ES2693369T3

ES2693369T3 - Método y sistema para determinar un fenotipo de un neoplasma en un cuerpo humano o animal

Info

Publication number: ES2693369T3
Application number: ES14721556.0T
Authority: ES
Inventors: Philippe Lambin; Hugo Johannes Wilhelmus Louis Aerts
Original assignee: Stichting Maastricht Radiation Oncology Maastro Clinic
Current assignee: Stichting Maastricht Radiation Oncology Maastro Clinic
Priority date: 2013-04-19
Filing date: 2014-04-17
Publication date: 2018-12-11
Anticipated expiration: 2034-04-17
Also published as: EP2987114B1; US9811904B2; WO2014171830A1; EP2793164A1; US20160078613A1; EP2987114A1

Abstract

Método de análisis de imágenes que proporciona información para permitir la determinación de un fenotipo de un neoplasma en un cuerpo humano o animal para permitir el pronóstico, que comprende las etapas de: recibir, mediante una unidad de procesamiento, los datos de las imágenes del neoplasma; y obtener, mediante la unidad de procesamiento, una pluralidad de valores de los parámetros de las características de las imágenes a partir de los datos de las imágenes, en donde los valores de los parámetros de las características de las imágenes son indicativos de los parámetros de las características de las imágenes que pueden obtenerse a partir de las características de las imágenes que se obtienen a partir de los datos de las imágenes y que se asocian con el neoplasma; y obtener, por dicha unidad de procesamiento mediante el uso de un modelo característico, uno o más valores del modelo característico del neoplasma asociados con el neoplasma a partir de dichos valores de los parámetros de las características de las imágenes, en donde el modelo característico representa una combinación de las características de las imágenes predeterminadas que permiten distinguir los fenotipos específicos de los neoplasmas, y en donde dicho modelo característico incluye una relación funcional entre dichos valores de los parámetros de las características de las imágenes o los valores característicos de dichos valores de los parámetros de las características de las imágenes para obtener dichos valores del modelo característico del neoplasma a partir del mismo; en donde el modelo característico se basa en los parámetros de las características de las imágenes a partir de un grupo que comprende: la no uniformidad del nivel de gris, la no uniformidad del nivel de gris alto-bajo-alto de onda pequeña, la energía de estadísticas, y la compactación de forma; en donde el parámetro de la característica de la imagen de la no uniformidad del nivel de gris puede obtenerse al cuantificar una heterogeneidad de la textura de los datos de las imágenes en tres dimensiones dentro de un volumen del neoplasma, en donde el parámetro de la característica de la imagen de la no uniformidad del nivel de gris alto-bajo-alto de onda pequeña puede obtenerse al realizar una transformación de onda pequeña filtrada alta-baja-alta sobre los datos de las imágenes en tres dimensiones dentro de un volumen del neoplasma y al cuantificar una heterogeneidad de la textura de los datos de las imágenes transformados, en donde el parámetro de la característica de la imagen de la compactación de forma es representativo de un grado al cual se compacta el neoplasma, y en donde el parámetro de la característica de la imagen de la energía de estadísticas puede obtenerse al determinar una energía total dentro de un volumen del neoplasma y normalizar la energía total sobre el volumen de un vóxel.

Description

5

10

15

20

25

30

35

40

45

50

55

60

65

DESCRIPCION

Metodo y sistema para determinar un fenotipo de un neoplasma en un cuerpo humano o animal Campo de la invencion

La presente invencion se refiere a un metodo para determinar un fenotipo de un neoplasma en un cuerpo humano o animal para permitir el pronostico, que comprende las etapas de: recibir, mediante una unidad de procesamiento, los datos de las imagenes del neoplasma; y obtener, mediante la unidad de procesamiento, una pluralidad de valores de los parametros de las caractensticas de las imagenes a partir de los datos de las imagenes, dichos valores de los parametros de las imagenes que se relacionan con las caractensticas de las imagenes asociadas con el neoplasma.

La invencion se refiere ademas a un sistema de soporte de decisiones, y a un producto de programa informatico y un medio legible por ordenador que comprende un producto de programa informatico.

Antecedentes

La obtencion de imagenes no invasiva es uno de los factores principales que impulso la ciencia medica y el tratamiento en las ultimas decadas. Al evaluar las caractensticas del tejido humano, las imagenes se usan frecuentemente en la practica clmica para el diagnostico oncologico y la orientacion de tratamientos. Un objetivo principal de la obtencion de imagenes es la medicina personalizada, donde el tratamiento se adapta hacia las caractensticas espedficas del paciente. Para la medicina personalizada, los desarrollos recientes en los campos de la genomica y la proteomica han permitido la caracterizacion molecular del tejido, tal como neoplasmas (es decir, tumores). Sin embargo, ya que los tumores son espacial y temporalmente heterogeneos, estas tecnicas se limitan, ya que requieren biopsias o cirugfas invasivas para extraer parte del tejido bajo estudio. Por lo tanto, la obtencion de imagenes puede ser de gran importancia ya que las imagenes pueden capturar la heterogeneidad intratumoral, se realiza ya en la practica rutinaria, no es invasiva, y puede adquirirse durante el tiempo.

Probablemente la modalidad de obtencion de imagenes mas extendida es la tomograffa por ordenador (CT), que evalua la densidad del tejido. Ciertamente, las imagenes de CT de tumores de cancer de pulmon exhiben una diferencia significativa en la intensidad, textura y forma del tumor. Sin embargo, en la practica clmica solo las mediciones que describen el tamano del tumor se extraen rutinariamente para evaluar la respuesta a la terapia. Aunque el tamano del tumor ha demostrado su validez clmica, este no refleja las diferencias patologicas. Existen investigaciones que han identificado esta apariencia del tumor en imagenes de Ct, para proporcionar informacion cualitativamente acerca de las caractensticas del tumor como el tipo, el grado, la propagacion, o la agresividad. Sin embargo, estas caractensticas se describen tfpicamente de forma subjetiva (por ejemplo, "heterogeneidad moderada", "altamente espiculado", "nucleo necrotico grande"). Ademas, los avances recientes en la adquisicion de imagenes, la estandarizacion, y el analisis de imagenes, permiten ahora marcadores biologicos de imagenes objetivos que son potencialmente de pronostico o predictivos.

A pesar de los avances anteriores, la interpretacion de los datos de imagenes de tumores continua siendo una tarea compleja. Como resultado, existe una necesidad de metodos de analisis de datos sofisticados que permitan obtener informacion a partir de datos de imagenes que ayuden a oncologos y practicantes medicos a seleccionar un tratamiento curativo adecuado.

Resumen de la invencion

Lo siguiente presenta un sumario simplificado para proporcionar un entendimiento basico de algunos aspectos descritos en la presente descripcion. Este sumario no es una vision general extensa. No se pretende identificar elementos cnticos o claves de la descripcion o delinear el alcance de la descripcion. El siguiente sumario presenta meramente algunos conceptos dirigidos a las tecnicas para el analisis de imagenes de los datos de imagenes de un neoplasma humano o animal (es decir, un tumor), de una forma simplificada como un preludio a la descripcion mas detallada proporcionada mas abajo.

El termino "neoplasma" como se usa en este documento, debe interpretarse como una masa de tejido anormal como resultado de la neoplasia, es decir, el crecimiento o division de celulas anormal. El termino neoplasma incluye tumores, que forman un tipo particular de neoplasmas. Ya que es probable que las ensenanzas del presente documento se apliquen principalmente al analisis de imagenes de tumores en la busqueda y tratamiento de cancer, los neoplasmas a lo largo de todo el texto en muchas ocasiones se referenciaran como tumores. Sin embargo, debe entenderse que el metodo de analisis de imagenes de la presente invencion puede aplicarse potencialmente a la obtencion de imagenes de otros neoplasmas, tal como, por ejemplo, fibromas.

Un objetivo de la presente invencion es proporcionar un sistema y metodo de analisis de imagenes para obtener, a partir de los datos de imagenes de un neoplasma humano o animal, un fenotipo que puede usarse como una ayuda al practicante medico para propositos de pronostico y la seleccion del tratamiento curativo adecuado por el practicante medico.

5

10

15

20

25

30

35

40

45

50

55

60

65

Estos y otros objetivos de la invencion se han alcanzado en el sentido de que se proporciona un metodo de analisis de imagenes de acuerdo con la reivindicacion 1.

La invencion se refiere a un metodo de analisis de imagenes para proporcionar informacion que permite la determinacion de un fenotipo de un neoplasma en un cuerpo humano o animal para permitir el pronostico, que comprende las etapas de: recibir, mediante una unidad de procesamiento, los datos de las imagenes del neoplasma; y obtener, mediante la unidad de procesamiento, una pluralidad de valores de los parametros de las caractensticas de las imagenes a partir de los datos de las imagenes, dichos valores de los parametros de las imagenes que se relacionan con las caractensticas de las imagenes asociadas con el neoplasma; obtener, por dicha unidad de procesamiento mediante el uso de un modelo caractenstico, uno o mas valores del modelo caractenstico del neoplasma asociados con el neoplasma a partir de dichos valores de los parametros de las caractensticas de las imagenes, en donde dicho modelo caractenstico incluye una relacion funcional de por medio o valores caractensticos de dichos valores de los parametros de las caractensticas de las imagenes para obtener dichos valores del modelo caractenstico del neoplasma a partir del mismo; en donde los valores de los parametros de las caractensticas de las imagenes son indicativos de los parametros de las caractensticas de las imagenes, en donde el modelo caractenstico incluye al menos todos los parametros de las caractensticas de las imagenes a partir de un grupo que comprende: la no uniformidad del nivel de gris, y la no uniformidad del nivel de gris de la longitud de ejecucion del nivel de gris alto-bajo-alto de onda pequena. De acuerdo con una modalidad, el modelo caractenstico incluye ademas al menos todos los parametros de las caractensticas de las imagenes de un grupo que comprende: la energfa de estadfsticas, y la compactacion de forma.

De acuerdo con una modalidad de la invencion, el metodo comprende ademas las etapas de: obtener, mediante dicha unidad de procesamiento desde una memoria, dicho modelo caractenstico que comprende uno o mas valores selectores caractensticos asociados con las caractensticas de las imagenes, en donde los valores selectores caractensticos indican si las caractensticas de las imagenes asociadas se comprenden por el modelo caractenstico; multiplicar por el al menos un modelo caractenstico, mediante la unidad de procesamiento, los valores de los parametros de las caractensticas de las imagenes con los valores selectores caractensticos asociados para obtener el uno o mas valores del modelo caractenstico del neoplasma asociados con el neoplasma.

El metodo de la invencion aumenta el analisis de datos de los datos de las imagenes al obtener uno o mas valores del modelo caractenstico del neoplasma a partir del mismo, lo que aumenta el valor predictivo y de pronostico de la imagen para el practicante medico. Como se apreciara, el valor del modelo caractenstico del neoplasma en sf puede ser la salida del metodo de la invencion. Alternativamente, en una modalidad preferida, el metodo incluye una etapa de comparar, mediante la unidad de procesamiento, los valores del modelo caractenstico del neoplasma con al menos un valor de referencia del modelo caractenstico por el al menos un modelo caractenstico, para asociar el neoplasma con el fenotipo.

De acuerdo con los principios de la presente invencion, el metodo de analisis de imagenes usa modelos caractensticos de combinaciones de caractensticas de imagenes seleccionadas para distinguir fenotipos espedficos de neoplasmas entre sn Se ha descubierto que los fenotipos espedficos de neoplasmas identificados de esta manera se distinguen en su comportamiento en terminos de crecimiento, agresividad, y respuesta a tipos de tratamiento espedficos. Por lo tanto, la distincion de los fenotipos de neoplasmas mediante el uso del metodo de la presente invencion, ayuda al practicante medico en el pronostico y la seleccion del tratamiento efectivo.

La hipotesis fundamental subyacente a la invencion es que el analisis cuantitativo de las caractensticas de las imagenes permite adaptar mejor las terapias a los pacientes individuales y conduce, por lo tanto, a una supervivencia y calidad de vida mejorada. Por lo tanto, el presente sistema de analisis de imagenes permite comparar los datos de las imagenes disponibles a traves de herramientas de obtencion de imagenes clmicas convencionales (CT, PET/CT, MR y MR/PET) con modelos caractensticos predictivos que permiten establecer la clasificacion de un neoplasma para la ayuda de un practicante medico. La invencion convierte los datos de las imagenes, mediante el uso de un gran numero de metricas de las imagenes extrafbles automaticamente, en un espacio de caractensticas extrafbles de alta dimension (es decir, "radiomia"). Los modelos caractensticos usados de las caractensticas de las imagenes ayudan a identificar distintas diferencias patologicas de los tumores y tienen facultad de pronostico, y por lo tanto, son de importancia clmica.

Las caractensticas de las imagenes particulares que se usan en y forman los diversos modelos caractensticos, que pueden usarse como un ejemplo y que no son parte de la presente invencion, se explicaran en mas detalles mas adelante en este documento. Estas caractensticas de las imagenes tienen en comun que cada una de ellas puede obtenerse al realizar el analisis de imagenes avanzado de los datos de las imagenes. Por otra parte, estas caractensticas pueden reproducirse. Por ejemplo, una parte de las caractensticas de las imagenes usadas en los modelos caractensticos se refiere a la intensidad del tumor, y puede obtenerse a partir de la intensidad o color de los pfxeles o areas individuales dentro de la imagen, o a partir del analisis (estadfstico) del histograma de la imagen. Como un ejemplo adicional, parte de las caractensticas de las imagenes se refieren a la forma y el tamano de un tumor, y pueden obtenerse entre otras a partir del analisis de contorno. Ademas, una parte adicional de las caractensticas de las imagenes describe las deferencias de texturas de la imagen del tumor, y por ejemplo, puede determinarse mediante el uso de una matriz de coocurrencia de la imagen. Estas ultimas caractensticas, por ejemplo, pueden referirse a las diferencias de homogeneidad y heterogeneidad en la textura.

5

10

15

20

25

30

35

40

45

50

55

60

65

De acuerdo con una modalidad de la invencion, los valores selectores caractensticos usados en el metodo de analisis de imagenes comprenden ademas uno o mas valores de ponderacion asociados con las caractensticas de las imagenes comprendidas por el modelo caractenstico, para ponderar las caractensticas de las imagenes en el modelo caractenstico. Se ha encontrado que en adicion a la seleccion correcta de las caractensticas de las imagenes relevantes que van a incluirse en cada uno de los modelos caractensticos, la ponderacion de estas caractensticas de las imagenes por medio de factores de ponderacion mejora el valor predictivo y de pronostico del resultado del metodo de analisis de imagenes. De acuerdo con esta modalidad, cada uno de los modelos caractensticos usados no solo identifica y selecciona las caractensticas de las imagenes correctas para usarse en el modelo caractenstico, sino comprende ademas, para cada una de las caractensticas de las imagenes, un factor de ponderacion que indica la importancia cuantitativa de la caractenstica de la imagen espedfica dentro de ese modelo caractenstico.

De acuerdo con una modalidad adicional de la presente invencion, el metodo de analisis de imagenes comprende ademas una etapa de calcular, mediante la unidad de procesamiento, una calificacion del modelo caractenstico del neoplasma como una funcion del uno o mas valores del modelo caractenstico del neoplasma, en donde la etapa de comparacion incluye comparar la calificacion del modelo caractenstico del neoplasma con una calificacion de referencia. Como se apreciara, en algunos casos una vision general de los valores de los parametros de las caractensticas de las imagenes relevantes dentro del modelo caractenstico puede proporcionar cierta informacion adicional a un usuario del metodo de analisis de imagenes. Sin embargo, en otros casos, la identificacion de un fenotipo puede beneficiarse del calculo de una unica calificacion del modelo caractenstico del neoplasma para el modelo caractenstico particular que puede compararse o coincidir con una calificacion de referencia para permitir la clasificacion del neoplasma. Por otra parte, el calculo de dicha calificacion del modelo caractenstico del neoplasma, que por ejemplo, puede ser una combinacion lineal de los valores de los parametros de las caractensticas de las imagenes seleccionadas para el modelo caractenstico y sus factores de ponderacion, permite realizar una clasificacion automatica de un tumor o neoplasma que puede sugerirse al usuario para la evaluacion por un practicante medico para respaldar al interpretacion de los resultados.

En lugar de realizar el metodo de analisis de imagenes para un unico modelo caractenstico, de acuerdo con una modalidad adicional el al menos un modelo caractenstico comprende una pluralidad de modelos caractensticos diferentes. Como se apreciara, al realizar el mismo metodo mediante el uso de una pluralidad de modelos caractensticos diferentes, finalmente, puede lograrse un resultado mas confiable mediante el metodo de analisis de imagenes que aumenta el valor al usuario del mismo.

En algunos metodos de obtencion de imagenes que no son parte de la presente invencion, los parametros de las caractensticas de las imagenes pueden incluir ademas al menos uno de un grupo que comprende estadfsticas del nivel de gris de primer orden obtenidas a partir de pfxeles de la imagen o areas de la imagen a partir de los datos de las imagenes, tales como la intensidad minima, la intensidad maxima, la intensidad media, el intervalo de intensidad, la varianza de la intensidad, la desviacion estandar de la intensidad, la oblicuidad, la curtosidad, y la entropfa; estadfsticas del nivel de gris de segundo orden obtenidas a partir de las matrices de coocurrencia de los datos de las imagenes, tales como el contraste, la correlacion entre areas o pfxeles de la imagen vecinos, la energfa, la homogeneidad, el momento de diferencia inversa, el promedio de la suma, la varianza de la suma, y la entropfa de la suma; estadfsticas del nivel de gris de longitud de ejecucion, enfasis de ejecucion corta, enfasis de ejecucion larga, porcentaje de ejecucion; o caractensticas basadas en la forma y el tamano, tales como el penmetro, el area de seccion transversal, la longitud del eje principal, el diametro maximo, y el volumen.

La invencion, como una modalidad particular preferida, usa un modelo caractenstico que incluye la no uniformidad del nivel de gris aplicada a la transformada de onda pequena filtrada alta-baja-alta de los datos de las imagenes como una de las caractensticas de las imagenes. Se ha encontrado que las caracterizaciones que incluyen esta caractenstica de la imagen, en combinacion con otras caractensticas, son particularmente utiles para predecir la respuesta al tratamiento de un neoplasma. Por lo tanto, estas caracterizaciones tienen un valor de pronostico particular.

A partir de los valores de los parametros de las caractensticas de las imagenes mencionados anteriormente que son indicativos de los parametros de las caractensticas de las imagenes, se ha identificado un modelo caractenstico espedfico que es de valor particular en el pronostico, prediccion de supervivencia y seleccion de tratamiento. La tabla mas abajo proporciona este modelo caractenstico que es de relevancia particular para el pronostico. En la tabla, se identifican los parametros de las caractensticas de las imagenes relevantes (con factores de ponderacion) que forman el modelo caractenstico. Este modelo caractenstico, opcionalmente, puede usarse en combinacion con otros valores de los parametros de las caractensticas de las imagenes para ganar informacion adicional.

Caractenstica: Peso Intervalo de los pesos

Energfa de estadfsticas: 2.42e-11 1.0e-20 - 1.0e-05

Compactacion de forma: -5.38e-03 1.0e-07 - 1.0e-01

No uniformidad del nivel de gris_RLGL: -1.47e-04 1.0e-09 - 1.0e-01

No uniformidad del nivel de gris_rlgl_HLH_Onda pequena: 9.39e-06 1.0e-10 - 1.0e-02

5

10

15

20

25

30

35

40

45

50

55

60

65

El metodo de analisis de imagenes de acuerdo con una modalidad de la presente invencion puede recibir los datos de las imagenes a traves de una pluralidad de metodos de obtencion de imagenes diferentes usados en el pronostico y tratamiento de tumores. Por ejemplo, el metodo de obtencion de imagenes puede seleccionarse a partir de un grupo que comprende imagenes de resonancia magnetica (por ejemplo, (pero sin limitarse a) campos magneticos de 1,5 a 9 Tesla), tomograffa por ordenador (de energfa simple, doble o multiple), tomograffa de emision de positrones (fluorodeoxy glucosa u otros marcadores biologicos, tal como (pero sin limitarse a) F miso HX4...), tomograffa por ordenador de emision de un solo foton, ultrasonograffa, termograffa, imagenes fotoacusticas.

En una modalidad ventajosa adicional, la etapa de recibir los datos de las imagenes comprende las etapas de recibir los primeros datos de imagenes del neoplasma en un primer momento en el tiempo y recibir los segundos datos de imagenes del neoplasma en un segundo momento en el tiempo. En esta modalidad, las etapas de obtener los valores de los parametros de las caractensticas de las imagenes, obtener el modelo caractenstico, y multiplicar los valores de los parametros de las caractensticas de las imagenes con los valores selectores caractensticos asociados se realizan para los primeros y segundos datos de las imagenes, y el metodo comprende ademas una etapa de determinar una diferencia entre los valores del modelo caractenstico de un neoplasma de los primeros y segundos datos de las imagenes. Los primeros y segundos datos de las imagenes en el neoplasma y el primer momento en el tiempo y el segundo momento en el tiempo respectivamente, por ejemplo, pueden obtenerse desde una memoria o dispositivo de almacenamiento, o pueden obtenerse directamente a partir del metodo de obtencion de imagenes aplicado con propositos de diagnostico. Por ejemplo, despues de realizar la etapa de obtencion de imagenes, los datos de las imagenes de una imagen tomada anteriormente de un tumor, por ejemplo, dfas o semanas antes de la presente etapa de obtencion de imagenes, pueden usarse con la presente modalidad para determinar una diferencia entre los valores del modelo caractenstico del neoplasma de los primeros y segundos datos de las imagenes. A partir de esto, el practicante medico puede obtener informacion valiosa, por ejemplo, sobre el efecto del tratamiento seleccionado. Como se apreciara, esta modalidad puede extenderse al comparar los primeros y segundos datos de las imagenes con terceros, cuartos, quintos, o mas datos de imagenes tomadas durante todo el tratamiento curativo de un tumor.

De acuerdo con un aspecto adicional de la presente invencion se proporciona un sistema de soporte de decisiones para realizar un metodo de analisis de imagenes de acuerdo con un primer aspecto descrito anteriormente, para determinar un fenotipo de un neoplasma en un cuerpo humano o animal para permitir el pronostico, dicho sistema que comprende una entrada conectada a una unidad de procesamiento para recibir mediante la unidad de procesamiento los datos de las imagenes del neoplasma; en donde la unidad de procesamiento se dispone ademas para obtener una pluralidad de valores de los parametros de las caractensticas de las imagenes a partir de los datos de las imagenes recibidos, dichos valores de los parametros de las imagenes que se relacionan con las caractensticas de las imagenes asociadas con el neoplasma, en donde la unidad de procesamiento se conecta a una memoria para obtener desde la misma al menos un modelo caractenstico que comprende uno o mas valores selectores caractensticos asociados con las caractensticas de las imagenes, en donde los valores selectores caractensticos indican si las caractensticas de las imagenes asociadas se comprenden por el modelo caractenstico, y en donde la unidad de procesamiento se dispone para multiplicar por el al menos un modelo caractenstico los valores de los parametros de las caractensticas de las imagenes con los valores selectores caractensticos asociados para obtener uno o mas valores del modelo caractenstico del neoplasma asociados con el neoplasma, y comparar los valores del modelo caractenstico del neoplasma con al menos un valor de referencia del modelo caractenstico por el al menos un modelo caractenstico, para asociar el neoplasma con el fenotipo, el sistema que comprende ademas una salida para proporcionar un valor indicador indicativo de un resultado de dicha etapa de asociacion; en donde los valores de los parametros de las caractensticas de las imagenes son indicativos de los parametros de las caractensticas de las imagenes, en donde el modelo caractenstico incluye al menos todos los parametros de las caractensticas de las imagenes a partir de un grupo que comprende: la energfa de estadfsticas, la compactacion de forma, la no uniformidad del nivel de gris, la no uniformidad del nivel de gris de longitud de ejecucion del nivel de gris alto-bajo-alto de onda pequena.

La invencion, de acuerdo con aspectos adicionales de la misma, se refiere a un producto de programa informatico, en donde el producto de programa informatico comprende instrucciones informaticas que, cuando se ejecutan en un ordenador, se disponen para realizar un metodo de analisis de imagenes de acuerdo con el primer aspecto; y a un medio legible por ordenador que comprende dicho producto de programa informatico.

Breve descripcion de los dibujos

La presente invencion se esclarecera ademas por medio de algunas modalidades espedficas de la misma, con referencia a los dibujos adjuntos, en donde:

la Figura 1A-1 es una imagen del nivel de gris que describe la intensidad del tumor de un primer tumor; la Figura 1A-2 es un histograma de la imagen de la Figura 1A-1;

la Figura 1A-3 proporciona una vision general de los valores de los parametros de las caractensticas de las imagenes y los parametros de las caractensticas de las imagenes correspondientes obtenidos a partir de las estadfsticas del nivel de gris de primer orden de la imagen del nivel de gris de la Figura 1A-1;

la Figura 1B-1 proporciona una imagen del nivel de gris que describe la intensidad del tumor de un segundo tumor; la Figura 1B-2 es un histograma de la imagen del nivel de gris de la Figura 1B-1;

5

10

15

20

25

30

35

40

45

50

55

60

65

la Figura 1B-3 proporciona una vision general de los valores de los parametros de las caractensticas de las imagenes y los parametros de las caractensticas de las imagenes asociados obtenidos a partir de las estadfsticas del nivel de gris de primer orden obtenidas mediante el analisis de la imagen de la Figura 1B-1; la Figura 2A-1 ilustra una representacion tridimensional de un tercer tumor;

la Figura 2A-2 proporciona una vision general de los valores de los parametros de las caractensticas de las imagenes de los parametros de las caractensticas de las imagenes obtenidos a partir del analisis de la forma y/o el tamano del tumor basado en la Figura 2A-1;

la Figura 2B-1 proporciona una representacion tridimensional de un cuarto tumor;

la Figura 2B-2 proporciona una vision general de los valores de los parametros de las caractensticas de las imagenes y los parametros de las caractensticas de las imagenes asociados obtenidos mediante el analisis de la forma y/o el tamano basado en la imagen ilustrada en la Figura 2B-1;

la Figura 3 es una ilustracion de un analisis de contorno de superficie para obtener el diametro maximo de un tumor; la Figura 4A proporciona una imagen de un quinto tumor; la Figura 4B proporciona una imagen de un sexto tumor;

la Figura 5 es una ilustracion esquematica de un sistema de soporte de decisiones de acuerdo con una modalidad de la presente invencion;

la Figura 6 es una ilustracion esquematica de una modalidad de un metodo de analisis de imagenes de acuerdo con una modalidad de la presente invencion;

la Figura 7 es una imagen ROI en escala de grises de un tumor a partir del cual puede determinarse una matriz de coocurrencia del nivel de gris de acuerdo con una modalidad de la invencion.

Descripcion detallada

Antes de proporcionar una descripcion mas detallada de los varios parametros de las caractensticas de las imagenes que pueden obtenerse a partir de las caractensticas de las imagenes obtenidas a partir de los datos de las imagenes de neoplasmas tales como tumores, se dara una descripcion mas abajo en la presente descripcion con referencia a las Figuras 5 y 6 de un sistema de soporte de decisiones y un metodo de analisis de imagenes de acuerdo con la presente invencion.

La Figura 5 ilustra esquematicamente un sistema de soporte de decisiones de acuerdo con una modalidad de la presente invencion. En la Figura 5, el sistema de soporte de decisiones 1 comprende al menos una unidad de analisis 3 que se conecta a un sistema de obtencion de imagenes 8. El sistema de obtencion de imagenes 8 puede ser cualquier sistema de obtencion de imagenes adecuado usado en entornos medicos para propositos de diagnostico, en particular para la visualizacion de tumores. El sistema de obtencion de imagenes 8 puede ser, por ejemplo, un sistema de imagenes de resonancia magnetica (MRI), un sistema de tomograffa por ordenador (CT), un sistema de tomograffa de emision de positrones (PET), un sistema de tomograffa por ordenador de emision de un solo foton (SPECT), un sistema de ultrasonograffa, un sistema de tomograffa, o un sistema de obtencion de imagenes fotoacusticas. El sistema de obtencion de imagenes 8 puede proporcionar los datos de las imagenes directamente al sistema de analisis 3, o alternativamente puede almacenar los datos de las imagenes en un sistema de datos de repositorio de datos 10 desde el cual pueden obtenerse por el sistema de analisis 3 en cualquier momento requerido. Como se apreciara, el sistema de analisis 3, el sistema de obtencion de imagenes 8, el sistema de repositorio de datos 10, y cualquier sistema o terminal de salida 12, pueden conectarse entre sf a traves de una red de datos, o a traves de conexiones de datos directas.

Como se menciono anteriormente, el sistema de analisis 3 recibe los datos de las imagenes ya sea directamente desde el sistema de obtencion de imagenes 8 o los recupera desde un sistema de repositorio de datos 10 donde pueden almacenarse los datos de las imagenes. Otra posibilidad es que parte de los datos de las imagenes se reciban directamente desde el sistema de obtencion de imagenes 8 mediante la unidad de analisis 3, y otra parte de los datos de las imagenes, por ejemplo, los datos de las imagenes tomados a partir de un mismo tumor en una etapa anterior durante un tratamiento de un paciente, pueden obtenerse desde el sistema de repositorio de datos 10. Como se apreciara, los datos de las imagenes pueden obtenerse alternativamente desde otra fuente o a traves de otros medios. Por ejemplo, tales datos pueden obtenerse desde una red remota, desde un servidor de correo electronico, o desde una entidad de almacenamiento de datos tal como una memoria flash o una tarjeta SD. La realizacion de un analisis de acuerdo con la presente invencion sobre los datos de las imagenes tomados en varias etapas a lo largo de un proceso de tratamiento proporciona informacion a un practicante medico que puede usarse para evaluar el proceso de tratamiento, y tomar la accion necesaria.

La unidad de analisis 3 comprende una unidad de procesamiento que recibe los datos de las imagenes desde los puertos de entrada/salida 6 y 7. La unidad de procesamiento se dispone para obtener una pluralidad de valores de los parametros de las caractensticas de las imagenes asociados con los parametros de las caractensticas de las imagenes a partir de los datos de las imagenes recibidos. Con este fin, la unidad de procesamiento 4 aplica varios algoritmos de analisis, tales como los algoritmos de analisis estadfstico, los algoritmos de analisis grafico y similares. Tales algoritmos pueden almacenarse, por ejemplo, en la unidad de memoria 5 dentro de la unidad de analisis 3. La unidad de procesamiento puede disponerse ademas para obtener uno o mas modelos caractensticos desde la unidad de memoria 5. Cada uno de los modelos caractensticos obtenidos comprende valores selectores caractensticos que determinan si los parametros espedficos de las caractensticas de las imagenes se incluyen o no en el modelo caractenstico

5

10

15

20

25

30

35

40

45

50

55

60

65

respectivo. En lugar de solo comprender valores selectores caractensticos, los modelos caractensticos pueden comprender ademas factores de ponderacion almacenados tambien en la unidad de memoria 5. Tales factores de ponderacion no solo determinan que un cierto parametro de las caractensticas de las imagenes se incluye en el modelo caractenstico, sino ademas permiten prescribir la importancia de un cierto parametro de las caractensticas de las imagenes en el modelo caractenstico, por ejemplo, en terminos de su valor predictivo en relacion con o en combinacion con otros parametros.

La unidad de procesamiento 4 se dispone para multiplicar cada uno de los valores de los parametros de las caractensticas de las imagenes obtenidos a partir de los datos de las imagenes durante la etapa de obtencion descrita en la presente descripcion anteriormente, con sus valores selectores caractensticos o factores de ponderacion asociados (donde corresponda) para cada uno de los modelos caractensticos. Esta etapa de multiplicacion produce los valores del modelo caractenstico del neoplasma que representan el tumor en terminos de los modelos caractensticos respectivos. Estos valores del modelo caractenstico del neoplasma se usaran para asociar el tumor con un cierto fenotipo con el fin de permitir el pronostico, predecir la expectativa de supervivencia, sugerir un tratamiento posible, y proporcionar otra informacion importante de soporte de decisiones al usuario o practicante medico. Para realizar la clasificacion del tumor en un cierto fenotipo, los valores del modelo caractenstico del neoplasma se comparan con los valores de referencia del modelo caractenstico que pueden almacenarse, por ejemplo, en la unidad de memoria 5. Tal comparacion puede tener cualquier forma adecuada, y puede incluir ademas, como se describira por ejemplo, en relacion con la Figura 6, el calculo de una calificacion del modelo caractenstico del neoplasma como una funcion de los valores del modelo caractenstico del neoplasma calculados en este documento. Tal calificacion del modelo caractenstico del neoplasma puede compararse con una calificacion de referencia que se almacena tambien en la unidad de memoria 5. La salida del metodo de analisis se proporciona a un terminal de salida, por ejemplo, el terminal

12. Este puede ser cualquier sistema informatico adecuado, una pantalla, una unidad de analisis adicional, un sistema de impresion, o un sistema de comunicaciones que permite distribuir la informacion relevante al usuario o usuarios del sistema de soporte de decisiones.

En la Figura 6, se ilustra esquematicamente un metodo de analisis de acuerdo con la presente invencion. Para explicar el metodo con relacion a un sistema de soporte de decisiones de la invencion, se hace referencia ademas a los numeros de referencia y caractensticas de la Figura 5. Como se apreciara, el metodo y el sistema solo se proporcionan como un ejemplo y no deben interpretarse como limitantes. En la etapa 20, los datos de las imagenes se reciben desde un sistema de obtencion de imagenes 8 mediante una unidad de procesamiento 4. La unidad de procesamiento 4 en la etapa 22, obtiene a partir de los datos de las imagenes recibidos, una pluralidad de valores de los parametros de las caractensticas de las imagenes 30, 32, 34, 36, 38, 40, 42, 44, 46, 48 y 50. Como se apreciara los valores de los parametros de las caractensticas de las imagenes que debenan determinarse al menos en la etapa 22, son dependientes de los modelos caractensticos que van a aplicarse. Ademas, en este documento se proporcionara una descripcion detallada de todos los parametros de las caractensticas de las imagenes que pueden usarse y pueden obtenerse en la etapa 22. En la Figura 6, se ilustra un total de once valores de los parametros de las caractensticas de las imagenes, pero un experto apreciara que cualquier otro numero de valores de los parametros de las caractensticas de las imagenes puede obtenerse en esta etapa 22.

Los valores de los parametros de las caractensticas de las imagenes 30-50 se multiplican por los valores selectores caractensticos 54-74. Un valor selector caractenstico puede incluir, por ejemplo, un selector booleano (que puede tener el valor 0 o 1 en dependencia de si el valor del parametro asociado de la caractenstica de la imagen va a incluirse en el modelo caractenstico) y un factor de ponderacion (por ejemplo, un valor real entre 0 y 1). Por ejemplo, el factor 54 puede ser una multiplicacion del valor selector caractenstico igual a '1' y el factor de ponderacion igual a 0,83, aunque estos valores son solo ejemplos. Cada uno de los factores 54, 56, 58, 60, 62, 64, 66, 68, 70, 72 y 74 se establece mediante la unidad de procesamiento basado en un modelo caractenstico 24 (por ejemplo, cualquiera de los modelos caractensticos 24a, 24b, o 24c) almacenado en una memoria. En la Figura 6, el modelo caractenstico 24a se aplica a los factores 54-74 como se indica mediante la lmea esquematica 27.

Los valores de los parametros de las caractensticas de las imagenes se multiplican por sus valores selectores caractensticos asociados. El valor del parametro de la caractenstica de la imagen 30 se multiplica por los valores selectores caractensticos 54, el valor del parametro de la caractenstica de la imagen 32 se multiplica por los valores

selectores caractensticos 56, el valor del parametro de la caractenstica de la imagen 34 se multiplica por los valores

selectores caractensticos 58, el valor del parametro de la caractenstica de la imagen 36 se multiplica por los valores

selectores caractensticos 60, el valor del parametro de la caractenstica de la imagen 38 se multiplica por los valores

selectores caractensticos 62, el valor del parametro de la caractenstica de la imagen 40 se multiplica por los valores

selectores caractensticos 64, el valor del parametro de la caractenstica de la imagen 42 se multiplica por los valores

selectores caractensticos 66, el valor del parametro de la caractenstica de la imagen 44 se multiplica por los valores

selectores caractensticos 68, el valor del parametro de la caractenstica de la imagen 46 se multiplica por los valores

selectores caractensticos 70, el valor del parametro de la caractenstica de la imagen 48 se multiplica por los valores

selectores caractensticos 72 y el valor del parametro de la caractenstica de la imagen 50 se multiplica por los valores selectores caractensticos 74. Los productos de los valores de los parametros de las caractensticas de las imagenes y los valores selectores caractensticos se proporcionan despues como una entrada a una etapa de suma 78 para calcular una calificacion del modelo caractenstico del neoplasma, por ejemplo, mediante la suma de todos los valores obtenidos, tal como para calcular una combinacion lineal de los valores de los parametros de las caractensticas de las imagenes

5

10

15

20

25

30

35

40

45

50

55

60

65

30-50 con sus valores selectores caractensticos asociados (que incluyen los factores de ponderacion) 54-74. Esta calificacion obtenida en la etapa 78 puede compararse con un valor de referencia de la memoria 82, y proporcionarse al usuario del metodo de analisis en la etapa 80. En caso de que se hace una comparacion entre los datos de las imagenes de tumores en varias etapas durante un proceso de tratamiento, los datos de las imagenes adicionales pueden obtenerse desde una memoria o sistema de repositorio en la etapa 20 y se repite el metodo de analisis. Finalmente, los resultados de la realizacion del metodo de analisis de imagenes para cada uno de los datos de las imagenes obtenidos se compararan y presentaran al usuario (no se muestra).

Como se apreciara, el sistema de soporte de decisiones de la Figura 5 y el metodo de analisis de imagenes de la Figura 6 son modalidades de la presente invencion, sin embargo la invencion puede llevarse a cabo de cualquier otra manera ademas de la descrita espedficamente con referencia a las Figuras 5 y 6.

La presente invencion usa los valores de los parametros de las caractensticas de las imagenes obtenidos a partir de las caractensticas de las imagenes obtenidas a partir de los datos de las imagenes de un tumor. Las Figuras 1A-1 a la 1B-3 proporcionan como un primer ejemplo un numero de parametros de las caractensticas de las imagenes y sus valores que pueden obtenerse a partir del analisis estadfstico del nivel de gris de primer orden de una imagen. En la Figura 1A- 1, se ilustra una imagen del nivel de gris de un tumor. La escala del nivel de gris se indica con el numero de referencia 103 a la derecha de la Figura 1A-1. Tambien esta visible en la Figura 1A-1 el contorno 101 del tumor que va a analizarse. Debe observarse que el contorno que define el tumor se determinara normalmente por un practicante medico, o cualquier otro sistema o metodo de analisis. La presente descripcion asume que esta informacion esta disponible para el metodo.

En la Figura 1A-2 se ilustra un histograma 105 que se basa en los datos de la imagen ilustrada en la Figura 1A-1. El histograma 105 solamente se parece a la imagen del tumor, es decir, el histograma se basa en los pfxeles de la imagen del nivel de gris de la Figura 1A-1 dentro del contorno 101. Todas las partes de la imagen fuera del contorno 101 no se tienen en cuenta en el analisis y se consideran como tejido sano. El histograma 105 se grafica sobre un primer acceso 107 que indica el nivel de gris considerado, y un segundo acceso 108 que se parece al numero de pfxeles que ocurren con el nivel de gris.

La Figura 1B-1 ilustra un segundo tumor dentro del contorno 121, y la Figura 1B-2 ilustra un histograma correspondiente 123 asociado con este segundo tumor ilustrado en la Figura 1B-1. A partir de una comparacion cualitativa de las imagenes de la Figura 1A-1 y la Figura 1B-1, puede verse un numero de diferencias caractensticas entre los dos tumores. Por ejemplo, el primer tumor dentro del contorno 101 parece ser no homogeneo, mientras el nivel de gris del segundo tumor 121 es mas uniforme. Esta diferencia, por ejemplo, es directamente visible en los histogramas 105 y 123. El histograma 123 se concentra claramente alrededor de un nivel de gris uniforme como un pico pequeno pero puntiagudo. El histograma 105 ilustra una distribucion amplia que tiene un pico en el nivel de gris aproximadamente 1050 y un rastro mas distribuido a traves de casi todos los niveles de gris por debajo de este valor. A partir del histograma de la imagen del tumor, puede obtenerse cuantitativamente informacion relevante que tambien puede obtenerse a partir del examen cualitativo de las imagenes.

En la Figura 1A-3 y la Figura 1B-3, se proporciona una vision general de un numero de valores de los parametros de las caractensticas de las imagenes y los parametros de las caractensticas de las imagenes asociados que pueden obtenerse a partir del analisis estadfstico del nivel de gris de primer orden de las imagenes de las Figuras 1A-1 y 1B-1 respectivamente. Estos parametros de las caractensticas de las imagenes, que se describiran con mas detalle despues en este documento, pueden usarse en los varios modelos caractensticos para obtener informacion que puede ayudar al practicante medico a seleccionar el tratamiento correcto, determinar la expectativa de supervivencia, y el pronostico en general.

Las Figuras 2A-1 a la 2B-2 proporcionan un ejemplo de parametro de caractenstica de la imagen y los valores de los parametros de las caractensticas de las imagenes que pueden obtenerse a partir del analisis de la forma y el tamano de las caractensticas relacionadas, que pueden obtenerse, por ejemplo, a partir de las representaciones tridimensionales (3D) de tumores basadas en los datos de las imagenes obtenidas. En la Figura 2A-1 se ilustra una representacion tridimensional (3D) de un tercer tumor 130. En la Figura 2B-1 se ilustra una representacion tridimensional (3D) de un cuarto tumor 135. A partir de la comparacion cualitativa de los dos tumores en las Figuras 2A-1 y 2B-1, puede obtenerse un numero de diferencias, tal como una diferencia en el tamano del tumor. El cuarto tumor 135 es mucho mas grande que el tercer tumor 130, aunque el tercer tumor 130 parece tener una superficie mucho mas grande.

Una vision general de los valores de los parametros de las caractensticas de las imagenes que puede obtenerse a partir de los datos de las imagenes en las Figuras 2A-1 y 2B-1 se proporciona en las Figuras 2A-2 y 2B-2 respectivamente. Estos valores de los parametros de las caractensticas de las imagenes, por ejemplo, incluyen los volumenes de los tumores, su superficie total y su diametro maximo. Ademas de esto, una informacion mas cuantitativa sobre los parametros de las caractensticas de las imagenes que pueden ser caractensticos para un tipo espedfico de crecimiento del tumor (fenotipo) puede obtenerse a partir de las imagenes. Por ejemplo, la esfericidad proporciona informacion acerca de cuan esferico (es decir, regular) es el tumor. La relacion de superficie a volumen (SVR) expresa cuan puntiagudo o afilado es el tumor. Un diametro maximo representa la distancia maxima entre los puntos mas remotos en la superficie del tumor en la representacion tridimensional.

5

10

15

20

25

30

35

40

45

50

55

60

65

La Figura 3 proporciona una ilustracion de un analisis de contorno a partir del cual puede obtenerse el diametro maximo de un tumor. Los puntos mas remotos en la Figura 3 son los extremos finales del tumor 140, al lado izquierdo y derecho del grafico en la Figura 3. Con respecto a la Figura 3, se observa que los puntos representados en el grafico son voxeles que se encuentran sobre la superficie del tumor.

Como un ejemplo adicional en las Figuras 4a y 4b, se ilustran un quinto tumor 143 y un sexto tumor 146 respectivamente. A partir de la observacion cualitativa de las imagenes en las Figuras 4a y 4b, es visible una diferencia sorprendente en terminos de la textura de los tumores ilustrados. Por ejemplo, el sexto tumor 146 en la Figura 4b ilustra una fuerte variation en el color dentro del tumor y a traves de su superficie. El tumor 143 en la Figura 4a es mas homogeneo, ya que es mas o menos de un solo color. Estas diferencias en la textura pueden obtenerse a partir de las matrices de coocurrencia obtenidas a partir del analisis de color de los pixeles de las imagenes de estas Figuras. El concepto de las matrices de coocurrencia se explicara mas adelante. Algunas caracteristicas de las imagenes que no se abarcan por la presente invention se detallan a continuation.

Descripciones de los parametros de las caracteristicas de las imagenes

Estadisticas del nivel de gris de primer orden

En esta section se describen varios parametros de las caracteristicas de las imagenes que pueden usarse para extraer y resumir information significativa y confiable de las imagenes de CT. Describiremos la extraction de rasgos de las imagenes que pueden usarse para obtener metricas de pronostico, y que pueden incorporarse en los modelos caracteristicos de un sistema de soporte de decisiones, para soportar beneficiosamente el proceso de planificacion clmica para modificar el tratamiento del paciente basado en su riesgo de fallo previsto. Como se aprecia, el objetivo de la invencion es soportar (no asumir) el proceso de toma de decisiones del practicante medico con informacion avanzada tomada de las imagenes; es decir, datos de las caracteristicas de las imagenes que no pueden evaluarse objetivamente por medio de la interpretation cualitativa.

Exploramos las estadisticas de primer orden del histograma de la imagen a traves de las metricas usadas comunmente. Denotamos I(x, y) como la intensidad o los valores del nivel de gris de la matriz de pixeles en dos dimensiones. Las formulas usadas para las estadisticas de primer orden son las siguientes:

1. Mmimo

2. Maximo

3. Intervalo

4. Media

5. Varianza

Imin = min{/(x, y)}

Imax = max{/(x, y)}

R = max{7(x,y)} — min{7(x,y)}

p = ^li=ill=iKx,y)

CT2 —

(XY-1)

Zx=iZl=i[Kx,y) - v-V

6. Desviacion estandar

7. Oblicuidad

s = - m)2)‘/2

i ri(xy)—

^Lx=lLy=l[ ; J

8. Curtosis

9. Entropia

(B.l)

(B.2)

(B.3)

(B.4)

(B.5)

(B.6)

(B.7)

imagen1

(B.9)

En B.9, P(/) es el histograma de primer orden, es decir, P(/) es la fraction de pixeles con el nivel de gris i. La varianza (^2), la oblicuidad (^3) y la curtosis (^4) son los momentos centrales usados con mas frecuencia. La varianza es una medida del ancho del histograma, es decir, una medida de cuanto los niveles de gris difieren de la media. La oblicuidad mide el grado de asimetria del histograma alrededor de la media, y la curtosis es una medida de la agudeza del histograma. Como una medida de la uniformidad o aleatoriedad del histograma, calculamos la entropia del histograma de la imagen. Mientras mas cerca de una distribucion uniforme mayor es la entropia, o visto de una manera diferente, H tomaria valores bajos en imagenes lisas donde los pixeles tienen el mismo nivel de intensidad.

5

10

15

20

25

30

35

40

45

50

55

60

65

Estadfsticas de los niveles de gris de segundo orden

Las caractensticas mostradas anteriormente que resultan de las estadfsticas de primer orden proporcionan information relacionada con la distribution de los niveles de gris de la imagen; sin embargo no proporcionan ninguna informacion con respecto a la position relativa de los varios niveles de gris sobre la imagen. Esta informacion puede extraerse a partir de las llamadas matrices de coocurrencia donde los pfxeles se consideran en pares y que proporcionan una distribucion espacial de los valores de los niveles de gris. Las caractensticas de coocurrencia se basan en la funcion de probabilidad condicional unida de segundo orden P(i, j; a, d) de una imagen determinada. El elemento in, jn de la matriz de coocurrencia para una imagen de tumor determinada, representa el numero de veces que los niveles de intensidad i y j ocurren en dos pfxeles separados por una distancia (d) en la direction (a). La matriz de coocurrencia para un par (d, a) se define como la matriz Ng x Ng, donde Ng es el numero de los niveles de intensidad. Los niveles Ng se obtuvieron al escalar la imagen del nivel de gris a un numero Ng discreto de valores del nivel de gris. Los valores Ng se seleccionan normalmente en potencias de 2; aqu hemos seleccionado 32 valores de nivel de gris discretos que en la practica es una election suficiente para representar la imagen. Aqu se fijo d al tamano de un solo pfxel y a abarco las cuatro direcciones angulares disponibles (horizontal, vertical, diagonal y antidiagonal). Dejemos, por ejemplo, que un arreglo de imagen I(x, y) sea:

-3: 5 8 10 8-

7: 10 3 5 3

7: 3 5 1 8

2: 6 7 1
2

1: 2 9 3 9

(B.ll)

que corresponde a una imagen de 5 x 5. Podemos asumir que el numero de niveles de gris discretos es igual a 10. Por lo tanto, para la imagen (B.11) y una posicion del pfxel relativa (1,0°) obtenemos:

GLCM\d = 1) =

0: 2 0 0 0 0 0 1
0
0

0
0
0
0
0: 1 0 0 1
0

0
0
0
0: 3 0 0 0 1
0

0
0
0
0
0
0
0
0
0
0

1: 0 1 0 0 0 0 1 0 0

0
0
0
0
0
0: 1
0
0
0

1: 0 1 0 0 0 0 0 0
1

0
0
0
0
0
0
0
0
0: 1

0
0: 1
0
0
0
0
0
0
0

o: 0 1 0 0 0 0 1 0 0-

CB.12)

En otras palabras, para cada uno de los pares de intensidad, tal como (1, 2), contamos el numero de pares de pfxeles a la distancia relativa (d=1) y la orientation a = 0° (horizontal) que toman estos valores. En nuestro caso es 2. Existen dos casos en la imagen (B.11) donde dos pfxeles adyacentes horizontalmente tienen los valores 1 y 2. El elemento (3, 5) en el GLCM es 3 ya que en la imagen de ejemplo hay 3 casos en los que dos pfxeles adyacentes horizontalmente tiene los valores 3 y 5. A partir de la misma imagen (B.11) y (d=1, a = 45°) obtenemos:

GLCM4S(d = 1) =

0
0: 1
0
0

0
0: 1
0
0

0: 1 1
0
0

0
0
0
0
0

0
0
0
0: 1

0
0
0
0: 1

1: 0 0 0
1

0
0
0
0
0

1: 0 0 0 0

0
0
0
0
0

1: 0 1 0 0

0: 1
0
0
0

0
0
0
0: 1

0
0
0
0
0

0
0: 1
0
0

0
0
0
0
0

0
0
0
0: 1

0
0
0
0
0

0
0
0
0
0

0
0: 1
0
0

(B.13)

Como un ejemplo ilustrativo obtendremos la matriz de coocurrencia del nivel de gris a partir de una imagen de tumor determinada. La Figura 7 proporciona un ejemplo de una imagen ROI en escala de gris determinada (el mapa de colores se cambio para una mejor inspection visual) a la izquierda, y una version de la imagen de la izquierda a escala con 32 niveles de gris discretos a la derecha. En la Figura 7, la imagen en el lado izquierdo corresponde a una imagen

5

10

15

20

25

30

35

40

45

50

55

60

65

ROI en niveles de gris determinada, el mapa de colores se ha cambiado para realzar las diferencias para la inspection visual. La imagen en la derecha corresponde a la ROI a escala con 32 valores de gris discretos. Las matrices de coocurrencia se obtienen a partir de la imagen a escala.

Tras haber definido las probabilidades de ocurrencia de los niveles de gris con respecto a la position espacial relativa, podemos definir las caracteristicas de coocurrencia relevantes que se han extraido; en algunos casos tienen una interpretation fisica directa con respecto a la textura de una imagen, por ejemplo, cuantifican la aspereza, lisura, aleatoriedad, etc. Otras no tienen dicha propiedad pero codifican aun information relacionada con la textura altamente discriminadora. Al denotar por P(, j) la matriz de coocurrencia normalizada, por Ng el numero de niveles de gris discretos de la imagen, las caracteristicas de coocurrencia relevantes para nuestra aplicacion se definen como sigue:

10. Contraste

Con

I | i-j | = n ,

(B.14)

Esto es una medida del contraste de intensidad entre un pixel y su vecino en toda la imagen, es decir, una medida de las variaciones locales del nivel de gris. Para una imagen de contraste esta metrica es cero. La dependencia de n2 pondera mas las grandes diferencias.

11. Correlation

Correlation = I

(Tiff;

(B.15)

Esta metrica mide cuan correlacionado esta un pixel con su vecino en toda la imagen. La correlacion toma los valores 1 o -1 para la imagen correlacionada perfectamente de manera positiva o negativa.

12. Energia Esta caracteristica forma parte de la presente invention y se usa en combination con otras caracteristicas como se menciona en la reivindicacion 1.

Energia = E^Ww'))2 (B.16)

La energia es la suma de los elementos al cuadrado de una imagen y una medida de la lisura. Si todos los pixeles son del mismo nivel de gris entonces la energia es igual a 1; en el otro extremo si tenemos todos los pares posibles de niveles de gris con igual probabilidad, la region es menos lisa, con un P(/, j) distribuido mas uniformemente y una menor energia. A continuation siguen otras caracteristicas que no son parte de la presente invencion.

13. Homogeneidad

imagen2

Esta caracteristica mide cuan cerca esta la distribution de los elementos en la matriz de coocurrencia de la diagonal de la matriz de coocurrencia. La homogeneidad es 1 para una imagen constante.

14. Momento de diferencia inversa

IDM = Y?9 lNa P(U)

IU11 ^j-i x+!j_y|2

(B.18)

Esta caracteristica toma valores altos para imagenes con bajo contraste debido a la dependencia de (/-j)2.

15. Promedio de la suma

imagen3

5

10

15

20

25

30

35

40

45

50

55

60

65

En A.18 Px(i) y Py(i) son las probabilidades marginales de hilera y columna, obtenidas mediante la suma de las hileras o las columnas P(i, j).

16. Varianza de la suma

SV - [(i ~ sum average)2Px+y(i)] (B.20)

17. Entropia de la suma

Todas las caracteristicas basadas en las estadisticas de segundo orden son funciones de la distancia d y la orientacion a. Aqm para la direccion d = 1, se promedian los valores resultantes para las cuatro direcciones. Estas metricas tienen en cuenta la intensidad local y la relacion espacial de los pixeles sobre la region y son independientes de la posicion, el tamano, la orientacion y el brillo del tumor.

Estadisticas del nivel de gris de longitud de ejecucion

Adicionalmente, examinamos las ejecuciones de nivel de gris obtenidas a partir de las matrices de longitud de ejecucion (RLM) mediante el uso de metricas de longitud de ejecucion. Una ejecucion de nivel de gris es un conjunto de pixeles consecutivos que tienen el mismo valor de nivel de gris. La longitud de la ejecucion es el numero de pixeles en la ejecucion. Las caracteristicas de la longitud de ejecucion describen la informacion de la textura relacionada con el numero de veces que cada nivel de gris aparece solo, en pares y asi sucesivamente, en una cierta distancia y orientacion. Al tomar, por ejemplo, la imagen

imagen4

2 5

3 3 1 1 2 2 5 3

4 41 3

1 3

2 3

3 2-

(B.22)

con cinco niveles de gris posibles. Para cada una de las direcciones angulares definidas previamente (0°, 45°, 90° y 135°) se definen las matrices de longitud de ejecucion correspondientes. La matriz de longitud de ejecucion es un arreglo Ng x Nr donde Nr es la mayor longitud de ejecucion posible en la imagen. Para la distancia (d=1) y la orientacion (a=0°) obtenemos:

Qrl( 0°)

1: 0 1 0 0

3: 0 1 0 0

4: 1 1 0 0

1
1: 0 0 0

3: 0 0 0 0

(B.23)

El elemento (1,1) de la matriz de longitud de ejecucion es el numero de veces que el nivel de gris 1 aparece solo, el segundo elemento es el numero de veces que aparece en pares (cero en el ejemplo), y asi sucesivamente. El elemento (3,3) es el numero de veces que el nivel de gris 3 aparece en la imagen con la longitud de ejecucion 3. Para la direccion diagonal obtenemos:

Qrl( 45°)

2: 1 0 0 0

6: 0 0 0 0

7: 1 0 0 0

3: 0 0 0 0

3: 0 0 0 0

(B.24)

Al denotar por P el numero total de pixeles de una imagen, por Qrl(i, j) el enesimo elemento (i, j) de la matriz de longitud de ejecucion para una distancia espedfica d y un angulo espedfico a, y por Nr el numero de ejecuciones diferentes que ocurren, basado en la definicion de las matrices de longitud de ejecucion, se definen las siguientes caracteristicas de longitud de ejecucion:

5

10

15

20

25

30

35

40

45

50

55

60

65

18. Enfasis de ejecucion corta

imagen5

Esta caracteristica enfatiza las longitudes de ejecuciones cortas. El denominador es el numero de longitudes de ejecucion en la matriz, por ejemplo, 17 en B.23 y 23 en B.24.

19.Enfasis de ejecucion larga

LRE =

iZi^iQRdijyj2)

l-A^QRdiJ)

(B.26)

En este caso se enfatizan las longitudes de ejecuciones largas. Para imagenes mas lisas, el RLE deberia tomar valores mas grandes mientras el SRE toma valores mas grandes con imagenes mas asperas.

20. No uniformidad del nivel de gris

imagen6

Esta caracteristica toma valores pequenos cuando las ejecuciones se distribuyen uniformemente entre los niveles de gris.

21. Porcentaje de ejecucion

imagen7

El porcentaje de ejecucion toma valores altos para imagenes asperas. Para cada direction angular, se calculo el conjunto completo de estadisticas de segundo orden y caracteristicas de longitud de ejecucion, pero solo el valor promedio se uso como caracteristica.

Caracteristicas basadas en la forma y el tamano

Extendimos el numero de rasgos de la imagen extraidos al anadir mediciones del tamano y la forma de la region del tumor. Para cada imagen en dos dimensiones del tumor en una pila de CT dadas se obtienen tres caracteristicas, area de section transversal maxima, perimetro y longitud del eje principal como sigue:

22. Area

Contamos el numero de pixeles en la ROI y la cuenta maxima se denota como el area de seccion transversal maxima.

23. Perimetro

Es la distancia entre cada par de pixeles contiguos alrededor del borde de la region; la suma total de los perimetros para cada imagen ROI se toma como caracteristica.

24. Longitud del eje principal

Esta caracteristica especifica la longitud maxima en pixeles del eje principal de una imagen ROI de dos dimensiones.

25. Volumen

El volumen total del tumor se determina al contar el numero de pixeles en la region del tumor y multiplicar este valor por el tamano del voxel. El tamano del voxel se obtiene a partir de la seccion Separacion de p'txeles del encabezado CT Dicom que especifica el tamano de un voxel en las direcciones x, y, y z. El resultado es un valor en mm3. Basado en el volumen CT-GTV que se describio anteriormente, se han presentado las representaciones en 3D del volumen del tumor.

5

10

15

20

25

30

35

40

45

50

55

60

65

26. Diametro maximo

A diferencia de la longitud del eje principal que se determino en las imagenes ROI de dos dimensiones, esta caractenstica examina el diametro maximo de la region del tumor en un espacio tridimensional. En primer lugar, obtenemos las coordenadas de todos los puntos ubicados en la superficie de la region del tumor; en segundo lugar, se determina la distancia entre cada par de puntos en el contorno del tumor mediante el uso de la siguiente metrica llamada "Distancia del bloque urbano":

D = \x1-x2\ + lyi -y2| + -z2l

(B.29)

Los puntos en el contorno del tumor cuyos bordes se tocan se separan por 1 unidad; los puntos que se tocan diagonalmente se separan por dos unidades. Los dos puntos con la distancia maxima son los puntos en los bordes del diametro maximo. En la Figura 3, como se referencio anteriormente, se muestra un grafico de los puntos en la superficie de un volumen de tumor determinado; el diametro maximo se calcula entre los puntos en esta imagen.

Hasta ahora hemos descrito la extraccion de los rasgos de las imagenes con respecto al nivel de gris y la relacion espacial entre los pfxeles en una region, asf como tambien las mediciones del tamano de la region del tumor en dos y tres dimensiones. Otra cuestion importante en la tarea del reconocimiento de patrones es el analisis de la forma; con respecto a esto, los rasgos de las imagenes extrafdos se completan mediante la adicion de las siguientes tres caractensticas basadas en la forma:

27. Relacion de superficie a volumen.

Esta caractenstica se desea para expresar cuan puntiagudo o afilado es el volumen del tumor. Un volumen del tumor mas lobulado resultana en una mayor relacion de superficie a volumen. Para calcular esta caractenstica primero determinamos y contamos los pfxeles ubicados en la superficie del tumor (por ejemplo, como se muestra en las Figuras 2A-1 y 2B-1); el numero resultante se divide por la suma de todos los pfxeles en el volumen del tumor.

28. Esfericidad

Esta es una medida de cuan esferica o redonda es la forma del volumen del tumor. Definida en [16], la esfericidad de un objeto es la relacion del area superficial de una esfera (con el mismo volumen que el objeto dado) con el area superficial del objeto:

1 2

V = ^ (B.30)

Donde A y V son el area superficial y el volumen del tumor respectivamente como se determina para la relacion de superficie a volumen.

29. Compactacion

Esta caractenstica forma parte de la presente invencion cuando se usa en combinacion con las otras caractensticas mencionadas en la reivindicacion 1. Esta es una caractenstica intnnseca de la forma de los objetos que se han usado ampliamente en las tareas de reconocimiento de patrones y representa el grado al cual se compacta una forma. La compactacion del volumen de un tumor tridimensional se obtiene como sigue:

Comp = (B.31)

La similaridad con una esfera y las caractensticas de compactacion son numeros sin dimension y son independientes de la escala y la orientacion. La fase de generacion de caractensticas de esta metodologfa puede realizarse de una forma casi totalmente automatizada ya que el algoritmo necesita las delineaciones del tumor llevadas a cabo por el medico. Las caractensticas enlistadas en este apendice se alimentaran a un clasificador como entradas en la fase de aprendizaje y reconocimiento de la tarea de clasificacion. A continuacion siguen otras caractensticas que no forman parte de la presente invencion.

Caracterizacion de radiomia

La caracterizacion de radiomia que se usa en el metodo de la presente invencion se describe detalladamente mas abajo. La caracterizacion en sf contiene las siguientes caractensticas: Energfa de estadfsticas, Compactacion de forma, No uniformidad del nivel de gris RLGL, No uniformidad del nivel de gris RLGL HLH de onda pequena. Estas caractensticas se describen a continuacion:

5

10

15

20

25

30

35

40

45

50

55

60

65

30. Ene^a de estadisticas

Esta caracteristica se describe mediante la siguiente ecuacion:

imagen8

Donde Vvoxel es el volumen del voxel de la imagen tridimensional. El volumen del voxel es el producto de la separation de pixeles en la direction x, la separacion de pixeles en la direction y, y la separacion de pixeles en la direction z. La ene^a total se normaliza porel volumen del voxel.

31. Compactacion de forma

Esta caracteristica ya se describio anteriormente como el parametro 29 (ecuacion B.31 anterior). La compactacion, como el nombre ya lo afirma, indica cuan compacta es una forma 3D. La forma mas compacta es una esfera perfecta.

32. No uniformidad del nivel de gris (GLN)

Esta caracteristica forma parte de la presente invention cuando se usa en combination con las otras caracteristicas mencionadas en la reivindicacion 1.

Esta caracteristica se describe mediante la siguiente ecuacion:

imagen9

Esta caracteristica de longitud de ejecucion del nivel de gris cuantifica la heterogeneidad de la textura en tres dimensiones dentro del volumen del tumor.

33. No uniformidad del nivel de gris RLGL HLH de onda pequena (GLN)

Esta caracteristica forma parte ademas de la presente invencion cuando se usa en combinacion con las otras caracteristicas mencionadas en la reivindicacion 1. Esta caracteristica de longitud de ejecucion del nivel de gris es la misma que en la ecuacion B.33 anterior, pero en cambio se aplica a la transformada de onda pequena filtrada alta-baja- alta de los datos de las imagenes, que cuantifica la heterogeneidad de la textura en tres dimensiones dentro del volumen del tumor. Este parametro se obtiene por lo tanto al tomar la transformada de onda pequena de la imagen y realizar un filtrado alto-bajo-alto

En lo anterior, V denota el volumen del tumor, que significa el numero total de voxeles multiplicado por el tamano del voxel de un unico voxel. Las dimensiones del volumen 3D se denotan porX, Y, Z. El area superficial total del tumor se denota por A.

La matriz de coocurrencia del nivel de gris es una matriz o distribution que se define sobre una imagen para ser la distribution de los valores de coocurrencia en un desplazamiento determinado. Para el calculo de la No uniformidad del nivel de gris (GLN), p denota el valor del nivel de gris del voxel correspondiente. El metodo se aplica en todas las direcciones 3D. La transformada de onda pequena es una transformation de tiempo y frecuencia basada en una serie de onda pequena. Las series de onda pequena son una representation de una funcion cuadrada integrable (de valor real o complejo) por una cierta serie ortogonal generada por una onda pequena. Esta representacion se realiza sobre una base de Hilbert definida por ondas pequenas ortogonales. La transformada de onda pequena proporciona information similar a la transformacion de Fourier de tiempo corto, pero con propiedades especiales adicionales de las ondas pequenas, que aparecen en la resolution en el tiempo a mayores frecuencias de analisis de la funcion base. Las transformadas de onda pequena proporcionan las frecuencias de las senales y el tiempo asociado con esas frecuencias. El filtrado alto-bajo-alto se aplica a los metodos de analisis de datos que se basan en las transformadas de onda pequena para detectar ciertos patrones de actividad o patrones de variation en los datos; el alto-bajo-alto es de esta manera indicativo de la forma de la onda pequena. El filtro alto-bajo-alto de la transformada de onda pequena se usa para calcularla caracteristica 33 anterior. La transformada se aplica directamente sobre la imagen de CT sin tratar.

5

10

15

20

25

30

35

El valor del parametro de la caractenstica de la imagen obtenido es de un valor de pronostico particular, y puede usarse solo o en combinacion con otras caractensticas dentro de una caracterizacion.

Un valor del modelo caractenstico del neoplasma de un neoplasma procesado graficamente obtenido mediante el uso de este modelo caractenstico particular puede obtenerse como sigue. Donde no se usanan factores de ponderacion, los valores selectores del modelo caractenstico simplemente toman el valor '1' en caso de que una caractenstica de la imagen se lleve en el modelo caractenstico, o '0' en caso de que la caractenstica de la imagen se ignore. Los valores selectores caractensticos se usan aqu como multiplicadores, que multiplican los valores de los parametros de las caractensticas de las imagenes correspondientes. Despues, los valores multiplicados pueden sumarse (o alternativamente puede aplicarse una relacion funcional diferente, por ejemplo, una relacion polinomial, de multiplicacion, o cualquier otra adecuada).

En el presente modelo caractenstico de radiomia, se seleccionan las caractensticas de las imagenes indicadas anteriormente (energfa estadfstica, compactacion de forma, no uniformidad del nivel de gris, y no uniformidad del nivel de gris RLGL HLH de onda pequena). En el modelo mas complejo de la presente modalidad, preferentemente, los valores selectores del modelo caractenstico incluyen los factores de ponderacion. Por lo tanto, en lugar de los valores selectores '1' y '0', se aplican los pesos mientras se seleccionan los valores de los parametros de las caractensticas de las imagenes - estos pesos se usan por lo tanto como multiplicadores para los parametros de las caractensticas de las imagenes del modelo caractenstico, que pueden sumarse despues para obtener los valores del modelo caractenstico. Los pesos correspondientes se muestran en la tabla mas abajo (los intervalos de los pesos se refieren a valores absolutos):

Caractenstica: Peso Intervalo de los pesos

Energfa de estadfsticas: 2.42e-11 1.0e-20 - 1.0e-05

Compactacion de forma: -5.38e-03 1.0e-07 - 1.0e-01

No uniformidad del nivel de gris_RLGL: -1.47e-04 1.0e-09 - 1.0e-01

Aunque una caracterizacion que usa la combinacion de los cuatro parametros de las caractensticas de las imagenes es de valor de pronostico y predictivo particular para la seleccion de tratamientos, se ha encontrado que una caracterizacion basada solamente en un subconjunto de estas caractensticas, o que incluye otras caractensticas, aun puede proporcionar resultados valiosos. En particular, las caracterizaciones que incluyen la No uniformidad del nivel de gris RLGL HLH de onda pequena (GLN)- la no uniformidad del nivel de gris de la transformada de onda pequena filtrada alta-baja-alta de los datos de las imagenes, son de valor particular.

Claims

5

10

15

20

25

30

35

40

45

50

55

60

65

Reivindicaciones

1. Metodo de analisis de imagenes que proporciona informacion para permitir la determinacion de un fenotipo de un neoplasma en un cuerpo humano o animal para permitir el pronostico, que comprende las etapas de:

recibir, mediante una unidad de procesamiento, los datos de las imagenes del neoplasma; y obtener, mediante la unidad de procesamiento, una pluralidad de valores de los parametros de las caractensticas de las imagenes a partir de los datos de las imagenes, en donde los valores de los parametros de las caractensticas de las imagenes son indicativos de los parametros de las caractensticas de las imagenes que pueden obtenerse a partir de las caractensticas de las imagenes que se obtienen a partir de los datos de las imagenes y que se asocian con el neoplasma; y

obtener, por dicha unidad de procesamiento mediante el uso de un modelo caractenstico, uno o mas valores del modelo caractenstico del neoplasma asociados con el neoplasma a partir de dichos valores de los parametros de las caractensticas de las imagenes, en donde el modelo caractenstico representa una combinacion de las caractensticas de las imagenes predeterminadas que permiten distinguir los fenotipos espedficos de los neoplasmas, y en donde dicho modelo caractenstico incluye una relacion funcional entre dichos valores de los parametros de las caractensticas de las imagenes o los valores caractensticos de dichos valores de los parametros de las caractensticas de las imagenes para obtener dichos valores del modelo caractenstico del neoplasma a partir del mismo;

en donde el modelo caractenstico se basa en los parametros de las caractensticas de las imagenes a partir de un grupo que comprende: la no uniformidad del nivel de gris, la no uniformidad del nivel de gris alto-bajo-alto de onda pequena, la energfa de estadfsticas, y la compactacion de forma;

en donde el parametro de la caractenstica de la imagen de la no uniformidad del nivel de gris puede obtenerse al cuantificar una heterogeneidad de la textura de los datos de las imagenes en tres dimensiones dentro de un volumen del neoplasma,

en donde el parametro de la caractenstica de la imagen de la no uniformidad del nivel de gris alto-bajo-alto de onda pequena puede obtenerse al realizar una transformacion de onda pequena filtrada alta-baja-alta sobre los datos de las imagenes en tres dimensiones dentro de un volumen del neoplasma y al cuantificar una heterogeneidad de la textura de los datos de las imagenes transformados,

en donde el parametro de la caractenstica de la imagen de la compactacion de forma es representativo de un grado al cual se compacta el neoplasma, y

en donde el parametro de la caractenstica de la imagen de la energfa de estadfsticas puede obtenerse al determinar una energfa total dentro de un volumen del neoplasma y normalizar la energfa total sobre el volumen de un voxel.
2. El metodo de analisis de imagenes de acuerdo con la reivindicacion 1, en donde el metodo comprende ademas las etapas de:

obtener, mediante dicha unidad de procesamiento desde una memoria, dicho modelo caractenstico que comprende uno o mas valores selectores caractensticos asociados con las caractensticas de las imagenes, en donde los valores selectores caractensticos incluyen un selector booleano que indica si las caractensticas de las imagenes asociadas se comprenden por el modelo caractenstico;

multiplicar por el al menos un modelo caractenstico, mediante la unidad de procesamiento, los valores de los parametros de las caractensticas de las imagenes con los valores selectores caractensticos asociados para obtener dichos uno o mas valores del modelo caractenstico del neoplasma asociados con el neoplasma.
3. El metodo de analisis de imagenes de acuerdo con cualquiera de las reivindicaciones anteriores, que comprende ademas una etapa de comparar, mediante la unidad de procesamiento, los valores del modelo caractenstico del neoplasma con al menos un valor de referencia del modelo caractenstico para el al menos un modelo caractenstico, para asociar el neoplasma con el fenotipo.
4. El metodo de analisis de imagenes de acuerdo con cualquiera de las reivindicaciones anteriores, en donde los valores selectores caractensticos comprenden ademas uno o mas valores de ponderacion asociados con las caractensticas de las imagenes comprendidas por el modelo caractenstico, para ponderar las caractensticas de las imagenes en el modelo caractenstico.
5. El metodo de analisis de imagenes de acuerdo con cualquiera de las reivindicaciones anteriores, que comprende ademas una etapa de calcular, mediante la unidad de procesamiento, una calificacion del modelo caractenstico del neoplasma como una funcion del uno o mas valores del modelo caractenstico del neoplasma, en donde la etapa de comparacion incluye comparar la calificacion del modelo caractenstico del neoplasma con una calificacion de referencia almacenada en una memoria.
6. El metodo de analisis de imagenes de acuerdo con cualquiera de las reivindicaciones anteriores, en donde el al menos un modelo caractenstico comprende una pluralidad de diferentes modelos caractensticos.
7. El metodo de analisis de imagenes de acuerdo con la reivindicacion 4, en donde de acuerdo con el modelo caractenstico, el parametro de la caractenstica de la imagen de la energfa de estadfsticas tiene un valor de ponderacion absoluto asociado dentro de un intervalo de 1.0e-20 a 1.0e-5, preferentemente un valor de 2.42e-

5

10

15

20

25

30

35

40

45

50

55

60

65

11; el parametro de la caractenstica de la imagen de la compactacion de forma tiene un valor de ponderacion absoluto asociado dentro de un intervalo de 1.0e-7 a 1.0e-1, preferentemente un valor de -5.38e-3; el parametro de la caractenstica de la imagen de la no uniformidad del nivel de gris tiene un valor de ponderacion absoluto asociado dentro de un intervalo de 1.0e-9 a 1.0e-1, preferentemente un valor de -1.47e-4; y el parametro de la caractenstica de la imagen de la no uniformidad del nivel de gris de longitud de ejecucion del nivel de gris alto- bajo-alto de onda pequena tiene un valor de ponderacion absoluto asociado dentro de un intervalo de 1.0e-9 a 1.0e-1, preferentemente un valor de 9.39e-6.
8. El metodo de analisis de imagenes de acuerdo con cualquiera de las reivindicaciones anteriores, en donde los datos de las imagenes se reciben mediante el uso de un metodo de obtencion de imagenes seleccionado a partir de un grupo que comprende imagenes de resonancia magnetica, tomograffa por ordenador, tomograffa de emision de positrones, tomograffa por ordenador de emision de un solo foton, ultrasonograffa, termograffa, imagenes fotoacusticas.
9. El metodo de analisis de imagenes de acuerdo con cualquiera de las reivindicaciones anteriores, en donde la etapa de recibir los datos de las imagenes comprende las etapas de recibir los primeros datos de imagenes del neoplasma en un primer momento en el tiempo y recibir los segundos datos de imagenes del neoplasma en un segundo momento en el tiempo, y en donde las etapas de obtener los valores de los parametros de las caractensticas de las imagenes, obtener el modelo caractenstico, y multiplicar los valores de los parametros de las caractensticas de las imagenes con los valores selectores caractensticos asociados se realizan para dichos primeros y segundos datos de las imagenes, que comprende ademas una etapa de determinar una diferencia entre los valores del modelo caractenstico del neoplasma de los primeros y segundos datos de las imagenes.
10. Sistema de soporte de decisiones dispuesto para realizar un metodo de analisis de imagenes que proporciona informacion para permitir la determinacion de un fenotipo de un neoplasma en un cuerpo humano o animal para permitir el pronostico,

dicho sistema que comprende una entrada conectada a una unidad de procesamiento para recibir mediante la unidad de procesamiento los datos de las imagenes del neoplasma;

en donde la unidad de procesamiento se dispone ademas para obtener una pluralidad de valores de los parametros de las caractensticas de las imagenes a partir de los datos de las imagenes recibidos, en donde los valores de los parametros de las caractensticas de las imagenes son indicativos de los parametros de las caractensticas de las imagenes que pueden obtenerse a partir de las caractensticas de las imagenes que se obtienen a partir de los datos de las imagenes y que se asocian con el neoplasma,

en donde la unidad de procesamiento se conecta a una memoria para obtener desde la misma al menos un modelo caractenstico, en donde el modelo caractenstico representa una combinacion de caractensticas de las imagenes predeterminadas que permiten distinguir los fenotipos espedficos de los neoplasmas, y en donde el al menos un modelo caractenstico comprende uno o mas valores selectores caractensticos asociados con las caractensticas de las imagenes, en donde los valores selectores caractensticos indican si las caractensticas de las imagenes asociadas se comprenden por el modelo caractenstico, y

en donde la unidad de procesamiento se dispone para multiplicar por el al menos un modelo caractenstico los valores de los parametros de las caractensticas de las imagenes con los valores selectores caractensticos asociados para obtener uno o mas valores del modelo caractenstico del neoplasma asociados con el neoplasma; en donde el modelo caractenstico se basa en los parametros de las caractensticas de las imagenes a partir de un grupo que comprende: la energfa de estadfsticas, la compactacion de forma, la no uniformidad del nivel de gris, la no uniformidad del nivel de gris alto-bajo-alto de onda pequena;

en donde la no uniformidad del nivel de gris puede obtenerse al cuantificar una heterogeneidad de la textura de los datos de las imagenes en tres dimensiones dentro de un volumen del neoplasma,

en donde la no uniformidad del nivel de gris alto-bajo-alto de onda pequena puede obtenerse al realizar una transformacion de onda pequena filtrada alta-baja-alta sobre los datos de las imagenes en tres dimensiones dentro de un volumen del neoplasma y al cuantificar una heterogeneidad de la textura de los datos de las imagenes transformados,

en donde el parametro de la caractenstica de la imagen de la compactacion de forma es representativo de un grado al cual se compacta el neoplasma, y

en donde el parametro de la caractenstica de la imagen de la energfa de estadfsticas puede obtenerse al determinar una energfa total dentro de un volumen del neoplasma y normalizar la energfa total sobre el volumen de un voxel.
11. El sistema de soporte de decisiones de acuerdo con la reivindicacion 10, en donde la unidad de procesamiento se dispone ademas para comparar los valores del modelo caractenstico del neoplasma con al menos un valor de referencia del modelo caractenstico por el al menos un modelo caractenstico, para asociar el neoplasma con el fenotipo, el sistema que comprende ademas una salida para proporcionar un valor indicador indicativo de un resultado de dicha etapa de asociacion.
12. El sistema de soporte de decisiones de acuerdo con las reivindicaciones 10 u 11, en donde los valores selectores caractensticos comprenden ademas uno o mas valores de ponderacion asociados con las caractensticas de las imagenes comprendidas por el modelo caractenstico, para ponderar las caractensticas de las imagenes en el

modelo caractenstico, y en donde de acuerdo con el modelo caractenstico, el parametro de la caractenstica de la imagen de la ene^a de estadfsticas tiene un valor de ponderacion absoluto asociado dentro de un intervalo de 1.0e-20 a 1.0e-5, preferentemente un valor de 2.42e-11; el parametro de la caractenstica de la imagen de la compactacion de forma tiene un valor de ponderacion absoluto asociado dentro de un intervalo de 1.0e-7 a 1.0e- 5 1, preferentemente un valor de -5.38e-3; el parametro de la caractenstica de la imagen de la no uniformidad del

nivel de gris tiene un valor de ponderacion absoluto asociado dentro de un intervalo de 1.0e-9 a 1.0e-1, preferentemente un valor de -1.47e-4; y el parametro de la caractenstica de la imagen de la no uniformidad del nivel de gris de longitud de ejecucion del nivel de gris alto-bajo-alto de onda pequena tiene un valor de ponderacion absoluto asociado dentro de un intervalo de 1.0e-9 a 1.0e-1, preferentemente un valor de 9.39e-6.

10
13. Producto de programa informatico, en donde el producto de programa informatico comprende instrucciones informaticas que, cuando se ejecutan en un ordenador, se disponen para realizar un metodo de analisis de imagenes de acuerdo con cualquiera de las reivindicaciones 1-9.