CN1703711A - 利用延迟增强磁共振成像和人工智能识别无活性心肌组织的***和方法 - Google Patents

Abstract

公开了一种用于对患者心肌的无活性心肌组织进行成像和识别的***和方法。获得心肌部分的图像。将所述心肌部分的心内膜边缘和心外膜边缘分段。将所述心肌部分分成扇面。测量心肌扇面的一个或多个选定特征并应用到决策面上。确定每个扇面是含有活性心肌组织还是含有无活性心肌组织。显示能示出心肌壁的每个扇面及其其活性标记的图像。

Description

利用延迟增强磁共振成像和人工智能 识别无活性心肌组织的***和方法

有关申请的交叉参考

本申请要求2002年10月3日提交的序列号60/415,840的美国临时申请的优先权，此临时申请已作为参考全部包括在本文中。

发明领域

本发明针对利用医学图像(例如延迟增强磁共振、电影磁共振)将心肌组织分段的***和方法，更详细地说，针对使用支持向量机通过利用所述组织类型特有的一个或多个特征来智能地识别无活性心肌组织的***和方法。

发明背景

在心脏病发作之后，需要对无活性(坏死)组织进行识别和鉴定，以便有效地研发某些类型的心脏疾病的介入策略和治疗方案。健康的或能够通过冠状动脉旁路，置入支架等恢复的组织应与无活性或不可逆损坏的组织区别开来。这样，就可以预测哪些患者可以从血管再造中受益，从而提高他们的心脏功能和存活率。

内科医生依靠数种非侵入性指示剂(indicator)来确定心肌组织的活性。心肌的形态，具体地说，心肌变薄，是坏死组织的证据。此外，异常运动，例如一个区域的被动运动，或在极端情况下根本不运动也表示心肌损坏。但是，虽然形态和功能的改变能够表明组织的异常，但它们对于区分异常和无活性(坏死)组织还不够敏感。

也可以利用对比度增强的成像技术来帮助识别无活性区域。正电子发射层析X射线摄影法(PET)和单光子发射层析X射线摄影法(SPECT)能够通过不同的信号强度指示活性信息。但这些物理治疗设备的用途有限，因为它们的分辨率相当低，且在PET情况下通常不可用。

最近一种新型的对比度增强的成像技术，延迟增强磁共振(DEMR)，已表明能够直接显形无活性心肌。DEMR成像是无活性心肌组织以增加的信号强度出现的一种技术。DEMR通常是在服用顺磁造影剂(例如：Gd-DTPA)20-30分钟后利用标准转化恢复MRI捕获序列来进行的。而且，DEMR具有足够的空间分辨率，可精确地将左室壁中有活性(正常或局部缺血)的心肌和无活性的心肌区别开来。放射学家们通常结合其它功能性物理治疗设备(例如MR电影)来获取这些图像，并利用磁畴知识和经验来查出无活性组织。

即使利用上述信息，要确定组织的活性仍具有挑战性。首先，DEMR易出现假阴性。即，无活性区域可能不具有增强的信号强度。第二，基于形态学和鉴别形态学来确定活性状态(变厚或室壁运动)要求一定程度的经验和直觉。而且，指示室壁异常运动的指示剂可能会被合并。换句话说，心脏的特定区域是在自主运动还是被邻近区域拉动？简言之，这会使专家将一个区域标注为无活性。

尽管识别上有困难，但人们仍极度关注定位和量化无活性组织的问题，因为已经表明梗塞的程度与冠状动脉血管再造后心脏功能的长期改善密切相关。但DEMR是尚未经FDA批准的最新技术，对DEMR不熟悉的临床医生不会像亲手测试和开发DEMR的专家们那样有经验。理想的是，临床医生，不论是否新手，都应获得专家的反馈意见。

已经对DEMR作了大量的工作，但很少有方案说明其自动分段问题。在一种已知技术中，由人工查出DEMR图像中活性心肌的区域，求出其平均亮度，将亮度大于两个标准离差的像素标为无活性。以前的MRI技术或者单独利用心脏形态和功能来确定组织的活性，或者检查无活性组织的数量和结果心脏功能之间的关系。

如上所述，DEMR易出现假阴性。而且，传统的分段技术例如区域生长或DEMR的阈值分界法(thresholding)会产生机能不全的结果。

发明概述

本发明针对采用机器学习技术，例如支持向量机(SVM)，通过合并多个指标达到一种分段策略，以便识别无活性心肌组织。本发明利用DEMR，形态学和鉴别形态学信息自动将无活性心肌区域分段。使用人工智能技术来”学习”专家如何进行分段。这样，所述领域的临床医生就可获得以下形式的第二意见：即，”我们的专家有百分之如此如此的信心将以下区域列为无活性”。最后将组织分类为活性或无活性是临床医生的责任。但是，这类反馈是很有价值的输入并可协助临床医生作出适当的医学诊断。在最差的情况下，通过对解决方案提供良好的可编辑(editable)猜测来加快临床通过速度。

附图简要说明

以下将参阅附图对本发明的优选实施例作更详细的说明，附图中同样的标号表示同样的元件：

图1是按照本发明的示范磁共振成像(MRI)***的***体系结构的方框图；

图2是利用DEMR产生的患者心脏左心室的图像；

图3是图解说明利用支持向量机将心肌组织分段并确定哪个组织是无活性的(如果有的话)的方法流程图；

图4是图解说明基于三种心肌特性的测量结果的决策面的标定的曲线图；以及

图5是示范的用户界面的图解说明，所述用户界面示出DEMR筛选的数据。

详细说明

本发明针对使用支持向量机通过利用一个或多个无活性组织所特有的心肌特性来智能地识别无活性心肌组织的***和方法。图1是按照本发明的示范磁共振成像(MRI)***的方框图。MRI***的一个实例是西门子公司(Siemens AG)制造的MAGNETROM类MRI***。

图1图解说明位于扫描室100中的MRI***的各部件的示意图。磁体108产生用于成像过程的第一磁场。梯度线圈110位于磁体108中，用于在X，Y，Z方向上产生磁场梯度。射频(RF)线圈112位于梯度线圈110中。线圈112产生使自旋旋转90°或180°所需的第二磁场。线圈112还检测来自体内自旋的信号。通过计算机控制的患者台106把患者102置于磁体108内。患者台106具有1mm的定位精度。扫描室100被RF屏蔽罩104包围。屏蔽罩104防止高功率RF脉冲辐射到医院外部。它还防止电视或电台的各种RF信号被MRI***所检测。有些扫描室还被磁屏蔽罩包围，磁屏蔽罩遏制磁场使其不致扩散过远而进入医院内。在一些新型的磁体中，所述磁屏蔽罩是磁体的整体部分。

MRI***的中心部件是计算机126。计算机126控制着MRI***上的所有部件。计算机126控制下的RF部件是射频源138和脉冲编程器134。射频源138产生所需频率的正弦波。脉冲编程器134将RF脉冲成形为变迹正弦脉冲。RF放大器136将脉冲功率从毫瓦提高到千瓦。计算机126还控制梯度脉冲编程器122，编程器122设定三个梯度磁场中每个磁场的形状和幅度。梯度放大器120将梯度脉冲的功率提高到足以驱动梯度线圈110的电平。

一些MRI***中包括的阵列处理器(未示出)是能够在不到一秒的时间内进行二维傅里叶变换的装置。计算机126将傅里叶变换卸载到这个更快的装置上。MRI***的操作员通过控制台128向计算机126提供输入信号。在控制台128对成像序列进行选择和按规格改制。操作员可以在位于控制台128的视频显示器上看见图像，或者在胶片打印机上制作图像的硬复制件。

已经表明延迟增强磁共振成像(DEMR)能够直接显形无活性心肌。DEMR成像是无活性心肌组织以增加的信号强度出现的一种技术。通常在服用顺磁造影剂(Gd-DTPA)20-30分钟之后利用标准转化恢复MRI捕获序列来进行DEMR。而且，DEMR具有足够的空间分辨率，可以精确地将左室壁中有活性(正常或局部缺血)的心肌和无活性的心肌区别开来。放射学家们通常结合其它功能性物理治疗设备(例如MR电影)来获取这些图像，并利用磁畴知识和经验来查出无活性组织。

本专业的技术人员明白，在DEMR过程中可以使用其它造影剂。例如锰或铁造影剂也可以使用。对于各种造影剂的研究在以下文章中作了说明：”Tissue-specific MR Contrast Agents”，作者为WeinmannHJ.，Ebert W.，Misselwitz B.和Schmitt-Willich H，发表在2003年4月的European Journal of Radiology，Vol.46，Issue 1，33-44页，所述文章已作为参考包括在本文内。

图2示出利用DEMR产生的左心室202的图像。由图可见，通过服用顺磁造影剂，左心室壁的不同区域显示出不同的亮度。由图可见，较暗的室壁组织206表示组织有活性。较亮的室壁组织204表示所述组织有较高可能性是无活性的。

通过利用人工智能技术”学习”专家如何进行分段，来进一步增强本发明。具体地说，本发明使用支持向量机(SVM)来帮助临床医生确定心脏组织是否为无活性组织。SVM是一种受监视的人工智能技术，训练计算机认识给出一系列实例的一种现象。训练基于一套由用户选择的特征。这种学习被认为是”受监视”的，因为在我们的情况中，这些实例都由专家加有属于或不属于某一特定类别的标签。

所以，不是像传统计算机程序所作的那样规定如何识别某物的一张指令表，而是计算机通过一系列实例来”学习”。SVM以前已经用在医学成像分类和检测任务。它们在CT结肠摄影术中以及在PET图像中的脑部分类中用来区别息肉和健康组织的鉴别特性。此外，***x射线照片中的微钙化也曾利用SVM检测。但据我们所知，这是SVM首次应用到心脏分段上。

本发明采用SVM并将其应用到高维度特征空间，以便基于在序言中所述的特征来预测专家对心脏组织的分类：有活性还是无活性。具体地说，使用双值决策函数：

所述公式将输入(原始信息)映象到输出(分类)，

$\stackrel{\‾}{x}=(x_1,\·\·\·,x_n)---\left(2\right)$

式中f(x)≥0表示阳性类。学习算法从候选决策函数空间选择一种决策函数。

决策函数取以下形式：

$f\left(\stackrel{\‾}{x}\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(\mathrm{\φ}\left({\stackrel{\‾}{x}}_i\right),\mathrm{\φ}\left(\stackrel{\‾}{x}\right))+b---\left(3\right)$

式中φ(x)是称为特征的输入函数，y_i∈{-1，1}是由专家提供的分类，l是实例数，α_i和b是要学习的权重。对核函数k我们使用高斯径向基函数，其形式为：

$k(\mathrm{\φ}\left(\stackrel{\→}{x}\right),\mathrm{\φ}\left({\stackrel{\→}{x}}^{\′}\right))=e^{-{|\mathrm{\φ}\left(x\right)-\mathrm{\φ}\left(x^{\′}\right)|}^2/2{\mathrm{\σ}}^2}---\left(4\right)$

显然，这种形式的核(符合Mercer的条件)有相应的优化问题，它们是凸的，没有局部最小值。

于是，和其它图形识别***例如神经网络不同，保证SVM能集中在有限数量的步骤上。我们采用SVM的Matlab实施方案。

以下是将心肌分成多个分段所用的逻辑。在心肌的两层径向扇形(内和外)上出现活性和无活性区域的分类。心肌描述为内心膜边界endo(θ)＝(x_endo(θ)，y_endo(θ))和心外膜边界epi(θ)＝(x_epi(θ)，y_epi(θ))，中心线centerline(θ)＝(x_centerline(θ)，y_centerline(θ))在二者的中间。

将心肌分成偶数n个扇形S。有n/2个内扇形S_inner和n/2个外扇形S_outer，

S＝S_inner+S_outer    (5)

内扇形 $S_{\mathrm{inner}}=\underset{i=0}{\overset{\frac{n}{2}-1}{\mathrm{\Σ}}}{s}_{\mathrm{inne}{r}_i}$ 以πi/n≤θ＜π(i+1)/n和

endo(θ)≤r(θ)＜centerline(θ)为界，而外扇形 $S_{\mathrm{ouler}}=\underset{i=0}{\overset{\frac{n}{2}-1}{\mathrm{\Σ}}}{s}_{\mathrm{oule}{r}_i}$ 以πi/n≤θ＜π(i+1)/n和centerline(θ)≤r(θ)＜epi(θ)为界。

采用SVM的难处在于选择特征。特征是指能对活性或无活性心肌组织作出恰当医学诊断所进行的测量。可包括的一些特征是图像亮度、室壁厚度、心脏室壁增厚的证据、图像区域的均匀性、亮区(疤痕)延伸过心室壁的程度(透壁度)以及疤痕的位置。此外，也可以使用对比摄入速率、从诸如Tagged-MR等物理治疗设备得到的运动信息以及从核研究中得到的亮度等。本专业的技术人员明白，所述特性仅是示范，其它特性也可包括在内，这些都不背离本发明的范围和精神。还可以明白，可以采用权重方案来区分一个或多个特征相对其它一个或多个特征的重要性。

选择正确的特征将使所述决策函数可以分离实例；不足或过多的特征会导致分区不佳。在以上定义的扇形上定义所述特征φ(x)。对内扇区S_inner，定义的厚度表示为：

$T_{S_{\mathrm{inner}}}=\underset{\frac{m}{n}}{\overset{\frac{\mathrm{\π}(i+1)}{n}}{\∫}}(\mathrm{centerline}\left(\mathrm{\θ}\right)-\mathrm{endo}\left(\mathrm{\θ}\right))\mathrm{d\θ}---\left(6\right)$

同理，定义外扇区的厚度。应当指出，由于对于给定的径向分界，中心线在心肌边界之间是等距的，一对内扇区和外扇区将具有相等的厚度值。增厚定义为从舒张末期到收缩末期扇区厚度的改变。

扇区的平均亮度M_S定义为

$M_s=\frac{\underset{p\∈s}{\mathrm{\Σ}}{I}_p}{\underset{p\∈s}{\mathrm{\Σ}}1}---\left(7\right)$

式中I_p表示在扇区s中像素p的亮度。均匀性H_S表示为

$H_s=\frac{\underset{p\∈s}{\mathrm{\Σ}}{\mathrm{\σ}}_1^2\left(p\right)}{\underset{p\∈s}{\mathrm{\Σ}}1}---\left(8\right)$

式中σ₁ ²(p)代表p周围3×3邻区的变异。扇区的透壁度U_s也包括在内

$U_s=\underset{\frac{\mathrm{\πi}}{n}}{\overset{\frac{\mathrm{\π}(i+1)}{n}}{\∫}}g\left(\mathrm{\θ}\right))\mathrm{d\θ}---\left(9\right)$

式中g(θ)代表在θ方向上从心内膜边界(如果是内扇区)到中心线的增亮显示像素的最长连续带。

本发明采用序列最小优化(SMO)技术从方程(3)确定权重α_i，b。SMO通过在每次迭代将优化限于仅两个权重的子集来工作。这种方法在速度(由于优化问题仅包含可分析解决的两点)和存储器的使用(核心矩阵不需要存储在存储器内)方面具有优点。

为确定核心中的σ以及C，采用了在余裕度最大化和训练组错误数最小化之间折中的策略，即”留一策略”。

参阅图3-5，现就利用SVM的示范筛选和获得的数据集以及许多识别特征来说明本发明。按照实例和参阅图3，对14名患者在三个短轴切片位置(即垂直于心室长轴)取DEMR图像和电影MR(Flash或TrueFisp)图像(步骤302)。利用西门子的Argus软件包，专家对所有图像画出心肌边界。软件对左心室的心内膜和心外膜分段(步骤304)。Argus软件包提供高分辨率TrueFisp图像的全自动分段。心肌分成36个径向扇面，每个扇面再沿外周细分，得到总共72个扇面(步骤306)。每个扇面由专家确定为活性或无活性。

总共获得38个DEMR图像切片(每个对象3个切片，由于异常的缘故排除了4个切片)具有专家提供的基础真实依据。基础真实情况就是专家的医学诊断。每个实验由38次分实验组成，其中一个切片用作”测试”，其它所有切片用作训练集(“留一策略”)。所有38个测试集的平均精确率用来确定SVM算法所需的参数σ和C。根据这些实验，我们设定σ＝0.1和C＝10并得到平均精确率87％。

图4示出结果6维决策面对三维404的投影，这是由38个DEMR图像切片所确定的测量结果获得的。按照本发明，所测量的特征是室壁厚度(x轴406)、心肌组织的增厚(y轴402)以及DEMR亮度(z轴408)。然后用所测的特征来建立决策面。决策面404具有阴性的边缘(negative margin)，说明根据我们的特征扇面不能完全分离成活性和无活性类。每个x表示无活性扇面，每个·表示活性扇面。通过测量患者已识别的心肌特征，就可利用决策面来帮助确定是否有无活性组织以及它们的位置。

图5示出用于显示心肌数据的示范的用户界面。对患者作了图像并测量了其特征(步骤308)后，将所收集的数据应用于决策面(步骤310)。根据结果，就可对每个扇面是否含有活性或无活性组织作出预测(步骤312)。所得数据用界面显示(步骤314)。

显示器上还包括有关MRI扫描的数据。在显示器的左上角是心脏的DEMR图像和特别是患者的左心室(LV)504。由图可见，动脉504壁在亮度上看起来不均匀。换句话说，LV壁的某些区域比壁的其它部分要亮些。

曲线图526绘出DEMR的亮度、各扇面上的厚度和增厚。点划线表示基础真实情况(下)以及利用SVM的预测。在预测图像518中，在界面的右下角，白色扇区524表示无活性组织，灰色扇区522是活性不确定的扇区，黑色扇区520代表活性组织。如前所述，这些预测都是利用SVM进行的。

左下角的基础真实图像506、512表示医生根据DEMR作的医学诊断。在基础真实图像506中，高亮度区域508、510表示无活性组织。在基础真实扇面图像512中，白色扇区514表示无活性组织，黑色扇区516表示活性组织。

以上已对用于将心肌组织分段并且利用人工智能技术确定所述组织是否为无活性组织的方法的实施例作了说明，应当指出，本专业的技术人员可以根据以上内容进行修改和变化。因此，显然，可以对所公开的本发明的特定实施例进行改动，这些改动仍在由本发明所附权利要求书定义的范围和精神之内。以上按照专利法所要求的细节和特征对本发明作了说明，所要求的权利以及需要由专利证书保护的在所附权利要求书中提出。

Claims (27)

1.一种用于对患者心脏无活性心肌组织进行成像和识别的方法，所述方法包括以下步骤：

获得所述心肌的一部分的图像；

将所述心肌部分的心内膜边缘和心外膜边缘分段；

将所述心肌部分的所述分段分成扇面；

测量所述心肌的所述扇面的一个或多个选定特征；

将测得的一个或多个特征应用于决策面；

确定每个扇面是含有活性心肌组织还是含有无活性心肌组织；以及

显示能示出所述心肌的每个扇面以及其活性的标记的图像。

2.如权利要求1所述的方法，其中所述获得的图像是利用延迟增强磁共振(DEMR)成像的。

3.如权利要求1所述的方法，其中所述心肌部分是左心室。

4.如权利要求1所述的方法，其中选定特征是图像亮度。

5.如权利要求1所述的方法，其中选定特征是所述心肌的厚度。

6.如权利要求1所述的方法，其中选定特征是所述心肌的鉴别厚度。

7.如权利要求1所述的方法，其中选定特征是所述心肌的DEMR图像中的均匀度。

8.如权利要求1所述的方法，其中选定特征是疤痕(无活性)组织的透壁度。

9.如权利要求1所述的方法，其中选定特征是所述组织扇面的位置。

10.如权利要求1所述的方法，其中选定特征是造影剂的摄入速率。

11.如权利要求1所述的方法，其中选定特征是标记为MR的材料应变信息形式。

12.如权利要求1所述的方法，其中所述决策面是利用人工智能技术建立的。

13.如权利要求12所述的方法，其中所述人工智能技术是支持向量机。

14.如权利要求1所述的方法，其中以第一种颜色显示活性组织扇面，而以第二种颜色显示无活性心肌组织扇面。

15.一种用于将患者的心肌部分成像并识别无活性心肌组织的***，所述***包括：

磁共振成像设备，用于获得所述心肌的DEMR图像；

处理器，用于将患者的心肌部分分段，分成心内膜边缘和心外膜边缘，所述处理器还将所述心肌部分的心肌壁分成扇面，所述处理器测量所述心肌壁扇面的一个或多个选定特征并将一个或多个选定特征应用于决策面，以便确定每个扇面是含有活性心肌组织还是含有无活性心肌组织；以及

显示器，用于显示能示出所述心肌壁的每个扇面及其其活性标记的图像。

16.如权利要求15所述的***，其中所述心肌部分是左心室。

17.如权利要求15所述的***，其中选定特征是图像亮度。

18.如权利要求15所述的***，其中选定特征是所述心肌壁的厚度。

19.如权利要求15所述的***，其中选定特征是所述心肌壁的增厚。

20.如权利要求15所述的***，其中选定特征是所述心肌壁的均匀度。

21.如权利要求15所述的方法，其中选定特征是疤痕(无活性)组织的透壁度。

22.如权利要求15所述的方法，其中选定特征是所述组织扇面的位置。

23.如权利要求1所述的方法，其中选定特征是造影剂的摄入速率。

24.如权利要求1所述的方法，其中选定特征是标记为MR的材料应变信息形式。

25.如权利要求15所述的***，其中所述决策面是利用人工智能技术建立的。

26.如权利要求26所述的***，其中所述人工智能技术是支持向量机。

27.如权利要求15所述的***，其中以第一种颜色显示活性组织扇面，而以第二种颜色显示无活性心肌组织扇面。

Images