的示意图；
图6是根据本公开的实施例布置的过滤候选要素的方法的流程图；并且
图7是根据本公开的定位和过滤候选要素的方法的流程图；
所有这些图都根据本公开的至少一些实施例布置。
具体实施方式
在以下具体实施方式中，参考了附图，这些附图构成了本说明书的一部分。在附图中，相似的符号通常标识相似的部件，除非上下文另有说明。具体实施方式、附图和权利要求中描述的说明性实例并不意味着是限制性的。在不脱离本文所呈现的主题的精神或范围的情况下，可以利用其它实例，并且可以进行其它改变。容易理解的是，如本文总体描述的和在附图中示出的，本公开的各方面可以按各种不同的配置来布置、替换、组合、分离和设计，在本文中隐含设想了所有这些配置。
本公开尤其涉及通常与提供受试者的至少一个定量图像有关的方法、***、产品、装置和/或设备，所述至少一个定量图像中的每一个包含要素。可以提供对应于受试者的图集。所述图集包含图集要素，所述图集要素中的每一个包含度量分布。可以确定将所述至少一个定量图像的要素与对应的图集要素相关联的对应映射。可以通过将所述至少一个定量图像的某些要素的值与所述对应映射的相关图集要素的度量分布进行比较来确定候选要素。本公开还可以涉及提供所述受试者的至少一个另外的图像，所述至少一个另外的图像中的每一个包含要素。所述候选要素可以被定位到所述至少一个另外的图像的要素中的对应要素。所述候选要素可以基于所述至少一个另外的图像的对应要素的属性被分类为至少一个类别。所述候选要素的疾病状态可以通过分析对应于所述候选要素的所述至少一个另外的图像的所述至少一个类别来确定。
图1是根据本公开的实施例布置的用于确定组织疾病状态的方法的流程图。示例方法可以包含一或多个操作、功能或动作，如框100、102、104、105、106和/或108中的一或多个所示。框100到108中描述的操作可以响应于执行(如通过本文描述的一或多个处理器)存储在计算机可读介质(如计算装置或类似配置的一些其它控制器的计算机可读介质)中的计算机可执行指令来执行。
方法100包含至少一个图像102。框104描绘了“对候选要素进行定位”，并且可以接受所述至少一个图像102作为输入。框104可以输出候选要素105。框104之后可以为框106，框106可以接受候选要素105作为输入，并且描绘了“对候选要素进行过滤”。框106可以输出组织的患病要素108。
一或多个图像102可以为受试者的医学图像。图像102可以在方法100期间获取，或者可以预先获取。如果预先获取了图像102，则可以将其存储在存储介质(如计算机可读介质)上，直到准备好在方法100中使用。图像102可能已经在方法100正在执行的相同位置处获取，或者可能已经从远程位置传输。图像102可以通过有线或无线连接传输到方法100正在执行的位置。图像102可以为单个图像或多个图像，其可以包含不同成像模式的混合。在某些实施例中，所述模式可以包含磁共振成像(MRI)、超声、光学成像、x射线、计算机断层扫描(CT)、正电子发射断层扫描(PET)或其组合。图像102可以为定量图像、非定量图像或组合。所述至少一个图像102可以包含如像素、体素、对应于解剖结构的体素组、表面或其组合等要素。
框104叙述“对候选要素进行定位”。针对异常区域分析所述至少一个图像102。确定并分析图像102的要素(或要素组)中的每一个的属性。所述要素可以为图像的成分，并且可以为原始图像数据(例如，每个像素的强度值)，可以为经过处理的图像数据(例如，每个像素的经过归一化或经过背景校正的强度值)，可以为图像成分到已识别特征(例如，识别为组织结构的像素形心的坐标)的分组，或者可以为其组合。图像102中可以存在多种不同类型的要素。不同的属性和值可以与不同类型的要素相关联(例如，位置、强度、纹理、组织类型等)。在一些实例中，所述要素可以为像素、体素、已被识别为解剖结构的体素组、已经通过分割算法从所述数据中提取的表面、注释、图像坐标空间中的点或组合。在其它实例中可以使用其它要素。可以将所述要素与对应于不同组织的正常范围或概率分布进行比较。将确定为关注的要素作为候选要素105输出。候选要素105可以表示图像102的要素的子集。候选要素105可以为具有异常组织属性的区域，并且可以为用于进一步临床研究的所关注的区域。候选要素105可以单独使用，例如，用于指导受试者的医学治疗。方法100可以继续进行到框106，框106对候选要素105进行过滤。
框106叙述“对候选要素进行过滤”。框106可以接受候选要素105作为输入。框106可以使用所述至少一个图像102的另外的属性来确定候选要素105中的哪些(如果有的话)表示患病组织。框106可以使用来自所述至少一个图像102的与框104相同或不同的信息。框104和框106可以使用对应于同一患者的不同图像。框106可以输出一组患病要素108，所述患病要素表示候选要素105的子集。患病要素108可以代表图像中对应于受试者的患病组织的区域。
虽然方法100示出了一起起作用的框104和106，但是应当理解，每个框都可以独立使用。例如，临床医生可以通过一些其它方法来确定所关注的候选区域，并且然后将所述区域用作对框106的输入以进行过滤。类似地，临床医生可以使用框104分析一组图像，并且然后使用产生的候选要素105，而无需继续进行到框106。
方法100可以涉及来自操作者(例如，医生或技术人员)的反馈，或者可以以独立于用户的方式自动操作。可以将候选要素105呈现给操作者以进行审查。在框106之前，可以要求操作者接受所定位的候选要素105或对其进行编辑。方法100可以将候选要素105和/或患病要素108作为结果显示给操作者。操作者可以审查、验证和/或编辑所述结果。操作者可以基于所述结果管理患者健康。作为实例，可以基于候选要素105安排进一步的测试，或者可以基于患病要素108的状态管理治疗。方法100可以用于通过使用候选要素105和/或患病要素108用自动健康管理***(如剂量计算器)来自动管理患者健康。因此，一或多种患病要素的识别可以实现诊断——例如，癌症、炎症、肿瘤。响应于诊断，可以给患者施用各种药物，和/或可以为患者执行治疗(例如，活检、化疗、透析等)。
图2是描绘用于确定组织疾病状态的***的示意图。***200可以用于执行确定组织疾病状态的方法，如图1的方法100。***200包含受试者(例如患者)201、候选位置(或区域)205'、患病位置(或区域)208'、成像单元212和操作单元210。操作单元212可以包含输入/输出单元(例如，显示器)214、控制器216、处理器218和存储器220。成像单元212可以产生图像202，可以将所述图像发送到操作单元212以存储在存储器220中和/或显示在输入/输出单元214上。图像202包含候选要素205和患病要素208。存储器220可以包含指令222和图集224，所述指令包含用于定位候选要素204和过滤候选要素206的指令。
受试者201可以包含其体内的候选区域205'和/或患病位置208'。成像单元210可以对受试者201的全部或部分进行扫描或成像以产生被发送到操作单元212以形成图像202的数据。操作单元212可以包含输入/输出单元214、控制器216、处理器218和存储器220。存储器存储可以访问以使处理器218执行某些操作的指令222。处理器218和/或存储器可以从成像单元210接收数据以产生图像202。处理器218可以执行存储器的指令222，如定位候选要素204和/或过滤候选要素206，以产生图像202的候选要素205和患病要素208。图像202的候选要素205可以对应于受试者201的候选位置205'，并且图像202的患病要素208可以对应于受试者201的患病位置208'。当执行一或多个指令222时，处理器218可以访问图集224。
受试者201可以为哺乳动物，如人。受试者201可以为表现出症状或正在接受疾病或病状的治疗和/或监测的患者。受试者201可以为普通人群的一员，或者可以为无症状的。受试者201可以具有一或多个候选位置205'和/或一或多个患病区域208'。区域205'、208'可以位于受试者201的外表面上(例如，在皮肤上)，或者可以位于内部。所述一或多个患病区域208'可以为所述一或多个候选位置205'的子集。候选位置205'可以为具有落在所述组织的正常临床范围之外的属性或者具有足够概率落在所述组织的正常临床范围之外的组织的区域。所述候选位置也可以用人工智能算法来检测。所述一或多个患病区域208'可以为包含对受试者201有害或将来可能对受试者201有害的结构的位置。在一个实例中，患病区域208'可以为癌细胞区域，如肿瘤。在其它实例中可以研究其它患病组织或病状。
成像单元210可以产生受试者201的一或多个图像(如图像202)。成像单元可以产生受试者201的单个图像或多个图像。成像单元210可以产生受试者201的全部或一部分的图像。成像单元210可以包含多种成像模式，如MRI、超声波、光学成像、x射线、CT、PET或其组合。在一些情况下，多个成像模式可以物理地安装在不同的位置，并且患者可以被运送到所述不同的位置以完成单独的成像期。成像单元210可以产生受试者201的全身扫描。成像单元可以产生定量图像、非定量图像或组合。成像单元210可以通过有线和/或无线通信耦接到操作单元212。成像单元210可以向操作单元212发送原始数据，或者可以向操作单元212发送经过处理的数据。成像单元210和操作212可以彼此远离地定位。所述数据可以由成像单元210存储在非暂时性介质(如计算机可读介质)上，并稍后由操作单元212检索。
成像单元210产生的图像202可以用作图1的图像102。图像202可以由操作单元212存储、显示和/或分析。图像202可以表示受试者201。所述图像可以包含如像素、体素、对应于解剖结构的体素组、表面或其组合等要素。图像202可以包含定量图像，其中图像202的每个要素的值(例如，强度)具有与受试者201在对应于所述要素的位置处的属性相关的绝对值。所述图像可以由处理器218和/或成像单元210进行图像处理。所述图像处理可以包含针对失真或伪像进行校正、对值进行归一化或组合。图像202的要素的值可以被归一化，使得所述值例如在0到255之间。在其它实例中可以使用其它范围。成像单元210可以被校准。所述校准可以涉及使用成像单元210产生具有已知属性的组织体模(未示出)的图像。
操作单元212从成像单元210接收数据。操作单元212可以为计算机。操作单元212使用来自成像单元210的数据产生图像202。所述数据可以保存到存储器220中。控制器216可以使处理器218将图像202渲染到输入/输出214上。在一些实例中，输入/输出214可以为显示器，如计算机监视器。控制器216还可以向成像单元210发送指令，以控制受试者201的成像的各个方面。控制器216可以使处理器218执行存储在存储器中的指令222。
存储器220中的指令222可以用于分析图像202。指令222可以包含用于定位候选要素204的指令(如图1的框104)。指令222可以包含用于过滤候选要素206的指令(如图1的框106)。指令204、206可以在同一图像202上按顺序运行，或者可以作为单独的步骤运行。指令204、206可以产生图像202的候选要素205和/或患病要素208。输入/输出202可以显示图像202以及候选要素205和患病要素208中的一或多个。存储器220可以存储另外的信息，如可以在指令222中的一或多个指令中使用的图集224。
图3是根据本公开的实施例布置的定位候选要素的方法304的流程图。示例方法可以包含一或多个操作、功能或动作，如框302、302a、302b、324、326、327、328、330、332和/或334中的一或多个所示。框302到334中描述的操作可以响应于执行(如通过本文描述的一或多个处理器)存储在计算机可读介质(如计算装置或类似配置的一些其它控制器的计算机可读介质)中的计算机可执行指令来执行。
方法304包含至少一个图像302，所述至少一个图像包含定量图像302a。图像302还可以包含另外的图像302b，其可以为定量图像、非定量图像或组合。所述方法还包含图集324，其包含图集要素326和度量分布327。示例过程可以开始于框328，框328叙述“确定对应映射”，并接受图像302和图集324作为输入。框328之后可以为框330，框330叙述“将度量分布分配给定量图像要素”。框330之后可以为框332，框332叙述“定位候选要素”。框332之后可以为框334，框334叙述“存储候选要素或过滤”。
方法304可以为定位候选要素的详细方法，如图1-2的方法104和204。图像302可以与图1的图像102和图2的图像202相似或相同。图像302可以包含定量图像302a和另外的图像302b的混合。定量图像302a和另外的图像302b均由如本文所述的要素构成。定量图像302a具有拥有绝对值的要素，例如，所述要素的值与图像在所述点处的物理或功能属性有关。定量图像302a可以被校准。定量图像302a可以包含定量MRI、定量PET、定量超声或组合。定量图像的实例包含全身扩散加权成像MRI(DWI MRI)。非定量图像的实例包含短TI反转恢复(STIR)MRI、T1加权MRI图像、T2加权MRI图像、CT、PET、单光子发射计算机断层扫描(SPECT)、超声或组合。
图集324为来自正常患者群体的平均值的表示。图集324可以由一或多个预先从正常患者群体获取的图像构建，可以由关于正常患者群体的统计或概括人工生成或组合。图集324可以包含普通或代表性患者的单个合成图像，或者多个此些图像。图集324可以表示所有正常患者，或者可以表示正常患者群体的子集。所述子集可以受例如性别、年龄、体重、身高、体形或其它因素中的一或多项的限制。图集324可以被选择或过滤以对应于图像302的受试者(如图2的受试者201)。在一个实例中，如果所述受试者为一名15岁的女性，则图集可能通过“女性”和“青少年”过滤，并且可以产生平均只对女性青少年进行患者扫描的图集。在其它实例中可以使用其它过滤器。
图集324可以包含图集要素326和度量分布327。图集要素326可以各自与度量分布327中的一或多个相关联。图集要素326可以为图像像素、图像体素、分割的表面、参考点、参考结构或组合。度量分布327可以为每个图集要素326的“正常”值的范围。度量分布327可以包含强度值或根据强度值计算的值，如平均强度值或纹理值。在定量图像202a为DWI MRI图像的一个实施例中，度量分布327是每个图集要素326的预期扩散值的范围。在其它实例中可以使用其它定量图像和度量分布。度量分布327可以为经过归一化的值。度量分布327可以为强度值的概率密度分布范围、强度值的平均值和标准差、预期纹理值的范围或组合。图集324可以包含多个图像，每个图像包含具有度量分布的图集要素。
框328描述“确定对应映射”，并接受包含定量图像302a和图集324的输入。在框328期间，定量图像302a的每个要素与图集要素326中的一或多个相匹配。图集要素326可以被映射到定量图像302a的要素上，或者定量图像302a的所述要素可以被映射到图集要素326上。映射可以针对图集324中一或多个正常患者的大小和形状与定量图像302a的受试者的大小和形状之间的差异进行调整。在一个实施例中，对应映射可以通过使用可变形配准算法来执行。在另一个实施例中，定量图像302a可以被分割以将所述定量图像分成一或多个结构要素，并且图集要素326可以被定义为结构要素。定量图像302a要素可以通过比较所述要素的大小、形态和/或定位来与图集要素326进行匹配。例如，***链可以在颈部大小为约2cm，在胸部大小为约1cm，这可以与形态学信息相结合来识别所述图像中的对应结构。在其它实例中可以使用其它确定所述对应映射的方法，如使用人工智能算法。
图4为对应映射的示意图，所述对应映射可用作图3的框328的对应映射。图4包含具有图集要素426a的图集424和具有经过映射的图集要素426b的图像402。在图4的实例中，图集要素426a表示正在被映射到图像402的对应要素上的结构。如箭头所示，图集要素426a在被映射到图像402上以成为经过映射的要素426b时经历大小和形状上的变化。对应要素426a、426b中的每一组可以具有对应于所述组共有的结构、组织类型或其它特征的度量分布。
参考回图3，在确定对应映射之后，方法304继续进行到框332，框332叙述“定位候选要素”。将定量图像302a的要素与由对应映射确定的对应图集要素326的度量分布327进行比较。所述比较可以涉及直接比较(如将值与阈值进行比较)，或者可以涉及机器学习、深度学习或其它人工智能算法。在一些实施例中，用户(例如，临床医生)可以向***提供输入，以便定位所述候选要素。
图5描绘了度量分布的示意图，所述度量分布可以为图3的框332的定位候选要素的实例。图5包含要素536a-c(其可以为定量图像的要素)以及范围527a-c(其可以为图集的度量分布)。在此实例中，对所述定量图像的要素的所述值和对应图集要素的所述度量分布的比较通过确定所述定量图像要素的所述值是否落在所述度量分布的值的范围内来完成。图5描绘了三个要素536a-c，所述三个要素中的每一个与值527a-c的单独范围相关联。要素536a和536c具有分别落在范围527a和527c内的值，并且将被视为正常(例如，不是候选要素)。要素536b落在范围527b之外，并且将不被视为正常。要素536b可以被报告为候选要素(例如，图1的候选要素105)。在其它实例中可以使用将所述度量分布与所述定量图像的值进行比较的其它方法。
参考回图3，所述方法304涉及框334，框334叙述“存储候选要素或过滤”。经过定位的候选要素可以存储在存储器(如图2的存储器220)上和/或可以进行进一步的分析(如过滤)。可以对所述候选要素进行另外的处理。可以识别所述候选要素的坐标或形心。所述候选要素可以被分组在一起成为统一的要素。***(如图2的***200)可以显示经过定位的候选要素。候选要素305可以被显示为图像302上的覆盖物。
图6为根据本公开的实施例布置的过滤候选要素的方法606的流程图。示例方法可以包含一或多个操作、功能或动作，如框602、602a、602b、304、640、642、644、646、608中的一或多个所示。框602到646中描述的操作可以响应于执行(如通过本文描述的一或多个处理器)存储在计算机可读介质(如计算装置或类似配置的一些其它控制器的计算机可读介质)中的计算机可执行指令来执行。
方法606包含至少一个图像602，所述至少一个图像包含定量图像602a和另外的图像602b。示例过程可以开始于框640，框640叙述“定位另外的图像中的对应候选要素”，并接受另外的图像602b以及框304“定位候选要素”的结果作为输入。框640之后可以为框642，框642叙述“对对应的候选要素进行分类”。框642之后可以为框644，框644叙述“确定候选要素的疾病状态”。框644接受叙述“逻辑关系”的框646作为输入。框644可以输出患病要素608。
方法606可以分别用作对图1和2的候选要素105、205的过滤。方法606可以为方法304的延续，或者可以为独立的方法。类似地，包含定量图像602a和另外的图像602b的图像602可以分别为图1-3的图像102、202、302、302a、302b。框304被示出为叙述“定位候选要素”，并且可以表示图3的产生一组候选要素的方法304。方法606也可以单独用于新图像602和由不同过程(如由临床医生识别)确定的一组候选要素。
框640叙述“定位另外的图像中的对应候选要素”。在此步骤期间，在定量图像602a中识别的候选要素(如通过框304)被定位在对应另外的图像602b中。另外的图像602b可以为定量图像或非定量图像。另外的图像602b可以由与定量图像602a的要素类似的要素构成。所述候选要素可以为预先识别用于进一步审查的单独要素或要素组。在一个实例中，所述候选要素的坐标可以与另外的图像602b中的要素的坐标相匹配。在另一个实例中，可以使用非刚性配准算法将定量图像602a配准到另外的图像602b。在又一个实例中，图像602a、602b的公共要素可以通过分割每个图像中的结构来识别。在其它实例中可以使用其它定位方法。
框642叙述“对对应的候选要素进行分类”。对应于所述候选要素的另外的图像602b的属性可以被分配到不同类别。类别可以为二元的，如“暗”和“亮”，或者“硬”和“软”。类别还可能涉及两个以上的要素，如“暗”、“亮”和“未确定”或分配的多个离散值(例如，1-10范围内的亮度)。给定候选要素的类别可以通过将候选要素内的平均值、标准差或纹理值与平均周围值进行比较来确定。所述比较可以为确定所述候选要素内的值是高于还是低于周围要素的平均值。在一些实例中，机器学习算法可以用于将类别分配给所述候选要素。
框644叙述“确定候选要素的疾病状态”。基于应用于候选要素的类别，可以为所述候选要素分配患病或非患病状态。也可以确定其它状态，如例如疾病的类型。逻辑关系646可以应用于来自非定量图像602b的候选要素的类别。逻辑关系646可以特定于图像602的类型和/或应用。逻辑关系646可以反映对什么情况可能导致定量图像602a的要素被识别为候选要素的逻辑理解。逻辑关系646可以比较另外的图像602b的类别、定量图像602a的值或者两者。逻辑关系646可以被改变以反映不同的图像类型、用户偏好、更新的科学知识或其它因素。
表1给出了逻辑关系的实例。在此实例中，存在一个单独的定量图像(DWI)和两个另外的非定量图像(STIR和T1)。候选要素通过检查水分运动异常的要素的DWI图像来定位。出于此实例的目的，异常水分运动可以被认为是由流体或囊肿的存在、血液(如在脂肪或骨髓中)或肿瘤引起的。当存在流体或囊肿时，STIR图像亮，而当存在肿瘤时，STIR图像暗。当存在脂肪/骨髓时，T1图像亮，而当存在肿瘤时，T1图像暗。表1的各列示出了可能的成像模式。表1的各行示出了基于3种成像模式中的每一种的结果的诊断。在表1中，'X'表示该列的分类对诊断不重要，可能不需要考虑。因此，当给定候选要素在STIR和T1中都暗时，可以诊断出肿瘤。当STIR图像中的候选要素亮时，识别为流体和/或囊肿，并且当T1图像亮时，识别为血液。针对其它示例可以建立其它逻辑关系。
表1.逻辑关系
诊断 DWI STIR T1
肿瘤 候选 暗 暗
流体和/或囊肿 候选 亮 X
血液 候选 X 亮
以这种方式，本文描述的实例可以利用定量图像来使用与图集(例如，来自正常人群的平均图像值)的比较来识别候选要素。所述候选要素然后可以位于其它相关联的图像(例如，非定量图像)中。二元分类(例如，亮/暗)可以用于评估所述非定量图像中的所述候选要素，以达成对患病要素的识别。
方法606相应地输出患病要素608。患病要素608为图像602的要素，其被识别为对应于患病组织(如图2的患病位置208')。患病要素608可以反映当前患病的组织，或者可能变为患病的组织。方法606可以被改变(例如，通过指定逻辑关系646)以过滤不为患病组织的其它所关注的要素。每个候选要素的状态可以被保存在例如存储器(如图2的存储器220)上。可以生成报告来识别方法606认为患病的要素。
图7是根据本公开的定位和过滤候选要素的方法700的流程图。示例方法可以包含一或多个操作、功能或动作，如框748、750、704、740、742、752和患病要素708中的一或多个所示。框704到752中描述的操作可以响应于执行(如通过本文描述的一或多个处理器)存储在计算机可读介质(如计算装置或类似配置的一些其它控制器的计算机可读介质)中的计算机可执行指令来执行。
方法700可以包含框748，框748叙述“获取至少一个定量图像”。方法700还可以包含框750“获取至少一个另外图像”。框704可以在框748之后，并且叙述“对定量图像中的候选要素进行定位”。框740可以在框750和框704之后，并且叙述“对另外的图像中的候选要素进行共同定位”。框742可以在框740之后，并且叙述“对另外的图像中的候选要素进行分类”。框752可以在框704和742之后，并且叙述“对候选要素进行过滤”。可以从框752输出患病要素708。
方法700可以类似于本文描述的确定患病要素的其它方法。在方法700中，对候选要素的定位和对患病要素的过滤作为单个过程的一部分发生。方法700可以使用如图2的***200等***来执行。
框748和750分别叙述“获取至少一个定量图像”和“获取至少一个另外的图像”。所述图像可以由成像单元获取，如图2的成像单元210。所述图像可以被预先获取并且可以被存储直到被方法700调用。所述图像可以为例如图2的定量图像202a和另外的图像202b。在框750中获取的另外的图像可以是定量的或非定量的。所述图像可以对应于同一受试者。所述图像可以包含多种不同的成像模式。
框704叙述“对定量图像中的候选要素进行定位”。如本文所讨论的，方法可以用于识别所述定量图像的候选要素。这些方法可以包含将所述定量要素定位到图集，以及将所述定量图像的要素与图集要素进行比较，如图3的方法304中所述。
框740叙述“对另外的图像中的候选要素进行共同定位”。在框704中确定的候选要素被定位于在框750中获取的另外的图像中。所述定位可以大体类似于图6的框640的定位。
框742叙述“对另外的图像中的候选要素进行分类”。基于所述另外的图像的属性，所述另外的图像的候选要素被分组到多个类别中。所述分类可以大体类似于图6的框642的分类。
框752叙述“对候选要素进行过滤”。在此步骤中，比较定量图像和另外的图像中的候选要素属性，以确定所述候选要素中的每一个的疾病状态。可以将定量图像中的候选要素的值与另外的图像中的一或多个类别的候选要素进行比较。逻辑关系可以用于基于所述候选要素的属性来确定疾病状态。方法700的输出可以为一组患病要素708。
由图1-7中的一或多个输出的患病要素可以用于管理受试者的健康。所述患病要素可以用于诊断受试者。例如，可以基于所述患病要素对受试者的存活能力进行评估。可以基于所述患病要素安排后续检测。例如，可以在对应于所述患病要素的位置对受试者进行活检。所述患病要素可以(单独或与另外的信息一起)用于指导和/或监测治疗过程。例如，可以将药物输送到受试者对应于所述患病要素的位置，或者可以在所述位置进行手术。治疗的参数可以基于所述患病要素来确定。例如，药物的剂量可以通过定位在图像中的患病要素的体积来确定。所述方法可以随着时间推移在同一受试者上重复以监测所述患病要素的状态，如监测疾病进展。
本公开不限于本申请中描述的特定实例，所述实例旨在作为对各个方面的说明。对于本领域技术人员来说显而易见的是，在不脱离本技术的精神和范围的情况下，可以实施许多修改和实例。根据以上描述，除了本文所列举的方法和设备之外，在本公开的范围内的在功能上等效的方法和设备对本领域技术人员而言将会是显而易见的。此些修改和实例旨在落入所附权利要求书的范围之内。本公开仅受所附权利要求的条款与这些权利要求所赋予的等效物的全部范围的限制。应理解，本公开不限于特定方法、试剂、化合物、组合物、或生物***，当然这些可以变化。还应理解，本文中使用的术语仅出于描述特定实例的目的并且不旨在是限制性的。
关于本文中基本上任何复数术语和/或单数术语的使用，本领域技术人员可以根据上下文和/或应用从复数转换成单数和/或从单数转换成复数。为了清楚起见，本文可以明确地阐述各种单数/复数排列。
本领域技术人员将理解，一般来说，本文使用的术语，尤其是在所附权利要求书(例如，所附权利要求书的主体)中使用的术语，通常旨在作为“开放式”术语(例如，术语“包含(including)”应被解释为“包含但不限于”，术语“具有”应被解释为“至少具有”，术语“包含(includes)”应被解释为“包含但不限于”等)。
本领域技术人员将进一步理解的是，如果意指特定数目的所引入的权利要求陈述，那么将在所述权利要求中明确陈述这种意图，并且在无此类陈述的存在下，不呈现这种意图。例如，为了帮助理解，以下所附权利要求书可以包含使用介绍性短语“至少一个”和“一或多个”以介绍权利要求陈述。然而，这种短语的使用不应被解释为暗示由不定冠词“一个(a)”或“一种(an)”介绍的权利要求陈述将包含这种介绍的权利要求陈述的任何特定权利要求限制为仅包含一个这种陈述的实例，即使当同一权利要求包含介绍性短语“一或多个”或“至少一个”以及不定冠词如“一个(a)”或“一种(an)”(例如，“一个(a)”和/或“一种(an)”应被解释为意指“至少一个”或“一或多个”)；这同样适用于用于介绍权利要求陈述的定冠词的使用。此外，即使明确陈述了特定数量的介绍的权利要求陈述，本领域技术人员将认识到，这种陈述应该被解释为至少意指所陈述的数量(例如，在无其它修饰语的情况下仅陈叙“两个陈述”意指至少两个陈述或者两个或两个以上陈述)。
此外，在使用类似于“A、B、C等中的至少一个”的惯例的情况下，一般来说，这种结构旨在对本领域技术人员将理解所述惯例而言(例如，“具有A、B和C中的至少一个的***”将包含但不限于单独具有A、单独具有B、单独具有C、具有A和B一起、具有A和C一起、具有B和C一起和/或具有A、B和C一起等的***)。在使用类似于“A、B或C等中的至少一个”的惯例的情况下，一般来说，这种结构旨在对本领域技术人员将理解该惯例而言(例如，“具有A、B或C中的至少一个的***”将包含但不限于单独具有A、单独具有B、单独具有C、具有A和B一起、具有A和C一起、具有B和C一起和/或具有A、B和C一起等的***)。本领域技术人员将进一步理解，无论是在说明书、权利要求书还是附图中，呈现两个或两个以上替代性术语的几乎任何分离的单词和/或短语都应理解为考虑包含术语中的一者、术语中的任一者或术语两者的可能性。例如，短语“A或B”将被理解为包含“A”或“B”或“A和B”的可能性。
另外，在根据马库什群组描述本公开的特征或方面的情况下，本领域技术人员将认识到，本公开也因此以马库什群组的任何单个成员或成员的子组的形式描述。
如本领域技术人员将理解的，出于任何及所有目的，如就提供书面说明而言，本文中公开的所有范围还包含任何及所有可能的子范围及其子范围的组合。任何列出的范围都可以很容易地被识别为充分描述并使相同的范围被分解为至少相等的两份、三份、四份、五份、十份等。作为非限制性实例，本文所讨论的每个范围可以容易地分解为下三分之一、中三分之一和上三分之一等。如本领域技术人员还将理解的，如“至多”、“至少”、“大于”、“小于”等所有语言包含所引用的数字并且指代可以随后分解成如上所讨论的子范围的范围。最终，如本领域技术人员将理解的，范围包含每个单独的成员。因此，例如，具有1-3个项目的组是指具有1个、2个或3个项目的组。类似地，具有1-5个项目的组是指具有1个、2个、3个、4个或5个项目的组，等等。
虽然前面的具体实施方式已经通过使用框图、流程图和/或实例阐述了装置和/或过程的各种实例，但是此类框图、流程图和/或实例包含一或多个功能和/或操作，本领域技术人员将理解，此类框图、流程图或实例中的每个功能和/或操作可以单独地和/或共同地由多种硬件、软件、固件或几乎其任意组合来实施。在一个实例中，本文描述的主题的若干个部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)或其它集成格式来实施。然而，本领域技术人员将认识到，本文公开的实例的一些方面可以全部或部分地等效地在集成电路中实施为在一或多台计算机上运行的一或多个计算机程序(例如，实现为在一或多个计算机***上运行的一或多个程序)、实施为在一或多个处理器上运行的一或多个程序(例如，实施为在一或多个微处理器上运行的一或多个程序)、实施为固件或实施为几乎其任何组合，并且根据本公开，设计电路和/或为软件和/或固件编写代码将完全在本领域技术人员的技术范围内。例如，如果用户确定速度和准确性是最重要的，则用户可以选择主要为硬件和/或固件的工具；如果灵活性是最重要的，用户可以选择主要为软件的实施方式；或者，再次可选地，用户可以选择硬件、软件和/或固件的某种组合。
此外，本领域技术人员将理解，本文描述的主题的机制能够以多种形式作为程序产品分发，并且无论用于实际执行分发的信号承载介质的具体类型如何，本文描述的主题的说明性实例都适用。信号承载介质的实例包含但不限于以下：可记录型介质，如软盘、硬盘驱动器、光盘(CD)、数字视频磁盘(DVD)、数字磁带、计算机存储器等；以及传输型介质，如数字和/或模拟通信介质(例如，光纤电缆、波导、有线通信链路、无线通信链路等)。
本领域技术人员将认识到以本文阐述的方式描述装置和/或过程然后使用工程实践将如此描述的装置和/或过程集成到数据处理***中在本领域内是常见的。也就是说，本文描述的装置和/或过程的至少一部分可以通过合理数量的实验集成到数据处理***中。本领域技术人员将认识到，典型的数据处理***通常包含***单元外壳、视频显示装置、存储器(如易失性和非易失性存储器)、处理器(如微处理器和数字信号处理器)、计算实体(如操作***、驱动器、图形用户界面和应用程序)、一或多个交互装置(如触摸板或屏幕)和/或控制***(包含反馈回路和控制电机(例如，用于感测位置和/或速度的反馈；用于移动和/或调节部件和/或数量的控制电机))。典型的数据处理***可以利用任何合适的可商购部件(如通常在数据计算/通信***和/或网络计算/通信***中存在的部件)来实施。
本文描述的主题有时示出包含在不同的其它部件内或与不同的其它部件连接的不同部件。应当理解，如此描述的架构仅为实例，并且实际上可以实施实现相同功能的许多其它架构。在概念意义上，用于实现相同功能的部件的任何布置被有效“关联”，使得期望功能得以实现。因此，本文中被组合以实现特定功能的任何两个部件可以被视为彼此“相关联”，使得期望功能被实现，而不论架构或中间部件如何。同样，任何两个如此关联的部件也可以被视为彼此“可操作地连接”或“可操作地耦接”以实现期望功能，并且能够如此关联的任何两个部件也可以被视为彼此“可操作地耦接”以实现期望功能。可操作地耦接的具体实例包含但不限于可物理地配对和/或物理地相互作用的部件和/或可无线地相互作用和/或无线地相互作用的部件和/或逻辑上相互作用的和/或逻辑上可相互作用的部件。
尽管本文已经公开了各个方面和实例，但是其它方面和实例对于本领域技术人员将是显而易见的。本文所公开的各个方面和实例是出于说明的目的，而不是旨在进行限制，并且真实范围和精神由所附权利要求书指示。

Claims (30)

1.一种方法，其包括：
提供受试者的至少一个定量图像，所述至少一个定量图像中的每一个包括要素；
提供对应于所述受试者的图集，所述图集包括图集要素，所述图集要素中的每一个包括度量分布；
确定将所述至少一个定量图像的要素与对应的图集要素相关联的对应映射；以及
通过将所述至少一个定量图像的某些要素的值与所述对应映射的相关图集要素的所述度量分布进行比较来确定候选要素。
2.根据权利要求1所述的方法，其进一步包括：
提供所述受试者的至少一个另外的图像，所述至少一个另外的图像中的每一个包括要素；
将所述候选要素定位到所述至少一个另外的图像的对应要素；
基于所述至少一个另外的图像的所述对应要素的属性将所述候选要素分类为至少一个类别；以及
通过分析对应于所述候选要素的所述至少一个另外的图像的所述至少一个类别确定所述候选要素的疾病状态。
3.根据权利要求1所述的方法，其中所述要素包括像素、体素、对应于解剖结构的体素组、表面、点、注释或其组合。
4.根据权利要求1所述的方法，其中所述至少一个定量图像包括全身扩散加权MRI图像。
5.根据权利要求4所述的方法，其进一步包括使用体模校准所述全身扩散加权MRI图像。
6.根据权利要求1所述的方法，其中所述图集包括正常患者群体的预先获取的定量数据。
7.根据权利要求1所述的方法，其中所述图集包括正常患者群体子集的预先获取的定量数据，所述子集至少部分地通过所述受试者的属性确定。
8.根据权利要求1所述的方法，其中所述图集要素包括图像像素、图像体素、分割的表面、参考点、参考结构、注释或其组合。
9.根据权利要求1所述的方法，其中所述度量分布包括所述图集的要素的预期扩散值的范围、强度值的概率密度分布、强度值的平均值和标准差、预期纹理值的范围或组合。
10.根据权利要求1所述的方法，其中所述确定所述对应映射包括使用可变形配准技术。
11.根据权利要求1所述的方法，其中所述确定所述对应映射包括将所述至少一个定量图像分割成一或多个结构要素，并将所述一或多个结构要素与所述图集要素相匹配。
12.根据权利要求2所述的方法，其中所述至少一个另外的图像包括至少一个另外的定量图像、至少一个非定量图像或组合。
13.根据权利要求12所述的方法，其中所述至少一个非定量图像包括STIR图像、T1加权图像、T2加权图像、CT图像、SPECT图像、PET图像、超声图像或其组合。
14.根据权利要求2所述的方法，其进一步包括获取所述至少一个定量图像和所述至少一个另外的图像中的至少一个。
15.根据权利要求2所述的方法，其中所述确定所述疾病状态包括分析所述至少一个定量图像的值。
16.根据权利要求2所述的方法，其进一步包括对所述至少一个定量图像和所述至少一个另外的图像中的至少一个进行图像处理。
17.根据权利要求2所述的方法，其中所述定位所述候选图像包括匹配对应坐标、使用非刚性配准算法、寻找公共要素、人工智能算法或其组合。
18.根据权利要求2所述的方法，其中所述对所述候选要素进行分类包括将所述候选要素之一的平均值、标准差或纹理值与周围候选要素的平均值进行比较。
19.根据权利要求2所述的方法，其中所述对所述候选要素进行分类包括使用人工智能算法。
20.根据权利要求2所述的方法，其中所述至少一个类别包括二元类别。
21.根据权利要求2所述的方法，其中所述疾病状态包括癌症。
22.根据权利要求2所述的方法，其中所述确定疾病状态包括将逻辑关系应用于所述至少一个另外的图像的所述至少一个类别、所述至少一个定量图像的值或组合。
23.一种方法，其包括：
将定量图像的候选要素定位到至少一个另外的图像的对应要素；
基于所述至少一个另外的图像的所述对应要素的属性将所述候选要素分类为至少一个类别；以及
通过分析对应于所述候选要素的所述至少一个另外的图像的所述至少一个类别确定所述候选要素的疾病状态。
24.根据权利要求23所述的方法，其进一步包括基于所述候选要素的所述确定的疾病状态来治疗受试者。
25.根据权利要求24所述的方法，其中所述治疗所述受试者包括进行手术、施用药物、进行活检、监测疾病进展或组合。
26.一种***，其包括：
至少一个处理单元；以及
用指令编码的至少一个计算机可读介质，所述指令当被执行时使得所述***：
提供受试者的至少一个定量图像和至少一个另外的图像，所述至少一个定量图像和所述至少一个另外的图像中的每一个包括要素；
提供对应于所述受试者的图集，所述图集包括图集要素，所述图集要素中的每一个包括度量分布；
确定将所述至少一个定量图像的要素与对应的图集要素相关联的对应映射；
通过将所述至少一个定量图像的某些要素的值与所述对应映射的相关图集要素的所述度量分布进行比较来确定候选要素；
将所述候选要素定位到所述至少一个另外的图像的对应要素；
基于所述至少一个另外的图像的所述对应要素的属性将所述候选要素分类为至少一个类别；并且
通过分析对应于所述候选要素的所述至少一个另外的图像的所述至少一个类别确定所述候选要素的疾病状态。
27.根据权利要求26所述的***，其中所述指令进一步包含当被执行时使得所述***将逻辑关系应用于所述定量成像的所述至少一个类别和值的指令。
28.根据权利要求26所述的***，其进一步包括成像单元，所述成像单元被配置成获取所述至少一个定量图像和所述至少一个另外的图像。
29.根据权利要求28所述的***，其中所述成像单元包括MRI。
30.根据权利要求26所述的***，其进一步包括输出单元，所述输出单元被配置成显示所述确定的疾病状态。
CN201880036870.0A 2017-04-20 2018-04-20 使用图集要素识别图像中的候选要素以确定疾病状态 Pending CN110720128A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762487848P 2017-04-20 2017-04-20
US62/487,848 2017-04-20
PCT/CA2018/050473 WO2018191824A1 (en) 2017-04-20 2018-04-20 Identification of candidate elements in images for determination of disease state using atlas elements

Publications (1)

Publication Number Publication Date
CN110720128A true CN110720128A (zh) 2020-01-21

Family

ID=63855452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880036870.0A Pending CN110720128A (zh) 2017-04-20 2018-04-20 使用图集要素识别图像中的候选要素以确定疾病状态

Country Status (4)

Country Link
US (1) US11636589B2 (zh)
EP (1) EP3613058A4 (zh)
CN (1) CN110720128A (zh)
WO (1) WO2018191824A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109273082B (zh) * 2018-10-30 2021-03-23 北京雪扬科技有限公司 一种用于肿瘤检测的身体检测***
US11346909B2 (en) 2019-01-07 2022-05-31 Datchem Systems architecture for analysis of spectroscopy and fMRI data using multiple integrated classifiers

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070019846A1 (en) * 2003-08-25 2007-01-25 Elizabeth Bullitt Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surfical planning
US20070081712A1 (en) * 2005-10-06 2007-04-12 Xiaolei Huang System and method for whole body landmark detection, segmentation and change quantification in digital images
CN101360453A (zh) * 2005-11-23 2009-02-04 美的派特恩公司 医学图像的计算机辅助定性定量分析的方法和***
US20120068699A1 (en) * 2009-01-26 2012-03-22 The United States Of America, As Represented By The Secretary, Department Of Health And Human Serv Phantom for diffusion mri imaging
CN102938013A (zh) * 2011-08-15 2013-02-20 株式会社东芝 医用图像处理装置及医用图像处理方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7593561B2 (en) * 2005-01-04 2009-09-22 Carestream Health, Inc. Computer-aided detection of microcalcification clusters
EP1893077A4 (en) * 2005-06-02 2011-02-09 Medipattern Corp COMPUTER-ASSISTED NACHWEISS SYSTEM AND METHOD
US7995818B2 (en) 2006-11-22 2011-08-09 General Electric Company Systems and methods for synchronized image viewing with an image atlas
US9785858B2 (en) * 2008-09-26 2017-10-10 Siemens Healthcare Gmbh Method and system for hierarchical parsing and semantic navigation of full body computed tomography data
US8953856B2 (en) * 2008-11-25 2015-02-10 Algotec Systems Ltd. Method and system for registering a medical image
ES2851208T3 (es) * 2012-12-10 2021-09-03 Centogene Gmbh Uso de derivados de maleimida para prevenir y tratar el cáncer
EP3043318B1 (en) * 2015-01-08 2019-03-13 Imbio Analysis of medical images and creation of a report
US9990712B2 (en) * 2015-04-08 2018-06-05 Algotec Systems Ltd. Organ detection and segmentation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070019846A1 (en) * 2003-08-25 2007-01-25 Elizabeth Bullitt Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surfical planning
US20070081712A1 (en) * 2005-10-06 2007-04-12 Xiaolei Huang System and method for whole body landmark detection, segmentation and change quantification in digital images
CN101360453A (zh) * 2005-11-23 2009-02-04 美的派特恩公司 医学图像的计算机辅助定性定量分析的方法和***
US20120068699A1 (en) * 2009-01-26 2012-03-22 The United States Of America, As Represented By The Secretary, Department Of Health And Human Serv Phantom for diffusion mri imaging
CN102938013A (zh) * 2011-08-15 2013-02-20 株式会社东芝 医用图像处理装置及医用图像处理方法

Also Published As

Publication number Publication date
WO2018191824A1 (en) 2018-10-25
EP3613058A1 (en) 2020-02-26
US11636589B2 (en) 2023-04-25
US20200126218A1 (en) 2020-04-23
EP3613058A4 (en) 2021-01-13

Similar Documents

Publication Publication Date Title
US10339648B2 (en) Quantitative predictors of tumor severity
US10056158B2 (en) Determination of enhancing structures in an anatomical body part
US11227391B2 (en) Image processing apparatus, medical image diagnostic apparatus, and program
WO2021239141A1 (zh) 图像处理的方法及***
US9147242B2 (en) Processing system for medical scan images
Bangare et al. Regenerative pixel mode and tumour locus algorithm development for brain tumour analysis: A new computational technique for precise medical imaging
CN116784821A (zh) 基于复杂网络脑胶质肿瘤患者脑功能重塑预测方法及***
US20140228667A1 (en) Determining lesions in image data of an examination object
US11636589B2 (en) Identification of candidate elements in images for determination of disease state using atlas elements
US8873817B2 (en) Processing an image dataset based on clinically categorized populations
EP2979249B1 (en) Method of localization of electrodes for monitoring bioelectric signals from the patient's brain
EP4150569A1 (en) Functional imaging features from computed tomography images
EP3794606B1 (en) Systems, methods, and apparatuses for generating regions of interest from voxel mode based thresholds
Kot et al. U-Net and active contour methods for brain tumour segmentation and visualization
CN111971751A (zh) 用于评估动态数据的***和方法
Kularathne et al. Liver Tumor Identification GUI using MATLAB Image Processing
Sille Real time segmentation of medical images
CN115311252A (zh) 医学图像处理方法、***和存储介质
WO2024102765A1 (en) Registration based medical image analysis

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40021308

Country of ref document: HK