CN100481096C - 心脏成像的自动区域心肌评定的方法 - Google Patents
心脏成像的自动区域心肌评定的方法 Download PDFInfo
- Publication number
- CN100481096C CN100481096C CNB2004800240372A CN200480024037A CN100481096C CN 100481096 C CN100481096 C CN 100481096C CN B2004800240372 A CNB2004800240372 A CN B2004800240372A CN 200480024037 A CN200480024037 A CN 200480024037A CN 100481096 C CN100481096 C CN 100481096C
- Authority
- CN
- China
- Prior art keywords
- data
- wall portion
- automatically
- heart
- myocardial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 215
- 238000003384 imaging method Methods 0.000 title claims abstract description 67
- 230000000747 cardiac effect Effects 0.000 title claims abstract description 63
- 230000002107 myocardial effect Effects 0.000 title claims abstract description 48
- 230000033001 locomotion Effects 0.000 claims abstract description 68
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 230000010016 myocardial function Effects 0.000 claims abstract description 39
- 210000004165 myocardium Anatomy 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 60
- 239000012634 fragment Substances 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 38
- 210000001519 tissue Anatomy 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 35
- 238000002604 ultrasonography Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 230000003387 muscular Effects 0.000 claims description 22
- 208000019622 heart disease Diseases 0.000 claims description 20
- 239000000284 extract Substances 0.000 claims description 18
- 210000005240 left ventricle Anatomy 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000002592 echocardiography Methods 0.000 claims description 14
- 230000010412 perfusion Effects 0.000 claims description 13
- 230000002861 ventricular Effects 0.000 claims description 9
- 230000004217 heart function Effects 0.000 claims description 6
- 230000003205 diastolic effect Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 230000008719 thickening Effects 0.000 claims description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 99
- 238000003745 diagnosis Methods 0.000 description 67
- 201000010099 disease Diseases 0.000 description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 18
- 208000029078 coronary artery disease Diseases 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 238000002595 magnetic resonance imaging Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 208000031229 Cardiomyopathies Diseases 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000002600 positron emission tomography Methods 0.000 description 7
- 238000002583 angiography Methods 0.000 description 6
- 238000009206 nuclear medicine Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000002601 radiography Methods 0.000 description 4
- 208000012661 Dyskinesia Diseases 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000003218 coronary vasodilator agent Substances 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 206010002329 Aneurysm Diseases 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 206010061216 Infarction Diseases 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000013155 cardiography Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000007435 diagnostic evaluation Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 230000007574 infarction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001522301 Apogonichthyoides nigripinnis Species 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010018325 Congenital glaucomas Diseases 0.000 description 1
- 208000001778 Coronary Occlusion Diseases 0.000 description 1
- 206010011086 Coronary artery occlusion Diseases 0.000 description 1
- 206010012565 Developmental glaucoma Diseases 0.000 description 1
- 208000007157 Hydrophthalmos Diseases 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 101100107555 Mus musculus Aarsd1 gene Proteins 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 201000001024 buphthalmos Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002939 deleterious effect Effects 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 208000014081 polyp of colon Diseases 0.000 description 1
- 239000000955 prescription drug Substances 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009017 pursuit movement Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000033458 reproduction Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
提供利用壁部运动分析方法自动评定区域心肌功能的系统和方法，所述壁部运动分析方法从病人的病历获得的信息(图像数据和非图像数据)分析病人的各种不同特征/参数。例如，为心脏成像提供自动诊断支持的方法一般地包括：获得病人心脏的图像数据；从心脏的图像数据获得与心脏心肌的运动有关的特征；以及利用所获得的特征自动地评定心肌壁部一个或多个区域的区域心肌功能。
Description
相关申请的交叉引用
本申请要求2003年6月25日提交的美国临时申请序号60/482,327，和2003年6月25日提交的美国临时申请序号60/482,293和2004年2月3日提交的美国临时申请序号60/541,360的优先权，这些申请均全文附此作参考。
技术领域
本发明一般地涉及用于为心脏成像提供自动诊断和决策支持的系统和方法，具体地说，涉及利用分析从病人病历获得的病人信息(图像数据和非图像数据)的不同的特征/参数的壁部运动分析方法，提供区域心肌功能的自动评定的系统和方法。
背景技术
冠状动脉疾病及其他与心脏有关的疾病非常流行，尤其是在西方文明，并导致每年许多人死亡。通过尽可能早期检测与心脏有关的疾病，可以实现适当的、有效的和经济有效地进行治疗，以便减少不幸。在心脏病学的领域中，用不同的系统和技术来准确和早期检测心脏疾病。
例如，血管造影术是一种可以用来直接测量冠状血管堵塞(亦即，钙化造成的冠状动脉阻塞)的方法。但是，这些测量往往要求侵入性程序。另外，尽管血管造影术可以用来识别和量度堵塞，但是这样的方法无法量度或评定这样的堵塞的影响。确实，冠状血管堵塞的影响一般表现区域性地在心脏壁部内造成心肌组织或心肌功能的异常。例如，梗塞是一种涉及通过向心肌组织正常供血的冠状血管的不适当的血流造成的死亡或正在死亡的心肌组织(梗死)区域发展的一种状态。
一般，评定心肌功能用的方法是通过心脏成像分析壁部运动以便识别壁部运动异常来完成的。一般，在医学成像领域中，可以用不同的成像形态和系统来生成个人的解剖学结构的医疗图像，用于筛选和评定医疗状态。这些成像系统包括例如CT(计算断层摄影术)成像、MRI(磁共振成像)、NM(细胞核磁)共振成像、X-射线系统、US(超声)系统、PET(正电子发射断层摄影)系统等。每一种成像形态，与筛选和评定某些类型的疾病、医疗状态或解剖学异常的其它形态相比，可以提供独特优点，包括例如心肌病、结肠息肉、动脉瘤、肺部节结、心脏或动脉组织钙化、乳房组织中的癌微量钙化或结块(masses)和其它不同的损害或异常。
由于心脏超声的可用性、相对低的成本和非侵入性，心脏超声是一种一般用于完成壁部运动分析以便评定心脏功能(例如，评定区域的收缩期壁部运动异常)的成像形态。举例来说，分析心室运动是一种估计局部缺血和梗塞的有效办法。具体地说，可以在一次心博或心博预定部分完成心内膜壁部的壁部运动分析，以便量化化左心室弹性和收缩力或者检测和诊断壁部运动异常。
评定心肌功能用的传统方法包括利用心脏成像，诸如超声(超声心动描记术)分析壁部运动用的手动和自动方法。例如，量化左心室功能，包括手工跟踪在心脏周期不同部分的静止超声帧内识别的心内膜和食管腹部边缘(计数器)并从所跟踪的边缘获得有关壁部运动的不同的测量值的手工方法。然后对这样的测量结果应用某些传统的方法、方程式，作某些几何假定并可以包括按经验推算对数学模型进行修改。所述结果一般以报告页面上表格的格式观看，而这样结果的解释要求正常范围的知识。
另一个超声心动描记术(例如，应力回波)中的壁部运动分析用的传统的手动方法包括分段壁部运动分析，在回波心动描记器方面，要求有效的训练和经历。采用这样的方法，按照美国超声心动描记术协会(ASE)推荐的主要模型，左心室的壁部分为多个片段(例如，16或17个)。获得各种不同的标准超声视图，以便采集每一个LV片段用的图像数据信息，其中这样获得所述标准视图，使得多个片段大致与三个主冠状动脉片段的假定的分布对齐。然后回波心动描记器对所采集的图像数据进行视觉检查，以便评定全局功能和区域异常，然后根据他的/她的评定，按照ASE推荐的标准打分方案给每一个片段指定壁部运动得分。具体地说，回波心动描记器将视觉评定绝对的和相对的分段收缩期偏离量和偏离量定时，以便为每一个可成像的片段提供某些定性的评定。集合的评定得出负面(非病理性的)或正面(病理性的)发现的报告。
在超声心动描记术领域中，最初的担心是壁部运动分析的主观性，应力超声心动描记术尤为如此，造成的壁部运动得分的可变性，例如，这对冠状动脉疾病的诊断是一个重大的障碍。确实，这样的超声波心动图报告的准确性直接与操作者的经历有关。确实，在这样的诊断中往往＂艺术＂成份＂多于＂科学＂成份。心脏病学家强调在超声心动描记术中改善壁部运动得分的重要性。
用于评定心肌功能的传统的方法包括利用心脏成像分析壁部运动的自动方法。例如，传统的方法包括根据积分反向散射的分析进行自动边缘检测，它提供一种LV功能指标的自动估计，但是并不针对分段或全局壁部功能。用于自动的壁部运动分析的其它方法产生指示偏离量的参数图像，但是不提供各片段之间的量化对比。被称为自动分段运动分析(A-SMA)系统的传统方法包括用于自动边缘检测以便确定所述LC空穴和周围组织并显示片断的区域变化的参数图像的方法。所述指标还作为胸骨旁的短轴线视图中六个等间隔的片段的数字曲线图显示。
尽管用于壁部运动分析的自动方法可以提供参数图像并产生与壁部运动有关的指标，但是这样的方法不提供自动评定，或者不识别或表征所述心肌组织的状态(例如，正常或异常)。
发明内容
一般说来，本发明的示范性实施例包括用于提供对心脏成像的自动诊断和决策支持的系统和方法。更具体地说，本发明的示范性实施例包括用于利用分析从病人的病历获得的病人信息(图像数据和非图像数据)的不同的特征/参数的壁部运动分析方法，对区域心肌功能提供自动评定的系统和方法。
在本发明的一个示范性实施例中，用于提供对心脏成像的自动诊断支持的方法包括：获得病人心脏的图像数据；从与所述心脏的心肌运动有关的心脏的图像数据获得特征；以及利用所获得的特征自动地评定心肌壁部一个或多个区域心肌组织的状态。
在一个实施例中，与运动有关的特征包括心肌壁部运动数据和心肌壁部增厚数据。所述特征可以从一个或多个成像形态，例如，包括MR(磁共振)图像数据、CT(计算断层摄影术)图像数据、核医学图像数据、PET图像数据和/或超声图像数据(2D、3D或4D)的图像数据获得。
在本发明的其它示范性实施例中，区域心肌功能的自动评定可以通过分析附加特征/参数/数据和这样的特征、参数和数据的任何组合来完成：例如，包括与心肌灌注(例如，通过PET，MR，超声CT和/或核医学)有关的特征、来自冠状动脉树，26，的图像数据(例如，通过X-射线血管造影术数据、CT血管造影术数据和/或MR血管造影术数据)的特征、从图像数据(例如，左心室容积、左心室喷出百分率、左心室壁部厚度、左心室壁部质量或舒张功能指标，诸如E/A比率)获得的心脏功能全局参数、从图像数据(例如，组织速度数据、应变数据、应变速率数据、灌注数据或定时数据)获得的心脏功能区域性参数、来自病人临床数据记录的临床数据。
在本发明的另一个示范性实施例中，自动地评定心肌壁部一个或多个区域心肌组织的状态的方法是利用一种受过训练以便自动地对所述心肌壁部一个或多个区域心肌组织的状态进行分类的分类方法完成的。所述自动分类方法可以利用机器学习方法、基于模型的方法或机器学习和基于模型的方法的任何组合实现。
在本发明的又一个实施例中，自动地对所述心肌壁部一个或多个区域心肌组织的状态进行分类的处理是通过获得心肌壁部多个预定片段中间每一个的特征，并自动地对所述心肌壁部每一个片段心肌组织的状态进行分类完成的。在一个实施例中，所述心肌壁部每一个片段心肌组织的状态是利用一种指示每一个片段心肌组织是正常还是异常的指标进行分类的。例如，在本发明的一个示范性实施例中，所述指标包括按照ASE(美国超声心动描记术协会)指定的标准对每一个片段自动产生的壁部运动得分。在本发明的又一个实施例中，为所述心肌壁部每一个片段心肌组织每一个分类状态确定置信度(measureof confidence)。
以下将描述本发明的这些及其他示范性实施例、特征和优点，或者从结合附图阅读的对示范性实施例的以下详细说明中将明白本发明的这些及其他示范性实施例、特征和优点。
附图说明
图1是系统的方框示意图，用于为按照本发明的一个示范性实施例的心脏成像提供自动诊断和决策支持；
图2是系统的方框示意图，用于为按照本发明的另一个示范性实施例的心脏成像提供自动诊断和决策支持；
图3是系统的方框示意图，用于为按照本发明的另一个示范性实施例的心脏成像提供自动诊断和决策支持；
图4是系统的方框示意图，用于为按照本发明的另一个示范性实施例的心脏成像提供自动诊断和决策支持；
图5是心室多个片段的示范性二维描写，它可以按照本发明的示范性实施例用来在图形用户接口中显示壁部运动得分；
图6是示范性示意图，举例说明按照本发明的一个示范性实施例的分类方法。
具体实施方式
一般说来，下面描述的本发明的示范性实施例包括用于为心脏成像提供自动诊断和决策支持的系统和方法。更具体地说，本发明的示范性实施例，如下面参照图1-4描述的，例如，包括CAD(计算机辅助诊断)系统和用于心脏成像的应用程序，这些系统和应用程序实现用于从对象病人的一组病人信息(包括图像数据和/或非图像数据)提取和分析相关特征/参数的自动方法，以便提供内科医生工作流程的不同方面向内科医生提供自动协助，例如，包括通过壁部运动分析的区域心肌功能自动评定、心脏疾病和状态，诸如心肌病、冠状动脉疾病及其他与心脏有关的医疗状态的自动诊断，以及其他协助内科医生工作流程的自动决策支持功能。所述示范性CAD系统实现机器学习技术，所述学习技术利用从一个或多个相关临床领域的加了标记的病例的数据库获得(学习)的一组训练数据和/或专家对这样的数据的解释来使CAD系统能够＂学习＂适当和准确地分析病人数据，并为协助内科医生工作流程作出适当的诊断评定和判决。
一般，图1举例说明用于心脏成像的CAD系统和方法的一般实施例，所述CAD系统和方法支持一个或多个成像形态并为内科医生工作流程的不同方面提供一个或多个决策支持功能。图2-4是CAD系统和方法的基于图1框架的特定的示范性实施例，例如，现将参照图2讨论按照本发明的CAD系统和方法的示范性实施例，例如，它可以在超声心脏成像应用中实现，以便提供区域心肌功能自动评定以及就区域心肌功能的评定方面，提供决策支持功能。如下面解释的，CAD系统的示范性实施例是根据图2采用分类方法的示范性框架，以便根据从心脏超声图像数据和(任选地)从临床数据记录提取的不同的参数，对心脏的心肌壁部区域心肌组织的状态进行分类。
另外，现将参照图3讨论按照本发明的CAD系统和方法的示范性实施例，例如可以在超声心脏成像应用中对心脏疾病和诸如心肌病、冠状动脉疾病及其他有关状态等状态提供自动诊断，以及在心脏状态诊断判决方面提供决策支持功能的系统和方法。如下面解释的，基于图3的示范性框架的CAD系统的示范性实施例，包含用于为心脏性疾病和状态提供自动诊断和决策支持的目的的评定区域心肌功能用的壁部运动分析和分类方法。
另外，现将参照图4讨论按照本发明的多方式CAD系统和方法的示范性实施例，它们实现用于为多种成像形态(包括心脏超声图像数据)的心脏成像提供自动诊断和决策支持的方法。
要明白，这里描述的按照本发明的系统和方法可以以不同形式的硬件、软件、固件、专用处理器或其组合实现。在本发明的一个示范性实施例中，这里描述的系统和方法是以作为应用程序的软件实现的，包括有形地包含在一个或多个程序存储装置(例如，软盘、RAM、CDROM、DVD、ROM和闪存存储器)上，并可通过包括适当的体系结构的任何装置或机器执行的程序指令。
还会明白，因为附图中描绘的组成系统模块和方法步骤，可以用软件实现，所以系统部件(或处理步骤的流程)之间的实际连接可以因应用程序编程方式而不同。按照这里的教导，本专业普通技术人员能够设计本发明的这些和类似的实现方案或配置。
图1是高层方框示意图，举例说明按照本发明的示范性实施例的用于为心脏成像提供自动诊断和决策支持的系统。更具体地说，图1举例说明CAD(计算机辅助诊断)系统(10)，它实现用于分析对象病人不同类型的病人信息(1)和(2)，以便提供诊断估计和建议及其他决策支持的方法，以便在内科医生对所述对象病人的工作流程的不同方面协助内科医生。CAD系统(10)使用机器学习方法，使CAD系统(10)能够连续学习分析病人信息(1，2)和连续提供更准确的诊断估计和/或决策，以便在工作流程上协助内科医生。
CAD系统(10)的输入包括不同的病人信息源，包括一个或多个成像形态的图像数据(1)(例如，超声图像数据、MRI数据、核医学数据等)和来自不同结构的和/或非结构的数据源的非图像数据(13)，包括在病人治疗过程中收集的临床数据及其他信息，诸如病史、家族史、人口统计信息、财政信息和任何其它有关的病人信息。例如，可以向CAD系统(10)提供的临床数据的特定的示例，包括已经识别为心脏性疾病的特定的风险因素和/或预示变量的临床变量，诸如在众所周知的心脏性风险分析的＂Framingham研究＂中的那些参数：性别、年龄、糖尿病、心脏病史、总胆固醇、HDL、收缩期血压、和抽烟。CAD系统(10)用于实现从图像数据(1)和非图像数据(2)自动提取信息(特征)和以这样一种方式结合所提取的信息，使之适用于CAD系统(10)分析用的方法。取决于由CAD系统(10)支持的诊断和决策支持功能，CAD系统(10)，如下面解释的，可以产生一个或多个在筛选和诊断心脏性疾病和状态方面提供内科医生工作流程协助的输出(11)、(12)、(13)和/或(14)。
例如，在本发明的示范性实施例中，CAD系统(10)可以提取和分析来自一个或多个成像形态数据(1)的信息(图像参数/特征)，例如，超声图像数据、MRI数据、核医学数据、PET数据、CT数据等)，和(任选地)非图像数据(2)，以便通过利用所提取的信息(11)的壁运动分析来自动评定区域心肌功能。例如，下面将参照图2讨论提供区域心肌功能的自动评定用的本发明的不同的示范性实施例，例如，利用分类方法(或其它机器学习方法，包括学习多个分类程序的基于总体的学习方法)、基于模型的方法(试图用Bayesian推理对与心脏功能有关的不同因素或特定类型的异常运动建模)，这样的方法的不同组合，用于利用从心脏超声图像数据和(任选地)临床数据记录提取的不同的参数，对心脏心肌壁部的区域的心肌组织状态自动分类。要明白，如在这里使用的，术语＂分类程序＂一般地指不同的类型的分类程序框架，诸如分级分类程序、总体分类程序等，例如，可以这样设计分级分类程序，例如，分类程序首先用来各片段分为两组(例如，正常对异常)，然后把异常的片段进一步分类为运动不能的、反常运动等。另外，分类程序设计可以包括多个分类程序，它们试图把数据划分为两组(例如，反常运动与其他任何东西、动力学与其他任何东西等)，并且或者组织成已分层次地组织的或者并行地运行的，然后组合以便求出最佳分类。另外，分类程序可以包括总体分类程序，其中全部试图完成同样分类任务的大量分类程序(称作＂分类程序森林(forest)＂)是已知的，但是用不同的数据/变量/参数训练，然后组合起来以便产生最后的分类标记。最后，除提供心肌壁部的区域评定以外，CAD系统(10)还可以为每一个区域评定提供置信得分或置信指标。
在本发明的另一个示范性实施例中，CAD系统(10)可以从一个或多个成像形态数据(1)(例如，超声图像数据、MRI数据、核医学数据等)和(任选地)非图像数据(2)提取和分析信息(图像参数/特征)，以便自动产生和输出心脏性疾病诊断的几率和(任选地)所述诊断的置信度(12)。更具体地说，举例来说，CAD系统(10)可以从病人的超声诊察提取和分析相关特征，并提供心肌病(cardiomayopathic)状态或冠心病，例如诊断的当前估计和置信(度)。
作为另一方案，例如，对于已知患有心脏性疾病的病人，CAD系统(10)可以提出治疗过程的建议，在这种情况下，所述几率和置信度(12)涉及治疗获得所需(大概是有利的)效果的可能性，其范围可以从治好病人的心脏性疾病到其唯一的目的仅在于改善晚期心脏性疾病病人生活品质的纯缓和性治疗。更具体地说，CAD系统(10)除提供治疗建议以外，还可以自动提供所述治疗将具有确定结局的几率和/或置信度，并可能提供所述治疗不会具有确定的有害影响，诸如付作用的几率和/或置信度。所述几率可以指定为有关可能的结局既有利又有害的分布，或一组将来一个或多个时刻可能的结局既有利又有害的分布，或可能的结局在将来不同的时刻随时间而改变的分布等。
在本发明的另一个示范性实施例中，CAD系统(10)可以自动确定和指定对给定的病人可以完成(或获得)的一个或多个附加的测试(或特征)，以便改善心肌功能区域评定的置信度或改善心脏性疾病诊断的置信度。例如，CAD系统(10)可以确定和输出＂得分＂(13)，对于每一个附加的测试或特征，它们在特定的成像形态或特征(包括临床数据)潜在的有用性方面提供某些量度或征兆，这会改善CAD系统(10)所确定的评定或诊断的置信度。在本发明的另一个示范性实施例中，CAD系统(10)可以识别和输出(通过显示或列举)类似于当前病例(14)的一个或多个示范性病例研究。例如，如上面指出和下面更详细说明的，CAD系统(10)可以包括以前的标记(诊断)病例的数据库(或文库)，并根据从CAD系统(10)对于对象病人的病人信息输入提取的特征，CAD系统(10)可以从所述诊断协助文库搜索和显示最相关的病例(或那些相似度高于某些阈值的病例)。换句话说，CAD系统(10)可以利用自动提取的特征，从训练组或者甚至从以前标记的病例的任何数据库提供一组类似的病例。
应当理解，CAD系统(10)在内科医生工作流程的环境下显示类似的病例的功能可以向内科医生提供重大的协助。例如，显示类似的病例可以为没有经验的用户提供训练。确实，新手用户可以查看其它病例，以便确定或者理解这样解释的基础或原因。另外，显示类似的病例可以为有经验的用户提供一种确认CAD系统(10)诊断结果的手段。确实，除给定的状态的诊断几率以外，CAD系统(10)可以显示类似的病例，以便证明它的评定。另外，显示类似的病例使预后和治疗的评定成为可能。更具体地说，通过研究类似的病例来看看其它病人对不同的治疗选项的响应，内科医生可以开始评定当前病人这些选项的功效。最后，在各个医院只可以有几个(或没有)特定的疾病的示例的相对稀少的诊断中，具有这样的系统会允许从多个机构收集特定疾病的这种标本病例，因而，允许为所述特定疾病提供相对较大病例样本。
鉴于上述，CAD系统(10)一般地可以看作自动系统，它可以通过提供对病人当前的状态的评定(例如，特定疾病的可能性几率)协助内科医生的工作流程，并确定下一个最佳的健康治疗或所述对象病人的诊断途径(例如，识别可以获得的很可能会减少所述评定的任何歧义性的附加的测试(或特征))。如上面指出的，应当理解，CAD系统(10)实现一个或多个机器学习和/或基于模型的方法，由此学习/推算信息，并且通过在CAD系统(10)的训练集中收集的数据推动决策。具体地说，如上面指出的，CAD系统(10)可以包括示范性诊断实例库，从该示范性诊断实例库获得训练数据来教导CAD系统(10)。与由专家口述的一组规则产生和推算并翻译为代码的专家系统形成对照，CAD系统(10)根据从诊断实例学习的或从专家知识学习的训练数据来学习，以便提供准确诊断决策和提供决策支持。
应当理解，通过CAD系统(10)可以实现不同的机器学习方法。例如，具有共同转让人的2003年6月11日提交的由Zhou等人提出的题为＂基于上下文信息的实时特征灵敏度分析用的系统和方法＂的美国专利申请序号10/702,984，描述的系统和方法，可以用在CAD系统(10)中，用于确定哪些测试或特征可能对减少诊断歧义性最适当。实质上，Zhou的方法是建立一个处理模型，并确定每一个特征在减少歧义性方面的相对重要性。在这里可以实现这样的方法，由此每一种成像形态或诊断途径都可以被描述为一组一个或多个特征。然后，Zhou所描述的方法将用来确定哪些特征在诊断或评定的置信度上很可能会提供最大改善。在CAD系统(10)上可以实现从一组庞大的训练病例学习的其它机器学习技术。例如，可以使用不同的机器学习技术，诸如判决树、SVM、Bayesi an网络、学习多个分类程序，然后把它们结合起来达到最后的诊断的基于总体的方法。
应当理解，CAD系统(10)可以提供适当的决策支持，甚至在不存在可以用来改善这样的决策的不同的特征或信息的情况下。这可以通过构建这样的分类程序达到，即，它可以处理缺失的数据或通过学习不同的分类程序来处理不同类型的数据，通过利用其它学习方法，以便推断所述缺失值，或通过利用任何一个各种各样的对本专业的普通技术人员是已知的方法，以便在不存在某些(或全部)病人数据/图像的情况下完成推理/学习。当然，所述系统的置信度将用可以提供的更多信息改善。在根本没有给定的病人信息的极端的情况下，CAD系统(10)可以就内科医生提供对病人采取的初始的步骤提供某些指引。在所述决策支持系统中，可以使用缺失/有噪音的数据学习和/或完成推理的不同方法。
应当理解，上述方法可以扩展到提供心脏状态，诸如冠心病的自动筛选。例如，CAD系统(10)可以配置成在病人临床和家族史方面，按照病人患有(或可以发展到)冠状动脉疾病的可能性和应该给予病人什么筛选测试(有的话)来最佳地检测潜在的心脏状态作出决策。如上面描述的，可以利用训练组和机器学习技术来做这样的决策。另外，对于筛选，如上面讨论的，CAD系统(10)可以产生和输出决策，包括患有疾病的可能性、来自训练组的标本病例和对给定的病人最优的筛选测试。
现参见图2，方框示意图举例说明按照本发明另一个示范性实施例的用于为心脏成像提供自动诊断和决策支持的系统。更具体地说，图2举例说明按照本发明的示范性实施例的用于超声心脏成像的CAD系统(20)，所述系统包括用于利用从一个或多个成像形态(例如，超声图像数据、MRI数据、核医学数据等)获得的参数以及非图像数据对心脏的心肌功能进行自动区域评定的方法，以便分析心肌壁部运动。图2的CAD系统(20)举例说明用于图1的CAD系统(10)的、支持一个或多个超声成像方法的一个或多个示范性框架。一般，CAD系统(20)包括数据处理系统(21)，后者包括特征提取模块(22)、特征组合模块(23)、分类模块(24)和诊断/工作流程协助模块(25)。特征提取模块(22)实现各种不同的方法(22-1，22-2，22-3，22-4)，用于从超声图像数据(3)(和可能其它成像数据)以及其他非图像病人数据源(4)，诸如临床、家族、历史数据等提取相关的参数。病人数据可以以结构形式(在数据库中作为特定的字段的指定值)获取，或者可以从病人记录(例如，通过正文的自然的语言处理)提取。特征组合模块(22)以这样一种方式把提取的特征加以组合，即，适合于输入到分类模块(24)，用于分析。
分类模块(24)包括分类方法(24-1)(或分类引擎)，后者利用一个或多个受过训练的/通过建模器(24-2)动态地适应的分类模型来分析所述组合的提取的参数，以便产生用于提供诊断和决策支持的信息。诊断/工作流程协助模块(25)包括用于实现诸如上面参照图1所描述的功能(例如，提供心肌功能的区域评定、提供一组类似于当前病例的病例、提供表示会改善区域评定的置信度的附加特征的很可能的好处的得分等)的一种或多种方法。
CAD系统(20)还包括用户接口(26)(例如，显示在具有键盘和鼠标输入装置的计算机监视器上图形用户接口)，使用户能够选择一个或多个诊断/工作流程协助模块(25)所支持的功能，并使所述系统能够再现和向用户提供处理结果。如下面描述的，可以按照本发明的示范性实施例以一个或多个不同的方法再现和向用户提供处理结果。
CAD系统(20)还包括仓库(27)，后者保持临床领域的从不同的来源推导的信息知识库。例如，临床领域知识(27)可以包括学习或自动地从庞大的经过分析/标记的病例(28)与CAD系统(20)支持的临床领域有关的数据库提取的知识。临床领域知识(27)可以包括专家通过分析以前的断言而直接输入的专家临床知识，或与医疗团体或保险公司在所支持的临床领域方面相联系的规则/条例/指导方针有关的信息。如下面详细说明的，可以通过数据处理系统(21)的不同方法(22，23，24和25)来使用仓库(27)中的临床领域知识。
在本发明的一个示范性实施例中，CAD系统(20)包括用于自动地分析对象病人心脏的超声图像(3)中心肌壁部运动和壁部厚度，以便由此提取用来自动地把心肌心脏组织的区域片段分类为正常或异常的壁部运动和壁部增厚参数的方法。具体地说，在CAD系统(20)的一个示范性实施例中，如图2所描绘的，特征提取模块(22)包括：壁部运动提取模块(22-1)，用于从超声图像数据(3)提取壁部运动参数；以及壁部增厚提取模块(22-2)，用于从超声图像数据(3)提取壁部增厚参数。
在本发明的一个示范性实施例中，特征提取模块(22-1，22-2)实现2003年3月5日提交的，题为＂跟踪运动中的目标的整体形状用的系统和方法＂的美国专利申请序号10/794,476中描述的方法，所述申请是共同转让的并全文附此作参考。简而言之，本申请描述，例如，用于在超声波心动图图像(2维，3维和4维(3D+时间))中跟踪的心脏心肌壁部的整体形状和局部运动的方法(例如，心脏的心内膜壁部和/或心外膜壁部)，用于心脏随着时间进展的医疗分析。这些方法可以用于心回波描记术系统，所述系统用于跟踪来自各种不同透视图的2D、3D或4D(3D+时间)心脏图像的左心室的心内膜壁部。这些方法可以用来跟踪心肌壁部不同部分的运动的振幅、方向和定时。另外，这些方法可以用来跟踪心肌内膜壁部在时间帧(例如，收缩阶段)中内和外轮廓，以便提供在这样的时间帧上壁部增厚数据。
与用于超声心动描记术的传统的方法，例如，只考察壁部运动信息的方法形成对照，心脏壁部在收缩阶段过程中的增厚是重要的考虑。确实，即使当心脏壁部一个部分坏死时，这样的部分可能被附近的壁部片段一起拉动，一种已知的和称作＂束缚(tethering)＂的现象可能导致不适当的分析。有利的是，既考虑壁部运动又考虑壁部增厚，就为相关壁部健康提供更准确的评定。
相应地，在本发明的一个上面指出的示范性实施例中，数据处理系统(21)提取所需心肌心脏壁部一些区域部分的壁部运动和壁部增厚参数，以便在区域的基础上评定心脏壁部的状态。在本发明的一个示范性实施例中，从分类模块输出的所述评定或分类结果，包括心脏壁部一个或多个区域的壁部运动＂得分＂。诊断/工作流程协助模块(25)将通过用户接口(26)再现所述分类结果，以便显示。具体地说，在本发明的一个示范性实施例中，将按照美国超声心动描记术协会(ASE)推荐的标准，作为心脏左心室不同的片段壁部运动的＂得分＂，向用户提供所述分类结果。具体地说，在所述ASE标准下，左心室被分成多个片段(例如，16个或17个)。ASE建议利用标准超声视图(A4C，A2C，PSAX，PLAX，B型ALAX视图)，以便获得不同的片段的图像数据并分析这样的图像数据，以便指定每一个片段壁部运动的得分如下：1＝正常；2＝运动机能减退；3＝运动不能；4＝反向运动(dyskinesis)；以及5＝动脉瘤。(例如，见Schiller等人＂通过二维超声量化左心室的建议＂，Journal of american society of echocardiography，vo12，p.358，2889，和Snyder等人)。
在使用ASE推荐的打分技术的示范性实施例中，分类结果(包括ASE得分)可以显示在如图5所示＂牛眼(bulls-eye)图上。更具体地说，图5举例说明2D图(50)，根据心脏的LV的16段模型，其中16个片段与用Ant，Med，Lat，Post，Apex标示的标准方向数据一起示于3D LV空穴(cavity)的2D描写中。按照本发明的一个示范性实施例，图2分类模块(24)的处理结果根据ASE建议，针对每一个片段作为壁部运动在1-5刻度的＂得分＂呈现，所述得分以2D制图的形式呈现给用户。所述得分可以包括这些片段的实际得分或按照得分给这些片段加色显示。本专业普通技术人员很容易想像出呈现得分的其它方法
应当理解，在本发明的其它示范性实施例中，不用ASE定义的片段，而是在图像的每一点或指定的子区域进行正常的和异常的组织的分类。
显然，可以利用其它成像形态来实现按照本发明的壁部运动分析过程。例如，可以使用在心脏MR图像中对左心室进行分段的方法，诸如在Jolly等人题为＂心脏MR图像中左心室的分割＂，Proc.of theInternational Conference on Computer Vision，ICCV 2001；Vancouver，Canada；July 2001，Vol 1，pp 501-508的文章中描述的。这样的技术可以用类似于上述超声所用的技术，从MR图像提取运动和增厚数据。类似的技术也可以用于CT图像。
在本发明的其它示范性实施例中，除提供心脏壁部的区域评定以外，分类模块(24)可以包括确定每一个片段置信水平的方法，它代表给定段评定(例如，壁部运动得分)的置信度。确实，由于图像质量的差异以及物体体型变动及其他因素，不同的评定可以有不同的置信水平，即使在同一人身上也是如此。例如，若只考虑区域的壁部运动，则往往就是如此，对于一位回波心动描记器，信号强度强的隔膜分析的置信度，一般优于信号强度不佳的壁分析的置信度。当评定一个病人时，所述回波心动描记器自动地考虑这样的信息。但是，传统的自动系统只显示结果，而没有相应的置信分析。按照本发明的一个示范性实施例，在区域的壁部运动分析的情况下，与每一个片段的置信指标(或许在1-10的数值范围内)一起，可以按照ASE指导方针给每一个片段指定一个从1-5的得分。
应当理解，在图2的CAD系统(20)的其它示范性实施例中，可以提取和考虑一个或多个附加特征，用于提供心肌功能的自动区域评定。更具体地说，在本发明的其它示范性实施例中，特征提取模块(22)可以实现其它参数提取方法(22-3)，用于为分类处理(24-1)进行的分析提取其它相关图像参数，以便按照本发明自动地分析壁部运动和表征/分类心肌壁部正常的和异常的片段。例如，除壁部运动和壁部增厚数据以外，自动诊断和评定可以基于参数，诸如部分壁部缩短、部分区域变化、最大偏移、最大偏移阶段(亦即，在心脏周期那一点上会出现最大偏移)、偏移速度(绝对或相对)和心肌组织的应变或应变速率，其中这样的参数可以从一个或多个不同的类型的超声图像数据(3)在整个心脏周期中或所述心脏周期预定部分，诸如收缩期提取。
更具体地说，按照本发明的其它示范性实施例，可以从超声图像数据(3)提取一个或多个附加区域测量结果，并且在分析中将其组合到对心脏壁部的总体区域评定中。例如，特征提取模块(22)可以实现一个或多个附加特征提取方法(22-3)，用于提取区域的参数，诸如组织速度以及应变和应变速率。如先有技术已知的，组织速度、应变和应变速率成像可以用来提供心肌组织的区域评定。这些评定一般作为回波心动描记器评定的图像单独给出。这些速度和应变速率往往有失真，可能难以评定并可能导致阐述的错误。但是，通过从这些提取特征，将其与其它特征结合，可以做了更准确的区域评定。
从超声图像(3)提取的另一个区域参数包括造影灌注。灌注是血液进入心脏壁部的量度，可以用造影成像方法来采集超声图像数据，由此可以提取造影灌注参数，用于区域心肌功能评定。也可以通过将灌注特征与其它特征组合来获得较好的区域功能评定。
可以考虑把另一个参数用于评定区域心肌功能，包括定时数据，诸如收缩期开始的定时。确实，已知死亡或受损的心肌壁部(或其部分)可能开始收缩得比其它心肌壁部(或它的其它部分)晚。相应地，定时参数可以用作增加的信息，用于评定心肌功能。可以用阶段成像方法来从定时参数采集超声图像数据(3)，所述定时参数可以被提取用于评定区域心肌功能。
另外，把不同片段彼此进行比较可以提供对评定心肌功能灵验的附加信息。确实，传统的技术孤立地看待每一个片段。但是，把心肌不同的片段彼此比较可以得到重大的好处。例如，当评定区域的壁部运动时，心脏一部分的运动可以认为是缓慢的。但是若所述壁部的一部分是以与所述心脏其它部分同样的速度运动，则与所述壁部的一部分的运动显著地慢于心脏的其它部分相比，可以做出不同的评定。
在本发明的另一个示范性实施例中，从3D超声数据提取参数可以提供优于2D数据的附加优点。当前用于壁部运动分析的技术使用2D(+时间)数据。但是，从3D(+时间)提取特征将由于若干原因而变得有利。首先，将获得更真正的速度图像，因为可以跟踪各速度，而不只是＂平面内＂(＂in-plane＂)的各速度。其次，2D图像有问题，因为它假定每一次都有同样的2D切片可用。由于心脏的运动，这是不真实的。因此，用于区域的心肌分析的运动、增厚、速度、应变、应变速率和/或3D中的造影灌注的组合，使更准确的评定成为可能。
可以为评定心肌功能而实现的其它参数包括全局指标。传统的自动技术只依赖于区域的指标，诸如运动或应变来评定区域心肌功能。但是，自动地评定区域的功能的技术还应该考虑心脏功能的全局指标。这可以包括(但是不限制)以下几点：左心室容积和喷出百分率、左心室壁部厚度和质量以及舒张功能指标，诸如当这些指标不具体地指向心脏特定的区域的问题时的E/A比率，这样的参数一般表示冠状动脉疾病，并提供附加特征，用于评定区域心肌功能。
在本发明的其它示范性实施例中，数据处理系统(21)提取和分析来自对象病人的病人非图像数据(4)的有关参数，这些参数与所提取的图像参数配合使用，以便提供心肌功能的自动区域评定。病人数据(4)可以包括来自多个在病人治疗过程中收集的结构的和非结构的数据源。一般，结构数据源包括例如财政(开发票)、实验室、药房数据库，其中病人信息在数据库表中维持不变。非结构的数据源包括例如波形数据、实验室测试结果的基于自由文本的文档、医生进展记录、有关医疗程序的细节、处方药物信息、放射性报告及其他专家报告。
按照本发明的一个示范性实施例，病人非图像数据(4)可以包括数量庞大的有用的数据，指示冠心病及其他有关状态，例如，可以用来提供心肌功能的自动区域评定。举例来说，临床信息可以在病历和物理的记录中找到，其中内科医生记录一个人还经历过胸部疼痛、某些疾病，诸如糖尿病，可以增大一个人发展和得冠状动脉疾病的可能性。其它征兆，诸如胆固醇水平、抽烟史、冠状动脉疾病的家族史、年龄、性别、内膜内侧厚度(例如，来自超声测量结果)等还可以用来评定冠状动脉疾病的风险。
相应地，在图2的示范性实施例中，特征提取模块(22)包括一个或多个病人数据提取方法(22-4)，用于从结构的和/或非结构的病人数据记录(4)提取与评定中的医疗状态相关的有关病人数据。在区域的心肌评定的示范性实施例方面，所述临床数据或许不能准确描述心肌功能不良的特定的区域，但是这样的临床数据总体上可能有助于区域心肌功能的评定。应当理解，可以用提取模块(22-4)实现任何适用的数据分析/数据挖掘方法，用于从所述病人数据记录(4)提取有关参数，并处理病人记录中的错误/不一致/缺失信息。在本发明的一个示范性实施例中，病人数据提取方法(22-4)和特征组合方法(23)可以利用2002年11月4日提交的，题为＂病人数据挖掘＂的共同转让和共同未决的美国专利申请U.S.序号10/287,055的数据挖掘方法和特征组合方法实现(该申请要求2001年11月2日提交的，美国临时申请序号60/335,542的优先权)，这两份申请均全文附此作参考。
扼要地说，美国序号10/287,055描述数据挖掘方法，用于利用包含在知识库(例如，仓库(27)中)的表达为病人在特定的时间(称作元素)概率性断言的指定领域知识，从临床数据记录提取有关信息，并在给定时段把指同一变量(指定领域判据)的所有元素组合，以便在所述变量方面形成单一的一致的概率性断言，然后协调所述信息随着时间分变化，以便处理所述变量的值的变化(包括在所述变量可以如何随着时间变化方面施加时间约束)。
另外，在2002年11月4日提交的题为＂用于心脏病筛选的病人数据挖掘＂的美国专利申请序号10/287,085中描述了用于评定冠心病风险的组合病人信息的方法，所述申请是共同转让的，并全文附此作参考。
在图2的示范性实施例中，如上所述，数据处理系统(21)使用保存在仓库(27)中的临床领域知识数据，以便执行各种不同的方法，诸如特征提取(22)、特征组合(23)和模型构建(24-2b)。指定领域知识库(27)可以包括指定疾病的领域知识，例如所述指定疾病的领域知识可以包括影响疾病风险的不同的因素、疾病进展信息、复杂情况信息、结局和与疾病有关的变量、与疾病有关测量、和由医疗团体，诸如ACC，AHA和ESC建立的政策和指导方针。
举例来说，用于诊断急性心肌梗塞(AMI)的指定领域判据可以指定取决于三个因素的组合的明确的存在或不存在的诊断：(i)心脏性疼痛的症状；(ii)EKG(心电图)上的变化；以及(iii)通过受损心脏肌肉释放器的酶的变化。另外，假定一个人曾经有过心脏性疼痛，EKG和酶符合指定判据变化的程度(个别和组合地)，可以用来确定诊断的确定性(＂确定＂、＂大概＂或＂可能＂)，或呈现为数字确定性(例如，0％和100％之间)。
指定领域知识库(27)还可以包括机构专门领域知识。例如，它可以包括在关于特定的医院可用数据的信息、医院的文档结构、医院的政策、医院的指导方针和医院的任何变动。
临床领域知识库(27)可以是从不同的来源产生的。例如，临床领域知识库(27)可以包括从经过分析/标记的病例(28)的大数据库学习的知识。另外，临床领域知识库(27)例如可以包括专家从分析的以前的断言或从规则输入的和保险公司公开的条例知识。所述领域知识库(27)中的数据可以作为一种输入或作为产生所述系统可以理解的信息的程序加以编码。如上面指出的，所述领域专家数据可以利用适当的用户接口由领域专家手动输入获得，或所述领域专家数据可以自动地或用程序输入。
提取模块(22-4)可以使用领域知识库(27)中的相关数据来提取有关参数和产生关于病人与某一时刻或时段有关的概率性断言(元素)。提取所需要的领域知识一般是对每一个来源特定的。例如，从正文来源提取可以通过词组识别(spotting)进行，其中提供规则清单，指定感兴趣的词组和可以由此进行的推理。例如，若在医生记录中有一种表述，具有单词＂心脏左心室有心肌病迹象＂，则为了从这个句子推断病人有心肌病，可以指定一条规则，指导所述系统查找词组”心肌病”，若找到，则断言所述病人以某个置信度有心肌病。从一个数据库来源进行提取可以通过查询所述来源中的一个表来进行，在所述情况下，所述领域知识需要编码，当前在所述数据库什么字段有什么信息。另一方面，所述提取处理可以涉及计算包含在所述数据库内的复杂的信息函数，在所述情况下，可以用执行所述计算的程序的形式提供领域知识，其输出可以馈送到所述系统的余下部分。
由特征组合模块(23)实现的方法可以是上面所附的专利申请所描述的方法。例如，特征组合方法可以处理在给定时刻从来自同一/不同的来源潜在冲突的断言产生每一个变量的均匀视图。在本发明的不同的实施例中，这是利用在由所述元素表达的变量的统计方面的领域知识完成的。
建模器(24-2)通过受过训练(和可能动态地优化)的分类方法(24-1)来建立分类模型，用于分析所提取的不同特征，根据所述实现在不同的水平上提供诊断协助和评定。应当理解，所述分类模型可以是＂黑匣子＂，它不能对用户解释它们预测(例如，若分类程序是利用神经网络构建的，则情况便是如此)。分类模型可以是采用人类可读形式的＂白匣子＂(例如，若分类程序是利用判决树构建的，则情况便是如此)。在其他实施例中，分类模型可以是＂灰匣子＂，可以部分地解释如何推算解决方案(例如，＂白匣子＂和＂黑匣子＂结合类型的分类程序)。所述类型的分类模型将根据所述领域知识数据和模型建造过程(24-2)实现。所述类型的模型建造过程将根据所实现的分类方案而变化，它可以包括判决树、支持矢量机、Bayesian网络、概率性推理等等以及本专业的普通技术人员已知的其他分类方法。
建模器/更新处理(24-2)使用临床领域知识库(27)中的数据来训练分类模型，并可能动态地更新以前受过训练的通过所述分类处理(24-1)实现的分类模型。在本发明的一个示范性实施例中，建模器/更新处理(24-2)是＂离线＂实现的，用于建造/训练学习评定区域心肌功能的分类模型。在本发明的另一个示范性实施例中，建模器/更新处理(24-2)使用＂连续＂学习方法，它可以使用仓库(27)中的领域知识数据，后者用从最近分析的病人数据推断的附加的学习数据更新，或者优化与相关状态相联系的分类模型。有利的是，连续学习功能通过使分类方法(24-1)能够连续地随着时间改善增强CAD系统(20)的强健性，而不必成本高昂的人工干预。
在图2的示范性CAD系统(20)中，如上面指出的，诊断/工作流程协助模块(26)可以提供一个或多个诊断和决策支持功能，如上面参照图1所描述的。例如，诊断/工作流程协助模块(26)可以命令分类模块(24)根据从超声图像数据(3)和/或病人非图像数据记录(4)提取的一组特征，与所述评定的置信度一起提供区域心肌功能的评定。分类引擎(25-1)可以利用一个或多个受过训练的分类模型，来分析模块(23)的结合特征输出，完成这样的分类。在另一个示范性实施例中，诊断/工作流程协助模块(25)可以命令分类模块(24)确定可以获得什么附加的成像形态或特征(例如，从B型超声图像数据，其它图像模式和/或非图像数据)，并进一步分析来提高区域评定的置信度。另外，诊断/工作流程协助模块(25)可以命令分类模块(23)根据当前一组提取的特征获得并(通过用户接口)显示仓库(27)中的一个或多个类似的病人的病例。
现参见图3，方框示意图举例说明按照本发明另一个示范性实施例的用于为心脏成像提供自动诊断和决策支持的系统。更具体地说，图3举例说明CAD系统(30)，所述系统用于利用从一个或多个不同的超声图像方式(B型、造影成像和/或阶段成像等)获得的图像参数和/或病人非图像数据，提供例如冠心病自动诊断以及提供其它决策支持功能，以便协助内科医生工作流程。在一个示范性实施例中，图3的CAD系统(30)，如上面针对图2讨论的，包括自动壁部运动分类分析。图3的CAD系统(30)举例说明图1的CAD系统用于支持一个或多个超声成像方法的一个或多个示范性框架。
参见图3，CAD系统(30)包括数据处理系统(31)，后者实现根据从超声图像数据提取的不同的参数对心脏疾病进行的自动的分类(诊断)的方法，以及其他协助内科医生对特定的病人决定治疗或诊断途径的方法。一般，数据处理系统(31)包括特征提取模块(32)、特征组合模块(33)、分类模块(34)和诊断/工作流程协助模块(35)。另外，CAD系统(30)包括用户接口(36)，使用户与CAD系统(30)交互作用成为可能，以便选择由诊断/工作流程协助模块(35)支持的一个或多个功能(例如，为一个或多个类型的心脏状态提供自动诊断和诊断的置信度；确定什么附加的超声成像形态或特征(例如，从B型超声图像数据、其它图像模式和/或非图像数据)可以被获得并被进一步分析以便提高诊断置信度；根据当前一组提取的特征，获得和显示仓库(38)中的一个或多个类似病人的病例)。
特征提取模块(32)实现不同的方法(32-1-32-9)，所述方法用于从一个或多个不同方式的超声图像数据(5)和病人非图像数据(6)提取有关参数，所述有关参数可以被分析以便提供心脏疾病的自动诊断及其他类型的决策支持，如以下讨论的。例如，特征提取模块(32)包括自动壁部运动分析模块(32-1)，后者实现上面参照图2讨论的方法，用于根据从超声图像提取的运动和增厚参数提供心肌功能的区域评定。从模块(32-1)输出的参数可以是所述评定的实际结果(例如，每一个片段的壁部运动得分)或所提取的运动和增厚参数，后者被分类模块(34)进一步处理，以便提供心脏状态的自动诊断或提供其它诊断支持功能。
其它提取模块包括：全局参数提取模块(32-2)，用于从超声图像数据提取全局参数，包括例如LVEF(左心室喷出百分率)、LVEDV(左心室末端心脏舒张期容积)、LVESV(左心室末端心脏舒张期容积)等；以及舒张参数提取模块(32-3)，用于提取舒张参数，诸如E/A比率等，它提供指示冠心病的一般征兆。另外，可以从超声(32-4)中的多普勒效应图像提取血液速度。另外，可以提取从超声图像提取区域参数，包括：应变速率参数提取模块(32-5)，用于提取应变和应变速率数据；造影灌注模块(32-6)，用于从造影成像提取灌注特征；4D提取模块(32-7)，用于从3D(+时间)超声图像提取特征；以及及其他图像特征提取方法(32-8)，用于从超声图像数据提取用于同样或附加方式的有关参数。通过特征提取模块(32)实现的不同特征提取方法(32-1-32-9)与上面参照图2讨论的方法相同或类似。可以为从超声图像及其他图像数据提取特征而实现的各种不同的方法，如上面指出的，对本专业的普通技术人员是众所周知的，并且可以为所述提取模块实现任何适用的已知的提取方法(见，例如，＂利用造影超声心动描记术的心肌灌注评定＂，medical imaging 2001：Ultrasonic Imaging andsignal processing，Michael F.Insana，，K.Kirk Shung，Editors，Proceedings of SPIE Vol.4325(用于超声造影灌注的方法)；Hashimoto等人，＂与组织多普勒效应成像相比，心肌应变速率是求值左心室心内膜下的功能的高级方法＂，J Am Coll.Cardiol.2003 Nov5；42(9)：1584-6(从3D超声心动描记术自动进行LV运动分析＂，medical image Underst anding and Analysis(MIUA)Conference 1999，Oxford UK，pp.85-88(从3D超声图像提取参数的方法)等)以及G.I.Sanchez-Ortiz等人，＂从3D超声心动描记术进行的自动LV运动分析＂，medical image Understanding and Analysis(MIUA)Conference1999，Oxford UK，pp.85-88(从3D超声图像提取参数用的方法)。在图2的示范性实施例中，这样的特征例如用于自动评定区域心肌功能，而在图3的系统中，这样的特征例如还用来自动诊断与心脏有关的疾病。
特征组合模块(33)以这样一种方式组合一组所提取的特征，即，使之适用于分类模块(34)的输入和分析。分类模块(34)包括分类方法(34-1)，以便利用一个或多个受过训练的/通过建模器(34-2)动态适应的分类模型分析所述组合提取的参数，以便提供心脏疾病的自动诊断及其他决策支持功能。CAD系统(30)还包括仓库(37)，后者保存这样一些信息的临床领域知识库，提供由建模器(34-2)使用的训练数据，来构建/训练由分类方法(34-1)使用的分类模型。与临床领域CAD系统(30)所支持的一个或多个临床领域有关的经过分析/标记的病例(38)的大数据库，可以用来获得仓库(37)中的训练数据。临床领域知识(37)可以包括由专家从以前的分析的断言直接输入的专家临床知识，或与医疗团体或保险公司相联系的关于所支持的临床领域的规则、条例和/或指导方针有关的信息。仓库(37)中的临床领域知识可以由数据处理系统(31)的不同的方法(32，33，34和35)使用。
应当理解，图3中不同的模块(32，33，34和35)可以实现与图2的CAD系统(20)的相应的模块(22，23，24和25)相同或类似的方法，如上面描述的。但是，不同的方法，诸如分类模块(24)和(34)中的分类和建模方法将根据各自CAD系统(20)和(30)所支持决策支持功能的类型、特征提取方法和/或图像形态而变化。另外，除知识库(27)和(37)中的训练数据根据决策支持功能、特征提取方法和/或各自CAD系统(20)和(30)所支持的图像形态而变化外以，临床领域知识库(37)类似于图2的知识库(27)。
现参见图4，方框示意图举例说明按照本发明的另一个示范性实施例的为心脏成像提供自动诊断和决策支持的系统。更具体地说，图4举例说明多方式CAD系统(40)，它利用从一个或多个不同的成像形态获得的图像参数，支持例如冠心病的自动诊断，包括不同的超声成像方法(B型、造影成像和/或阶段成像等)MRI、NM、PET、CT、CT血管造影术、X-射线血管造影术、MR血管造影术等，和/或病人非图像数据，以及提供其它决策支持功能，以便协助内科医生的关于一个或多个心脏成像方式的工作流程。不同的成像形态的组合可以提供不同的优点。例如，不同的成像形态可以提供不同类型的信息。核医学图像可以提供功能信息，诸如灌注，而同时超声图像可以提供解剖学信息。组合这些信息可以为内科医生提供较好的诊断支持。另一个示例是把冠状动脉的成像例如与有关利用超声或MRI的左心室的信息组合。这样，可以把有关冠状疾病的信息与其对心脏肌肉的影响结合起来。
在一个示范性实施例中，图4的CAD系统(40)包括示范性CAD系统(10)、(20)和(30)的特征提取方法、分类方法、诊断和决策支持方法等的某些或全部，如上面描述的。图4的CAD系统(40)举例说明用于图1的CAD系统(10)的一个或多个示范性框架，以便提供用于心脏成像的多方式CAD。
参见图4，CAD系统(40)包括数据处理系统(41)，它实现提供心脏疾病的自动分类(诊断)的方法以及其他决策支持功能，以便通过以下方法协助内科医生工作流程：从各种不同的病人信息源(7)提取和分析参数，所述病人信息源(7)包括例如对象病人的一个或多个不同类型的图像数据(例如，MRI图像数据(7a)、超声图像数据(7b)、NM图像数据(7c))和非图像数据(例如，数据记录，包括心脏导管术(catherization)、实验室数据(7d)和临床、病历和/或物理数据(7e))。
一般，数据处理系统(41)包括特征提取模块(42)、特征组合模块(43)、分类模块(44)和诊断/工作流程协助模块(45)。另外，CAD系统(40)包括用户接口(46)，它使用户与CAD系统(40)的交互成为可能，以便选择由诊断/工作流程协助模块(45)支持的一个或多个功能(例如，为一个或多个类型的心脏状态提供自动诊断和诊断的置信度；确定什么附加的成像形态或特征可以被获得并被进一步分析以便提高诊断置信度；根据当前一组提取的特征，获得和显示仓库中的一个或多个类似病人的病例)。
特征提取模块(42)实现用于从所支持的成像形态提取图像参数(42-1-42-2)的＂n＂特征提取方法和用于从非图像数据源提取参数的其他特征或正文提取方法(42-3，42-4)。例如，特征提取模块(42)可以包括用于从超声图像(42)(或其它成像形态)提取和分析壁部运动和增厚参数以便提供自动壁部运动分析功能的方法以及上面参照图3和4讨论的用于提取全局和区域的图像参数的其他图像参数提取方法。特征组合模块(43)把一组所提取的特征以这样一种方式组合，即，使之适用于分类模块(44)的输入和分析。分类模块(44)包括分类方法(44-1)，以便利用一个或多个受过训练的/通过建模器(44-2)动态适应的分类模型分析组合的提取的参数，以便提供心脏疾病的自动诊断及其他决策支持功能。CAD系统(40)还包括仓库(47)，它维持提供建模器(44-2)使用的训练数据的临床领域信息知识库，以便构建/训练由分类方法(44-1)使用的分类模型。与CAD系统(40)所支持的一个或多个临床领域有关的经过分析/标记的病例的大数据库(48)，可以用来获得存储在仓库(47)的训练数据。仓库(47)中的临床领域知识可以通过数据处理系统(41)的不同的方法(42，43，44和45)使用。
应当理解，图4中的不同的模块(42，43，44和45)可以实现与图2的CAD系统(20)那些相应的模块(22，23，24和25)和/或图3的CAD系统(30)的相应的模块(32，33，34和35)的相同或类似的方法，如上面描述的。但是，不同的方法，诸如分类模块(44)的分类和模型构建方法将会根据CAD系统(40)所支持的决策支持功能、特征提取方法的类型和/或图像形态而变化。另外，除知识库(47)中的训练数据将会根据CAD系统(40)所支持的决策支持功能的类型、特征提取方法和/或图像形态而变化以外，临床领域知识库(47)类似于图2和3的知识库(27)和(37)。
现将参照图6示范性节点的示意图描述按照本发明的示范性实施例用于评定诊断心脏性疾病等的附加测试的可能价值的各种不同的机器学习方法。对于这些示范性实施例，假设训练组由m个病例构成并且每一个病例由n个从以前完成的测试提取的特征构成。每一种情况Ci(i＝1，...，m)可以表达为特征矢量(f1，f2，...，fn)。
还假定，对于每一种情况Ci，实际的诊断(di)都是：
而且有k个变量与在所述病人身上完成的不同的测试(Ti1，Ti2，Ti3，Ti4)对应，其中k个变量中的每一个都取集合{0，1}中的值，而且其中若所述相应的测试就实际的诊断di而言预测正确，则k＝1，或否则k＝0。
另外，假定这样的以前的信息是从训练数据提取的，基于示范性机器学习过程的下面描述的方法可以用来预测哪些测试将根据从病人的病史提取特征矢量提供准确的诊断。
在一个示范性实施例中，一种方法如下。首先，这样确定来自特征空间的映射M为{(P1，P2，P3，P4)/Pi∈{0，1}，使得对于每一个Ci，有M(Ci)＝M(fI，f2，...，fn)＝(Ti1，Ti2，Ti3，Ti4)。如图6举例说明的，所述处理利用人工神经网络技术完成。对于每一个新病人，映射M将提供描述向所述病人推荐的测试的相应的二元输出。
所述问题还可以看作是多病例分类问题，其中对于每一个病例Ci，按照哪个测试给出正确的诊断来定义它的标记。例如，一个可能的方法如下。对于每一个测试，按照所述测试对于所述病例的准确性来标记全部训练病例。然后，利用任何二元分类算法(例如，SVMs、判决框架、Bayesian网络等)来训练四个分类程序(每个测试一个)。当考虑新病人时，用所述四个分类程序测试所述病人的数据，以便预测哪些测试将给出正确的诊断。
应该指出，采用上述两种方法时所述处理的结果可以是超过一个的测试。
另一个示范性方法如下。假定在训练组中有m个病例。将利用上述n种特征把新的病例与这m个病例对比。根据所述对比，选定最＂类似＂于当前病例的p个病例，其中相似性可以用各种不同的方法中的一种方法定义。例如，一种方法要考察n维特征空间中的欧几里得距离。还可以使用其它众所周知的距离量度。应当理解，上述处理还可以用来从病例库选择示范病例供显示。
一旦确定相似度并识别最＂类似的＂病例，就可以针对所述训练组中k个测试中的每一个构造分类程序。具体地说，举例来说，可以利用例如下面信息集合中的每一个来构造分类程序以便测试诊断是肯定的还是否定的：(i)当前信息和壁部运动分析结果；(ii)当前信息和超声；(iii)当前信息和MRI等。
可以在不从p个病例之一学习的情况下构造每一个分类程序(亦即，留一(leave-one-out)方法)，然后利用该分类程序对扣留的病例进行分类。对p个病例中的每一个重复该过程，并对k个测试中的每一个重复整个处理过程。然后计算k个测试中的每一个的平均可能性，这将作为最有用的测试的得分。
应当理解，按照本发明的其它示范性实施例，CAD系统可以是在分布式模型中实现的，其中所述CAD的不同的模块/部件分布在通信网络中。例如，CAD系统可以由ASP(应用程序业务提供器)提供，以便通过应用服务器提供CAD功能的远程访问服务。例如，用来识别类似的病例的病例数据库可以位于中央位置。其优点是，所述占用相当大的存储器的大型病例数据库不必驻留在每一个系统中。另外可以非常容易地更新所述病例。例如，所述中央位置可以在医院内，或者它可以是中央数据库，每一个人都可以利用这样的系统访问。另一个可能性是使用分布式数据库，其中病例位于多个位置，但是搜索和访问时就像它们是在一个位置一样。那样，可以搜索位于不同的位置的病例以便找出类似的病例。除所述数据库以外，CAD系统的其他部分，诸如分类程序，可以位于中央位置。
另外，鉴于上面的情况，应当理解，可以以依据业务合同或SLA(业务级别协议)由第三方业务提供器提供的业务(例如，Web业务)的形式来实现按照本发明的CAD系统，以便根据不同的业务/付费方案中的一个，提供如这里描述的诊断支持及其他决策支持功能。例如，所述第三方业务提供器可以通过合同而有责任针对不同的临床领域训练、维持和更新分类模型，内科医生或保健组织可以在按使用次数计费的基础上、逐年付订阅费等＂在线＂访问CAD系统。在这样的情况下，可以实现本专业的普通技术人员已知的不同方法，来维持病人保密性，而另一种方法是利用安全加密、压缩方案等通过通信信道来发送病人数据。本专业的普通技术人员可以容易地按照本发明想像出CAD系统的不同的体系结构和实现方案，在这里任何东西都不应该解释为对本发明的范围的限制。
尽管这里已经参照附图描述了本发明的说明性的实施例，但是显然，本发明不限于那些精确的实施例，在不脱离本发明的范围或精神的情况下，本专业技术人员可以对其作出其它不同的变化和修改。所有这样的变化和修改将被包括在如后附的权利要求书所定义的本发明的范围内。
Claims (37)
1.一种用于为心脏成像提供自动决策支持的方法，所述方法包括：
从病人心脏的图像数据获得信息，其中从病人心脏的图像数据获得信息包括自动地从所述图像数据提取心肌壁部运动数据和心肌壁部增厚数据；
从所述病人的临床数据记录获得信息；
将来自从所述图像数据获得的信息的一个或多个特征与来自从所述临床数据记录获得的信息的一个或多个特征结合以便获得一组组合的提取特征；以及
利用所述一组组合的提取特征通过壁部运动分析自动地评定所述心脏的区域心肌功能。
2.如权利要求1所述的方法，其中所述图像数据包括心脏超声图像数据。
3.如权利要求1所述的方法，其中从临床数据记录获得信息的步骤包括自动地从包括所述病人的所述临床数据记录的结构的和/或非结构的数据源提取临床数据。
4.如权利要求1所述的方法，其中自动地评定区域心肌功能的步骤包括利用所述一组组合的提取特征自动地评定心肌壁部一个或多个区域的心肌组织状态。
5.如权利要求1所述的方法，其中自动地评定区域心肌功能的步骤包括产生关于一个或多个心肌壁部区域的壁部运动得分，其中所述壁部运动得分基于标准化的得分方案。
6.如权利要求5所述的方法，其中所述标准得分方案是由美国超声心动描记术协会ASE指定的。
7.如权利要求1所述的方法，其中还包括自动地确定区域心肌功能评定的置信度。
8.如权利要求1所述的方法，其中自动地评定所述心脏的区域心肌功能的步骤包括执行用于将所述区域心肌功能分类的方法，训练所述用于将所述区域心肌功能分类的方法以便利用所述一组组合的提取特征分析壁部运动。
9.如权利要求8所述的方法，其中所述用于将区域心肌功能分类的方法包括机器学习方法、基于模型的方法或机器学习和基于模型的方法的任何组合。
10.如权利要求8所述的方法，其中还包括连续地或定期地利用专家数据和/或从多个病例研究中学习的数据，对将区域心肌功能分类的方法进行再训练。
11.一种用于为心脏成像提供自动决策支持的方法，所述方法包括：
获得心脏的图像数据；
从所述心脏的所述图像数据获得一个或多个特征，其中所述特征包括与所述心脏的心肌运动有关的特征；
组合来自所获得的图像数据的一个或多个特征以便获得一组组合的提取特征；
利用所述一组组合的提取特征自动地评定心肌壁部一个或多个区域的心肌组织的状态。
12.如权利要求11所述的方法，其中所述图像数据包括磁共振MR图像数据。
13.如权利要求11所述的方法，其中所述图像数据包括计算断层摄影术CT图像数据。
14.如权利要求11所述的方法，其中所述图像数据包括超声图像数据。
15.如权利要求14所述的方法，其中所述超声图像数据包括以三维方式采集的图像数据。
16.如权利要求11所述的方法，其中从所述心脏的所述图像数据获得特征的步骤包括获得与心肌灌注有关的特征，和/或从冠状动脉树的图像数据获得特征。
17.如权利要求11所述的方法，其中所述心肌壁部包括所述心脏的左心室的心内膜壁部。
18.如权利要求11所述的方法，其中自动评定步骤包括利用受过训练以便根据所获得的一组组合的提取特征评定心肌功能的方法，自动地将所述心肌壁部一个或多个区域的心肌组织的状态分类。
19.如权利要求18所述的方法，其中利用机器学习方法、基于模型的方法或者机器学习和基于模型的方法的任何组合进行自动分类。
20.如权利要求18所述的方法，其中获得一组组合的提取特征的步骤包括获得关于心肌壁部多个片段中间每一个的特征，并且其中自动地分类所述心肌壁部一个或多个区域的心肌组织状态的步骤包括自动地对所述心肌壁部所述多个片段中的每一个片段的心肌组织状态进行分类。
21.如权利要求20所述的方法，其中对所述心肌壁部所述多个片段的每一个片段的心肌组织状态进行自动分类的步骤包括产生指示每一个片段的心肌组织是正常还是异常的指示项。
22.如权利要求20所述的方法，其中对所述心肌壁部所述多个片段中每一个片段心肌组织的状态进行自动分类的步骤包括根据由美国超声心动描记术协会ASE规定的标准产生关于每一个片段的壁部运动得分。
23.如权利要求20所述的方法，其中还包括自动地确定关于所述心肌壁部所述多个片段中每一个片段的心肌组织每一个分类状态的置信度。
24.如权利要求11所述的方法，其中还包括从所述心脏所述图像数据获得全局参数，所述全局参数提供心脏功能的全局指示项，并且其中所述自动评定步骤是利用所获得的一组组合的提取特征和所获得的全局参数进行的。
25.如权利要求24所述的方法，其中所述全局参数包括左心室容积、左心室喷出百分率、左心室壁部厚度、左心室壁部质量或舒张功能指示项。
26.如权利要求25所述的方法，其中所述舒张功能指示项为E/A比率。
27.如权利要求11所述的方法，其中还包括从所述心脏的所述图像数据获得一个或多个区域的参数，包括组织速度数据、应变数据、应变速率数据、灌注数据、或定时数据，并且其中所述自动评定步骤是利用所获得的一组组合的提取特征和所获得的一个或多个区域参数完成的。
28.如权利要求11所述的方法，其中还包括从所述病人的临床数据记录获得临床数据，并且其中所述自动评定步骤是利用所获得的一组组合的提取特征和所获得的临床数据完成的。
29.如权利要求11所述的方法，其中还包括利用从所述自动评定步骤获得的结果自动地决策医疗状态。
30.如权利要求29所述的方法，其中自动地决策医疗状态是利用分类方法完成的。
31.如权利要求11所述的方法，其中自动地评定心肌组织的状态的步骤包括自动地确定心脏疾病或状态的决策几率或自动地确定心脏疾病或状态将来发展的几率。
32.如权利要求31所述的方法，其中自动地确定心脏疾病或状态的决策几率的步骤还包括自动地确定会提高所述决策几率的置信度的一个或多个附加特征。
33.如权利要求32所述的方法，其中自动地确定一个或多个附加特征的步骤还包括确定所述一个或多个附加特征中每一个在提高所述决策置信度方面的有效性量度。
34.如权利要求31所述的方法，其中自动地确定心脏疾病或状态的决策几率的步骤还包括自动地确定可以提高所述决策几率的置信度的一个或多个附加的心脏成像测试。
35.如权利要求34所述的方法，其中自动地确定一个或多个附加的心脏成像测试的步骤还包括为所述一个或多个附加测试的每一个确定提高所述决策的置信度方面的有效性量度。
36.如权利要求11所述的方法，其中自动地评定心肌组织的状态的步骤包括自动地识别类似于当前病例的一个或多个以前决策的病例。
37.如权利要求36所述的方法，其中包括显示所述一个或多个识别的类似的病例。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US48232703P | 2003-06-25 | 2003-06-25 | |
| US60/482,327 | 2003-06-25 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN1839392A CN1839392A (zh) | 2006-09-27 |
| CN100481096C true CN100481096C (zh) | 2009-04-22 |
Family
ID=33551980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNB2004800240372A Expired - Fee Related CN100481096C (zh) | 2003-06-25 | 2004-06-25 | 心脏成像的自动区域心肌评定的方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US7693315B2 (zh) |
| EP (1) | EP1636757A2 (zh) |
| JP (1) | JP2007526016A (zh) |
| CN (1) | CN100481096C (zh) |
| AU (1) | AU2004251360A1 (zh) |
| CA (1) | CA2530595A1 (zh) |
| WO (1) | WO2005001769A2 (zh) |
Families Citing this family (148)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7813785B2 (en) * | 2003-07-01 | 2010-10-12 | General Electric Company | Cardiac imaging system and method for planning minimally invasive direct coronary artery bypass surgery |
| US20050137661A1 (en) * | 2003-12-19 | 2005-06-23 | Sra Jasbir S. | Method and system of treatment of cardiac arrhythmias using 4D imaging |
| US20050143777A1 (en) * | 2003-12-19 | 2005-06-30 | Sra Jasbir S. | Method and system of treatment of heart failure using 4D imaging |
| US7976539B2 (en) * | 2004-03-05 | 2011-07-12 | Hansen Medical, Inc. | System and method for denaturing and fixing collagenous tissue |
| US7974681B2 (en) | 2004-03-05 | 2011-07-05 | Hansen Medical, Inc. | Robotic catheter system |
| US20060058674A1 (en) * | 2004-08-31 | 2006-03-16 | General Electric Company | Optimizing ultrasound acquisition based on ultrasound-located landmarks |
| US20060064017A1 (en) * | 2004-09-21 | 2006-03-23 | Sriram Krishnan | Hierarchical medical image view determination |
| US20060074315A1 (en) * | 2004-10-04 | 2006-04-06 | Jianming Liang | Medical diagnostic ultrasound characterization of cardiac motion |
| US20060074312A1 (en) * | 2004-10-06 | 2006-04-06 | Bogdan Georgescu | Medical diagnostic ultrasound signal extraction |
| WO2006044997A2 (en) * | 2004-10-15 | 2006-04-27 | The Trustees Of Columbia University In The City Of New York | System and method for localized measurement and imaging of viscosity of tissues |
| WO2006044996A2 (en) * | 2004-10-15 | 2006-04-27 | The Trustees Of Columbia University In The City Of New York | System and method for automated boundary detection of body structures |
| US20100312129A1 (en) * | 2005-01-26 | 2010-12-09 | Schecter Stuart O | Cardiovascular haptic handle system |
| US20060167529A1 (en) * | 2005-01-26 | 2006-07-27 | Schecter Stuart O | Method and algorithm for defining the pathologic state from a plurality of intrinsically and extrinsically derived signals |
| US20090030332A1 (en) * | 2005-01-26 | 2009-01-29 | Schecter Stuart O | microfabricated cardiac sensor with tactile feedback and method and apparatus for calibrating the same using a plurality of signals |
| US20060247544A1 (en) * | 2005-02-03 | 2006-11-02 | Maleeha Qazi | Characterization of cardiac motion with spatial relationship |
| US8858441B2 (en) * | 2005-05-12 | 2014-10-14 | The Trustees Of Columbia University In The City Of New York | System and method for electromechanical wave imaging of body structures |
| US10687785B2 (en) | 2005-05-12 | 2020-06-23 | The Trustees Of Columbia Univeristy In The City Of New York | System and method for electromechanical activation of arrhythmias |
| AU2006254689B2 (en) * | 2005-06-02 | 2012-03-08 | Salient Imaging, Inc. | System and method of computer-aided detection |
| US7849049B2 (en) | 2005-07-05 | 2010-12-07 | Clarabridge, Inc. | Schema and ETL tools for structured and unstructured data |
| US7849048B2 (en) | 2005-07-05 | 2010-12-07 | Clarabridge, Inc. | System and method of making unstructured data available to structured data analysis tools |
| US7738683B2 (en) * | 2005-07-22 | 2010-06-15 | Carestream Health, Inc. | Abnormality detection in medical images |
| WO2007035721A2 (en) * | 2005-09-19 | 2007-03-29 | The Trustees Of Columbia University In The City Of New York | Ultrasound method to open blood brain barrier |
| CN101309645B (zh) * | 2005-11-15 | 2010-12-08 | 株式会社日立医药 | 超声波诊断装置 |
| US8014576B2 (en) * | 2005-11-23 | 2011-09-06 | The Medipattern Corporation | Method and system of computer-aided quantitative and qualitative analysis of medical images |
| WO2007067987A2 (en) * | 2005-12-09 | 2007-06-14 | The Trustees Of Columbia University In The City Ofnew York | Systems and methods for elastography imaging |
| GB2435976A (en) * | 2006-03-09 | 2007-09-12 | Medicsight Plc | Digital medical image processing for CAD detection of abnormalities |
| US8081806B2 (en) * | 2006-05-05 | 2011-12-20 | General Electric Company | User interface and method for displaying information in an ultrasound system |
| DE102006023455A1 (de) * | 2006-05-18 | 2007-07-05 | Siemens Ag | Verfahren und Vorrichtung zur automatischen Überwachung einer Person auf eine Myokardischämie |
| WO2008027520A2 (en) * | 2006-08-30 | 2008-03-06 | The Trustees Of Columbia University In The City Of New York | Systems and methods for composite elastography and wave imaging |
| EP2069990B1 (en) * | 2006-09-20 | 2019-03-13 | Koninklijke Philips N.V. | A molecular diagnostics decision support system |
| RU2009116627A (ru) * | 2006-10-04 | 2010-11-10 | Конинклейке Филипс Электроникс Н.В. (Nl) | Система формирования медицинского изображения |
| US7873194B2 (en) * | 2006-10-25 | 2011-01-18 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures and pathologies in support of a triple rule-out procedure |
| US7860283B2 (en) | 2006-10-25 | 2010-12-28 | Rcadia Medical Imaging Ltd. | Method and system for the presentation of blood vessel structures and identified pathologies |
| US7983459B2 (en) | 2006-10-25 | 2011-07-19 | Rcadia Medical Imaging Ltd. | Creating a blood vessel tree from imaging data |
| US7940977B2 (en) * | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures to identify calcium or soft plaque pathologies |
| US7940970B2 (en) * | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging, Ltd | Method and system for automatic quality control used in computerized analysis of CT angiography |
| WO2008091568A2 (en) * | 2007-01-23 | 2008-07-31 | Dtherapeutics, Llc | Applications of scaling laws of tree structures |
| US9591994B2 (en) | 2007-01-23 | 2017-03-14 | Dtherapeutics, Llc | Systems and methods to obtain a myocardial mass index indicative of an at-risk myocardial region |
| US8529446B2 (en) * | 2007-02-09 | 2013-09-10 | Siemens Aktiengesellschaft | Methods for determining parameters and planning clinical studies in automatic study and data management systems |
| WO2008118013A2 (en) * | 2007-03-23 | 2008-10-02 | To-Bbb Holding B.V. | Targeted intracellular delivery of antiviral agents |
| US10295638B2 (en) * | 2007-06-28 | 2019-05-21 | Toshiba Medical Systems Corporation | Image processing apparatus, image diagnostic apparatus and image processing method |
| DE102007029886B4 (de) * | 2007-06-28 | 2016-10-06 | Siemens Healthcare Gmbh | Verfahren zum Segmentieren einer Herzmuskelwand und Vorrichtung zur Detektion einer pathologisch veränderten Koronararterie |
| US20090024440A1 (en) * | 2007-07-18 | 2009-01-22 | Siemens Medical Solutions Usa, Inc. | Automated Workflow Via Learning for Image Processing, Documentation and Procedural Support Tasks |
| JP5390081B2 (ja) * | 2007-07-25 | 2014-01-15 | 株式会社東芝 | 超音波診断装置、超音波画像処理装置及び超音波画像処理プログラム |
| US8583209B2 (en) * | 2007-10-03 | 2013-11-12 | Siemens Aktiengesellschaft | Method and system for monitoring cardiac function of a patient during a magnetic resonance imaging (MRI) procedure |
| US8355928B2 (en) * | 2007-12-05 | 2013-01-15 | Siemens Medical Solutions Usa, Inc. | Medical user interface and workflow management system |
| CN101903883B (zh) * | 2007-12-20 | 2017-02-15 | 皇家飞利浦电子股份有限公司 | 用于基于病例的决策支持的方法和装置 |
| JP5361184B2 (ja) * | 2007-12-25 | 2013-12-04 | 株式会社東芝 | 超音波診断装置並びにストレスエコー閲覧装置及びストレスエコー閲覧プログラム |
| US8200466B2 (en) | 2008-07-21 | 2012-06-12 | The Board Of Trustees Of The Leland Stanford Junior University | Method for tuning patient-specific cardiovascular simulations |
| WO2010014977A1 (en) | 2008-08-01 | 2010-02-04 | The Trustees Of Columbia University In The City Of New York | Systems and methods for matching and imaging tissue characteristics |
| WO2010030819A1 (en) | 2008-09-10 | 2010-03-18 | The Trustees Of Columbia University In The City Of New York | Systems and methods for opening a tissue |
| US9405886B2 (en) | 2009-03-17 | 2016-08-02 | The Board Of Trustees Of The Leland Stanford Junior University | Method for determining cardiovascular information |
| EP2470287A4 (en) | 2009-08-28 | 2015-01-21 | Univ Columbia | SYSTEMS, METHODS AND DEVICES FOR PRODUCING GAS-FILLED MICROBUBBLES |
| US8617892B2 (en) | 2009-09-01 | 2013-12-31 | The Trustees Of Columbia University In The City Of New York | Microbubble devices, methods and systems |
| CA2790588C (en) * | 2009-09-16 | 2022-10-04 | Monash University | Particle image velocimetry suitable for x-ray projection imaging |
| US9025849B2 (en) * | 2009-09-16 | 2015-05-05 | Monash University | Partical image velocimetry suitable for X-ray projection imaging |
| JP2012235796A (ja) | 2009-09-17 | 2012-12-06 | Sharp Corp | 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置 |
| EP2480144B1 (en) | 2009-09-21 | 2024-03-06 | The Trustees of Columbia University in the City of New York | Systems for opening of a tissue barrier |
| US10010709B2 (en) | 2009-12-16 | 2018-07-03 | The Trustees Of Columbia University In The City Of New York | Composition for on-demand ultrasound-triggered drug delivery |
| US8414490B2 (en) * | 2010-05-18 | 2013-04-09 | Saeed Ranjbar | System and method for modelling left ventricle of heart |
| WO2011153268A2 (en) | 2010-06-01 | 2011-12-08 | The Trustees Of Columbia University In The City Of New York | Devices, methods, and systems for measuring elastic properties of biological tissues |
| WO2012019172A1 (en) | 2010-08-06 | 2012-02-09 | The Trustees Of Columbia University In The City Of New York | Medical imaging contrast devices, methods, and systems |
| US8315812B2 (en) | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| US9119540B2 (en) | 2010-09-16 | 2015-09-01 | Siemens Aktiengesellschaft | Method and system for non-invasive assessment of coronary artery disease |
| US10321892B2 (en) | 2010-09-27 | 2019-06-18 | Siemens Medical Solutions Usa, Inc. | Computerized characterization of cardiac motion in medical diagnostic ultrasound |
| WO2012056662A1 (ja) * | 2010-10-25 | 2012-05-03 | 株式会社 東芝 | 医用画像処理装置、医用画像撮影装置及び医用画像処理プログラム |
| DE102010043849B3 (de) | 2010-11-12 | 2012-02-16 | Siemens Aktiengesellschaft | Vorrichtung und Computertomograph zur Bestimmung und Darstellung der Durchblutung des Herzmuskels |
| CN103732134B (zh) | 2010-12-29 | 2016-08-17 | 迪亚卡帝奥有限公司 | 用于自动左心室功能评价的系统、装置、设备和方法 |
| US8712122B2 (en) | 2011-03-31 | 2014-04-29 | International Business Machines Corporation | Shape based similarity of continuous wave doppler images |
| US8942828B1 (en) | 2011-04-13 | 2015-01-27 | Stuart Schecter, LLC | Minimally invasive cardiovascular support system with true haptic coupling |
| US9320491B2 (en) | 2011-04-18 | 2016-04-26 | The Trustees Of Columbia University In The City Of New York | Ultrasound devices methods and systems |
| EP2707850B1 (en) * | 2011-05-10 | 2018-07-11 | Koninklijke Philips N.V. | Myocardial clusterification and orientation |
| CN102194059A (zh) * | 2011-05-24 | 2011-09-21 | 中国科学院上海技术物理研究所 | 一种用于医学信息系统的可视化索引系统 |
| WO2012162664A1 (en) | 2011-05-26 | 2012-11-29 | The Trustees Of Columbia University In The City Of New York | Systems and methods for opening of a tissue barrier in primates |
| US20130184584A1 (en) * | 2012-01-17 | 2013-07-18 | Richard E. Berkey | Systems and methods for computerized ultrasound image interpretation and labeling |
| US9477749B2 (en) | 2012-03-02 | 2016-10-25 | Clarabridge, Inc. | Apparatus for identifying root cause using unstructured data |
| KR101984247B1 (ko) * | 2012-03-15 | 2019-05-30 | 삼성전자 주식회사 | 관상동맥석회화 수준 변화 예측장치 및 예측방법 |
| BR112014022734B1 (pt) * | 2012-03-15 | 2022-05-10 | Siemens Aktiengesellschaft | Método para determinação de forma não invasiva de parâmetros de circulação coronariana, sistema de controle e meio não transitório legível por computador |
| US10013082B2 (en) | 2012-06-05 | 2018-07-03 | Stuart Schecter, LLC | Operating system with haptic interface for minimally invasive, hand-held surgical instrument |
| US10398386B2 (en) * | 2012-09-12 | 2019-09-03 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
| US10433740B2 (en) * | 2012-09-12 | 2019-10-08 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
| WO2014059170A1 (en) | 2012-10-10 | 2014-04-17 | The Trustees Of Columbia University In The City Of New York | Systems and methods for mechanical mapping of cardiac rhythm |
| US9675301B2 (en) * | 2012-10-19 | 2017-06-13 | Heartflow, Inc. | Systems and methods for numerically evaluating vasculature |
| US10210956B2 (en) | 2012-10-24 | 2019-02-19 | Cathworks Ltd. | Diagnostically useful results in real time |
| US9814433B2 (en) | 2012-10-24 | 2017-11-14 | Cathworks Ltd. | Creating a vascular tree model |
| US9943233B2 (en) | 2012-10-24 | 2018-04-17 | Cathworks Ltd. | Automated measurement system and method for coronary artery disease scoring |
| JP6076702B2 (ja) * | 2012-11-08 | 2017-02-08 | 富士フイルムＲｉファーマ株式会社 | Ｘ線画像診断支援のためのコンピュータプログラム、装置及び方法 |
| CN105120764A (zh) * | 2013-03-14 | 2015-12-02 | 火山公司 | 用于组织特征化的基于并行树的样式辨识 |
| US9247921B2 (en) | 2013-06-07 | 2016-02-02 | The Trustees Of Columbia University In The City Of New York | Systems and methods of high frame rate streaming for treatment monitoring |
| US9241677B2 (en) * | 2013-07-02 | 2016-01-26 | MobHealth Corporation | Device and methods for assessing, diagnosing, and/or monitoring heart health |
| US10322178B2 (en) | 2013-08-09 | 2019-06-18 | The Trustees Of Columbia University In The City Of New York | Systems and methods for targeted drug delivery |
| US10028723B2 (en) | 2013-09-03 | 2018-07-24 | The Trustees Of Columbia University In The City Of New York | Systems and methods for real-time, transcranial monitoring of blood-brain barrier opening |
| US9092743B2 (en) | 2013-10-23 | 2015-07-28 | Stenomics, Inc. | Machine learning system for assessing heart valves and surrounding cardiovascular tracts |
| EP3061015A2 (en) | 2013-10-24 | 2016-08-31 | Cathworks Ltd. | Vascular characteristic determination with correspondence modeling of a vascular tree |
| US9402549B2 (en) | 2013-11-27 | 2016-08-02 | General Electric Company | Methods and apparatus to estimate ventricular volumes |
| AU2015246630A1 (en) | 2014-04-15 | 2016-10-13 | 4DMedical Limited | Method of imaging |
| US9311703B2 (en) * | 2014-04-30 | 2016-04-12 | International Business Machines Corporation | Method and system for categorizing heart disease states |
| EP3161790A1 (en) * | 2014-06-30 | 2017-05-03 | Universität Bern | Method for segmenting and predicting tissue regions in patients with acute cerebral ischemia |
| EP3164079B1 (en) * | 2014-07-02 | 2022-12-28 | Koninklijke Philips N.V. | Lesion signature to characterize pathology for specific subject |
| US20170215807A1 (en) * | 2014-08-05 | 2017-08-03 | Inovacor Ab | A cardiac state monitoring system |
| US9972069B2 (en) * | 2014-10-06 | 2018-05-15 | Technion Research & Development Foundation Limited | System and method for measurement of myocardial mechanical function |
| US10002419B2 (en) * | 2015-03-05 | 2018-06-19 | Siemens Healthcare Gmbh | Direct computation of image-derived biomarkers |
| CN104814754A (zh) * | 2015-04-01 | 2015-08-05 | 王有彬 | 正电子发射神经断层扫描装置 |
| EP3278254A1 (en) * | 2015-04-02 | 2018-02-07 | HeartFlow, Inc. | Systems and methods for predicting tissue viability deficits from physiological, anatomical, and patient characteristics |
| US11037070B2 (en) * | 2015-04-29 | 2021-06-15 | Siemens Healthcare Gmbh | Diagnostic test planning using machine learning techniques |
| US10558783B2 (en) * | 2015-10-30 | 2020-02-11 | Medstreaming, Inc. | Image data ingestion application of a medical imaging data processing and retrieval system |
| KR102387459B1 (ko) * | 2015-11-20 | 2022-04-15 | 삼성전자주식회사 | 반도체 소자의 패턴 형성 방법 |
| US10339650B2 (en) | 2016-01-07 | 2019-07-02 | Koios Medical, Inc. | Method and means of CAD system personalization to reduce intraoperator and interoperator variation |
| US9536054B1 (en) | 2016-01-07 | 2017-01-03 | ClearView Diagnostics Inc. | Method and means of CAD system personalization to provide a confidence level indicator for CAD system recommendations |
| US11723617B2 (en) | 2016-02-03 | 2023-08-15 | 4DMedical Limited | Method and system for imaging |
| JP7152952B2 (ja) | 2016-03-04 | 2022-10-13 | ４ディーメディカル リミテッド | 撮像方法およびシステム |
| US20170322684A1 (en) * | 2016-05-03 | 2017-11-09 | Siemens Healthcare Gmbh | Automation Of Clinical Scoring For Decision Support |
| WO2017199246A1 (en) | 2016-05-16 | 2017-11-23 | Cathworks Ltd. | Vascular selection from images |
| EP3457930B1 (en) | 2016-05-16 | 2023-11-15 | Cathworks Ltd. | System for vascular assessment |
| GB201610269D0 (en) | 2016-06-13 | 2016-07-27 | Isis Innovation | Image-based diagnostic systems |
| CA3033441A1 (en) * | 2016-08-11 | 2018-02-15 | Koios Medical, Inc. | Method and means of cad system personalization to provide a confidence level indicator for cad system recommendations |
| US10667776B2 (en) | 2016-08-11 | 2020-06-02 | Siemens Healthcare Gmbh | Classifying views of an angiographic medical imaging system |
| US10346982B2 (en) | 2016-08-22 | 2019-07-09 | Koios Medical, Inc. | Method and system of computer-aided detection using multiple images from different views of a region of interest to improve detection accuracy |
| USD843382S1 (en) * | 2016-09-21 | 2019-03-19 | Analytics For Life | Display with graphical user interface |
| CN109964256B (zh) | 2016-09-21 | 2024-03-01 | 生命解析公司 | 用于可视化有风险的心脏组织的方法和系统 |
| KR101978317B1 (ko) * | 2017-02-28 | 2019-05-14 | 연세대학교 산학협력단 | Ｃｔ 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치 |
| US10192640B2 (en) * | 2017-03-01 | 2019-01-29 | Siemens Healthcare Gmbh | Fractional flow reserve decision support system |
| CN110546646A (zh) * | 2017-03-24 | 2019-12-06 | 帕伊医疗成像有限公司 | 用于基于机器学习来评估血管阻塞的方法和系统 |
| CN110235206B (zh) * | 2017-04-07 | 2023-05-09 | 北京悦琦创通科技有限公司 | 推理机训练方法和装置、升级方法和装置及存储介质 |
| WO2018217652A1 (en) | 2017-05-24 | 2018-11-29 | Neuropath Sprl | Systems and methods for markerless tracking of subjects |
| US10489905B2 (en) * | 2017-07-21 | 2019-11-26 | Canon Medical Systems Corporation | Method and apparatus for presentation of medical images |
| JP2019082745A (ja) * | 2017-10-11 | 2019-05-30 | ベイ ラブズ インク． | 人工知能利用駆出率決定方法 |
| EP3704707B1 (en) * | 2017-11-02 | 2024-01-10 | Koninklijke Philips N.V. | A method and apparatus for analysing echocardiograms |
| GB2569332B (en) | 2017-12-13 | 2021-06-09 | Univ Oxford Innovation Ltd | Method and apparatus for analysing images |
| GB2569333A (en) * | 2017-12-13 | 2019-06-19 | Univ Oxford Innovation Ltd | Diagnostic modelling method and apparatus |
| US11950961B2 (en) | 2018-03-14 | 2024-04-09 | The Regents Of The University Of California | Automated cardiac function assessment by echocardiography |
| US10699407B2 (en) * | 2018-04-11 | 2020-06-30 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
| JP7346192B2 (ja) * | 2018-09-21 | 2023-09-19 | キヤノンメディカルシステムズ株式会社 | 装置、医用情報処理装置、及びプログラム |
| US20200093370A1 (en) * | 2018-09-21 | 2020-03-26 | Canon Medical Systems Corporation | Apparatus, medical information processing apparatus, and computer program product |
| US11934944B2 (en) | 2018-10-04 | 2024-03-19 | International Business Machines Corporation | Neural networks using intra-loop data augmentation during network training |
| EP3893758A4 (en) * | 2018-12-11 | 2022-08-03 | EKO.AI Pte. Ltd. | AUTOMATIC CLINICAL WORKFLOW THAT RECOGNIZES AND ANALYZES 2D AND DOPPLER MODALITY ECHOCARDIOGRAM IMAGES FOR AUTOMATIC CARDIAC MEASUREMENTS AND THE DIAGNOSIS, PREDICTION AND PROGNOSIS OF HEART DISEASE |
| CN110400298B (zh) * | 2019-07-23 | 2023-10-31 | 中山大学 | 心脏临床指标的检测方法、装置、设备及介质 |
| WO2021111474A1 (en) * | 2019-12-05 | 2021-06-10 | Gupta Arbind Kumar | Quantification and visualization of myocardium fibrosis of human heart |
| US11704803B2 (en) | 2020-03-30 | 2023-07-18 | The Board Of Trustees Of The Leland Stanford Junior University | Methods and systems using video-based machine learning for beat-to-beat assessment of cardiac function |
| US11915834B2 (en) | 2020-04-09 | 2024-02-27 | Salesforce, Inc. | Efficient volume matching of patients and providers |
| JP7381081B2 (ja) | 2020-06-12 | 2023-11-15 | 国立大学法人大阪大学 | 壁厚み推定方法、壁厚み推定装置及び壁厚み推定システム |
| CN112258476A (zh) * | 2020-10-22 | 2021-01-22 | 大连东软教育科技集团有限公司 | 超声心动图心肌异常运动模式分析方法、系统及存储介质 |
| CN112998756B (zh) * | 2021-02-05 | 2021-11-26 | 西南石油大学 | 一种基于超声图像结合深度学习的心脏血流向量成像方法 |
| TWI805005B (zh) * | 2021-09-30 | 2023-06-11 | 鴻海精密工業股份有限公司 | 圖像檢測方法、電子設備及存儲介質 |
| CN115177291B (zh) * | 2022-08-01 | 2023-11-10 | 首都医科大学附属北京朝阳医院 | 用于识别重症监护病房获得性肌无力的方法和装置 |
| WO2024090379A1 (ja) * | 2022-10-28 | 2024-05-02 | 学校法人日本大学 | 診断支援装置、学習モデル作成装置、診断支援方法、学習モデル作成方法およびプログラム |
| EP4372757A1 (en) * | 2022-11-21 | 2024-05-22 | Koninklijke Philips N.V. | Method and system for processing medical images |
| CN116958128B (zh) * | 2023-09-18 | 2023-12-26 | 中南大学 | 基于深度学习的医学图像自动定位方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5195525A (en) * | 1990-11-26 | 1993-03-23 | Pelc Norbert J | Noninvasive myocardial motion analysis using phase contrast mri maps of myocardial velocity |
| US5431161A (en) * | 1993-04-15 | 1995-07-11 | Adac Laboratories | Method and apparatus for information acquistion, processing, and display within a medical camera system |
| AU1837495A (en) | 1994-10-13 | 1996-05-06 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
| US6247000B1 (en) | 1996-08-21 | 2001-06-12 | Crossmar, Inc. | Method and system for confirmation and settlement for financial transactions matching |
| JP4116122B2 (ja) * | 1997-11-28 | 2008-07-09 | 株式会社東芝 | 超音波診断装置及び超音波画像処理装置 |
| US6674879B1 (en) * | 1998-03-30 | 2004-01-06 | Echovision, Inc. | Echocardiography workstation |
| CA2326596A1 (en) * | 1998-03-30 | 1999-10-07 | Stanley Zietz | Echocardiography workstation |
| US6801916B2 (en) * | 1998-04-01 | 2004-10-05 | Cyberpulse, L.L.C. | Method and system for generation of medical reports from data in a hierarchically-organized database |
| US6099469A (en) * | 1998-06-02 | 2000-08-08 | Armstrong; E. Glenn | Reflex algorithm for early and cost effective diagnosis of myocardial infractions suitable for automated diagnostic platforms |
| US6352507B1 (en) * | 1999-08-23 | 2002-03-05 | G.E. Vingmed Ultrasound As | Method and apparatus for providing real-time calculation and display of tissue deformation in ultrasound imaging |
| GB9920401D0 (en) * | 1999-08-27 | 1999-11-03 | Isis Innovation | Non-rigid motion image analysis |
| US6537221B2 (en) * | 2000-12-07 | 2003-03-25 | Koninklijke Philips Electronics, N.V. | Strain rate analysis in ultrasonic diagnostic images |
| US7526112B2 (en) * | 2001-04-30 | 2009-04-28 | Chase Medical, L.P. | System and method for facilitating cardiac intervention |
| US20050010098A1 (en) * | 2003-04-11 | 2005-01-13 | Sigmund Frigstad | Method and apparatus for knowledge based diagnostic imaging |
-
2004
- 2004-06-25 JP JP2006517607A patent/JP2007526016A/ja not_active Abandoned
- 2004-06-25 CN CNB2004800240372A patent/CN100481096C/zh not_active Expired - Fee Related
- 2004-06-25 WO PCT/US2004/020230 patent/WO2005001769A2/en active Application Filing
- 2004-06-25 EP EP04777000A patent/EP1636757A2/en not_active Withdrawn
- 2004-06-25 US US10/876,803 patent/US7693315B2/en active Active
- 2004-06-25 AU AU2004251360A patent/AU2004251360A1/en not_active Abandoned
- 2004-06-25 CA CA002530595A patent/CA2530595A1/en not_active Abandoned
Non-Patent Citations (4)
| Title |
|---|
| INTEGRATION OF MULTIMODAL DATA OFCARDIACDISEASES IN A DYNAMICTHREE-DIMENSIONAL HEARTMODEL. L' ABBATE G A ET AL.COMPUTERS IN CARDIOLOGY, 1999 HANNOVER, GERMANY, PISCATAWAY, NJ, USA, IEEE, US,Vol.26 . 1999 |
| INTEGRATION OF MULTIMODAL DATA OFCARDIACDISEASES IN A DYNAMICTHREE-DIMENSIONAL HEARTMODEL. L' ABBATE G A ET AL.COMPUTERS IN CARDIOLOGY,1999 HANNOVER,GERMANY,PISCATAWAY,NJ,USA,IEEE,US,Vol.26. 1999 * |
| WAVELET-NEURAL PROCESSING FOR COMPUTERAIDED DIAGNOSIS. CARRANZA R ET AL.WORLD AUTOMATION CONGRESS,2002.PROCEEDINGS OF THE 5TH BIANNUAL, PISCATAWAY, NJ, USA, IEEE,Vol.13 . 2002 |
| WAVELET-NEURAL PROCESSING FOR COMPUTERAIDED DIAGNOSIS. CARRANZA R ET AL.WORLD AUTOMATION CONGRESS,2002.PROCEEDINGS OF THE 5TH BIANNUAL,PISCATAWAY,NJ,USA,IEEE,Vol.13. 2002 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2005001769A2 (en) | 2005-01-06 |
| US20050059876A1 (en) | 2005-03-17 |
| EP1636757A2 (en) | 2006-03-22 |
| JP2007526016A (ja) | 2007-09-13 |
| AU2004251360A1 (en) | 2005-01-06 |
| WO2005001769A3 (en) | 2005-12-22 |
| CA2530595A1 (en) | 2005-01-06 |
| US7693315B2 (en) | 2010-04-06 |
| CN1839392A (zh) | 2006-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100481096C (zh) | 心脏成像的自动区域心肌评定的方法 | |
| US7912528B2 (en) | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions | |
| Ghorbani et al. | Deep learning interpretation of echocardiograms | |
| Kusunose et al. | Utilization of artificial intelligence in echocardiography | |
| US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
| US7458936B2 (en) | System and method for performing probabilistic classification and decision support using multidimensional medical image databases | |
| US7653227B2 (en) | Hierarchical modeling in medical abnormality detection | |
| CN112712879B (zh) | 医学影像报告的信息提取方法、装置、设备及存储介质 | |
| US20050049497A1 (en) | Systems and methods for automated diagnosis and decision support for breast imaging | |
| Mazzanti et al. | Imaging, health record, and artificial intelligence: hype or hope? | |
| Laumer et al. | Assessment of artificial intelligence in echocardiography diagnostics in differentiating Takotsubo syndrome from myocardial infarction | |
| Hennessey et al. | Artificial intelligence in veterinary diagnostic imaging: A literature review | |
| Hussain et al. | Deep learning-based diagnosis of disc degenerative diseases using MRI: a comprehensive review | |
| Qazi et al. | Automated Heart Wall Motion Abnormality Detection from Ultrasound Images Using Bayesian Networks. | |
| CN108492885A (zh) | 检查工作流推荐方法、装置及终端 | |
| Stoean et al. | Deep learning for the detection of frames of interest in fetal heart assessment from first trimester ultrasound | |
| Nasimov et al. | Deep Learning Algorithm for Classifying Dilated Cardiomyopathy and Hypertrophic Cardiomyopathy in Transport Workers | |
| Sengan et al. | Echocardiographic image segmentation for diagnosing fetal cardiac rhabdomyoma during pregnancy using deep learning | |
| US20210186409A1 (en) | Biomarker for early detection of alzheimer disease | |
| Ulloa et al. | A deep neural network to enhance prediction of 1-year mortality using echocardiographic videos of the heart | |
| Magyar et al. | RVENet: A large echocardiographic dataset for the deep learning-based assessment of right ventricular function | |
| Awan | Machine Learning with Applications to Heart Failure Data Analysis and Processing | |
| Kelly Peterson et al. | Personalized Gaussian Processes for Future Prediction of Alzheimer’s Disease Progression | |
| Beevi et al. | Swin-EchoNet: Deep Learning-based Two-Chamber Segmentation of 2D Echocardiography using Swin Transformer | |
| Salih et al. | A Review of Evaluation Approaches for Explainable AI With Applications in Cardiology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090422 |