JP2012045387A - 局所的臨床特徴を分析して視覚化するためのシステムおよび方法 - Google Patents
局所的臨床特徴を分析して視覚化するためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2012045387A JP2012045387A JP2011182164A JP2011182164A JP2012045387A JP 2012045387 A JP2012045387 A JP 2012045387A JP 2011182164 A JP2011182164 A JP 2011182164A JP 2011182164 A JP2011182164 A JP 2011182164A JP 2012045387 A JP2012045387 A JP 2012045387A
- Authority
- JP
- Japan
- Prior art keywords
- roi
- computer
- data set
- data
- deviation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title abstract description 65
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 210000003484 anatomy Anatomy 0.000 claims description 17
- 238000012800 visualization Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract 2
- 230000000875 corresponding effect Effects 0.000 description 37
- 238000004422 calculation algorithm Methods 0.000 description 30
- 238000012360 testing method Methods 0.000 description 24
- 239000000284 extract Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 210000004556 brain Anatomy 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013480 data collection Methods 0.000 description 6
- 238000009533 lab test Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 210000000621 bronchi Anatomy 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 208000031513 cyst Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 239000000700 radioactive tracer Substances 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 206010011732 Cyst Diseases 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 208000015122 neurodegenerative disease Diseases 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
【課題】画像データの局所的特徴の特性を分析して視覚化するためのシステムおよび方法を提供すること。
【解決手段】局所的臨床特徴を分析して視覚化するためのシステムおよび方法は、患者から取得された医療画像データセット（３２）からの第１の関心領域（ＲＯＩ）の識別（３４）、およびＲＯＩに固有の関心特徴を表す特徴データセットの抽出（３６）を含む。システムはまた、医療画像データセットからの第２のＲＯＩの識別（３８）、関心特徴の予想される振る舞いを表す参照データを備える参照データセットの抽出（４０）、特徴データセットの参照データセットとの比較（４４）、比較に基づく関心特徴の偏差を表す偏差メトリックの生成（４４）、および偏差メトリックの視覚的表現の作成（４６）を含む。
【選択図】図１
【解決手段】局所的臨床特徴を分析して視覚化するためのシステムおよび方法は、患者から取得された医療画像データセット（３２）からの第１の関心領域（ＲＯＩ）の識別（３４）、およびＲＯＩに固有の関心特徴を表す特徴データセットの抽出（３６）を含む。システムはまた、医療画像データセットからの第２のＲＯＩの識別（３８）、関心特徴の予想される振る舞いを表す参照データを備える参照データセットの抽出（４０）、特徴データセットの参照データセットとの比較（４４）、比較に基づく関心特徴の偏差を表す偏差メトリックの生成（４４）、および偏差メトリックの視覚的表現の作成（４６）を含む。
【選択図】図１
Description
本発明の実施形態は一般に、画像診断に関し、さらに具体的には、局所的臨床特徴を分析して視覚化するためのシステムおよび方法に関する。
たとえばアルツハイマー病または肺がんのような複雑な病状および疾患は、初期段階に検出および監視することが困難である。これらの複雑な疾患はまた、標準化基準母集団から得られたデータのような、ベースラインと比較するための標準化の方法で定量化することも困難である。
こうした問題に応えて、研究者らは、正規患者母集団から統計的偏差を決定するための方法を開発した。たとえば、神経変性障害（ＮＤＤ：ｎｅｕｒｏｄｅｇｅｎｅｒａｔｉｖｅ ｄｉｓｏｒｄｅｒ）の検出の１つの要素は、\いおよびトレーサで分離された正規データベースの開発である。これらの正規との比較は、たとえばＴａｌａｉｒａｃｈドメイン、またはＭｏｎｔｒｅａｌ Ｎｅｕｒｏｌｏｇｉｃａｌ Ｉｎｓｔｉｔｕｔｅ（ＭＮＩ）ドメインのような、標準化ドメインにおいてしか行うことができない。ＭＮＩは、大規模な一連の磁気共鳴映像法（ＭＲＩ：ｍａｇｎｅｔｉｃ ｒｅｓｏｎｏａｎｃｅ ｉｍａｇｉｎｇ）走査を正規コントロールに使用することによって、標準脳を定義する。Ｔａｌａｉｒａｃｈドメインは、ＴａｌａｉｒａｃｈおよびＴｏｕｒｎｏｕｘアトラスのために解剖されて写真撮影された脳を参照する。ＴａｌａｉｒａｃｈドメインおよびＭＮＩドメインのいずれにおいても、整合技法を使用してそれぞれの標準ドメインにデータをマッピングする必要がある。上記の方法の変形を使用する現在の方法は、トレーサＮｅｕｒｏＱ（商標）、Ｓｔａｔｉｓｔｉｃａｌ Ｐａｒａｍｅｔｅｒ ｍａｔｃｈｉｎｇ（ＳＰＭ）、３Ｄ−ｓｔｅｒｏｔａｃｔｉｃ ｓｕｒｆａｃｅ ｐｒｏｊｅｃｔｉｏｎ（３Ｄ−ＳＳＰ）などを含む。
比較が行われた後、解剖学的組織の統計的偏差を表す画像が表示され、観察者が画像に基づいて診断を行うことができる。そのような診断を行うことは、極めて専門的な作業であり、通常は高度な訓練を受けた医療画像専門家によって行われる。しかし、そのような専門家であっても、疾患の重症度に関して主観的な判定を行うことしかできない。この特有の主観性により、診断は、一貫性を欠き、標準化されないという傾向がある。
現在の研究文献により、臨床医学者は、十分な情報を得た上で決定を行うことができるように、効果的な方法で多岐にわたる多様な臨床的に導き出されたパラメータを検分して分析できなければならないことがますます明らかになっている。しかし、従来の方法では、臨床医学者が、ますます増大する取得された膨大量の臨床データを分析して、それを有意義な方法で解釈することは困難である。自動アルゴリズムおよび意志決定支援ソフトウェアアプリケーションが画像分析を支援するために開発されてきたが、それらのアルゴリズムおよびアプリケーションからの出力の精度は、実際には検証することが困難である。さらに、それらの自動アルゴリズムは通常、画像データがアルゴリズムへの入力であり、最終決定が出力である意志決定への「ブラックボックス」の手法を伴う。したがって、それらのアルゴリズムが、臨床医学者に、アルゴリズムの内部構造と対話して理解する機会をもたらすことはほとんどない。
それゆえに、臨床医学者が一目で関連情報を容易に取り入れることができるように、参照データセットに関して画像の関心領域の臨床的に導き出された特性を視覚化するための方法が必要とされている。
したがって、前述の欠点を克服する画像データの局所的特徴の特性を分析して視覚化するためのシステムおよび方法を設計することが望ましいと考えられる。
本発明の１つの態様によれば、コンピュータ可読記憶媒体は、命令を含むコンピュータプログラムを格納しており、命令は、コンピュータによって実行されるとき、コンピュータに、患者から取得された医療画像データセットにアクセスさせて、医療画像データセットから第１の関心領域（ＲＯＩ：ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ）を識別させる。命令はまた、コンピュータに、ＲＯＩに固有の関心特徴を表す特徴データセットを抽出させ、医療画像データセットから第２の関心領域（ＲＯＩ）を識別させ、関心特徴の予想される振る舞いを表す参照データを備える参照データセットを抽出させる。さらに、命令は、コンピュータに、特徴データセットを参照データセットと比較させ、比較に基づいて関心特徴の偏差を表す偏差メトリックを生成させ、偏差メトリックの視覚表現を作成させる。
本発明のもう１つの態様によれば、方法は、患者から取得された画像データを備える臨床画像データセットにアクセスするステップ、臨床画像データセットから第１のＲＯＩを識別するステップ、および第１のＲＯＩに対応する画像データを備える第１のＲＯＩデータセットを定義するステップを含む。方法はまた、第１のＲＯＩデータセットから第１のＲＯＩに対応する少なくとも１つの導き出された関心特性を抽出するステップ、少なくとも１つの導き出された関心特性を表す画像データを備える特性データセットを定義するステップ、および臨床画像データセットから第２のＲＯＩを識別するステップを含む。方法はさらに、第２のＲＯＩに対応する画像データを備える第２のＲＯＩデータセットを定義するステップ、第２のＲＯＩデータセットから参照データセットを抽出するステップを含み、参照データセットは少なくとも１つの導き出された関心特性の参照データを備える。方法はまた、特性データセットを参照データセットと比較するステップ、比較から少なくとも１つの偏差メトリックを計算するステップ、および少なくとも１つの偏差メトリックの視覚化を出力するステップを含む。
本発明のもう１つの態様によれば、臨床画像データを分析するためのシステムは、患者から取得された臨床画像データを格納しているデータベース、およびデータベースからデータのセットにアクセスするようプログラムされたプロセッサを含む。プロセッサはまた、データのセットからターゲットＲＯＩを識別し、患者データのセットからターゲットＲＯＩに対応する少なくとも１つの局所的特徴を抽出し、少なくとも１つの局所的特徴を表す特徴データセットを定義するようにプログラムされる。さらに、プロセッサは、データのセットから参照ＲＯＩを識別し、データのセットから参照ＲＯＩに対応する参照データセットを抽出し、少なくとも１つの局所的特徴の少なくとも１つの偏差メトリックを計算するようにプログラムされ、少なくとも１つの偏差メトリックは参照データセットからの特徴データセットの偏差を表し、プロセッサは、少なくとも１つの偏差メトリックの視覚化を出力するようにプログラムされる。システムはさらに、少なくとも１つの局所的特徴の少なくとも１つの偏差メトリックを表示するように構成されたグラフィカルユーザインターフェイス（ＧＵＩ）を含む。
さまざまなその他の特徴および利点は、以下の詳細な説明および図面から明らかにされることであろう。
図面は、本発明を実行するために現在検討される好ましい実施形態を表す。
図面において、
本発明の１つの実施形態による例示的なデータ収集および処理システムを示すブロック図である。
本発明の１つの実施形態による臨床画像データセットに関連付けられている局所的特徴の視覚化および分析の技法を示す流れ図である。
本発明の１つの実施形態による共通臨床データセットから導き出された関心局所的特徴の偏差データの例示的な視覚表現を示す図である。
本発明のもう１つの実施形態による複数データポイントの分析からの関心特徴の偏差データの例示的な視覚表現を示す図である。
本発明のもう１つの実施形態による臨床画像データセットに関連付けられている局所的特徴の視覚化および分析の技法を示す流れ図である。
本発明のもう１つの実施形態による臨床画像データセットに関連付けられている局所的特徴の視覚化および分析の技法を示す流れ図である。
本発明の１つの実施形態による偏差データの視覚化を表示するためのＧＵＩの例示的な視覚表現を示す図である。
一般に、例示的なプロセッサベースのシステム１０は、システム１０のさまざまなルーチンおよび処理機能を実行する、中央演算処理装置（ＣＰＵ）のような、マイクロコントローラまたはマイクロプロセッサ１２を含む。たとえば、マイクロプロセッサ１２は、メモリ１４（たとえば、パーソナルコンピュータのランダムアクセスメモリ（ＲＡＭ））または１つもしくは複数の大容量記憶装置１６（たとえば、内部または外部ハードドライブ、ソリッドステート記憶装置、ＣＤ−ＲＯＭ、ＤＶＤ、またはその他の記憶装置）のようなコンピュータ可読記憶媒体を含む格納されているかまたは製造業者によって提供されている特定のプロセスを実施するように構成されたさまざまなオペレーティングシステム命令およびソフトウェアルーチンを実行することができる。加えて、マイクロプロセッサ１２は、コンピュータベースの実施において本技法と共に提供されるデータのような、さまざまなルーチンまたはソフトウェアプログラムの入力として提供されるデータを処理する。
さまざまな実施形態によれば、システム１０は、以下でさらに詳細に説明されるように、患者の関心領域から取得された臨床データのセットおよび／または患者の関心領域に対応する臨床データのセット、ならびに参照臨床データのセットにアクセスする。臨床データは、例としてＸ線システム、超音波画像システム、コンピュータ断層撮影（ＣＴ：ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）画像システム、磁気共鳴（ＭＲ：ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ）画像システム、陽電子放出断層撮影（ＰＥＴ：ｐｏｓｉｔｒｏｎ ｅｍｉｓｓｉｏｎ ｔｏｍｏｇｒａｐｈｙ）画像システム、および単光子放出コンピュータ断層撮影（ＳＰＥＣＴ：ｓｉｎｇｌｅ ｐｈｏｔｏｎ ｅｍｉｓｓｉｏｎ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）画像システムのような、さまざまなモダリティの１つまたは複数の画像システムから取得された画像データを含むことができる。臨床データはまた、図５に関して詳細に説明されるように、臨床検査に関連するデータを含むこともできる。システム１０はまた、以下でさらに詳細に説明されるように、患者データおよび参照データの両方を含む、オプションのデータ収集システム２２（二点鎖線で示される）によって収集されたデータ、およびマイクロプロセッサ１２に使用されるかまたは生成されたデータなどのデータを格納するためのオプションのデータベース１８および２０（二点鎖線で示される）のような、１つまたは複数のデータベースも含むことができる。加えて、データ処理システム１０は、オプションのデータ収集システム２２から、データベース１８および２０から、または任意の他の適切な方法で、データを直接受信することができる。
あるいは、そのようなデータは、メモリ１４または大容量記憶装置１６に格納されてもよいか、またはメモリ１４または大容量記憶装置１６によって提供されてもよいか、もしくは１つまたは複数の入力デバイス２４を介してマイクロプロセッサ１２に提供されてもよい。当業者であれば理解されるように、入力デバイス２４は、キーボード、マウスなどのような手動の入力デバイスを含むことができる。加えて、入力デバイス２４は、有線または無線イーサネット（商標）カード、無線ネットワークアダプタ、またはローカルエリアネットワークまたはインターネットのような任意の適切な通信ネットワークを介して他のデバイスとの通信を容易にするように構成されたさまざまなポートまたはデバイスのいずれかのようなネットワークデバイスを含むことができる。そのようなネットワークデバイスを通じて、システム１０は、システム１０に近くてもシステム１０から離れていても、他のネットワーク化された電子システムとデータを交換し、通信することができる。ネットワークは、スイッチ、ルータ、サーバ、または他のコンピュータ、ネットワークアダプタ、通信ケーブルなどを含む、通信を容易にするさまざまなコンポーネントを含むことができることが理解されよう。
１つまたは複数の格納されたルーチンに従ってデータを処理することにより取得された結果のような、マイクロプロセッサ１２によって生成された結果は、メモリ１４または大容量記憶装置１６のような記憶装置に格納されてもよいか、追加の処理が行われてもよいか、または表示装置２６および／またはプリンタ２８のような１つまたは複数の出力デバイスを介してオペレータに提供されてもよい。また、表示または印刷された出力に基づいて、オペレータは、追加または代替の処理を要求することができるか、または入力デバイス２４などを介して追加または代替のデータを提供することもできる。当業者であれば理解されるように、プロセッサベースのシステム１０のさまざまなコンポーネント間の通信は通常、チップセット、およびシステム１０のコンポーネントを電気的に接続する１つまたは複数のバスまたは相互接続を介して行われてもよい。特に、本発明の技法の特定の実施形態において、プロセッサベースのシステム１０は、以下でさらに詳細に説明されるように、患者の診断を容易にするように構成されてもよい。
図２を参照すると、本発明の１つの実施形態による、医療画像データセット内のターゲット臨床関心領域（ＲＯＩ）の視覚化および分析のための技法３０が説明される。本明細書において使用されるＲＯＩとは、たとえば面積または体積のような、多次元の関心領域を示す。ステップ３２において、技法３０は、患者から取得された医療画像データにアクセスする。医療データは、たとえばＸ線システム、超音波システム、ＣＴシステム、ＭＲシステム、ＰＥＴシステム、および／またはＳＰＥＣＴシステムのような、任意の数のデータ収集システムを使用して患者の単一スキャン中または患者の一連のスキャン中に取得された画像データを含むことができる。
技法３０は、ステップ３４において、医療画像データから１つまたは複数のＲＯＩを選択する。各ＲＯＩは、ＲＯＩ選択、登録、分割、輪郭などの使用可能な画像操作ツールの任意の組み合わせを使用して、さまざまな実施形態に従って手動、半自動、または自動で選択されてもよい。たとえば、臨床医学者は、表示装置（たとえば、図１の表示装置２６）上の患者の画像のＲＯＩの周囲の輪郭を描くことにより、入力デバイス（たとえば、図１の入力デバイス２４）を使用してＲＯＩを選択することができる。もう１つの例として、ＲＯＩは、自動または半自動アルゴリズムを使用して識別されてもよい。
ステップ３６において、１つまたは複数の局所的特徴または関心特性が識別され、関心局所的特徴に対応するデータが各臨床ＲＯＩから抽出される。そのようなデータは、画像データに定量分析を実行することにより抽出される。局所的特徴は、臨床ＲＯＩに対応する医療画像データセットのさまざまなパラメータを表す。たとえば、所与のＲＯＩに対して、局所的特徴は、任意の数の形状ベースのパラメータ（たとえば、角、丸み、対称性、方向、偏心率、質量中心、境界、モーメントなど）、サイズベースのパラメータ（たとえば、外周、面積、最大／最小半径など）、および／または材質または質感ベースのパラメータ（たとえば、エッジ、均等性、隣接性、エッジ密度、超高密度、質感変形など）を含むことができる。さらに、局所的特徴は、画像データ内に存在する任意の解剖学的特徴または機能的特徴に対応することができる。局所的特徴は、さまざまな実施形態に従って、臨床ＲＯＩから手動、半自動、または自動で抽出されてもよい。
ステップ３８において、データ分析プロセスの一部として、参照領域は、ユーザによって患者画像から選択される。ＲＯＩと同様に、参照領域は、手動、半自動、または自動で選択されてもよい。参照領域は、ＲＯＩが選択された患者医療画像データの同じセットからの画像データの１つまたは複数の下位部分に対応することができる。１つの実施形態によれば、参照領域およびＲＯＩは、図３に関して説明されるように、共通の画像から選択される。あるいは、参照領域は、ＲＯＩが選択された画像と同じ一連の患者スキャン中に取得された異なる画像から選択されてもよい。そのような実施形態において、参照領域は、ＲＯＩに対応する解剖学的組織と重複しない患者の解剖的領域をカバーするように選択される。すなわち、ＲＯＩおよび参照領域は、相互排他的である。いずれの実施形態においても、参照領域は、局所的特徴に対応するように選択され、各局所的特徴のベースライン情報を表す。たとえば、参照領域は、健康または正常な解剖学的組織を表すように選択されてもよい。
技法３０は、ステップ４０において、ステップ３６に関する説明と同様の方法で、参照領域から関心特徴に対応する参照データを抽出する。オプションで、ステップ４２（二点鎖線で示される）において、ＲＯＩに対応する特徴データは、参照データに標準化されて正規化される。
ステップ４４において、技法３０は、患者データと参照データの間の偏差を表すために１つまたは複数の偏差メトリックを計算する。偏差メトリックは、参照データに関して抽出された局所的特徴の偏差の範囲を取り込む。この分析は、抽出された局所的特徴ごとに、患者データセット内の単一のＲＯＩ、または複数のＲＯＩに実行されてもよい。単一のＲＯＩの例において、ＲＯＩに対応する抽出された局所的特徴は、参照データセットと比較される。参照に基づき予測される振る舞いからの偏差の範囲が計算される。複数のＲＯＩの例において、両方のＲＯＩから抽出された局所的特徴に対応するデータは、１つまたは複数の参照データセットと比較される。たとえば、分析は、関心対象の嚢胞が参照嚢胞とは異なる材質で構成されているかどうかを判定するため、複数の関心対象の嚢胞を表すＲＯＩの抽出された局所的特徴を、多数の参照嚢胞から取得されたデータセットの対応する局所的特徴と比較することができる。
任意の数の技法が、参照データセットに関して抽出された局所的特徴の偏差を表すメトリックを計算するために適用されてもよい。たとえば、１つの実施形態によれば、関心局所的特徴のｚスコア偏差は、以下のように参照結果値のセットに関して計算される。
Ｚｉ＝（ｘｉ−μｎ）／σｎ
ここで、ｚはｚスコアを表し、ｘは標準化されるべき未加工患者データを表し、μは参照データの平均を表し、σは参照データの標準偏差を表す。
ここで、ｚはｚスコアを表し、ｘは標準化されるべき未加工患者データを表し、μは参照データの平均を表し、σは参照データの標準偏差を表す。
ステップ４６において、技法３０は、図３、図４、および図７に関してさらに詳細に説明されるように、抽出された局所的特徴の偏差の視覚化を出力する。
ＲＯＩおよび対応する参照データを選択して、抽出された局所的特徴の偏差を視覚化する実施形態は、図３および図４に示される。図３は、１つの実施形態により、関心対象の患者から取得された画像４８を示す。画像４８は、たとえば図１のデータ収集システム２２のような、さまざまな実施形態により任意のタイプのデータ収集システムから取得された、２次元、３次元、または４次元の画像であってもよい。ＲＯＩ５０は、画像４８内で選択される。示されるように、ＲＯＩ５０は、たとえば、癌患者の治療で監視されている脳腫瘍を含む領域のような、画像の領域をハイライト表示する。あるいは、ＲＯＩ５０は、臨床医学者が、画像の視診に基づいて異常な解剖学的組織を含む可能性があると考える画像内の領域に対応することもできる。たとえば形状ベースのパラメータおよび／または質感ベースのパラメータのような、多数の局所的特徴がＲＯＩ５０に関連付けられる。
参照領域５２は、ＲＯＩ５０内に存在する局所的特徴と類似する局所的特徴を有する画像４８内で選択される。一例として、参照領域５２は、ＲＯＩ５０と類似する組織を含むこともあり、臨床医学者には正常と見受けられる局所的特徴を有する組織の領域から選択されてもよい。あるいは、参照領域５２は、ＲＯＩ５２と類似する解剖学的組織から選択されてもよい。たとえば、ＲＯＩ５０および参照領域５２はいずれも、図３に示されるように、脳の領域に対応する。
また、図３に示されているのは、ＲＯＩ５０の局所的特徴と参照領域５２の対応する局所的特徴との間の偏差を表す患者偏差マップ５４である。マップ５４内の各セル５６は、ＲＯＩ５０の異なる局所的特徴に対応し、参照データからの局所的特徴の偏差に基づいて符号化される。１つの実施形態によれば、共通カラースケール５８は、偏差が局所的特徴にわたり比較されるように、スケーリングされた値を相互に正規化するため、マップ５４内の局所的特徴に適用される。したがって、参照データから大幅に外れる局所的特徴は、カラースケール５８の第１の端部６０に表示され、一方参照データに密接に相関する局所的特徴は、カラースケール５８の第１の端部６０の反対側の第２の端部６２に表示される。
次に図４を参照すると、複数の関心領域（ＲＯＩ）６４、６６、６８、７０、７２、７４、７６が画像７８内で選択される、本発明の代替的実施形態が示される。一例として、ＲＯＩ６４〜７４は、気管支を表す３次元円筒形として定義され、ＲＯＩ７６は、患者の肺の画像で識別された小結節を表す球形として定義される。ＲＯＩ６４〜７６は、臨床医学者によって選択されてもよいか、または代替的実施形態による、自動または半自動アルゴリズムを使用して選択されてもよい。
図４はまた、各ＲＯＩ６４〜７６に対応する偏差マップ８２、８４、８６、８８、９０、９２、９４を含む結合偏差マップ８０を示す。偏差マップ８２〜９４は、参照データの対応する局所的特徴に関してそれぞれのＲＯＩ６４〜７６の局所的特徴の偏差を表す。局所的特徴の偏差は、患者から取得された気管支および小結節の局所的特徴を表す画像データを含む参照データのセットと、ＲＯＩ６４〜７６に対応する画像データとの比較に基づいて計算されてもよい。たとえば、参照データは、患者の反対側の肺の領域を表す画像データに対応してもよいか、または連続して取得された画像の重複しない解剖学的組織を表すデータに対応してもよい。あるいは、参照データは、図３の領域５２と類似する画像７８の領域を表すこともできる。
局所的特徴の偏差は、図３に関する説明と同様の方法で、マップ８２〜９４に表される。すなわち、それぞれの局所的特徴の偏差を各々表すマップ８２〜９４の個々のセルは、共通のカラースケール９６を使用して符号化される。カラースケール９６の１つの極値９８に対応するように符号化されたセルは、参照からの最小偏差を表し、一方カラースケール９６のもう１つの極値１００に対応するように符号化されたセルは、参照からの大幅な偏差を表す。
一例として、マップ８２が、患者の健康な気管支の対応する局所的特徴に関してＲＯＩ６４として選択された気管支の局所的特徴の偏差を表すものと仮定する。マップ８２のセル１０２、１０４、１０６は、カラースケール９６の極値１００に対応するように符号化される。したがって、セル１０２〜１０６は、これらのセルに関連付けられている局所的特徴が、基準母集団の対応する局所的特徴から大幅に外れていることを示す。一方、セル１０８、１１０、１１２は、カラースケール９６の極値９８に対応するように符号化される。したがって、セル１０８〜１１２は、これらのセルに関連付けられている局所的特徴が、参照データと類似する値を有することを示す。
偏差マップ８２〜９４を１つの共通表示画面に結合することにより、臨床医学者は、多数のＲＯＩを素早く視覚的に識別して、さらに詳細に調べることができる。たとえば、それぞれＲＯＩ６６、６８、７４、７６に対応する偏差マップ８４、８６、９２、９４は、それぞれのＲＯＩと参照データとの間の最小偏差を表す。一方、偏差マップ８２、８８、９０は、多数の関心特徴に対するそれぞれのＲＯＩ６４、７０、７２と参照データとの間の大幅な偏差を表す。そのような偏差は、ＲＯＩ６４、７０、７２内の異常を示すこともある。
図３および図４に示される実施形態は、脳および肺に関連してＲＯＩを参照して説明しているが、当業者であれば、本明細書に示される技法が、任意のタイプの解剖学的組織を分析し、視覚化できることを理解するであろう。
したがって、ＲＯＩからの局所的特徴を参照データセットの対応する局所的特徴と比較することにより、画像データセット内の１つまたは複数の選択されたＲＯＩから導き出された局所的特徴を分析するための視覚的方法を提供する技法が説明される。そのような技法は、画像のＲＯＩにある種のデジタル生体検査を行う機会を臨床医学者にもたらす。当業者であれば、技法の実施形態はまた、ＲＯＩとそれぞれの参照データセットとの間の類似点および相違点を識別するために、複数の参照データセットに関して関心局所的特徴の分析に適用されてもよいことが理解されよう。たとえば、患者の脳の画像のＲＯＩの質感ベースのパラメータに対応する局所的特徴は、患者内の「健康な」組織の対応する局所的特徴と比較されてもよい。次いで、結果として得られる偏差マップは、患者の診断を助けるものとして使用されてもよい。
図５は、所与のＲＯＩを、所与のＲＯＩに対応する１つまたは複数の臨床検査から得られた結果に関連付ける技法１１４を含む本発明の代替的実施形態を示す。ステップ１１６において、技法１１４は、患者から取得された画像データおよび臨床検査データを含む医療データにアクセスする。画像データは、たとえばＸ線システム、超音波システム、ＣＴシステム、ＭＲシステム、ＰＥＴシステム、および／またはＳＰＥＣＴシステムのような、任意の数のデータ収集システムを使用して患者の単一スキャン中または患者の一連のスキャン中に取得されたデータを含むことができる。臨床検査データは、たとえば、血液検査、心拍数、痴呆等級、機能評価質問表、神経系検査、および精神状態検査のような、臨床検査の結果を表す患者固有のデータを含む。
患者の医療データにアクセスした後、技法１１４は、第１のパス１１８および第２のパス１２０をたどって、少なくとも１つのＲＯＩおよびＲＯＩに関連付けられている臨床検査結果データセットを識別する。第１のパス１１８において、臨床検査結果データセットは、医療画像データで識別されたＲＯＩに基づいて識別される。具体的には、ステップ１２２において、ＲＯＩは、医療画像データから選択される。ＲＯＩは、さまざまな実施形態に従って、手動、半自動、または自動で選択されてもよい。ステップ１２４において、技法１１４は、選択されたＲＯＩに基づいて、臨床検査結果データセットを識別する。そのような実施形態において、事前定義されたマップは、ＲＯＩに関連付けられている臨床検査に対応する臨床検査結果を識別するために、臨床検査結果に適用されてもよい。たとえば、特定の臨床検査は、脳領域の機能特性に基づいて脳の異なる領域に対応することが知られている。したがって、ＲＯＩが患者の脳の特定の領域（たとえば、頭頂葉）として選択される場合、技法は、ＲＯＩのあるその領域に固有の臨床検査（たとえば、臨床痴呆等級）から結果を識別するために、臨床検査結果をフィルタリングすることができる。
一方、第２のパス１２０において、ＲＯＩは、選択されたかまたは使用可能な臨床検査結果データセットに基づいて、医療画像データから識別される。ステップ１２６において、臨床検査結果データベースが識別され、ステップ１２８において、選択された臨床検査結果データベースに基づいて医療画像データに対応するＲＯＩが識別される。たとえば、ＲＯＩは、臨床検査結果データセットが関連付けられている臨床検査のタイプに概ね対応する領域として識別されてもよい。あるいは、ＲＯＩは、正常な振る舞いまたは予想される結果から大幅に外れる臨床検査結果データセット内の臨床検査結果に関連付けられている解剖学的組織の領域を表すために識別されてもよい。一例として、技法１１４は、他の臨床検査のいずれよりも参照から外れている患者の臨床検査結果をホット臨床検査として識別し、ＲＯＩをそのホット臨床検査に関連付けられている解剖学的組織の領域として定義することができる。
ステップ１３０において、臨床検査結果データセットと臨床検査結果の参照データセットとの間の１つまたは複数の偏差を示す検査結果偏差マップが識別される。臨床検査結果の参照データセットは、たとえば正常または異常な振る舞いを表す検査結果、および／または既知の臨床値のような、基準母集団から取得された予想される検査結果に関連付けられている検査結果を含む。１つの実施形態によれば、検査結果偏差マップは、図１のデバイス１６、１８、または２０のいずれかのようなデータベースまたは大容量記憶装置に格納される事前計算されたマップである。あるいは、検査結果偏差マップは、図２のステップ４４に関する説明と同様の方法で、患者固有の臨床検査結果データベースと格納されている臨床検査結果参照データとの間の比較に基づいて技法１１４の一部として計算されてもよい。
ステップ１３２において、技法１１４は、図３および図４に関する説明と同様の方法で、参照結果からの患者の臨床検査結果の偏差の視覚化を出力する。１つの実施形態によれば、視覚化は、患者の解剖学的組織の合成表現でハイライト表示された１つまたは複数のＲＯＩを含む。
本明細書において説明される本発明の実施形態はまた、図６の技法１３４に関して説明されるように、臨床意志決定支援に使用されるデータマイニングまたは学習機械アルゴリズムによって生成される中間結果に適用されてもよい。技法１３４は、ステップ１３６において、図２のステップ３２に関する説明と同様の方法で、患者から取得された医療画像データにアクセスすることにより開始する。ステップ１３８において、ターゲットＲＯＩまたはＲＯＩデータセットが識別される。さまざまな実施形態により、ＲＯＩは、ユーザが輪郭を描くことによってなど、手動で識別されてもよいか、アルゴリズムの意志決定ステップとのユーザ対話を通じてなど、半手動で識別されてもよいか、または自動アルゴリズムの使用を通じて自動的に識別されてもよい。たとえば、自動アルゴリズムは、疾患検出のターゲットＲＯＩを識別するために使用されてもよい。
自動アルゴリズムは、ステップ１４０においてＲＯＩに対応する画像データを分析し、多数の中間結果を抽出する。中間結果は、たとえば特徴整復のようなステップに先行して学習アルゴリズムから導き出されたパラメータであってもよい。中間結果は、たとえば、疾患ステージングまたは鑑別診断に使用されるパラメータを表すことができる。または、ＲＯＩを識別するために自動アルゴリズムが使用される実施形態において、中間結果は、ＲＯＩを識別するために自動アルゴリズムによって使用される中間計算の入力または出力を表すこともできる。そのような場合、患者データセットのＲＯＩに自動アルゴリズムを適用したことにより得られた中間結果は、技法３０に関して説明されている抽出された局所的特徴と同様の方法で処理される。
技法１３４は、ステップ１４２において、ＲＯＩに対応する参照データにアクセスする。１つの実施形態によれば、技法１３４は、基準母集団から取得された正常または異常な解剖学的組織から得られた既知の値のような、事前計算された参照データのセットに対応する参照データにアクセスする。あるいは、技法１３４は、図２のステップ３８に関する説明と同様の方法で、患者の医療画像データから参照ＲＯＩを定義することにより参照データにアクセスする。オプションで、ステップ１４４（二点鎖線で示される）において、ＲＯＩに対応するデータは、参照データに標準化されて正規化される。
ステップ１４６において、技法１３４は、患者の医療画像データと参照データとの比較に基づいて偏差メトリックを計算する。したがって、ＲＯＩに学習アルゴリズムを実行することにより導き出された中間結果は、参照データセットに学習アルゴリズムを実行することにより導き出された中間結果の関連するセットと比較されてもよい。偏差メトリックは、図２に関する説明と同様の方法で、各中間結果の比較から導き出され、ステップ１４８において、偏差マップ５４（図３）およびマップ８２〜９４（図４）と類似する１つまたは複数の偏差マップとしてユーザに表示される。
結果として得られる偏差マップは、学習アルゴリズムによって活用されたパラメータの「内部検討（ｉｎｓｉｄｅ ｌｏｏｋ）」をユーザにもたらし、ユーザが洞察力を得てアルゴリズムの内部構造と対話できるようにして、視覚ベースのデータマイニング手法を実質的に可能にする。そのような手法は、多くの場合膨大な検証作業を伴う意志決定支援への標準的な「ブラックボックスの」自動化手法にまさる主要な利点をもたらす。さらに、特定の中間結果に関連付けられている偏差メトリックの知識は、自動アルゴリズムに使用されるさまざまなパラメータを「調整する」ために使用されてもよい。たとえば、所与のアルゴリズムパラメータは、既知の正常データと既知の異常データとの比較から計算された偏差メトリックが望ましい量の偏差を示すように調節されてもよい。あるいは、１つまたは複数の偏差メトリックの知識は、中間結果が参照パラメータに近づくように、自動アルゴリズムを変更するために使用されてもよい。
たとえば、図４を再び参照すると、ＲＯＩ６４、７０、７２は、異常な解剖学的組織に対応すると自動アルゴリズムによって識別され、一方ＲＯＩ６６、６８、７４、７６は正常な解剖学的組織に対応すると自動アルゴリズムによって識別されたと仮定する。ユーザは、技法１３４を適用して、アルゴリズムの中間結果を表すように偏差マップ８２〜９４を生成することもできる。正常であると示されたＲＯＩ（たとえば、ＲＯＩ６６）の所与の中間結果の偏差を、アルゴリズムによって「異常」であると示されたＲＯＩ（たとえば、ＲＯＩ６４）の対応する中間結果と比較することにより、ユーザは、アルゴリズムの内部構造への洞察を得て、アルゴリズムの意志決定プロセスについて理解を深めることができる。
一部の実施形態において、ステップ４６（図２）、ステップ１３２（図５）、およびステップ１４８（図６）において、視覚表現出力は、図７に示されるように、グラフィカルユーザインターフェイス（ＧＵＩ）で表示されてもよい。ＧＵＩ１５０は、偏差マップ５４（図３）のような、偏差マップの視覚化のための領域１５２を含む。スケール５８（図３）およびスケール９６（図４）と類似する共通カラースケール１５４もまた、偏差マップのセルの符号化に意味を与えるように提供される。ＧＵＩ１５０はまた、画像４８（図３）、画像７８（図４）、もしくは例として、合成表現またはモデルアトラスのような患者画像データの視覚化のための領域１５６を含む。多数のデータ領域１５８、１６０、１６２、１６４はまた、さまざまな実施形態によれば、例として患者画像データ、参照画像データ、偏差スコア、臨床検査、患者固有データ、参照固有データを含む、数値およびテキストデータを表示するために、ＧＵＩ５０に含まれる。オプションで、１つまたは複数の領域１５８〜１６４は、ユーザが入力フィールド、ドロップダウンメニューなどを通じてデータを入力および／または選択できるように、制御パネルとして構成されてもよい。ＧＵＩ１５０の配置は、例示的な目的のために提供されているに過ぎず、その他のＧＵＩの配置、フィールド名、および視覚出力が異なる形態をとってもよいことに留意されたい。追加の表示技法はまた、温度ゲージ、グラフ、ダイアル、フォント変形、注釈などを含めることもできる。
開示される方法および装置の技術的な寄与は、局所的臨床特徴を分析して視覚化するためのコンピュータ実施のシステムおよび方法を提供することである。
当業者であれば、本発明の実施形態が、コンピュータプログラムを格納したコンピュータ可読記憶媒体にインターフェイス接続され、コンピュータ可読記憶媒体によって制御されうることを理解するであろう。コンピュータ可読記憶媒体は、１つまたは複数の電子コンポーネント、ハードウェアコンポーネント、および／またはコンピュータソフトウェアコンポーネントのような、複数のコンポーネントを含む。それらのコンポーネントは、シーケンスの１つまたは複数の実施態様または実施形態のうちの１つまたは複数の部分を実行するためのソフトウェア、ファームウェア、および／またはアセンブリ言語のような、命令を一般に格納する１つまたは複数のコンピュータ可読記憶媒体を含むことができる。それらのコンピュータ可読記憶媒体は一般に、非推移および／または有形である。そのようなコンピュータ可読記憶媒体の例は、コンピュータおよび／または記憶装置の記録可能データ記憶媒体を含む。コンピュータ可読記憶媒体は、たとえば、磁気、電子、光学、生物、および／または原子データ記憶媒体を採用することができる。さらに、そのような媒体は、たとえば、フレキシブルディスク、磁気テープ、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ハードディスクドライブ、および／または電子メモリの形態をとることもできる。列挙されていないその他の形態の非推移および／または有形のコンピュータ可読記憶媒体が、本発明の実施形態と共に採用されてもよい。
多数のそのようなコンポーネントが、システムの実施態様において組み合わされるかまたは分割されてもよい。さらに、そのようなコンポーネントは、当業者であれば理解するであろうように、多数のプログラミング言語のいずれかにより作成または実施された一組および／または一連のコンピュータ命令を含むことができる。加えて、１つまたは複数のコンピュータによって実行されるときに、シーケンスの１つまたは複数の実施態様または実施形態のうちの１つまたは複数の部分を、１つまたは複数のコンピュータに実行させる一連の命令を表すコンピュータデータ信号を組み入れるために、搬送波のような他の形態のコンピュータ可読記憶媒体が採用されてもよい。
１つの実施形態によれば、コンピュータ可読記憶媒体は、命令を含むコンピュータプログラムを格納しており、命令は、コンピュータによって実行されるとき、コンピュータに、患者から取得された医療画像データセットにアクセスさせて、医療画像データセットから第１のＲＯＩを識別させる。命令はまた、コンピュータに、ＲＯＩに固有の関心特徴を表す特徴データセットを抽出させ、医療画像データセットから第２のＲＯＩを識別させ、関心特徴の予想される振る舞いを表す参照データを備える参照データセットを抽出させる。さらに、命令は、コンピュータに、特徴データセットを参照データセットと比較させ、比較に基づいて関心特徴の偏差を表す偏差メトリックを生成させ、偏差メトリックの視覚表現を作成させる。
もう１つの実施形態によれば、方法は、患者から取得された画像データを備える臨床画像データセットにアクセスするステップ、臨床画像データセットから第１のＲＯＩを識別するステップ、および第１のＲＯＩに対応する画像データを備える第１のＲＯＩデータセットを定義するステップを含む。方法はまた、第１のＲＯＩデータセットから第１のＲＯＩに対応する少なくとも１つの導き出された関心特性を抽出するステップ、少なくとも１つの導き出された関心特性を表す画像データを備える特性データセットを定義するステップ、および臨床画像データセットから第２のＲＯＩを識別するステップを含む。方法はさらに、第２のＲＯＩに対応する画像データを備える第２のＲＯＩデータセットを定義するステップ、第２のＲＯＩデータセットから参照データセットを抽出するステップを備え、参照データセットは少なくとも１つの導き出された関心特性の参照データを備える。方法はまた、特性データセットを参照データセットと比較するステップ、比較から少なくとも１つの偏差メトリックを計算するステップ、および少なくとも１つの偏差メトリックの視覚化を出力するステップを含む。
さらにもう１つの実施形態によれば、臨床画像データを分析するためのシステムは、患者から取得された臨床画像データを格納しているデータベース、およびデータベースからデータのセットにアクセスするようプログラムされたプロセッサを含む。プロセッサはまた、データのセットからターゲットＲＯＩを識別し、患者データのセットからターゲットＲＯＩに対応する少なくとも１つの局所的特徴を抽出し、少なくとも１つの局所的特徴を表す特徴データセットを定義するようにプログラムされる。さらに、プロセッサは、データのセットから参照ＲＯＩを識別し、データのセットから参照ＲＯＩに対応する参照データセットを抽出し、少なくとも１つの局所的特徴の少なくとも１つの偏差メトリックを計算するようにプログラムされ、少なくとも１つの偏差メトリックは参照データセットからの特徴データセットの偏差を表し、プロセッサは少なくとも１つの偏差メトリックの視覚化を出力するようにプログラムされる。システムはさらに、少なくとも１つの局所的特徴の少なくとも１つの偏差メトリックを表示するように構成されたＧＵＩを含む。
この書面による説明では、最良の形態を含む本発明を開示するため、また当業者が、任意のデバイスまたはシステムを作成および使用すること、および任意の一体化された方法を実行することを含む本発明を実施できるようにするために、例を使用する。本発明の特許可能な範囲は、特許請求の範囲によって定義され、当業者が考案するその他の例を含むことができる。そのような他の例は、それらが特許請求の範囲の字義とは相違のない構造要素を有する場合、またはそれらが特許請求の範囲の字義と微細な相違のある等価の構造要素を含む場合、特許請求の範囲内に含まれることが意図される。
１０ システム
１２ マイクロプロセッサ
１４ メモリ
１６ 大容量記憶装置
１８ データベース
２０ データベース
２２ データ収集システム
２４ 入力デバイス
２６ 表示装置
２８ プリンタ
３０ 技法
３２ 医療データにアクセスする
３４ 患者画像からＲＯＩを選択する
３６ 局所的特徴をＲＯＩから抽出する
３８ 患者画像から参照領域を選択する
４０ 参照領域から参照データにアクセスする
４２ ＲＯＩデータセットを正規化する
４４ 偏差メトリックを計算する
４６ 偏差メトリックを視覚化する
４８ 画像
５０ ＲＯＩ
５２ 参照領域
５４ 偏差マップ
５６ セル
５８ カラースケール
６０ 端部
６２ 端部
６４ ＲＯＩ
６６ ＲＯＩ
６８ ＲＯＩ
７０ ＲＯＩ
７２ ＲＯＩ
７４ ＲＯＩ
７６ ＲＯＩ
７８ 画像
８０ 偏差マップ
８２ 偏差マップ
８４ 偏差マップ
８６ 偏差マップ
８８ 偏差マップ
９０ 偏差マップ
９２ 偏差マップ
９４ 偏差マップ
９６ カラースケール
９８ 極値
１００ 極値
１０２ セル
１０４ セル
１０６ セル
１０８ セル
１１０ セル
１１２ セル
１１４ 技法
１１６ 医療データにアクセスする
１１８ 第１のパス
１２０ 第２のパス
１２２ ＲＯＩを識別する
１２４ 臨床検査結果データベースを識別する
１２６ 臨床検査結果データベースを識別する
１２８ ＲＯＩを識別する
１３０ 偏差メトリックにアクセスする
１３２ 偏差メトリックを視覚化する
１３４ 技法
１３６ 医療データにアクセスする
１３８ ＲＯＩを識別する
１４０ 中間結果を抽出する
１４２ ＲＯＩに対応する参照データにアクセスする
１４４ ＲＯＩデータセットを正規化する
１４６ 偏差メトリックを計算する
１４８ 偏差メトリックを表示する
１５０ ＧＵＩ
１５２ 領域
１５４ カラースケール
１５６ 領域
１５８ データ領域
１６０ データ領域
１６２ データ領域
１６４ データ領域
１２ マイクロプロセッサ
１４ メモリ
１６ 大容量記憶装置
１８ データベース
２０ データベース
２２ データ収集システム
２４ 入力デバイス
２６ 表示装置
２８ プリンタ
３０ 技法
３２ 医療データにアクセスする
３４ 患者画像からＲＯＩを選択する
３６ 局所的特徴をＲＯＩから抽出する
３８ 患者画像から参照領域を選択する
４０ 参照領域から参照データにアクセスする
４２ ＲＯＩデータセットを正規化する
４４ 偏差メトリックを計算する
４６ 偏差メトリックを視覚化する
４８ 画像
５０ ＲＯＩ
５２ 参照領域
５４ 偏差マップ
５６ セル
５８ カラースケール
６０ 端部
６２ 端部
６４ ＲＯＩ
６６ ＲＯＩ
６８ ＲＯＩ
７０ ＲＯＩ
７２ ＲＯＩ
７４ ＲＯＩ
７６ ＲＯＩ
７８ 画像
８０ 偏差マップ
８２ 偏差マップ
８４ 偏差マップ
８６ 偏差マップ
８８ 偏差マップ
９０ 偏差マップ
９２ 偏差マップ
９４ 偏差マップ
９６ カラースケール
９８ 極値
１００ 極値
１０２ セル
１０４ セル
１０６ セル
１０８ セル
１１０ セル
１１２ セル
１１４ 技法
１１６ 医療データにアクセスする
１１８ 第１のパス
１２０ 第２のパス
１２２ ＲＯＩを識別する
１２４ 臨床検査結果データベースを識別する
１２６ 臨床検査結果データベースを識別する
１２８ ＲＯＩを識別する
１３０ 偏差メトリックにアクセスする
１３２ 偏差メトリックを視覚化する
１３４ 技法
１３６ 医療データにアクセスする
１３８ ＲＯＩを識別する
１４０ 中間結果を抽出する
１４２ ＲＯＩに対応する参照データにアクセスする
１４４ ＲＯＩデータセットを正規化する
１４６ 偏差メトリックを計算する
１４８ 偏差メトリックを表示する
１５０ ＧＵＩ
１５２ 領域
１５４ カラースケール
１５６ 領域
１５８ データ領域
１６０ データ領域
１６２ データ領域
１６４ データ領域
Claims (10)
- コンピュータによって実行されるとき、前記コンピュータに、
患者から取得された医療画像データセットにアクセスさせ（３２）、
前記医療画像データセットから第１の関心領域（ＲＯＩ）を識別させ（３４）、
前記ＲＯＩに固有の関心特徴を表す特徴データセットを抽出させ（３６）、
前記医療画像データセットから第２のＲＯＩを識別させ（３８）、
前記第２のＲＯＩの前記関心特徴の予想される振る舞いを表す参照データを備える参照データセットを抽出させ（４０）、
前記特徴データセットを前記参照データセットと比較させ（４４）、
前記比較に基づいて前記関心特徴の偏差を表す偏差メトリックを生成させ（４４）、
前記偏差メトリックの視覚表現を作成させる（４６）命令を備えるコンピュータプログラムを格納したコンピュータ可読記憶媒体。 - 前記命令は、前記コンピュータに、共通画像を表す画像データから前記第１および第２のＲＯＩを識別させる請求項１記載のコンピュータ可読記憶媒体。
- 前記命令は、前記コンピュータに、
前記患者の解剖学的組織の第１の領域に対応するように第１のＲＯＩを識別させ、
前記患者の解剖学的組織の第２の領域に対応するように第２のＲＯＩを識別させ、解剖学的組織の前記第２の領域は解剖学的組織の前記第１の領域のいかなる部分も含まない請求項１記載のコンピュータ可読記憶媒体。 - 前記命令はさらに、前記コンピュータに、形状ベースのパラメータ、サイズベースのパラメータ、質感ベースのパラメータ、および材質ベースのパラメータのうちの１つを表すように前記特徴データセットを抽出させる請求項１記載のコンピュータ可読記憶媒体。
- 前記命令はさらに、前記コンピュータに、前記第１のＲＯＩの解剖学的組織特徴および機能特徴のうちの１つを表すように前記特徴データセットを抽出させる請求項１記載のコンピュータ可読記憶媒体。
- 前記命令はさらに、前記コンピュータに、前記特徴データセットを前記参照データセットに標準化および正規化させる請求項１記載のコンピュータ可読記憶媒体。
- 前記命令はさらに、前記コンピュータに、
異常な関心特性に対応する画像データを識別させ、
正常な関心特性に対応する画像データから前記第２のＲＯＩを識別させる請求項１記載のコンピュータ可読記憶媒体。 - 前記命令はさらに、前記コンピュータに、色分けされたグリッドとして前記偏差メトリックの前記視覚化を表示させる請求項１記載のコンピュータ可読記憶媒体。
- 前記命令はさらに、前記コンピュータに、前記患者の画像にオーバーレイとして前記第１および第２のＲＯＩを表示させる請求項１記載のコンピュータ可読記憶媒体。
- 前記命令はさらに、前記コンピュータに、前記第１のＲＯＩに対応する画像データを正規化させる請求項１記載のコンピュータ可読記憶媒体。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US12/870,314 | 2010-08-27 | ||
| US12/870,314 US20120051608A1 (en) | 2010-08-27 | 2010-08-27 | System and method for analyzing and visualizing local clinical features |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2012045387A true JP2012045387A (ja) | 2012-03-08 |
Family
ID=45566344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2011182164A Pending JP2012045387A (ja) | 2010-08-27 | 2011-08-24 | 局所的臨床特徴を分析して視覚化するためのシステムおよび方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20120051608A1 (ja) |
| JP (1) | JP2012045387A (ja) |
| CN (1) | CN102436539A (ja) |
| DE (1) | DE102011053044A1 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015518197A (ja) * | 2012-03-21 | 2015-06-25 | コーニンクレッカ フィリップス エヌ ヴェ | 医用イメージングと生検データとを統合する臨床ワークステーション及びこれを使用する方法 |
| DE102016112360A1 (de) | 2015-07-09 | 2017-01-12 | Jtekt Corporation | Zahnradbearbeitungsvorrichtung |
| WO2019044095A1 (ja) * | 2017-08-29 | 2019-03-07 | 富士フイルム株式会社 | 医用情報表示装置、方法及びプログラム |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120051609A1 (en) * | 2010-08-27 | 2012-03-01 | Gopal Biligeri Avinash | System and method for analyzing and visualizing local clinical features |
| WO2015059613A2 (en) * | 2013-10-22 | 2015-04-30 | Koninklijke Philips N.V. | Image visualization |
| WO2015079354A1 (en) * | 2013-11-26 | 2015-06-04 | Koninklijke Philips N.V. | System and method of determining missing interval change information in radiology reports |
| US20160321427A1 (en) * | 2015-04-28 | 2016-11-03 | Siemens Medical Solutions Usa, Inc. | Patient-Specific Therapy Planning Support Using Patient Matching |
| JP7097877B2 (ja) * | 2016-10-25 | 2022-07-08 | コーニンクレッカ フィリップス エヌ ヴェ | 医用画像データセットの品質評価のための装置及び方法 |
| JP6882136B2 (ja) * | 2017-10-12 | 2021-06-02 | 日本メジフィジックス株式会社 | 画像処理装置、画像処理方法およびプログラム |
| US10796221B2 (en) * | 2017-10-19 | 2020-10-06 | General Electric Company | Deep learning architecture for automated image feature extraction |
| US10460440B2 (en) | 2017-10-24 | 2019-10-29 | General Electric Company | Deep convolutional neural network with self-transfer learning |
| CN107945169B (zh) * | 2017-12-01 | 2022-02-15 | 中国人民解放军第三军医大学 | 一种冠状动脉影像分析方法 |
| EP3611733A1 (en) * | 2018-08-15 | 2020-02-19 | Siemens Healthcare GmbH | Searching a medical reference image |
| JP7175682B2 (ja) * | 2018-09-06 | 2022-11-21 | キヤノンメディカルシステムズ株式会社 | 診断支援装置、診断支援システム、診断支援方法、及び診断支援プログラム |
| EP3712844B1 (en) * | 2019-03-20 | 2023-08-09 | Siemens Healthcare GmbH | Method and system for fast assessment of brain change normality |
| US11314984B2 (en) | 2019-08-20 | 2022-04-26 | International Business Machines Corporation | Intelligent generation of image-like representations of ordered and heterogenous data to enable explainability of artificial intelligence results |
| EP3828816A1 (en) * | 2019-11-28 | 2021-06-02 | Siemens Healthcare GmbH | Patient follow-up analysis |
| CN111028228A (zh) * | 2019-12-19 | 2020-04-17 | 江苏医药职业学院 | 一种基于大数据的医学影像系统的匹配处理方法 |
| US11646121B2 (en) * | 2021-05-04 | 2023-05-09 | Flatiron Health, Inc. | Systems and methods for analyzing and validating patient information trends |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010041197A1 (en) * | 2008-10-10 | 2010-04-15 | Koninklijke Philips Electronics, N.V. | Health-risk metric determination and/or presentation |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4584575B2 (ja) * | 2001-07-06 | 2010-11-24 | クゥアルコム・インコーポレイテッド | ３ｄ画像に表示される３ｄサーフェイスとインタラクトする画像処理方法 |
| US20050010097A1 (en) * | 2003-06-26 | 2005-01-13 | Cline Harvey E. | System and method for measuring fluid volumes in brain images |
| US7616799B2 (en) * | 2004-06-18 | 2009-11-10 | Siemens Medical Solutions Usa, Inc. | System and method for monitoring disease progression or response to therapy using multi-modal visualization |
| US8611632B2 (en) * | 2005-04-08 | 2013-12-17 | 361° Systems, Inc. | Method of selecting and visualizing findings within medical images |
| JP5243865B2 (ja) * | 2008-07-07 | 2013-07-24 | 浜松ホトニクス株式会社 | 脳疾患診断システム |
| US20110200227A1 (en) * | 2010-02-17 | 2011-08-18 | Siemens Medical Solutions Usa, Inc. | Analysis of data from multiple time-points |
-
2010
- 2010-08-27 US US12/870,314 patent/US20120051608A1/en not_active Abandoned
-
2011
- 2011-08-24 JP JP2011182164A patent/JP2012045387A/ja active Pending
- 2011-08-26 CN CN2011102577344A patent/CN102436539A/zh active Pending
- 2011-08-26 DE DE102011053044A patent/DE102011053044A1/de not_active Withdrawn
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010041197A1 (en) * | 2008-10-10 | 2010-04-15 | Koninklijke Philips Electronics, N.V. | Health-risk metric determination and/or presentation |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015518197A (ja) * | 2012-03-21 | 2015-06-25 | コーニンクレッカ フィリップス エヌ ヴェ | 医用イメージングと生検データとを統合する臨床ワークステーション及びこれを使用する方法 |
| DE102016112360A1 (de) | 2015-07-09 | 2017-01-12 | Jtekt Corporation | Zahnradbearbeitungsvorrichtung |
| WO2019044095A1 (ja) * | 2017-08-29 | 2019-03-07 | 富士フイルム株式会社 | 医用情報表示装置、方法及びプログラム |
| JPWO2019044095A1 (ja) * | 2017-08-29 | 2020-07-30 | 富士フイルム株式会社 | 医用情報表示装置、方法及びプログラム |
| US11403755B2 (en) | 2017-08-29 | 2022-08-02 | Fujifilm Corporation | Medical information display apparatus, medical information display method, and medical information display program |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102436539A (zh) | 2012-05-02 |
| DE102011053044A1 (de) | 2012-03-01 |
| US20120051608A1 (en) | 2012-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2012045387A (ja) | 局所的臨床特徴を分析して視覚化するためのシステムおよび方法 | |
| US8934685B2 (en) | System and method for analyzing and visualizing local clinical features | |
| JP6559707B2 (ja) | 症例の難しさに基づくコンピュータ支援患者層別化のためのシステムの作動方法及びシステム | |
| US20150227702A1 (en) | Multi-factor brain analysis via medical imaging decision support systems and methods | |
| US9424644B2 (en) | Methods and systems for evaluating bone lesions | |
| JP5970766B2 (ja) | 医用画像処理装置、医用画像処理方法、プログラム | |
| US20070127793A1 (en) | Real-time interactive data analysis management tool | |
| US11430119B2 (en) | Spatial distribution of pathological image patterns in 3D image data | |
| WO2015023732A1 (en) | Systems, methods and devices for analyzing quantitative information obtained from radiological images | |
| CN112885453A (zh) | 用于标识后续医学图像中的病理变化的方法和系统 | |
| WO2010115885A1 (en) | Predictive classifier score for cancer patient outcome | |
| US20210158523A1 (en) | Method and system for standardized processing of mr images | |
| JP6789933B2 (ja) | 画像化不確実性の可視化 | |
| JP2016508769A (ja) | 医用画像処理 | |
| Bangare et al. | Regenerative pixel mode and tumour locus algorithm development for brain tumour analysis: A new computational technique for precise medical imaging | |
| Shakeri et al. | Statistical shape analysis of subcortical structures using spectral matching | |
| WO2022225794A1 (en) | Systems and methods for detecting and characterizing covid-19 | |
| US20140341452A1 (en) | System and method for efficient assessment of lesion development | |
| US20120051610A1 (en) | System and method for analyzing and visualizing local clinical features | |
| US20120051609A1 (en) | System and method for analyzing and visualizing local clinical features | |
| US20220375077A1 (en) | Method for generating models to automatically classify medical or veterinary images derived from original images into at least one class of interest | |
| He et al. | MonkeyCBP: A toolbox for connectivity-based parcellation of monkey brain | |
| Vinutha et al. | A comprehensive survey on tools for effective Alzheimer’s disease detection | |
| Shi et al. | MVNet: Multi-Variate Multi-View Brain Network Comparison Over Uncertain Data | |
| Griffis et al. | Automated Lesion Segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140814 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150422 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150602 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20151110 |