CN111696113B - 用于监视生物过程的方法和*** - Google Patents

用于监视生物过程的方法和*** Download PDF

Info

Publication number
CN111696113B
CN111696113B CN202010170187.5A CN202010170187A CN111696113B CN 111696113 B CN111696113 B CN 111696113B CN 202010170187 A CN202010170187 A CN 202010170187A CN 111696113 B CN111696113 B CN 111696113B
Authority
CN
China
Prior art keywords
image
time
acquired
images
abnormal tissue
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
Application number
CN202010170187.5A
Other languages
English (en)
Other versions
CN111696113A (zh
Inventor
马里奥·若昂·法尔塔里亚·德·奥利韦拉
托比亚斯·科伯
贝内迪克特·马雷夏尔
克里斯蒂纳·格兰齐耶拉
梅里特塞勒·巴赫·夸德拉
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.)
Centre Hospitalier Universitaire Vaudois CHUV
Siemens Healthineers AG
Original Assignee
Centre Hospitalier Universitaire Vaudois CHUV
Siemens Healthineers AG
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 Centre Hospitalier Universitaire Vaudois CHUV, Siemens Healthineers AG filed Critical Centre Hospitalier Universitaire Vaudois CHUV
Publication of CN111696113A publication Critical patent/CN111696113A/zh
Application granted granted Critical
Publication of CN111696113B publication Critical patent/CN111696113B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • 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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • 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
    • 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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了用于监视生物过程的方法和***。所述方法包括：从包括要分析的组织的对象的图像的异常组织分割中获得(102)异常组织掩模，所述图像在称为参考时间点的时间t0处被获取；将所述对象的其他图像配准(103)至所述异常组织掩模上，所述其他图像在其他时间点处被获取；相对于在所述参考时间点处获取的所述图像的对比度来标准化(104)所述其他图像的图像对比度；针对每个可用的对比度减去(105)标准化图像以获得差异图像；通过对先前获得的差异图像求和来创建(106)联合差异图像；通过在应用预定阈值之后交叠所获得的所述异常组织掩模和所述联合差异图像来创建(107)生物过程进展图。

Description

用于监视生物过程的方法和***
技术领域
本公开内容总体上涉及用于对如组织的生物对象进行成像的成像技术，并且更具体地涉及用于随着时间的推移监视生物过程的磁共振成像(MRI)的使用。
背景技术
MRI、计算机断层摄影(CT)、超声和其他成像技术广泛用于各种疾病的诊断和监视。它们提供了允许评估与某些病状有关的生物过程的各种各样的互补图像对比度。通常需要进行随访成像，以识别并量化疾病活动并且监视治疗反应。可以视觉地比较在不同时间点处并排获取的扫描来识别病状演变。然而，这种手动评定是繁琐、耗时且容易出错的，这反映在相对低的评分者之间的一致性上(参见例如Altay et al.,Reliability ofclassifying multiple sclerosis disease activity using magnetic resonanceimaging in a multiple sclerosis clinic,JAMA neurology.70(3):338-44(2013))。为了解决这些限制，已经提出了几种半自动或全自动方法来用于时间序列分析。
存在两种主要的自动技术用于时间序列分析：第一技术提出在两个时间点处独立检测组织变化，其中，然后通过在两个时间点中对感兴趣的组织进行分割的两个获得的掩模之间的比较，计算纵向评定，以及第二技术提出组织变化检测，其中，分析了连续扫描中的差异。
根据第一技术，通过在每个时间点中分别对组织变化进行分割来确定异常组织掩模。基于所获得的每个单个时间点的异常组织掩模，随后计算随着时间的推移的变化以评估疾病的进展。由于在掩模中之一中的假阴性或者由于异常组织区域的分割不足或分割过度即不完整分割或部分分割未被检测到，可能会发生疾病进展的错误分类。这些可能的不一致可以破坏异常组织体积变化测量，从而产生对疾病进展的不正确评估。
根据第二技术，同时管理整个图像时间序列即来自所有时间点的所有图像的分析。基于使用例如连续扫描的减影图像的强度水平或者基于在连续扫描之间应用图像配准技术之后的通过变形场的变形水平来评估疾病进展。这个的主要问题是由于图像伪影和在配准之后的未对准，而引起从减影图像中捕获到的假阳性的数目。这些未对准更可能发生在不同组织之间的界面处。与变形场有关的其他问题是由于对时间点之间非常细微的变化的检测不佳而导致的对疾病进展的敏感性较低。
发明内容
本发明的目的是提出一种克服前面提及的问题的方法和***，并且其通过显著地建立新的异常组织的自动且可靠的检测来显著地改善生物过程进展的量化，并且从而改善监视生物过程。
根据本发明，所述目的通过根据本发明的实施方式的对象的用于监视生物过程的方法和***来实现。本发明的实施方式还提供了本发明的另外的优点。
本发明提出了通过在不同的时间点处获取两个或更多个图像并且使用从时间点之间(即，差异)的每个时间点分别地并且纵向地收集的信息以用于检测所述新的异常组织基，来监视诸如疾病进展的生物过程。优选地，基于配准、强度不均匀校正和强度标准化，将所获取的图像的对比度提交至预处理管线。然后，通过从对于每个可用对比度的连续时间点减去标准化图像来获得差异图像。如果可用的对比度多余一个，则对减影图像即所获得的差异图像求和，以获得联合差异图像。然后，最初获得的异常组织掩模被覆盖在联合差异图像上，并且联合差异图像上的具有等于或高于预定阈值的强度的掩模内的体素被分配至一种类别的生物过程，其中，然后显示所述体素的每个类别以便监视生物过程相对于图中的时间的进展/变化。所述图因此示出了生物过程相对于时间的进展。
特别地，本发明提出了结合第一技术(异常组织掩模比较)和第二技术(即，基于差异测量)，以产生用于评估疾病进展的更强健的方法。作为输出，获得疾病进展图，在图中指示连续扫描之间的组织改变。另外地，本发明使用可用的对比度的完整调色板(例如，在具有和不具有造影剂的情况下MRI中的不同权重或CT中的图像)以捕获关于生物过程的互补信息。该方法旨在解决单独使用第一技术或第二技术时的技术问题。因此，降低了与疾病进展有关的错误分类的数目。
前面已经相当广泛地概述了本公开内容的特征和技术优点，使得本领域技术人员可以更好地理解以下的详细描述。特别地，本发明可以帮助医生监视涉及异常组织的组织改变和/或幻影的生物过程，尤其是在如大脑的器官中。
在下文中将描述形成权利要求书的对象的本公开内容的附加特征和优点。本领域技术人员将理解，他们可以容易地使用所公开的概念和特定实施方式作为用于修改或设计用于实施本公开内容的相同目的的其他结构的基础。本领域技术人员还将认识到，这种等效构造以其最广泛形式不脱离本公开内容的精神和范围。
附图说明
为了更完整地理解本公开内容及其优点，现在参照结合附图进行的以下描述，其中，相同的附图标记表示相同的对象，并且在附图中：
图1示出了根据本发明的用于监视生物过程的方法的流程图；
图2示出了用于实现所要求保护的方法的***；
图3示出了根据所要求保护的方法的疾病进展图的创建；
图4和图5示出了本发明优于第一技术和第二技术的优点。
具体实施方式
下面讨论的图1至图5以及用于描述本专利文献中的本公开内容的原理的各种实施方式仅是示例性的，并且不应当以任何方式解释为限制本公开内容的范围。本领域技术人员将理解，可以在任何适当布置的装置中实现本公开内容的原理。将参照示例性非限制性实施方式来描述本申请的众多创新性教示。
图1描述了用于监视生物过程的方法100的不同步骤，并且这些步骤由根据本发明的***实施。方法100尤其包括以下步骤：
a.在步骤101处并且可选地，***从包括要分析的组织的对象的图像执行异常组织分割，所述图像在称为参考时间点的时间t0处由***或不是本发明的一部分的另一***获取。通常，参考时间点是已获取的对象的图像的最新日期，以相对于对象的当前状态监视生物过程进展。优选地，根据本发明的***使用用于异常组织分割的自动工具来执行所述分割。用于执行异常组织分割的多种可能的方法在本领域中是已知的，所述方法包括监督技术和非监督技术两者。例如，以下文献提供了关于MRI中的以多发性硬化为重点的病变分割方法的概述：Lladóet al.,Automated detection of multiple sclerosis lesions inserial brain MRI,Neuroradiology 54(8):787-807(2012)；
b.在步骤102处，***从针对在参考时间点处对所述对象进行表征的所述图像执行的异常组织分割中获得异常组织掩模。所述掩模可以由***从先前获得的异常组织分割中提取，或者，如果步骤101没有由根据本发明的***执行，则所述掩模可以由***从被配置用于实施步骤101的工具或装置接收；
c.在步骤103处，***将对象的其他图像配准至异常组织掩模上，使得所述其他图像和异常组织掩模尤其相对于参考时间点彼此对准，其中，所述其他图像已经在其他时间点处获取，其他时间点优选地为先前的时间点。特别地，将所述其他图像严格地配准在异常组织掩模上。根据配准过程，在其他时间点处获取的所述其他图像与在时间t0处从对象的图像获得的异常组织掩模在空间中对准，使其因此可以交叠共同特征并且突出差异。另外地，在参考时间点处获取的另一图像可以配准在异常组织掩模上，以获得另一对比度信息；
d.在步骤104处，***相对于在参考时间点处获取的图像的对比度来标准化在所述其他时间点处获取的图像的图像对比度。通过这种方式，可以校正所述其他图像中的每一个中的对比度强度不均匀性。优选地，该***迭代地处理所述其他图像中的每一个，其中，对于每个对比度，使用适当的方法(例如，直方图匹配)、按照在参考时间点处获取的一个或更多个图像的对比度强度来标准化先前时间点图像的对比度强度；
e.在步骤105处，***针对每个可用的对比度对标准化图像进行减法以获得差异图像，其中，针对来自在连续时间点处获取的图像的标准化图像进行减法，其中，在所述参考时间点处获取的图像被认为是所述参考时间点处的标准化图像。如果异常组织被示出为高信号，则在参考时间点处获取的图像被认为是被配置用于计算所述差异图像的减法等式的第一项。如果异常组织被示出为低信号，则在参考时间点处获取的图像被认为是用于计算所述差异图像的减法等式的第二项。优选地，所有所获得的差异图像在0与1之间被比例缩放；
f.在步骤106处，***通过对先前获得的差异图像求和来创建联合差异图像；
g.在步骤107处，***通过在应用预定阈值之后交叠在步骤102处获得的异常组织掩模以及在步骤106处获得的联合差异图像来创建生物过程(例如，疾病)进展图。特别地，联合差异图像上的具有等于或高于预定阈值的强度的掩模内的组织体素被认为表示组织中的异常变化，并且被分配至一种类别的生物过程，例如被分配至“疾病进展”。通过对对象的图像中的被分配至同一类别的生物过程的所有组织体素进行归组来获得生物过程进展图。
通过组合第一技术和第二技术，可以获得更可靠的生物过程进展图。有利地，根据本发明的方法将对减影图像中的异常组织进展的评估约束至存在异常组织的区域而不是整个感兴趣的对象(例如，器官)。这减少了由于配准出错或图像伪影而在挑战性的区域中错误分类的可能性。当通过比较现有技术所需的异常组织掩模来计算两个时间点之间的体积变化时，根据本发明的方法还降低了由于异常组织的分割不足或过度分割引起的错误分类。另外，可以通过组合各个差异图像(在此定义为联合差异图像)来使用来自多于一个可用对比度的信息。联合差异图像在连续时间点中捕获互补组织的改变，并且与单个差异图像相比，不太容易出现伪影或未对准效果。
图2示出了用于通过自动创建所述生物过程的进展图来监视生物过程的***200，该***包括：
可选地，被配置用于获取对象的图像例如主体的大脑图像以使得能够进行组织分析的磁共振成像(MRI)设备201；
用于存储创建进展图所需的数据的数据库202或存储器；
被配置用于处理创建进展图所需的所述数据的处理单元203，所述处理单元203尤其包括异常组织分割工具；
用于显示进展图的显示器204；
其中，根据本发明的***200被配置用于执行用于创建并且然后显示所述进展图的方法中的步骤。
图3示出了根据本发明的方法的概念性概述。在这种情况下，该方法用于获得多发性硬化(MS)病变(在这种情况下被认为是异常组织)中的随访疾病进展图。在这种特定情况下，可用图像对比度的MRI完整调色板由来自两个时间点(时间点1——下文中为TP1，并且时间点2——下文中为TP2)的T1 MPRAGE和T2 FLAIR对比度组成。所有图像经历基于MPRAGETP2的配准、N4偏置场校正和直方图匹配以进行强度标准化的预处理步骤。优选地，由Fartaria等人提出的分割算法(Segmentation of Cortical and Subcortical MultipleSclerosis Lesions Based on Constrained Partial Volume Modeling,in Descoteauxet al.(Eds),MICCAI 2017,Part III,LNCS 10435,pp.142-149,Springer InternationalPublishing)用于从参考时间点处获取的图像中获得病变掩模。分别为MPRAGE和FLAIR获得两个差异图像。由于病变在MPRAGE中表现为低信号，因此将TP1认为如在下式中所呈现的第一项来进行减法：MPRAGE TP1-MPRAGE TP2。由于病变表现为高信号，因此将TP2认为该式的第一项，从而获得与FLAIR的差异图像：FLAIR TP2-FLAIR TP1。将FLAIR和MPRAGE差异图像组合成联合差异图像。联合差异图像中的具有等于或高于30％的强度的病变掩模中的被分配至病变类别的体素被分配至疾病进展类别。最后，识别为疾病进展的一部分的所有体素以二进制图被示出为疾病进展图。在这种特殊情况下，疾病进展图对应于MS患者中新的和扩大的病变区域。
相对于第一技术和第二技术，所提出的方法的优点分别在图4和图5中示出。图4示出了在不同时间点处获取的大脑的轴向切片的FLAIR图像、相应的病变掩模以及来自所提出的方法并且来自第一技术的疾病进展的结果。由于在时间点中之一中的病变的分割不足或过度分割，因此在疾病进展图中出现了假阳性(见白色箭头)。图5示出了在不同时间点处获取的大脑的轴向切片的FLAIR图像，以及来自第二技术并且来自所提出的方法的疾病进展的结果(覆盖在组合差异图中)。在疾病进展图中观察到的假阳性(见白色箭头)主要是由于配准未对准。在根据本发明获得的图像中未观察到这种假阳性。
总之，所提出的技术充分利用了第一技术和第二技术，降低了错误分类的数目，从而产生了更可靠的疾病进展评估。

Claims (9)

1.一种用于监视生物过程的方法，所述方法包括：
由磁共振成像设备从包括要分析的组织的对象的图像的异常组织分割中获得异常组织掩模，所述图像在称为参考时间点的时间t0处被获取，其中，所述磁共振成像设备包括可用图像对比度的调色板；
将所述对象的其他图像配准至所述异常组织掩模上，所述其他图像在其他时间点处被获取，其中，针对所述其他时间点中的每一个，至少两个图像被获取，每个图像针对所述可用图像对比度的调色板中的不同对比度；
针对所述其他图像已针对其被获取的所述不同对比度中的每一个，相对于在所述参考时间点处获取的所述图像的对比度来标准化所述其他图像的图像对比度；
针对每个可用对比度对标准化图像进行减法以获得差异图像；
通过对所述差异图像求和来创建联合差异图像，所述求和是针对各个不同对比度获得的所述差异图像的组合；以及
通过在应用预定阈值之后交叠所获得的所述异常组织掩模和所述联合差异图像来创建生物过程进展图。
2.根据权利要求1所述的方法，还包括：
从所述对象的所述图像执行所述异常组织分割。
3.根据权利要求1所述的方法，其中，所述标准化包括迭代地处理所述其他图像中的每一个，其中，对于每个对比度，使用适当的方法、按照在所述参考时间点处获取的所述图像的对比度强度来标准化先前时间点图像的对比度强度。
4.根据权利要求1所述的方法，其中，针对来自在连续时间点处获取的图像的所述标准化图像进行减法，并且其中，在所述参考时间点处获取的所述图像被认为是所述参考时间点处的标准化图像。
5.根据权利要求1所述的方法，其中，如果所述异常组织被示出为高信号，则在所述参考时间点处获取的所述图像被认为是用于计算所述差异图像的减法的第一项，而如果所述异常组织被示出为低信号，则在所述参考时间点处获取的所述图像被认为是用于计算所述差异图像的减法的第二项。
6.根据权利要求1所述的方法，其中，所有所获得的差异图像在0与1之间被比例缩放。
7.根据权利要求1所述的方法，其中，所述联合差异图像上的具有等于或高于所述预定阈值的强度的所述异常组织掩模内的组织体素被认为表示所述组织中的异常变化，并且被分配至一种类别的所述生物过程。
8.根据权利要求7所述的方法，还包括：对所述对象的所述图像中的被分配至同一类别的所述生物过程的所有组织体素进行归组。
9.一种用于监视生物过程的***，所述***包括：
被配置用于获取对象的图像以使得能够进行对象组织分析的磁共振成像设备；
用于存储创建进展图所需的数据的存储器；
被配置用于处理创建所述进展图所需的所述数据的处理单元，所述处理单元包括异常组织分割工具；
用于显示所述进展图的显示器，
其中，所述***被配置用于执行根据权利要求1至8中的任一项所述的方法。
CN202010170187.5A 2019-03-14 2020-03-12 用于监视生物过程的方法和*** Active CN111696113B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19162761.1 2019-03-14
EP19162761.1A EP3709263A1 (en) 2019-03-14 2019-03-14 Method and system for monitoring a biological process

Publications (2)

Publication Number Publication Date
CN111696113A CN111696113A (zh) 2020-09-22
CN111696113B true CN111696113B (zh) 2023-11-21

Family

ID=66041101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010170187.5A Active CN111696113B (zh) 2019-03-14 2020-03-12 用于监视生物过程的方法和***

Country Status (3)

Country Link
US (1) US11335001B2 (zh)
EP (1) EP3709263A1 (zh)
CN (1) CN111696113B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931772B (zh) * 2020-09-18 2021-02-09 平安科技（深圳）有限公司 医学图像处理方法、装置、设备及存储介质
CN115797729B (zh) * 2023-01-29 2023-05-09 有方（合肥）医疗科技有限公司 模型训练方法及装置、运动伪影识别及提示的方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001087155A1 (en) * 2000-05-18 2001-11-22 Yeda Research And Development Co., Ltd. Method and apparatus for the detection and diagnosis of cancer, specifically breast cancer using diffusion mri
CN101605500A (zh) * 2006-12-21 2009-12-16 伯拉考国际股份公司 在医学成像应用中对固定造影剂脱离的检测
CN102792336A (zh) * 2009-05-29 2012-11-21 电信教育集团-巴黎电信学校 量化涉及身体体积变化的疾病、特别是肿瘤的发展的方法
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images
CN106510708A (zh) * 2015-09-15 2017-03-22 西门子保健有限责任公司 用于多对比度脑磁共振数据中异常检测的框架
CN107316334A (zh) * 2017-07-31 2017-11-03 华东师范大学 个性化精准磁共振影像方法
CN107403446A (zh) * 2016-05-18 2017-11-28 西门子保健有限责任公司 用于使用智能人工代理的图像配准的方法和***
CN108171697A (zh) * 2018-01-05 2018-06-15 北京航空航天大学 一种基于簇的wmh自动提取***
CN108351685A (zh) * 2015-08-15 2018-07-31 谷歌有限责任公司 用于与真实和虚拟对象交互的基于生物力学的眼睛信号的***和方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT1289809B1 (it) * 1996-12-27 1998-10-16 Ist Trentino Di Cultura Procedimento e sistema automatico per ottenere mappe di contenuto d'acqua e/o di permettivita'elettrica da immagini di risonanza
US7309867B2 (en) * 2003-04-18 2007-12-18 Medispectra, Inc. Methods and apparatus for characterization of tissue samples
US8050734B2 (en) * 2005-09-07 2011-11-01 General Electric Company Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure
WO2008034845A2 (en) * 2006-09-19 2008-03-27 Nordic Bioscience Imaging A/S Pathology indicating measure related to cartilage structure and automatic quantification thereof
US8073235B2 (en) * 2007-08-13 2011-12-06 Pioneer Hi-Bred International, Inc. Method and system for digital image analysis of ear traits
US9404986B2 (en) * 2011-05-06 2016-08-02 The Regents Of The University Of California Measuring biological tissue parameters using diffusion magnetic resonance imaging
WO2017011532A1 (en) * 2015-07-13 2017-01-19 The Trustees Of Columbia University In The City Of New York Processing candidate abnormalities in medical imagery based on a hierarchical classification
US10890641B2 (en) * 2017-04-07 2021-01-12 Cornell University System and method of robust quantitative susceptibility mapping

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001087155A1 (en) * 2000-05-18 2001-11-22 Yeda Research And Development Co., Ltd. Method and apparatus for the detection and diagnosis of cancer, specifically breast cancer using diffusion mri
CN101605500A (zh) * 2006-12-21 2009-12-16 伯拉考国际股份公司 在医学成像应用中对固定造影剂脱离的检测
CN102792336A (zh) * 2009-05-29 2012-11-21 电信教育集团-巴黎电信学校 量化涉及身体体积变化的疾病、特别是肿瘤的发展的方法
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images
CN108351685A (zh) * 2015-08-15 2018-07-31 谷歌有限责任公司 用于与真实和虚拟对象交互的基于生物力学的眼睛信号的***和方法
CN106510708A (zh) * 2015-09-15 2017-03-22 西门子保健有限责任公司 用于多对比度脑磁共振数据中异常检测的框架
CN107403446A (zh) * 2016-05-18 2017-11-28 西门子保健有限责任公司 用于使用智能人工代理的图像配准的方法和***
CN107316334A (zh) * 2017-07-31 2017-11-03 华东师范大学 个性化精准磁共振影像方法
CN108171697A (zh) * 2018-01-05 2018-06-15 北京航空航天大学 一种基于簇的wmh自动提取***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A subtraction pipeline for automatic detection of new appearing multiple sclerosis lesions in longitudinal studies;Onur Ganiler 等;《DIAGNOSTIC NEURORADIOLOGY》;363-374 *
Deformation Imaging in Selected Congenital Heart Disease: Is It Evolving to Clinical Use?;Mark K. Friedberg MD 等;《Journal of the American Society of Echocardiography》;第25卷(第9期);919-931 *
Rita Simões 等.Change detection and classification in brain MR images using change vector analysis.《2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society》.2011,7803-7807. *
TISSUE CHARACTERIZATION BY IMAGE PROCESSING SUBTRACTION: WINDOWING OF SPECIFIC T1 VALUES;S.BONDESTAM 等;《Magnetic Resonance Imaging》;第10卷(第6期);989-995 *
Unsupervised Framework for Consistent Longitudinal MS Lesion Segmentation;Saurabh Jain 等;《Medical computing vision and bayesian and graphical models for biomedical imaging》;208-219 *
肺部CT图像病变区域检测方法;韩光辉 等;《自动化学报》;第43卷(第12期);2071-2090 *

Also Published As

Publication number Publication date
US11335001B2 (en) 2022-05-17
US20200294237A1 (en) 2020-09-17
EP3709263A1 (en) 2020-09-16
CN111696113A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
Oulefki et al. Automatic COVID-19 lung infected region segmentation and measurement using CT-scans images
EP1851720B1 (en) Method of automatic extraction of the pulmonary artery tree from 3d medical images
US7933440B2 (en) Method and system for evaluating two time-separated medical images
JP6265588B2 (ja) 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
US20070003117A1 (en) Method and system for volumetric comparative image analysis and diagnosis
US20070014448A1 (en) Method and system for lateral comparative image analysis and diagnosis
Bardera et al. Semi-automated method for brain hematoma and edema quantification using computed tomography
US8244007B2 (en) System and method for registration of medical images based on insufficiently similar image areas
CN111696113B (zh) 用于监视生物过程的方法和***
US20110064289A1 (en) Systems and Methods for Multilevel Nodule Attachment Classification in 3D CT Lung Images
JP6458166B2 (ja) 医用画像処理方法及び装置及びシステム及びプログラム
Zhu et al. Automatic segmentation of white matter hyperintensities in routine clinical brain MRI by 2D VB-Net: A large-scale study
Włodarczyk et al. Fast automated segmentation of wrist bones in magnetic resonance images
Piętka et al. Role of radiologists in CAD life-cycle
US11704803B2 (en) Methods and systems using video-based machine learning for beat-to-beat assessment of cardiac function
Wei et al. Automatic recognition of major fissures in human lungs
US10943350B2 (en) Automated segmentation of histological sections for vasculature quantification
Delmoral et al. Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study
CN116363104A (zh) 一种具有影像医学用自动诊断设备及***
KR102384083B1 (ko) 자기공명영상을 이용한 천장관절염 진단 및 염증 정도를 평가하기 위한 장치 및 방법
Rebelo et al. Automatic epicardial fat segmentation and volume quantification on non-contrast cardiac Computed Tomography
Petersen et al. Longitudinal analysis of airways using registration
JP2002291733A (ja) 画像診断支援方法及びそのシステム
Jamil et al. Image registration of medical images
Mesanovic et al. Application of lung segmentation algorithm to disease quantification from CT images

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