BE1029246A1

BE1029246A1 - Computer-implemented method for estimating an input function of a blood vein based on a sequence of three-dimensional volumetric scan images, a data processing device, a computer program product, and a computer-readable storage medium therefor

Info

Publication number: BE1029246A1
Application number: BE20215230A
Authority: BE
Inventors: Ruben Verhack
Original assignee: Hyperfusion
Priority date: 2021-03-26
Filing date: 2021-03-26
Publication date: 2022-10-19
Also published as: BE1029246B1

Abstract

Een computer-geïmplementeerde werkwijze (100) voor het schatten van een ingangsfunctie van een bloedader op basis van een sequentie van driedimensionale volumetrische scanbeelden (30), waarbij elk beeld een veelheid van voxels omvat. De werkwijze omvat: het extraheren (120) van een tijdreeks voor elke voxel; het vergelijken (130) van elke tijdreeks met een referentie-ingangsfunctie om een driedimensionale vormgelijkenisscorekaart (140) te genereren; het schatten (150) van de centrumlocatie van de bloedader op basis van de vormgelijkenisscorekaart en de ruimtelijke informatie; het genereren (160) van een locatiescore voor elke voxel op basis van de afstand tussen genoemde voxel en de geschatte bloedadercentrumlocatie; het genereren (170) van een gewicht voor elke voxel op basis van zijn vormgelijkenisscore en zijn locatiescore; en het extraheren (180) van de ingangsfunctie. Volgens deze werkwijze (100), hangt de waarschijnlijkheid dat een voxel een kandidaat-voxel is, zowel af van de locatie als de kromme van de voxel, waardoor robuustheid wordt verbeterd. Voor de werkwijze (100) is er geen gebruikersinterventie vereist en is er geen neuraal netwerk vereist.A computer-implemented method (100) for estimating an input function of a blood vein based on a sequence of three-dimensional volumetric scan images (30), each image comprising a plurality of voxels. The method comprises: extracting (120) a time series for each voxel; comparing (130) each time series with a reference input function to generate a three-dimensional shape-likeness scorecard (140); estimating (150) the center location of the blood vein based on the shape similarity scorecard and the spatial information; generating (160) a location score for each voxel based on the distance between said voxel and the estimated blood vein center location; generating (170) a weight for each voxel based on its shape similarity score and its location score; and extracting (180) the input function. According to this method (100), the probability that a voxel is a candidate voxel depends on both the location and the curve of the voxel, thereby improving robustness. For the method (100), no user intervention is required and no neural network is required.

Description

Computer-geïmplementeerde werkwijze voor het schatten van een ingangsfunctie van een bloedader op basis van een sequentie van driedimensionale volumetrische scanbeelden, een dgedgevensverwerkingsapparaat, een computerprogrammaproduct, en een computerleesbaar opslagmedium hiervoor Technisch veld De onderhavige uitvinding heeft betrekking op een computer- geïmplementeerde werkwijze voor het schatten van een ingangsfunctie van een bloedader op basis van een sequentie van driedimensionale volumetrische scanbeelden.Computer-implemented method for estimating an input function of a blood vein based on a sequence of three-dimensional volumetric scan images, a dged data processing device, a computer program product, and a computer-readable storage medium therefor. Technical Field The present invention relates to a computer-implemented method for estimating of an input function of a blood vein based on a sequence of three-dimensional volumetric scan images.

De onderhavige uitvinding heeft ook betrekking op een gegevensverwerkingsapparaat, een computerprogrammaproduct, en een computerleesbaar opslagmedium om hetzelfde te doen.The present invention also relates to a data processing apparatus, a computer program product, and a computer readable storage medium for doing the same.

De onderhavige uitvinding heeft verder betrekking op een gebruik van de computer-geïmplementeerde werkwijze bij perfusiebeeldvorming.The present invention further relates to a use of the computer-implemented method in perfusion imaging.

Achtergrond van de techniek Bij analyse van resultaten van medische beeldvorming, zoals beelden op basis van magnetische resonantie (MR) en/of computertomografie (CT), is het vaak wenselijk om kwantitatieve resultaten, zoals kwantitatieve perfusiekaarten te verschaffen.Background Art When analyzing medical imaging results, such as magnetic resonance (MR) and/or computed tomography (CT) images, it is often desirable to provide quantitative results, such as quantitative perfusion maps.

Perfusiebeeldvorming maakt het mogelijk om de bloedstroom in een weefsel van belang te karakteriseren.Perfusion imaging makes it possible to characterize blood flow in a tissue of interest.

Dit stelt artsen in staat om farmacokinetische parameters zoals lokale bloedstroom te observeren.This allows physicians to observe pharmacokinetic parameters such as local blood flow.

Om perfusiekaarten te verschaffen moet er een basismeting zijn van de bloedstroom die het weefsel van belang binnentreedt.To provide perfusion maps there must be a baseline measurement of blood flow entering the tissue of interest.

Deze basismeting wordt de ingangsfunctie genoemd.This basic measurement is called the input function.

De ingangsfunctie wordt gebruikt als een referentiekromme voor het erop volgende deconvolutieproces voor het berekenen van farmacokinetische parameters om vasculaire toestand van weefsels (bijv. bloedstroom, bloeduitwisseling/lekkage) te evalueren.The input function is used as a reference curve for the subsequent deconvolution process to calculate pharmacokinetic parameters to evaluate vascular condition of tissues (e.g., blood flow, blood exchange/leakage).

De ingangsfunctie is onbekend en is cruciaal om farmacokinetische parameters op betrouwbare wijze te schatten.The input function is unknown and is crucial to reliably estimate pharmacokinetic parameters.

Het automatisch extraheren van de ingangsfunctie is in sommige gevallen haalbaar, bijvoorbeeld met betrekking tot de aorta, aangezien de aorta tamelijk groot is en de locatie ervan bekend is. Bovendien heeft hij niet de neiging om veel te bewegen tijdens het ademen. Er zijn hier werkwijzen voor bekend en ook de werkwijze volgens de onderhavige uitvinding is geschikt voor het schatten van de ingangsfunctie van de aorta.Extracting the input function automatically is feasible in some cases, for example with respect to the aorta, since the aorta is quite large and its location is known. In addition, he does not tend to move much while breathing. Methods for this are known and the method of the present invention is also suitable for estimating the input function of the aorta.

Er bestaan meerdere volledig automatische werkwijzen voor extractie van de ingangsfunctie van de aorta (bijv. Xue, H., et al. Automated detection of left ventricle in arterial input function images for inline perfusion mapping using deep learning: A study of 15,000 patients, Magnetic resonance in Medicine, 84(5), 2788-2800, doi: 10.1007/mrm.28291). De globale aanpak is dat deze werkwijzen steunen op strategieën voor kunstmatige neurale netwerken waarbij een systeem automatisch patronen leert op basis van gegeven invoeren en resultaten. Aangezien deze werkwijzen echter steunen op kunstmatige neurale netwerken die specifiek voor de aorta zijn getraind, zijn deze niet gemakkelijk toepasbaar op automatische schatting van de ingangsfunctie van de poortader.Several fully automatic methods exist for extraction of aortic input function (e.g., Xue, H., et al. Automated detection of left ventricle in arterial input function images for inline perfusion mapping using deep learning: A study of 15,000 patients, Magnetic resonance in Medicine, 84(5), 2788-2800, doi: 10.1007/mrm.28291). The global approach is that these methods rely on artificial neural network strategies where a system automatically learns patterns based on given inputs and results. However, since these methods rely on artificial neural networks trained specifically for the aorta, they are not readily applicable to automatic estimation of portal vein input function.

Een generieke werkwijze voor het automatisch identificeren van arteriële ingangsfuncties en veneuze uitgangsfuncties wordt geopenbaard in US 8 837 800 B1. De werkwijze omvat het voorselecteren van voxels, het aanpassen van een Gaussverdeling op elke tijdreeks die met elke voorgeselecteerde voxel wordt geassocieerd, het uitsluiten van voxels op basis van de aangepaste Gaussverdeling, het genereren van een score voor elke overblijvende voxel op basis van de aangepaste Gaussverdeling, het vermenigvuldigen van deze score met een locatiegewicht, en het bepalen van de IF op basis van de hoogste voxel-score. In US 8 837 800 B1 wordt echter niets gezegd over specifieke toepassing op de leverpoortader en het is onduidelijk voor de onderhavige uitvinders of de voorgestelde werkwijze in staat zou zijn om op succesvolle wijze de ingangsfunctie van de poortader te identificeren.A generic method for automatically identifying arterial input functions and venous output functions is disclosed in US 8,837,800 B1. The method includes preselecting voxels, fitting a Gaussian distribution on each time series associated with each preselected voxel, excluding voxels based on the adjusted Gauss distribution, generating a score for each remaining voxel based on the modified Gaussian distribution , multiplying this score by a location weight, and determining the IF based on the highest voxel score. However, US 8,837,800 B1 does not say anything about specific application to the portal vein of the liver and it is unclear to the present inventors whether the proposed method would be able to successfully identify the entrance function of the portal vein.

Het is welbekend dat het automatisch extraheren van de ingangsfunctie van de poortader veel complexer is vergeleken met andere ingangsfuncties om de volgende redenen. Ten eerste is de anatomie (d.w.z. de positie en de oriëntatie) van de poortader nogal complex. Ten tweede is de poortader moeilijk te onderscheiden op scans aangezien hij maar een heel klein verschil in dichtheid heeft vergeleken met het omringende weefsel. Ten derde ondergaat de poortader complexe vervormingen tijdens het ademen. Ten vierde maakt het gedeeltelijk-volume-effect de extractie complexer.It is well known that automatically extracting the input function from the portal vein is much more complex compared to other input functions for the following reasons. First, the anatomy (i.e., position and orientation) of the portal vein is quite complex. Second, the portal vein is difficult to distinguish on scans as it has only a very small difference in density compared to the surrounding tissue. Third, the portal vein undergoes complex deformations during breathing. Fourth, the partial volume effect makes the extraction more complex.

In het licht van deze moeilijkheden, wordt het vinden van de ingangsfunctie van de poortader typisch manueel of semi-automatisch uitgevoerd (zie bijvoorbeeld de werkwijze geopenbaard in Gill, A., A semi- automatic method for the extraction of the portal venous input function in guantitative dynamic contrast-enhanced CT of the liver, The British Journal of Radiology, 90(1075), 20160875, doi: 10.1097/RLI.0b013e318229ff0d). Zowel manuele als semi-automatische identificatie van dergelijke regio’s is tijdrovend en onderhevig aan bedienervoorkeur en bedienervariatie. Er werd automatische identificatie van de ingangsfunctie van de poortader in overweging genomen. Conventionele geautomatiseerde werkwijzen hebben echter de neiging onvoldoende robuust te zijn voor de ingangsfunctie van de poortader wegens de aanwezigheid van patiëntenbeweging en/of ruis. Momenteel zijn er geen werkwijzen bekend bij de uitvinders voor de automatische schatting van de ingangsfunctie van de poortader. Er is dus een behoefte aan een goedkope en robuuste extractiewerkwijze voor de ingangsfunctie van de poortader.In light of these difficulties, finding the portal vein input function is typically performed manually or semi-automatically (see, for example, the method disclosed in Gill, A., A semi-automatic method for the extraction of the portal venous input function in guantitative dynamic contrast-enhanced CT of the liver, The British Journal of Radiology, 90(1075), 20160875, doi: 10.1097/RLI.0b013e318229ff0d). Both manual and semi-automatic identification of such regions is time consuming and subject to operator preference and operator variation. Automatic identification of the portal vein input function was considered. However, conventional automated methods tend to be insufficiently robust to portal vein input function due to the presence of patient motion and/or noise. Currently, no methods are known to the inventors for the automatic estimation of the portal vein input function. Thus, there is a need for an inexpensive and robust extraction method for the portal vein input function.

Openbaring van de uitvindingRevelation of the Invention

Het is een doel van de onderhavige uitvinding om een snelle en robuuste werkwijze te verschaffen voor het automatisch extraheren van de ingangsfunctie van een bloedader, in het bijzonder de leverpoortader.It is an object of the present invention to provide a rapid and robust method for automatically extracting the input function of a blood vein, especially the portal vein.

Dit doel wordt volgens de uitvinding bereikt met een computer- geïmplementeerde werkwijze voor het schatten van een ingangsfunctie van een bloedader op basis van een sequentie van driedimensionale volumetrische scanbeelden, waarbij elk beeld een veelheid van voxels k omvat die elk een driedimensionale coördinaat c, hebben, waarbij de werkwijze de volgende stappen omvat: a) het verschaffen van een referentie-ingangsfunctie voor genoemde bloedader en ruimtelijke informatie van genoemde bloedader, waarbij de referentie-ingangsfunctie een ééndimensionale tijdreeks is, de ruimtelijke informatie een oriëntatie en een spreiding van genoemde bloedader voorstelt; b) het extraheren uit genoemde sequentie, van een tijdreeks voor elke voxel; c) het vergelijken van elke tijdreeks met de referentie-ingangsfunctie door het gebruiken van een tijdreeks-afstandsmetriek om een vormgelijkenisscore scoTesnape(k) voor elke voxel te genereren en deze in een driedimensionale vormgelijkenisscorekaart te combineren; d) het schatten van de centrumlocatie py van de bloedader op basis van de vormgelijkenisscorekaart en de ruimtelijke informatie; e) het genereren van een locatiescore scorejocation(K) voor elke voxel op basis van de afstand tussen genoemde voxel en de geschatte centrumlocatie Upy van de bloedader; f) het genereren van een gewicht voor elke voxel op basis van zijn vormgelijkenisscore en zijn locatiescore; en g) het extraheren van de ingangsfunctie uit elke voxel met zijn geassocieerde gewicht.This object is achieved according to the invention with a computer-implemented method for estimating an input function of a blood vein based on a sequence of three-dimensional volumetric scan images, each image comprising a plurality of voxels k each having a three-dimensional coordinate c 1 , the method comprising the steps of: a) providing a reference input function for said blood vein and spatial information of said blood vein, the reference input function being a one-dimensional time series, the spatial information representing an orientation and a distribution of said blood vein; b) extracting from said sequence, a time series for each voxel; c) comparing each time series with the reference input function using a time series distance metric to generate a shape similarity score scoTesnape(k) for each voxel and combining it into a three-dimensional shape similarity scorecard; d) estimating the center location py of the blood vein based on the shape similarity scorecard and the spatial information; e) generating a location score scorejocation(K) for each voxel based on the distance between said voxel and the estimated center location Upy of the blood vein; f) generating a weight for each voxel based on its shape similarity score and its location score; and g) extracting the input function from each voxel with its associated weight.

In een uitvoeringsvorm van de onderhavige uitvinding omvat stap c) het gebruiken van de genormaliseerde kruiscorrelatiemetriek om een afstand tussen de tijdreeks en de referentie-ingangsfunctie te berekenen.In one embodiment of the present invention, step c) comprises using the normalized cross-correlation metric to calculate a distance between the time series and the reference input function.

In een uitvoeringsvorm van de onderhavige uitvinding omvat stap c) het berekenen van de vormgelijkenisscore van een voxel door het gebruiken van de waarschijnlijkheidsdichtheidsfunctie van een radiale basisfunctie, waarbij de radiale basisfunctie bij voorkeur de Gaussiaanse verdeling is.In one embodiment of the present invention, step c) comprises calculating the shape similarity score of a voxel using the probability density function of a radial basis function, wherein the radial basis function is preferably the Gaussian distribution.

In een uitvoeringsvorm van de onderhavige uitvinding, omvat de ruimtelijke informatie een driedimensionale covariantiematrix COV,op die 5 genoemde oriëntatie en genoemde spreiding voorstelt.In one embodiment of the present invention, the spatial information comprises a three-dimensional covariance matrix COV, which represents said orientation and said spread.

In een uitvoeringsvorm van de onderhavige uitvinding omvat stap d): het gebruiken van een maximale waarschijnlijkheidsschatting om de centrumlocate py van de bloedader op basis van de vormgelijkenisscorekaart en de driedimensionale covariantiematrix te schatten.In an embodiment of the present invention, step d comprises: using a maximum probability estimate to estimate the center location py of the blood vein based on the shape similarity score card and the three-dimensional covariance matrix.

In een uitvoeringsvorm van de onderhavige uitvinding omvat stap d): het genereren van een driedimensionale kern, waarbij de kern bij voorkeur een Gaussiaanse kern is, met een onbekende gemiddelde waarde u en een covariantie gelijk aan de driedimensionale covariantiematrix COV,op; het gebruiken van de maximale waarschijnlijkheidsschatting om de gemiddelde waarde u van de kern op basis van de vormgelijkenisscorekaart te schatten; en het instellen van de centrumlocatie upy van de bloedader gelijk aan de geschatte gemiddelde waarde u van de kern.In an embodiment of the present invention, step d comprises: generating a three-dimensional core, the core preferably being a Gaussian core, having an unknown mean value u and a covariance equal to the three-dimensional covariance matrix COV,op; using the maximum probability estimate to estimate the mean value u of the core based on the shape similarity scorecard; and setting the center location upy of the blood vein equal to the estimated mean value u of the core.

In een uitvoeringsvorm van de onderhavige uitvinding omvat stap d): het gebruiken van een maximale waarschijnljkheidsschatting om de centrumlocatie py van de bloedader op basis van de vormgelijkenisscorekaart en de ruimtelijke informatie te schatten.In one embodiment of the present invention, step d comprises: using a maximum probability estimate to estimate the center location py of the blood vein based on the shape-likeness score card and the spatial information.

In een uitvoeringsvorm van de onderhavige uitvinding, omvat de ruimtelijke informatie een driedimensionale covariantiematrix COV,op die genoemde oriëntatie en genoemde spreiding voorstelt en waarbij stap e) omvat: het genereren van de locatiescore scorejocation(K) voor elke voxel op basis van de afstand tussen genoemde voxel en een driedimensionale kern, waarbij de kern bij voorkeur een Gaussiaanse kern is, die wordt gedefinieerd door de geschatte centrumlocatie upy van de bloedader en de driedimensionale covariantiematrix COVop:In an embodiment of the present invention, the spatial information comprises a three-dimensional covariance matrix COV, which represents said orientation and said spread and wherein step e) comprises: generating the location score scorejocation(K) for each voxel based on the distance between said voxel and a three-dimensional core, the core preferably being a Gaussian core defined by the estimated center location upy of the blood vein and the three-dimensional covariance matrix COVop:

In een uitvoeringsvorm van de onderhavige uitvinding omvat stap e) het berekenen van de locatiescore scorezocation(K) op basis van de waarschijnlijkheidsdichtsfunctie van een multivariate radiale basisfunctie, waarbij de multivariate radiale basisfunctie bij voorkeur de Gaussiaanse multivariate verdeling is.In an embodiment of the present invention, step e) comprises calculating the location score scorezocation(K) based on the probability density function of a multivariate radial basis function, wherein the multivariate radial basis function is preferably the Gaussian multivariate distribution.

In een uitvoeringsvorm van de onderhavige uitvinding omvat stap f) het berekenen van het gewicht voor elk voxel door het vermenigvuldigen van zijn vormgelijkenisscore met zijn locatiescore.In one embodiment of the present invention, step f) comprises calculating the weight for each voxel by multiplying its shape similarity score by its location score.

In een uitvoeringsvorm van de onderhavige uitvinding, omvat stap f) het normaliseren van de gewichten in het bijzonder zodat alle gewichten een som hebben van één.In one embodiment of the present invention, step f) comprises normalizing the weights in particular so that all weights have a sum of one.

In een uitvoeringsvorm van de onderhavige uitvinding, omvat de werkwijze verder, na stap b) en bij voorkeur vóór stap c), het uitsluiten van een voxel op basis van een semi-kwantitatief beschrijvend tiidreekskenmerk.In one embodiment of the present invention, the method further comprises, after step b) and preferably before step c), excluding a voxel based on a semi-quantitative time series descriptive feature.

In een uitvoeringsvorm van de onderhavige uitvinding, is genoemd semi-kwantitatief beschrijvend tijdreekskenmerk ten minste één van: de tijdreeks die met genoemde voxel wordt geassocieerd heeft een piekwaarde buiten een vooraf gedefinieerd bereik; de tijdreeks die met genoemde voxel wordt geassocieerd heeft een minimale waarde onder een eerste vooraf gedefinieerde drempelwaarde; de tijdreeks die met genoemde voxel wordt geassocieerd heeft een piekwaarde die plaatsvindt nadat een vooraf gedefinieerde tijd is verstreken; en de tijdreeks die met genoemde voxel wordt geassocieerd heeft een laatste waarde die een tweede vooraf gedefinieerde drempelwaarde overschrijdt.In one embodiment of the present invention, said semi-quantitative descriptive time series feature is at least one of: the time series associated with said voxel has a peak value outside a predefined range; the time series associated with said voxel has a minimum value below a first predefined threshold value; the time series associated with said voxel has a peak value that occurs after a predefined time has elapsed; and the time series associated with said voxel has a last value exceeding a second predefined threshold value.

In een uitvoeringsvorm van de onderhavige uitvinding omvat stap a): het verschaffen van testgegevens die een veelheid van tijdreeksen X(t) omvatten, waarbij elke tijdreeks een ingangsfunctie van eenzelfde bloedader van een ander subject voorstelt; en het aanpassen van de referentie-ingangsfunctie aan de testgegevens door het optimaliseren van de groep parameters B: = {Ara Ar 95.13, 12,9.7.6} jn de volgende vergelijking Cin= ÿ En spit T, 1° 7500) + erp SET + expi—sft — 73111 In een uitvoeringsvorm van de onderhavige uitvinding, omvat het aanpassen van de referentie-ingangsfunctie aan de testgegevens het gebruiken van een optimalisatie met de kleinste kwadratenmethode (/east squares optimization) of een optimalisatie met de gradiëntafdalingsmethode (gradient descent optimization).In one embodiment of the present invention, step a comprises: providing test data comprising a plurality of time series X(t), each time series representing an input function of a same blood vein of another subject; and adapting the reference input function to the test data by optimizing the set of parameters B: = {Ara Ar 95.13, 12.9.7.6} jn the following equation Cin= ÿ En spit T, 1° 7500) + erp SET + expi—sft — 73111 In one embodiment of the present invention, fitting the reference input function to the test data includes using a least squares optimization (/east squares optimization) or a gradient descent optimization ).

In een uitvoeringsvorm van de onderhavige uitvinding omvat de ruimtelijke informatie een driedimensionale covariantiematrix COV,op die genoemde oriëntatie en genoemde spreiding voorstelt en waarbij stap a) omvat: het verschaffen van testgegevens die een veelheid P van gesegmenteerde driedimensionale volumetrische scanbeelden omvatten, waarbij elk volumetrisch scanbeeld eenzelfde bloedader van een ander subject voorstelt en een veelheid van voxels k omvat die elk een driedimensionale locatie c, hebben, waarbij de segmentering aangeeft of een voxel al dan niet deel uitmaakt van de bloedader met een binaire parameter b,; het berekenen van de driedimensionale covariantiematrix COV,op door #1 SOVpop = >. cou P è=0 waarbij COV; = Q"Q, waarbij Q een Kx3-matrix is, waarbij elke rij q, wordt berekend uit: dr = Cp — je Ga = Vlis +, en waarbij u wordt berekend uit:In an embodiment of the present invention, the spatial information comprises a three-dimensional covariance matrix COV, at which represents said orientation and said spread and wherein step a) comprises: providing test data comprising a plurality P of segmented three-dimensional volumetric scan images, each volumetric scan image represents a same blood vein from another subject and comprises a plurality of voxels k each having a three-dimensional location c 1 , the segmentation indicating whether or not a voxel is part of the blood vein with a binary parameter b 1 ; calculating the three-dimensional covariance matrix COV,op by #1 SOVpop = >. cou P e=0 where COV; = Q"Q, where Q is a Kx3 matrix, where each row q, is calculated from: dr = Cp — je Ga = Vlis +, and where u is calculated from:

Kl je = > brCR 58 kas} , waarbij s het aantal voxels is waarvoor b, = 1.Kl je = > brCR 58 kas} , where s is the number of voxels for which b, = 1.

In een uitvoeringsvorm van de onderhavige uitvinding, stemt elke voxel met in hoofdzaak hetzelfde weefsel overeen voor elk beeld in genoemde sequentie.In one embodiment of the present invention, each voxel corresponds to substantially the same tissue for each image in said sequence.

In een uitvoeringsvorm van de onderhavige uitvinding, omvat de werkwijze vóór stap b), een beeldregistratiestap om een eerste sequentie van driedimensionale volumetrische scanbeelden naar genoemde sequentie te transformeren.In an embodiment of the present invention, before step b), the method comprises an image registration step to transform a first sequence of three-dimensional volumetric scan images into said sequence.

In een uitvoeringsvorm van de onderhavige uitvinding omvat stap g) het extraheren van de ingangsfunctie als een gewogen gemiddelde van elke voxel met zijn geassocieerde gewicht.In one embodiment of the present invention, step g) comprises extracting the input function as a weighted average of each voxel with its associated weight.

In een uitvoeringsvorm van de onderhavige uitvinding, zijn de driedimensionale volumetrische scanbeelden scans op grond van computertomografie, CT-scans, of op grond van beeldvorming door middel van magnetische resonantie, MRI-scans.In one embodiment of the present invention, the three-dimensional volumetric scan images are computed tomography scans, CT scans, or magnetic resonance imaging scans, MRI scans.

In een uitvoeringsvorm van de onderhavige uitvinding, zijn de sequenties van driedimensionale volumetrische scanbeelden perfusiebeelden.In one embodiment of the present invention, the sequences of three-dimensional volumetric scan images are perfusion images.

Dit doel wordt ook bereikt volgens de uitvinding met een gebruik van de hierboven beschreven werkwijze bij perfusiebeeldvorming.This object is also achieved according to the invention using the method described above in perfusion imaging.

Dit doel wordt ook bereikt volgens de uitvinding met een gegevensverwerkingsapparaat dat middelen omvat voor het uitvoeren van de hierboven beschreven werkwijze.This object is also achieved according to the invention with a data processing apparatus comprising means for carrying out the method described above.

Dit doel wordt ook bereikt volgens de uitvinding met een computerprogrammaproduct dat instructies omvat die, wanneer het programma door een computer wordt uitgevoerd, bewerkstelligen dat de computer de hierboven beschreven werkwijze uitvoert.This object is also achieved according to the invention with a computer program product comprising instructions which, when the program is executed by a computer, cause the computer to perform the above-described method.

Dit doel wordt ook bereikt volgens de uitvinding met een computerleesbaar opslagmedium dat instructies omvat die, wanneer ze door een computer worden uitgevoerd, bewerkstelligen dat de computer de hierboven beschreven werkwijze uitvoert.This object is also achieved according to the invention with a computer-readable storage medium comprising instructions which, when executed by a computer, cause the computer to perform the above-described method.

Het zal gemakkelijk worden gewaardeerd dat één of meer van de uitvoeringsvormen hierboven gemakkelijk met elkaar kunnen worden gecombineerd.It will be readily appreciated that one or more of the above embodiments can be easily combined with each other.

De onderhavige uitvinding is gebaseerd op de specifieke combinatie van tijdsdimensiegegevens (d.w.z. de voxeltijdreeks) met ruimtelijke informatie die representatief is voor de onderzochte bloedader. Meer specifiek gebruikt de werkwijze volgens de onderhavige uitvinding de tijdsdimensie van de 3D+t-scan en een referentiepopulatie-ingangsfunctie om een driedimensionale vormgelijkenisscorekaart te genereren die representatief is voor hoe goed een voxeltijdreeks gelijkt op de referentiepopulatie-ingangsfunctie. Door gebruikmaking van de vormgelijkenisscorekaart en de beschikbare ruimtelijke informatie, wordt de centrumlocatie van de bloedader geschat van waaruit voor elke voxel een locatiescore wordt gegenereerd. Zowel de locatiescore (die zelf door de kromme van de voxel wordt beïnvloed) als de vormgelijkenisscore van de voxels, worden vervolgens gebruikt om de ingangsfunctie te bepalen. Met andere woorden, de waarschijnlijkheid dat een voxel een kandidaatvoxel is (d.w.z. deel uitmaakt van de bloedader), hangt volgens de onderhavige uitvinding af van zowel de locatie als de kromme van de voxel, waardoor een robuuste werkwijze wordt verschaft. Bovendien is de volledige werkwijze automatisch in die zin dat er geen gebruikerstussenkomst vereist is. Het is evenmin nodig om een neuraal netwerk te trainen in tegenstelling tot bekende werkwijzen waardoor de werkwijze meer algemeen toepasbaar wordt gemaakt op verschillende bloedaders. Deze en andere aspecten en kenmerken van de onderhavige uitvinding zullen nu duidelijk worden voor de ervaren deskundige na bestudering van de volgende beschrijving van specifieke uitvoeringsvormen van de uitvinding in samenhang met de bijgevoegde tekeningen. Beknopte beschrijving van de tekeningen De uitvinding zal verder worden uitgelegd door middel van de volgende beschrijving en de bijgevoegde figuren.The present invention is based on the specific combination of temporal dimension data (i.e., the voxel time series) with spatial information representative of the blood vein examined. More specifically, the method of the present invention uses the time dimension of the 3D+t scan and a reference population input function to generate a three-dimensional shape similarity scorecard representative of how well a voxel time series matches the reference population input function. Using the shape similarity scorecard and the available spatial information, the center location of the blood vein is estimated from which a location score is generated for each voxel. Both the location score (which itself is affected by the voxel curve) and the shape similarity score of the voxels are then used to determine the input function. In other words, the probability that a voxel is a candidate voxel (i.e., part of the blood vein) depends, according to the present invention, on both the location and the curve of the voxel, providing a robust method. In addition, the entire process is automatic in the sense that no user intervention is required. It is also not necessary to train a neural network in contrast to known methods, making the method more generally applicable to different blood vessels. These and other aspects and features of the present invention will now become apparent to the skilled artisan upon consideration of the following description of specific embodiments of the invention taken in conjunction with the accompanying drawings. Brief description of the drawings The invention will be further explained by means of the following description and the accompanying figures.

Figuur 1 toont drie typen farmacokinetische modellen.Figure 1 shows three types of pharmacokinetic models.

Figuur 2 toont een stroomschema van een werkwijze volgens de onderhavige uitvinding.Figure 2 shows a flow chart of a method according to the present invention.

Figuur 3 toont een referentie-ingangsfunctie die wordt gebruikt in de werkwijze volgens de onderhavige uitvinding voor de aorta (doorlopende lijn) en poortader (streepjeslijn).Figure 3 shows a reference input function used in the method of the present invention for the aorta (solid line) and portal vein (dashed line).

Figuur 4 toont een voorbeeldmatige Gaussiaanse kern die wordt gebruikt in de werkwijze volgens de onderhavige uitvinding als een ellipsoïde (links) en als een warmtekaart (rechts).Figure 4 shows an exemplary Gaussian core used in the method of the present invention as an ellipsoid (left) and as a heat map (right).

Figuur5 toont een voorbeeld van een driedimensionale vormgelijkenisscorekaart in verschillende bovenaanzichten.Figure 5 shows an example of a three-dimensional shape similarity scorecard in various top views.

Figuren 6A en 6B tonen een voorbeeld van de geëxtraheerde ingangsfunctie van de aorta, respectievelijk poortader, op basis van een groter aantal kandidaat-poortadervoxels.Figures 6A and 6B show an example of the extracted aortic and portal vein input function, respectively, based on a larger number of candidate portal vein voxels.

Figuren 7A en 7B tonen een vergelijking voor de ingangsfunctie van de aorta, respectievelijk poortader, wanneer deze wordt gedetecteerd door een deskundige en door de werkwijze volgens de onderhavige uitvinding.Figures 7A and 7B show a comparison for the input function of the aorta and portal vein, respectively, when detected by one of ordinary skill in the art and by the method of the present invention.

Beschrijving van de uitvinding De onderhavige uitvinding zal worden beschreven ten aanzien van specifieke uitvoeringsvormen en met verwijzing naar bepaalde tekeningen, maar de uitvinding wordt hierdoor niet beperkt maar alleen door de conclusies. De beschreven tekeningen zijn alleen schematisch en zijn niet beperkend. Op de tekeningen kan de afmeting van sommige van de elementen overdreven zijn en niet op schaal zijn getekend voor illustratieve doeleinden. De afmetingen en de relatieve afmetingen stemmen niet noodzakelijkerwijs overeen met daadwerkelijke beperkingen voor het in de praktijk toepassen van de uitvinding.Description of the Invention The present invention will be described with reference to specific embodiments and with reference to certain drawings, but the invention is not limited thereto but only by the claims. The drawings described are schematic only and are not limiting. In the drawings, the size of some of the elements may be exaggerated and not drawn to scale for illustrative purposes. The dimensions and relative dimensions do not necessarily correspond to actual limitations on the practice of the invention.

Bovendien worden de termen eerste, tweede, derde en dergelijke in de beschrijving en in de conclusies gebruikt om een onderscheid te maken tussen vergelijkbare elementen en niet noodzakelijkerwijs voor het beschrijven van een opeenvolgende of chronologische volgorde. De termen zijn onder gepaste omstandigheden onderling verwisselbaar en de uitvoeringsvormen van de uitvinding kunnen in andere volgorden werken dan hierin beschreven of geïllustreerd is.In addition, the terms first, second, third and the like are used in the specification and in the claims to distinguish between similar elements and not necessarily to describe a sequential or chronological order. The terms are interchangeable under appropriate circumstances and the embodiments of the invention may operate in orders other than those described or illustrated herein.

Bovendien worden de termen bovenste, onderste, boven, onder en dergelijke in de beschrijving en de conclusies gebruikt voor beschrijvende doeleinden. De zo gebruikte termen zijn onder gepaste omstandigheden onderling verwisselbaar en de uitvoeringsvormen van de hierin beschreven uitvinding kunnen in andere oriëntaties werken dan hierin beschreven of geïllustreerd is.In addition, the terms top, bottom, top, bottom and the like are used in the specification and claims for descriptive purposes. The terms so used are interchangeable under appropriate circumstances, and the embodiments of the invention described herein may operate in orientations other than those described or illustrated herein.

Bovendien dienen verschillende uitvoeringsvormen, alhoewel ernaar wordt verwezen als (de) “voorkeur” (wegdragend), eerder als voorbeeldmatige manieren te worden beschouwd waarop de uitvinding kan worden geïmplementeerd dan als beperkend voor het toepassingsgebied van de uitvinding.In addition, while various embodiments are referred to as "preferred" (referring to them), various embodiments are to be regarded as exemplary ways in which the invention may be implemented rather than limiting the scope of the invention.

Perfusiebeeldvorming is een techniek van medische beeldvorming die tracht de bloedstroom in orgaanweefsel te volgen. De doorgang van bloed vanuit een arteriële toevoer naar veneuze afvoer via de microcirculatie wordt opgetekend en gekwantificeerd. De gegevens worden vastgelegd door het nemen van een reeks scans met lage dosis in plaats van het nemen van een enkele scan met hoge dosis. Daarom kan deze sequentie worden beschouwd als een CT/MR-film. Merk op dat perfusiebeeldvorming niet beperkt is tot CT- of MR-beeldvorming en dat elke medische beeldmodaliteit kan worden gebruikt.Perfusion imaging is a medical imaging technique that attempts to monitor blood flow in organ tissue. The passage of blood from an arterial supply to venous drainage via the microcirculation is recorded and quantified. The data is captured by taking a series of low-dose scans rather than taking a single high-dose scan. Therefore, this sequence can be considered as a CT/MR film. Note that perfusion imaging is not limited to CT or MR imaging and any medical imaging modality can be used.

Voor perfusiebeeldvorming moet een contrastmiddel in de patiënt worden ingespoten tijdens het vastleggen van de sequentie van medische scans. Als zodanig is het mogelijk om de inspuiting (d.w.z. de bolus) door het lichaam te volgen en kan dus worden gezien hoe het contrastmiddel in een bepaald stuk weefsel aankomt en hoe het eruit stroomt.For perfusion imaging, a contrast agent must be injected into the patient while sequencing medical scans. As such, it is possible to follow the injection (i.e. the bolus) through the body and thus see how the contrast agent arrives in a particular piece of tissue and how it flows out.

Perfusiebeeldvorming maakt het bijvoorbeeld mogelijk om de volgende kenmerken van een stuk weefsel te bepalen, namelijk bloedstroom, bloedstroombron, bloedvolume, weefselpermeabiliteit (die indicatief is voor bloedlekkage), bloeduitwisselingsvolume, enz.For example, perfusion imaging makes it possible to determine the following characteristics of a piece of tissue, namely blood flow, blood flow source, blood volume, tissue permeability (which is indicative of blood leakage), blood exchange volume, etc.

Zoals hierboven vermeld, zijn de medische beeldgegevens die bij perfusiebeeldvorming worden gebruikt bewegende beelden. Op dezelfde manier dat speelfilms een sequentie van tweedimensionale (2D) beelden zijn, zijn perfusiegegevens een sequentie van driedimensionale (3D) volumes waarbij naar elke afzonderlijke scan in de sequentie van scans wordt verwezen als een frame. Terwijl beelden 2D-pixels omvatten, omvatten volumetrische scans 3D-voxels (d.w.z. een driedimensionaal volume). In medische beelden, stemt elke voxel dus overeen met een stuk weefsel.As mentioned above, the medical image data used in perfusion imaging is moving images. In the same way that movies are a sequence of two-dimensional (2D) images, perfusion data is a sequence of three-dimensional (3D) volumes where each individual scan in the sequence of scans is referred to as a frame. While images include 2D pixels, volumetric scans include 3D voxels (i.e., a three-dimensional volume). Thus, in medical images, each voxel corresponds to a piece of tissue.

Toch is het bij het nemen van een sequentie van volumetrische scans niet verzekerd dat een voxel op tijdstip to met hetzelfde weefsel op tijdstip t: overeenstemt. Inademen bijvoorbeeld drukt een aantal organen samen terwijl de longen zich uitzetten, organen kunnen naar beneden worden geduwd enz. Om hiermee rekening te houden, wordt elk volume afgebeeld op een afzonderlijk referentieframe om te proberen te verzekeren dat elke voxel in elk volume met hetzelfde weefsel overeenstemt. Dit proces wordt beeldregistratie genoemd (ook bekend als bewegingscompensatie of bewegingsuitrichting). Na de beeldregistratiestap, stemt elke voxel in elk volume bij benadering overeen met hetzelfde weefsel, en wordt een tiidssequentie voor een afzonderlijk stuk weefsel verkregen. Typisch worden bijkomende voorverwerkingsstappen (bijv. ontruisen) uitgevoerd, maar deze zijn niet vereist. Na beeldregistratie heeft elke voxel een ermee geassocieerde tijdskromme. Daarom wordt vaak naar de gegevens in perfusiebeeldvorming verwezen als 3D+t-gegevens of vierdimensionale (4D-) gegevens.Still, sequencing volumetric scans does not ensure that a voxel at time to corresponds to the same tissue at time t: . For example, inhalation compresses a number of organs as the lungs expand, organs can be pushed down, etc. To account for this, each volume is mapped to a separate reference frame to try to ensure that each voxel in each volume corresponds to the same tissue . This process is called image registration (also known as motion compensation or motion alignment). After the image registration step, each voxel in each volume corresponds approximately to the same tissue, and a time sequence for an individual piece of tissue is obtained. Typically, additional pre-processing steps (e.g., decluttering) are performed, but are not required. After image registration, each voxel has an associated time curve. Therefore, the data in perfusion imaging is often referred to as 3D+t data or four-dimensional (4D-) data.

Een farmacokinetisch model karakteriseert de bloedstroom in een stuk weefsel. Er bestaan verschillende modellen aangezien er veel typen weefsel zijn. Figuur 1 illustreert drie typen van modellen, maar er bestaan er veel meer. Eén onderscheidende factor tussen modellen is het aantal ingangsfuncties. De longen hebben bijvoorbeeld een enkele ingangsfunctie (d.w.z. de aorta) terwijl de lever twee ingangsaders (d.w.z.A pharmacokinetic model characterizes the blood flow in a piece of tissue. There are different models as there are many types of fabric. Figure 1 illustrates three types of models, but many more exist. One distinguishing factor between models is the number of input functions. For example, the lungs have a single input function (i.e., the aorta) while the liver has two input arteries (i.e., the aorta).

de aorta en de poortader) heeft. Merk op dat deze modellen niet afhangen van de gebruikte beeldmodaliteit aangezien deze modellen typisch in een eenheid van contrastmiddelconcentratie worden uitgedrukt. Het farmacokinetische model wordt in combinatie met de ingangsfunctie gebruikt om perfusieparameters te extraheren.the aorta and the portal vein). Note that these models do not depend on the image modality used as these models are typically expressed in a unit of contrast agent concentration. The pharmacokinetic model is used in combination with the input function to extract perfusion parameters.

De onderhavige uitvinding zal hoofdzakelijk worden beschreven met verwijzing naar figuur2 die een stroomschema illustreert van de werkwijze 100 voor het schatten van een ingangsfunctie van een bloedader op basis van een sequentie van driedimensionale volumetrische scanbeelden 10. De werkwijze zal uitvoerig worden beschreven met verwijzing naar de leverpoortader, maar de werkwijze is op gelijke wijze toepasbaar op andere bloedaders. Als een eerste stap ondergaat de scanbeeldsequentie voorverwerking in stap 20. Deze voorverwerking omvat ten minste de hierboven beschreven beeldregistratie zodat elke voxel bij benadering met hetzelfde weefsel overeenstemt doorheen de tiidssequentie.The present invention will be mainly described with reference to Figure 2 which illustrates a flow chart of the method 100 for estimating an input function of a blood vein based on a sequence of three-dimensional volumetric scan images 10. The method will be described in detail with reference to the portal vein of the liver. , but the method is equally applicable to other blood veins. As a first step, the scan image sequence undergoes pre-processing in step 20. This pre-processing includes at least the image registration described above so that each voxel corresponds approximately to the same tissue throughout the time sequence.

Een andere stap binnen de voorverwerking 20 kan beeldsegmentering zijn, waarbij een labelkaart voor elk beeld wordt gecreëerd zodanig dat elke voxel aan een afzonderlijk label wordt toegewezen. Deze labels stemmen gewoonlijk overeen met het type object waarmee de voxel is geassocieerd, zoals een orgaan (bijv. de lever, het hart, enz.) of een bloedader (bijv. de poortader, de aorta, enz.). Bij de leverpoortader echter zijn huidige segmenteerwerkwijzen relatief onnauwkeurig en krijgen ze een Dice-score (een indicatie van de relatieve overlap van de segmentering en de natuurgetrouwheid) van 0,8, hetgeen laag is vergeleken met Dice-scores van de lever (0,94) of de milt (0,96) (zie Ibragimov, B., et al. Combining deep learning with anatomical analysis for segmentation of the portal vein for liver SBRT planning, Physics in Medicine & Biology, 62(23), 8943-8958, doi: 10.1088/1361-6560/aa9262). Als zodanig is poortadersegmentering niet erg nauwkeurig, maar kan het toch helpen bij het verbeteren van de schatting van de ingangsfunctie. Het kan bijvoorbeeld het aantal voxels waarmee rekening moet worden gehouden verlagen. Een ander voordeel van de beeldsegmentering is dat het deel van de poortader dat de lever binnentreedt relatief welbekend is aangezien de beeldsegmentering van de lever relatief nauwkeurig is. Bovendien, kan het begrenzingskader rond de lever, dat ook deel van de beeldsegmentering kan uitmaken, ook de werkwijze 100 volgens de onderhavige uitvinding verbeteren. Gelieve op te merken dat beeldsegmentering optioneel is. De werkwijze 100 volgens de onderhavige uitvinding vereist geen kennis van de lever en/of de poortader.Another step within the pre-processing 20 may be image segmentation, where a label map is created for each image such that each voxel is assigned a separate label. These labels usually correspond to the type of object with which the voxel is associated, such as an organ (e.g., liver, heart, etc.) or a blood vein (e.g., portal vein, aorta, etc.). However, in the portal hepatic vein, current segmentation methods are relatively imprecise and give a Dice score (indicative of the relative overlap of segmentation and fidelity) of 0.8, which is low compared to Dice scores of the liver (0.94 ) or the spleen (0.96) (see Ibragimov, B., et al. Combining deep learning with anatomical analysis for segmentation of the portal vein for liver SBRT planning, Physics in Medicine & Biology, 62(23), 8943-8958 , doi: 10.1088/1361-6560/aa9262). As such, portal vein segmentation is not very accurate, but it can still help improve the estimation of the input function. For example, it can decrease the number of voxels to consider. Another advantage of the image segmentation is that the portion of the portal vein entering the liver is relatively well known since the image segmentation of the liver is relatively accurate. In addition, the bounding box around the liver, which may also be part of the image segmentation, can also enhance the method 100 of the present invention. Please note that image segmentation is optional. The method 100 of the present invention does not require knowledge of the liver and/or portal vein.

Het eindresultaat van de voorverwerking 20 is een geregistreerde sequentie van driedimensionale volumetrische scanbeelden 30. Deze geregistreerde sequentie 30 vormt (deel van) de ingangsgegevens voor de werkwijze 100 volgens de onderhavige uitvinding. Als zodanig, zal het worden gewaardeerd dat de voorverwerking 20 geheel afzonderlijk van de werkwijze 100 volgens de onderhavige uitvinding kan worden gedaan.The end result of the pre-processing 20 is a recorded sequence of three-dimensional volumetric scan images 30. This recorded sequence 30 forms (part of) the input data for the method 100 according to the present invention. As such, it will be appreciated that the preprocessing 20 can be done entirely separately from the method 100 of the present invention.

De werkwijze 100 volgens de onderhavige uitvinding steunt ook op een referentie-ingangsfunctie 60. De referentie-ingangsfunctie 60 is een ééndimensionale (1D-) tijdreeks die het contrastmiddel beschrijft dat in het orgaan van belang wordt ingebracht. De referentie-ingangsfunctie 60 kan worden verkregen door een aantal verschillende werkwijzen en de precieze werkwijze is niet essentieel voor de werkwijze 100 volgens de onderhavige uitvinding. Eén voorbeeldmatige wijze van het verkrijgen van de referentie-The method 100 of the present invention also relies on a reference input function 60. The reference input function 60 is a one-dimensional (1D) time series describing the contrast agent being introduced into the organ of interest. The reference input function 60 can be obtained by a number of different methods and the precise method is not essential to the method 100 of the present invention. One exemplary way of obtaining the reference

ingangsfunctie 60 wordt hieronder beschreven en resultaten van deze werkwijze worden geïllustreerd in figuur3 waar de referentie- ingangsfunctie 60 wordt getoond voor de aorta (doorlopende lijn) en voor de leverpoortader (streepjeslijn).input function 60 is described below and results of this method are illustrated in Figure 3 where the reference input function 60 is shown for the aorta (solid line) and for the portal hepatic vein (dashed line).

De referentie-ingangsfunctie 60 kan uit historische gegevens 50 worden verkregen — een referentiepopulatie-ingangsfunctie wordt in het bijzonder geëxtraheerd uit een aantal patiënten. Neem aan dat er P patiënten zijn, waarbij elke patiënt wordt geassocieerd met een groep tiidreeksvectoren Xi, waarbij elke tijdreeksvector T monsters heeft. Merk op dat elke patiënt op een verschillende wijze kan zijn bemonsterd. Daarom worden alle monsters uitgedrukt als hun absolute tijd in seconden, die wordt gecompenseerd met een vertragingswaarde per patiënt. We komen dus uit op een vertragingsvector di. Een analytisch model van de ingangsfunctie wordt aangepast op alle tijdreeksvectoren. Een mogelijk model wordt beschreven in Parker, G.J., et al. Experimentally-derived functional form for een population-averaged high-temporal-resolution arterial input function for dynamic contract-enhanced MRI, Magnetic Resonance in Medicine, 56(5), 993-1000, doi: 10.1002/mrm.21066 en bestaat uit een mengsel van twee Gaussiaanse verdelingen met een exponentiële verdeling gemoduleerd met een sigmoïdefunctie: CIE = Sn An expf—{ Tei) + erp EO + epf—sût — THH Het aanpassen gebeurt door het optimaliseren van de groep parameters Opp = {di da Ay Aa 7,72, 5,7.) Om de aanpassingsfout te minimaliseren. Verschillende optimalisatiewerkwijzen zijn mogelijk, bijv.The reference input function 60 can be obtained from historical data 50 - a reference population input function is typically extracted from a number of patients. Assume that there are P patients, each patient being associated with a group of time series vectors Xi, each time series vector having T samples. Note that each patient may have been sampled differently. Therefore, all samples are expressed as their absolute time in seconds, which is compensated with a delay value per patient. So we arrive at a delay vector di. An analytical model of the input function is fitted to all time series vectors. A possible model is described in Parker, G.J., et al. Experimentally-derived functional form for a population-averaged high-temporal-resolution arterial input function for dynamic contract-enhanced MRI, Magnetic Resonance in Medicine, 56(5), 993- 1000, doi: 10.1002/mrm.21066 and consists of a mixture of two Gaussian distributions with an exponential distribution modulated with a sigmoid function: CIE = Sn An expf—{ Tei) + erp EO + epf—sût — THH The fitting is done by optimizing the group of parameters Opp = {di da Ay Aa 7.72, 5.7.) To minimize the adjustment error. Various optimization methods are possible, e.g.

aanpassing op grond van de gradiëntafdelingsmethode (gradient descent) of de kleinste kwadratenmethode (least squares optimization). Een voordeel van deze benadering is dat de referentiepopulatie-ingangsfunctie analytisch is en dus op elk moment kan worden bemonsterd.adjustment based on the gradient division method (gradient descent) or the least squares method (least squares optimization). An advantage of this approach is that the reference population input function is analytical and thus can be sampled at any time.

Het zal worden gewaardeerd dat andere werkwijzen mogelijk zijn om de referentie-ingangsfunctie af te leiden (bijv. steunen op werkwijzen van kunstmatige intelligentie, vergelijkende tabellen, enz.) en dat de referentie- ingangsfunctie niet analytisch hoeft te zijn.It will be appreciated that other methods are possible to derive the reference input function (e.g. relying on artificial intelligence methods, comparative tables, etc.) and that the reference input function need not be analytic.

De werkwijze 100 volgens de onderhavige uitvinding steunt ook op ruimtelijke informatie 70 van de onderzochte bloedader. Bloedvaten hebben vaak typische oriëntatie en spreiding in het lichaam. De aorta bijvoorbeeld is een lang bloedvat dat zich min of meer uitricht met de ruggengraat. De ruimtelijke informatie 70 kan op verschillende manieren worden voorgesteld en door een aantal verschillende werkwijzen worden verkregen en de precieze voorstelling en werkwijze is niet essentieel voor de werkwijze 100 volgens de onderhavige uitvinding. Eén voordbeeldmatige manier van het voorstellen en verkrijgen van de ruimtelijke informatie 70 wordt hieronder beschreven en resultaten van deze werkwijze worden in figuur 4 geïllustreerd waar een Gaussiaanse kern wordt gebruikt om de vorm van de leverpoortader voor te stellen zowel als een ellipsoïde op de linkerkant van figuur 4 als een warmtekaart op de rechterkant van figuur 4.The method 100 of the present invention also relies on spatial information 70 of the examined blood vein. Blood vessels often have typical orientation and distribution in the body. For example, the aorta is a long blood vessel that more or less aligns with the spine. The spatial information 70 can be represented in various ways and obtained by a number of different methods and the precise representation and method is not essential to the method 100 of the present invention. One exemplary way of representing and obtaining the spatial information 70 is described below and results of this method are illustrated in Figure 4 where a Gaussian core is used to represent the shape of the hepatic portal vein as well as an ellipsoid on the left side of Figure 4 as a heat map on the right side of figure 4.

Eén werkwijze van het uitdrukken van de ruimtelijke informatie van een bloedader is door zijn oriëntatie en zijn spreiding. Deze kunnen worden voorgesteld als een 3D-Gaussiaanse kern met een 3D-locatie u € R* en een covariantiematrix R € R3%3. In dit geval stelt de covariantiematrix de oriëntatie en de spreiding van een ader voor. Het zal echter gemakkelijk worden gewaardeerd dat ook een andere 3D-kern (d.w.z. niet-Gaussiaans) kan worden gebruikt om de oriëntatie en de spreiding van een onderzochte ader voor te stellen. Bovendien, kan de oriëntatie en de spreiding van een onderzochte ader ook door elke geometrische 3D-vorm worden voorgesteld die bijvoorbeeld op een benadering van de exacte anatomische vorm van de ader gebaseerd kan zijn.One method of expressing the spatial information of a blood vein is through its orientation and its spread. These can be represented as a 3D Gaussian core with a 3D location u € R* and a covariance matrix R € R3%3. In this case, the covariance matrix represents the orientation and spread of a vein. However, it will be readily appreciated that another 3D core (i.e., non-Gaussian) can also be used to represent the orientation and spread of an examined vein. In addition, the orientation and distribution of an examined vein can also be represented by any 3D geometric shape that can be based, for example, on an approximation of the exact anatomical shape of the vein.

Eén werkwijze van het verkrijgen van de ruimtelijke informatie is gebaseerd op historische gegevens 50 — in het bijzonder wordt de covariantiematrix (of meer algemeen de 3D-kern) uit een aantal patiënten geëxtraheerd. Neem aan dat er P patiënten zijn en dat een gesegmenteerd driedimensionaal volumetrisch scanbeeld voor elke patiënt beschikbaar is, waarbij het scanbeeld dezelfde bloedader in elke patiënt voorstelt. Een binaire parameter bx stelt voor of voxel k met coördinaat Ck al of niet deel (of niet) van de bloedader in elk gesegmenteerd scanbeeld uitmaakt. De driedimensionale covariantiematrix COV,op wordt berekend door Pt CV Dan = 3 vov, /F iz=Ù waarbij COV; = Q"Q, waarbij Q een Kx3 matrix is, waarbij elke rij q, wordt berekend uit: ès = Er 7 #À ; en waarbij u wordt berekend uit:One method of obtaining the spatial information is based on historical data 50 - specifically, the covariance matrix (or more generally the 3D core) is extracted from a number of patients. Assume that there are P patients and that a segmented three-dimensional volumetric scan image is available for each patient, the scan image representing the same blood vein in each patient. A binary parameter bx represents whether or not voxel k of coordinate Ck is part (or not) of the blood vein in each segmented scan image. The three-dimensional covariance matrix COV,op is calculated by Pt CV Dan = 3 vov, /F iz=Ù where COV; = Q"Q, where Q is a Kx3 matrix, where each row q, is calculated from: ès = Er 7 #À ; and where u is calculated from:

EN == > brei Ruf , waarbij s het aantal voxels is waarvoor b, = 1. Het zal worden gewaardeerd dat andere werkwijzen mogelijk zijn om de ruimtelijke informatie (bijv. steunen op een lichaamsatlas die de ader beschrijft) af te leiden en dat de ruimtelijke informatie niet als een covariantiematrix dient te worden uitgedrukt.EN == > knit Ruf , where s is the number of voxels for which b, = 1. It will be appreciated that other methods are possible to derive the spatial information (e.g., rely on a body atlas describing the vein) and that the spatial information should not be expressed as a covariance matrix.

De geregistreerde sequentie van driedimensionale volumetrische scanbeelden 30, de referentie- (populatie) ingangsfunctie 60, en de ruimtelijke informatie 70, vormen de ingangsgegevens voor de werkwijze 100 volgens de onderhavige uitvinding.The recorded sequence of three-dimensional volumetric scan images 30, the reference (population) input function 60, and the spatial information 70 constitute the input data to the method 100 of the present invention.

Een eerste stap in de werkwijze 100 volgens de onderhavige uitvinding is om een meerderheid van voxels op basis van semi- kwantitatieve beschrijvende tijdreekskenmerken uit te sluiten (stap 110).A first step in the method 100 of the present invention is to exclude a majority of voxels based on semi-quantitative descriptive time series features (step 110).

Dergelijke kenmerken worden bijvoorbeeld geopenbaard in Cuenod, C. A.,Such features are disclosed, for example, in Cuenod, C. A.,

et al.et al.

Perfusion and vascular permeability: Basic concepts and measurement in DCE-CT and DCE-MRI, In Diagnostic and Interventional Imaging, 94(12), 1187-1204, doi:10.1016/j.diii.2013.10.010. Het is meer specifiek bekend dat de ingangsfunctie afhankelijk van de onderzochte bloedader aan een aantal criteria moet voldoen.Perfusion and vascular permeability: Basic concepts and measurement in DCE-CT and DCE-MRI, In Diagnostic and Interventional Imaging, 94(12), 1187-1204, doi:10.1016/j.diii.2013.10.010. More specifically, it is known that the input function must meet a number of criteria depending on the blood vein examined.

Het is bijvoorbeeld bekend dat de piek van de kromme binnen een vooraf bepaald tijdsinterval moet liggen en/of dat de piekwaarden in een of ander vooraf bepaald bereik moeten liggen en/of dat waarden boven een minimale waarde moeten liggen, enz.For example, it is known that the peak of the curve must be within a predetermined time interval and/or that the peak values must be in some predetermined range and/or that values must be above a minimum value, etc.

Voorts, als de segmenteringskaart van de lever bekend is,Furthermore, if the liver segmentation map is known,

kunnen vervolgens alle voxels die met de lever overeenstemmen worden uitgesloten (bijv. op basis van het leverbegrenzingskader). Ingeval de ingangsfunctie van de aorta al werd bepaald, kan deze informatie bovendien ook worden gebruikt om voxels voor de bepaling van de ingangsfunctie van de poortader uit te sluiten als het bekend is dat de piek van de ingangsfunctie van de poortader na de piek van de ingangsfunctie van de aorta plaatsvindt.then all voxels that correspond to the liver can be excluded (e.g. based on the liver boundary box). In addition, in case the aortic input function has already been determined, this information can also be used to exclude voxels for the determination of the portal vein input function if it is known that the peak of the portal vein input function is after the peak of the input function of the aorta occurs.

Als een voorbeeld kunnen deze criteria in geval van de leverpoortader, als volgt worden geformuleerd:As an example, in case of the portal vein, these criteria can be formulated as follows:

- Het uitsluiten van voxelkrommes met een Houndsfield- piekeenheid- (HU) waarde buiten het bereik [100, 425] HU. - Het uitsluiten van voxelkrommes met een minimale waarde kleiner dan -50 HU. - De piek van de voxelkromme moet binnen de eerste minuut vallen. - De piek van de ingangsfunctie van de poortader moet zich ten minste 5 seconden na de piek van de ingangsfunctie van de aorta voordoen.- Excluding voxel curves with a Houndsfield peak unit (HU) value outside the range [100, 425] HU. - Excluding voxel curves with a minimum value less than -50 HU. - The peak of the voxel curve must fall within the first minute. - The peak of portal vein input function should occur at least 5 seconds after the peak of aortic input function.

Het voordeel van deze voxel-uitsluitingsstap 110 is dat hij de computationele complexiteit sterk vermindert aangezien typisch meer dan 95 % voxels uit deze stap worden uitgesloten.The advantage of this voxel exclusion step 110 is that it greatly reduces computational complexity as typically more than 95% voxels are excluded from this step.

Bovendien verbetert hij ook de nauwkeurigheid van de oplossing aangezien een aantal tijdreeksen wordt uitgesloten.In addition, it also improves the accuracy of the solution as a number of time series are excluded.

Het zal echter worden gewaardeerd dat de voxel-However, it will be appreciated that the voxel

uitsluitingsstap 110 optioneel is en dat de werkwijze 100 op de volledige groep beschikbare voxels kan worden uitgevoerd.exclusion step 110 is optional and that the method 100 can be performed on the full set of available voxels.

Als een tweede stap in de werkwijze 100 volgens de onderhavige uitvinding, wordt een tijdreeks geëxtraheerd (stap 120) voor elke voxel op basis van de geregistreerde sequentie van driedimensionale volumetrische scanbeelden 30. Deze stap kan worden uitgevoerd door het lezen van de geregistreerde sequentie van driedimensionale volumetrische scanbeelden 30 en/of het opslaan van de tijdreeks in een geheugen.As a second step in the method 100 of the present invention, a time series is extracted (step 120) for each voxel based on the recorded sequence of three-dimensional volumetric scan images 30. This step can be performed by reading the recorded sequence of three-dimensional volumetric scan images 30 and/or storing the time series in a memory.

Als een derde stap in de werkwijze 100 volgens de onderhavige uitvinding, wordt elke tijdreeks met de referentie-ingangsfunctie 60 vergeleken (stap 130). Het doel van stap 130 is om elke voxel een score te geven op basis van hoe goed ze gelijken op de referentie- ingangsfunctie 60. Elke tijdreeks-afstandsmetriek zou in deze stap kunnen worden gebruikt, zoals de gewoonlijk gebruikte genormaliseerde kruiscorrelatie- (Normalized Cross-Correlation, NCC-) metriek zoals beschreven in Paparrizos, J., et al. k-Shape: Efficient and accurate clustering of timeseries, Proceedings of the 2015 acm sigmod international conference on management of data — sigmod 15, New York, USA, ACM Press, doi: 10.1145/2723375.2737793. De maximale afstand tussen twee curven is 1 en een afstand van nul wijst erop dat twee tijdreeksen identiek zijn. Alle voxels die in stap 110 waren uitgesloten worden verondersteld om afstand 1 te hebben. Het zal gemakkelijk worden gewaardeerd dat andere metrieken kunnen worden gebruikt of dat de metriek ook kan worden vervangen door een classificator voor een systeem voor machineleren dat werd getraind op een voorbeeldgegevensgroep.As a third step in the method 100 according to the present invention, each time series is compared with the reference input function 60 (step 130). The purpose of step 130 is to score each voxel based on how well they match the reference input function 60. Any time series distance metric could be used in this step, such as the commonly used normalized cross-correlation (Normalized Cross- Correlation, NCC-) metric as described in Paparrizos, J., et al. k-Shape: Efficient and accurate clustering of timeseries, Proceedings of the 2015 acm sigmod international conference on management of data — sigmod 15, New York, USA, ACM Press, doi: 10.1145/2723375.2737793. The maximum distance between two curves is 1, and a distance of zero indicates that two time series are identical. All voxels excluded in step 110 are assumed to have distance 1. It will be readily appreciated that other metrics can be used or that the metric can also be replaced with a classifier for a machine learning system trained on a sample data set.

In stap 130 wordt de verkregen afstand ook in een vormgelijkenisscore van elke voxel omgezet. Dit kan worden gedaan door het gebruiken van de waarschijnlijkheidsdichtheidsfunctie van de Gaussiaanse verdeling. In het bijzonder wordt het Gaussiaanse verdelingscentrum IUsnape op de minimale afstandswaarde geplaatst en wordt een lage vooraf gedefinieerde standaardafwijking (bijv. Oshape = 0,1) gebruikt. Mathematisch kan dit worden uitgedrukt als const = tt shape VF SCOTEshape {A} = coust x exp (05 (Cte ) ) | TFehape 7 | waarbij Oshape een vooraf gedefinieerde standaardafwijking is en Usnape de minimale afstand is die op grond van de genormaliseerde kruiscorrelatiematriek wordt verkregen. De waarde ‘const’ is opgenomen voor doeleinden van numerieke stabiliteit, maar kan ook op één worden ingesteld. Als zodanig, zal de minimale afstand resulteren in een maximale score en vervalt de score exponentieel met hogere vormafstand. Merk op dat de conversie van een afstand naar een score op vele manieren zou kunnen worden gedaan. Het is bijvoorbeeld ook mogelijk om in plaats van de Gaussiaanse verdeling, de conversie op de waarschijnlijkheidsdichtheidsfunctie van elke (d.w.z. niet-Gaussiaans) radiale basisfunctie of andere functies te baseren.In step 130, the obtained distance is also converted to a shape similarity score of each voxel. This can be done using the probability density function of the Gaussian distribution. In particular, the Gaussian distribution center IUsnape is placed at the minimum distance value and a low predefined standard deviation (e.g. Oshape = 0.1) is used. Mathematically, this can be expressed as const = tt shape VF SCOTEshape {A} = coust x exp (05 (Cte ) ) | TFehape 7 | where Oshape is a predefined standard deviation and Usnape is the minimum distance obtained from the normalized cross-correlation metric. The value 'const' is included for numerical stability purposes, but can also be set to one. As such, the minimum distance will result in a maximum score and the score decays exponentially with higher shape distance. Note that the conversion from a distance to a score could be done in many ways. For example, instead of using the Gaussian distribution, it is also possible to base the conversion on the probability density function of any (i.e., non-Gaussian) radial basis function or other functions.

Het resultaat van stap 130 is een driedimensionale vormgelijkenisscorekaart 140 waarbij elke (niet-uitgesloten) voxel met een score wordt geassocieerd die aangeeft hoe vergelijkbaar zijn tijdreekscurve is met de referentie-ingangsfunctie 60. Een voorbeeld van een driedimensionale vormgelijkenisscorekaart 140 wordt in figuur 5 getoond waarbij het centrale omcirkelde gebied dat zwarte voxels omvat de poortader voorstelt. Figuur 5 toont echter dat andere structuren ook een hoge vormvergelijkbaarheidsscore hebben, bijv. de nieren waar een kruis over werd getrokken.The result of step 130 is a three-dimensional shape-likeness scorecard 140 in which each (non-excluded) voxel is associated with a score indicating how similar its time series curve is to the reference input function 60. An example of a three-dimensional shape-likeness scorecard 140 is shown in Figure 5 where the central circled area encompassing black voxels represents the portal vein. However, Figure 5 shows that other structures also have a high shape similarity score, e.g. the kidneys that were crossed over.

Als een vierde stap in de werkwijze 100 volgens de onderhavige uitvinding, wordt de centrumlocatie Uupy van de bloedader geschat (stap 150) op grond van de vormgelijkenisscorekaart 140 en de ruimtelijke informatie 70. Dit kan in het algemeen worden gedaan door het aanpassen van de 3D-vorm, in het bijzonder de 3D-kern, (die representatief is voor de oriëntatie en de spreiding van de bloedader) op de driedimensionale vormgelijkenisscorekaart 140 door het gebruiken van een optimalisatietechniek. In wat volgt wordt een specifiek voorbeeld gegeven over hoe de centrumlocatie upy van de bloedader wordt geschat.As a fourth step in the method 100 according to the present invention, the center location Uupy of the blood vein is estimated (step 150) from the shape similarity scorecard 140 and the spatial information 70. This can generally be done by adjusting the 3D shape, in particular the 3D core, (representative of the orientation and distribution of the blood vein) on the three-dimensional shape similarity scorecard 140 using an optimization technique. In what follows, a specific example is given on how the center location upy of the blood vein is estimated.

De vaste populatie-covariantiematrix COV,op wordt gebruikt om een Gaussiaanse 3D-kern op de vormscorekaart aan te passen door het gebruiken van maximale waarschijnlijkheidsoptimalisatie. De optimalisatiewerkwijze is een aanpassing van het verwachting- maximalisatie-algoritme (expectation-maximization algorithm) geopenbaard in Moon, T., The expectation-maximization algorithm, IEEE Signal Processing Magazine, 13(6), 47-60, doi: 10.1109/79.543975. De te optimaliseren parameter is de 3D-coördinaat van het poortadercentrum Upy € R3. Elke initiële waarde kan worden gekozen, maar het centrum van het begrenzingskader van de kaart van de leversegmentering (indien beschikbaar), vormt gewoonlijk een goed startpunt aangezien dit wordt verwacht om dicht bij het poortadercentrum te liggen. Het streefdoel is om de samengevoegde waarschijnlijkheid van de 3D-coördinaten en 1D- vormscores te maximaliseren zodanig dat de optimalisatiewerkwijze in een 4D-ruimte werkt. De Gaussiaanse 3D-kern wordt met andere woorden in de 4D-ruimte rondbewogen die naar de locatie loopt waar de waarschijnlijkheid van de Gaussiaanse kern en de 4D-gegevens maximaal is. Deze optimalisatie probeert dus een regio te vinden die twee eigenschappen heeft: (1) heeft hoge vormvergelijkbaarheidsscores, en (2) heeft zelfde spreiding en oriëntatie als de covariantie.The fixed population covariance matrix COV,op is used to fit a Gaussian 3D core on the shape scorecard using maximum probability optimization. The optimization method is an adaptation of the expectation-maximization algorithm disclosed in Moon, T., The expectation-maximization algorithm, IEEE Signal Processing Magazine, 13(6), 47-60, doi: 10.1109/79.543975 . The parameter to be optimized is the 3D coordinate of the portal vein center Upy € R3. Any initial value can be chosen, but the center of the liver segmentation map bounding box (if available) is usually a good starting point as it is expected to be close to the portal vein center. The goal is to maximize the aggregated probability of the 3D coordinates and 1D shape scores such that the optimization method operates in 4D space. In other words, the Gaussian 3D core is moved around in the 4D space leading to the location where the probability of the Gaussian core and the 4D data is maximum. This optimization thus tries to find a region that has two properties: (1) has high shape similarity scores, and (2) has the same spread and orientation as the covariance.

Eén efficiënte manier om dit te doen is om het poortadercentrum en de populatie-covariantiematrix op de 4D-ruimte op een computationeel efficiënte manier te verhogen. De bedoeling is om de optimalisatie te beperken om alleen de parameterzoekruimte te exploreren waar de vormscore maximaal is, dus de 4° dimensie van de verhoogde u = 1,0 wordt vastgelegd. De covariantiematrix wordt verhoogd om een smalle spreiding te hebben langs de dimensie van de vormvergelijkbaarheidsscore:One efficient way to do this is to increase the portal vein center and the population covariance matrix on 4D space in a computationally efficient manner. The intent is to limit the optimization to only explore the parameter search space where the shape score is maximum, so the 4° dimension of the incremented u = 1.0 is captured. The covariance matrix is increased to have a narrow spread along the dimension of the shape similarity score:

G Aer COV pop 0 COV pop == Q | 0 0 0 01 Als zodanig zullen de voxels die de hoogste scores hebben hogere waarschijnlijkheid produceren vergeleken met voxels met lagere scores. Door de covariantiematrix vast te houden tijdens de optimalisatie, wordt het algoritme gestuurd om oplossingen te vinden waarin deze oriëntatie het beste past. Als zodanig wordt de complexe anatomie van de poortader op een computationeel efficiënte manier opgenomen. De rest van de nadere gegevens van het optimalisatie-algoritme stemmen met het standaard verwachting-maximalisatie-algoritme (expectation-maximization algorithm) overeen en zullen niet verder worden beschreven.G Aer COV pop 0 COV pop == Q | 0 0 0 01 As such, the voxels with the highest scores will produce higher probability compared to voxels with lower scores. By holding the covariance matrix during the optimization, the algorithm is directed to find solutions in which this orientation best fits. As such, the complex anatomy of the portal vein is recorded in a computationally efficient manner. The rest of the details of the optimization algorithm correspond to the standard expectation-maximization algorithm and will not be described further.

Het zal gemakkelijk worden gewaardeerd dat de optimalisatiestap 150 ook kan worden vervangen door een systeem voor machineleren dat automatisch het poortadercentrum schat op basis van de 3D+t-gegevens nadat het werd getraind op een voorbeeldgegevensgroep. Het resultaat van stap 150 is een driedimensionale coördinaat van de centrumlocatie upy van de bloedader. Deze coördinaat wordt samen met de covariantiematrix gebruikt om de Gaussiaanse 3D-kern volledig te definiëren om een volledige voorstelling van de locatie, oriëntatie en spreiding van de onderzochte bloedader te vormen. Meer in het algemeen definieert de centrumlocatie van de bloedader samen met de ruimtelijke informatie (d.w.z. de oriëntatie en spreiding van de bloedader) de verwachte locatie van de bloedader in de geregistreerde sequentie 30. De volgende stap in de werkwijze 100 volgens de onderhavige uitvinding is om de locatiescore scorejocation(k) voor elke voxel te berekenen (stap 160). In een voorbeeldmatige uitvoeringsvorm wordt deze berekening gedaan op grond van de coördinaten van elke voxel en gebruikt deze de standaard multivariate waarschijnlijkheidsdichtheidsfunctie van de multivariate Gaussiaanse verdeling zoals in de volgende vergelijking: SCOYÉtaeation Z (ar) 8 det(COVpon) * 7 {Cn pp) COV pop (er Tb Merk op dat de berekening van de locatiescore ook op andere wijzen kan gebeuren. In plaats van de Gaussiaanse verdeling, is het bijvoorbeeld ook mogelijk om de berekening te baseren op de waarschijnlijkheidsdichtheidsfunctie van elke (d.w.z. niet-Gaussiaanse) radiale basisfunctie of andere functie.It will be readily appreciated that the optimization step 150 can also be replaced by a machine learning system that automatically estimates the portal vein center based on the 3D+t data after it has been trained on a sample data set. The result of step 150 is a three-dimensional coordinate of the center location upy of the blood vein. This coordinate is used together with the covariance matrix to fully define the Gaussian 3D core to form a complete representation of the location, orientation and distribution of the examined blood vein. More generally, the center location of the blood vein together with the spatial information (i.e., the orientation and distribution of the blood vein) defines the expected location of the blood vein in the recorded sequence 30. The next step in the method 100 of the present invention is to calculate the location score scorejocation(k) for each voxel (step 160). In an exemplary embodiment, this calculation is made from the coordinates of each voxel and uses the standard multivariate probability density function of the multivariate Gaussian distribution as in the following equation: SCOYÉtaeation Z (ar) 8 det(COVpon) * 7 {Cn pp) COV pop (er Tb Note that the calculation of the location score can also be done in other ways. For example, instead of the Gaussian distribution, it is also possible to base the calculation on the probability density function of any (i.e. non-Gaussian) radial basis function or other function.

Het resultaat van stap 160 is dat elke voxel met een locatiescore wordt geassocieerd bovenop zijn vormgelijkenisscore. Deze beide scores worden vervolgens gecombineerd in stap 170 om een eindscore van elke voxel te genereren. Dit kan in het bijzonder worden gedaan door het vermenigvuldigen van de vormvergelijkbaarheidsscore en de locatiescore voor elke voxel. Deze eindscores kunnen worden genormaliseerd zodat de som van alle eindscores één is, hetgeen betekent dat deze eindscores als gewichten kunnen worden beschouwd. Er zijn natuurlijk andere werkwijzen mogelijk van het combineren van de locatiescore en de vormgelijkenisscore en het afleiden van een gewicht daaruit en ze kunnen het aanmoedigen van één score (bijv. vormvergelijkbaarheidsscore) boven de andere score (bijv. locatiescore) en/of het gebruiken van een andere normalisering omvatten.The result of step 160 is that each voxel is associated with a location score in addition to its shape similarity score. Both of these scores are then combined in step 170 to generate a final score of each voxel. In particular, this can be done by multiplying the shape similarity score and the location score for each voxel. These final scores can be normalized so that the sum of all final scores is one, which means that these final scores can be regarded as weights. There are, of course, other methods of combining the location score and the shape similarity score and deriving a weight from them and they may encourage one score (e.g. shape similarity score) over the other score (e.g. location score) and/or using include another normalization.

Als een eindstap in de werkwijze 100 volgens de onderhavige uitvinding, wordt een gewogen gemiddelde (door het gebruiken van de gewichten in stap 170) van alle voxels berekend (stap 180). Daarom zal een tijdreeks die vergelijkbaar van vorm is met de referentie-ingangsfunctie en zich dicht bij het geschatte bloedadercentrum bevindt een hoge bijdrage ontvangen en een tijdreeks die verschillend is van de referentie- ingangsfunctie en/of zich ver weg van het geschatte bloedadercentrum bevindt een lage bijdrage ontvangen. Dit gewogen gemiddelde vormt de geschatte ingangsfunctie en twee voorbeelden worden getoond in Figuren 6A en 6B, respectievelijk voor de ingangsfunctie van de aorta en de ingangsfunctie van de poortader van de lever. De geschatte ingangsfunctie is natuurlijk niet noodzakelijkerwijs het resultaat van het gewogen gemiddelde van de voxels, maar andere extractiewerkwijzen zijn bekend op basis van de gewichten gegenereerd in stap 180.As a final step in the method 100 of the present invention, a weighted average (using the weights in step 170) of all voxels is calculated (step 180). Therefore, a time series that is similar in shape to the reference input function and is close to the estimated venous center will receive a high contribution and a time series that is different from the reference input function and/or is far away from the estimated venous center will receive a low contribution. received a contribution. This weighted average constitutes the estimated input function and two examples are shown in Figures 6A and 6B, for the aortic input function and the hepatic portal vein input function, respectively. The estimated input function is of course not necessarily the result of the weighted average of the voxels, but other extraction methods are known based on the weights generated in step 180.

De onderhavige uitvinders hebben de werkwijze 100 volgens de onderhavige uitvinding zowel op een ingangsfunctie van de aorta als een ingangsfunctie van de poortader op een aantal patiënten getest en de resulterende geschatte ingangsfunctie vergeleken met één die manueel door een deskundige was geïdentificeerd. De vergelijkende resultaten worden geïllustreerd in Figuren 7A (aorta) en 7B (poortader). Uit de vergelijking volgt dat de werkwijze 100 volgens de onderhavige uitvinding ten minste even goed is als de manuele identificatie en zelfs betere resultaten kan geven.The present inventors tested the method 100 of the present invention for both an aortic input function and a portal vein input function on a number of patients and compared the resulting estimated input function to one manually identified by one of ordinary skill in the art. The comparative results are illustrated in Figures 7A (aorta) and 7B (portal vein). From the comparison it follows that the method 100 according to the present invention is at least as good as the manual identification and can give even better results.

Zodra de ingangsfunctie is vastgesteld, kan dit worden gebruikt om de gewenste perfusieparameters uit de sequentie van driedimensionale volumetrische scanbeelden 10/30 te extraheren (stap 90). Deze extractie is welbekend aan de ervaren deskundige en zal niet verder worden beschreven.Once the input function is established, it can be used to extract the desired perfusion parameters from the sequence of three-dimensional volumetric scan images 10/30 (step 90). This extraction is well known to the skilled artisan and will not be described further.

Een bijzondere toepassing van de onderhavige uitvinding is haar gebruik bij evaluatie van behandelingsrespons bij oncologiepatiënten. De werkwijze volgens de onderhavige uitvinding maakt meer specifiek een volautomatische informatiebron mogelijk die “weefsel permeabiliteit”- (KF2"s-) waarden van dezelfde patiënt in de tijd meet. Er werd aangetoond dat de farmacokinetische K‘#"s-waarde een belangrijke indicator (biomarker) kan zijn voor het bepalen of een kankertherapie al dan niet doeltreffend is (zie Coenegrachts, K., et al.: Prediction and monitoring van treatment effect by using T1-weighted dynamic contrast-enhanced magnetic resonance imaging in colorectal liver metastases: Potential of whole tumour ROI and selective ROI analysis, European Journal ofA particular application of the present invention is its use in evaluation of treatment response in oncology patients. More specifically, the method of the present invention enables a fully automatic source of information that measures "tissue permeability" (KF2"s) values of the same patient over time. The pharmacokinetic K'#"s value was shown to be an important indicator (biomarker) for determining whether or not a cancer therapy is effective (see Coenegrachts, K., et al.: Prediction and monitoring of treatment effect by using T1-weighted dynamic contrast-enhanced magnetic resonance imaging in colorectal liver metastases: Potential of whole tumor ROI and selective ROI analysis, European Journal of

Radiology, 81 (12), 3870-3876, doi: 10.1016/j.ejrad.2012.07.022). Samengevat, agressief groeiend tumorweefsel maakt veel “fouten” bij het produceren van cellen.Radiology, 81 (12), 3870-3876, doi:10.1016/j.ejrad.2012.07.022). In summary, aggressively growing tumor tissue makes many "mistakes" in producing cells.

Dit leidt ertoe dat dit weefsel veel hogere bloedlekkage heeft dan gezond weefsel.This leads to this tissue having much higher blood leakage than healthy tissue.

De ontwikkeling van de farmacokinetische Kt2"s-waarde in tumorweefsel van een enkele patiënt in de loop van zijn therapie, kan aangeven of de therapie al dan niet doeltreffend is.The evolution of the pharmacokinetic Kt2"s value in tumor tissue of a single patient over the course of his therapy may indicate whether the therapy is effective or not.

Alhoewel aspecten van de onderhavige uitvinding werden beschreven ten opzichte van specifieke uitvoeringsvormen, zal het gemakkelijk worden gewaardeerd dat deze aspecten in andere vormen kunnen worden geïmplementeerd in het toepassingsgebied van de uitvinding zoals gedefinieerd door de conclusies.Although aspects of the present invention have been described relative to specific embodiments, it will be readily appreciated that these aspects may be implemented in other forms within the scope of the invention as defined by the claims.

Claims

Conclusions

A computer-implemented method for estimating an input function of a blood vein based on a sequence of three-dimensional volumetric scan images, each image comprising a plurality of voxels k each having a three-dimensional coordinate c‚, the method comprising the following steps : a) providing a reference input function for said blood vein and spatial information of said blood vein, the reference input function being a one-dimensional time series, the spatial information representing an orientation and a distribution of said blood vein; b) extracting from said sequence a time series for each voxel; c) comparing each time series with the reference input function using a time series distance metric to generate a shape similarity score scores shape(K) for each voxel and combining them into a three-dimensional shape similarity score card; d) estimating the center location upy of the blood vein based on the shape similarity scorecard and the spatial information; e) generating a location score scorejocation(K) for each voxel based on the distance between said voxel and the estimated center location upy of the blood vein; f) generating a weight for each voxel based on its shape similarity score and its location score; and g) extracting the input function based on each voxel with its associated weight.

The method of claim 1, wherein step c) comprises using the normalized cross-correlation metric to calculate a distance between the time series and the reference input function.

A method according to claim 1 or 2, wherein step c) comprises calculating the shape similarity score of a voxel using the probability density function of a radial basis function, wherein the radial basis function is preferably the Gaussian distribution.

A method according to any one of the preceding claims, wherein the spatial information comprises a three-dimensional covariance matrix COV,op representing said orientation and said spread.

The method of claim 4, wherein step d} comprises: using a maximum probability estimate to estimate the center location Upy of the blood vein based on the shape similarity scorecard and the three-dimensional covariance matrix.

Method according to claim 5, wherein step d) comprises: - generating a three-dimensional core, the core preferably being a Gaussian core, with an unknown mean value u and a covariance equal to the three-dimensional covariance matrix COV op; - using the maximum probability estimate to estimate the mean value u of the core based on the shape similarity scorecard; and - setting the center location upy of the blood vein equal to the estimated mean value u of the core.

The method of any one of claims 1 to 3, wherein step d) comprises: using a maximum probability estimate to estimate the center location of the blood vein based on the shape similarity scorecard and the spatial information.

The method of any preceding claim, wherein the spatial information comprises a three-dimensional covariance matrix COV,op representing said orientation and said spread and wherein step e) comprises: generating the location score scorecation(k) for each voxel based on the distance between said voxel and a three-dimensional core, the core preferably being a Gaussian core defined by the estimated center location Upy of the blood vein and the three-dimensional covariance matrix COV,op.

A method according to any preceding claim, wherein step e) comprises calculating the location score scorezocation(K) OP based on the probability density function of a multivariate radial basis function, wherein the multivariate radial basis function is preferably the Gaussian multivariate distribution.

The method of any preceding claim, wherein step f) comprises calculating the weight for each voxel by multiplying its shape similarity score and its location score.

A method according to any one of the preceding claims, wherein step f) comprises normalizing the weights in particular so that all weights have a sum of one.

A method according to any one of the preceding claims, wherein the method further comprises, after step b) and preferably before step c), excluding a voxel based on a semi-quantitative descriptive time series feature.

The method of claim 12, wherein said semi-quantitative descriptive time series feature is at least one of: - the time series associated with said voxel has a peak value outside a predefined range; - the time series associated with said voxel has a minimum value below a first predefined threshold value; - the time series associated with said voxel has a peak value that occurs after a predefined time has elapsed; and - the time series associated with said voxel has a last value exceeding a second predefined threshold value.

A method according to any one of the preceding claims, wherein step a) comprises:

providing test data comprising a plurality of time series X(t), each time series representing an input function of a same blood vein of a different subject; and - fitting the reference input function to the test data by optimizing the group parameters Gpop = (Ayla Ay Aa Tr MT dE jn the following equation Ci = 57 2 expt-t TR A20} + exp (80/0 + expt -s0 — TI

The method of claim 14, wherein adapting the reference input function to the test data comprises using a least squares optimization (/east squares optimization) or a gradient descent optimization.

A method according to any one of the preceding claims, wherein the spatial information comprises a three-dimensional covariance matrix COV,op representing said orientation and said spread and wherein step a) comprises: - providing test data comprising a plurality P of segmented three-dimensional volumetric scan images, wherein each volumetric scan image represents a same blood vein of a different subject and comprises a plurality of voxels k each having a three-dimensional location c 1 , the segmentation indicating whether or not a voxel is part of the blood vein with a binary parameter b 1 ; calculating the three-dimensional covariance matrix COVop by #1 COYpap = >, cou; /P 95 ds) wherein COV; = Q7Q, where Q is a Kx3 matrix, where each row q, is calculated from:

êg = Cp — qe = Ve and where u is calculated from: 8 pi == Se bpcrfs Rens , where s is the number of voxels for which b, = 1.

The method of any preceding claim, wherein each voxel corresponds to substantially the same tissue for each image in said sequence.

A method according to claim 17, wherein the method before step b) comprises an image registration step of converting a first sequence of three-dimensional volumetric scan images into said sequence.

The method of any preceding claim, wherein step g) comprises extracting the input function as a weighted average of each voxel with its associated weight.

The method of any preceding claim, wherein the three-dimensional volumetric scan images are computed tomography, CT, or magnetic resonance imaging, MRI scans.

A method according to any one of the preceding claims, wherein the sequence of three-dimensional volumetric scan images are perfusion images.

Use of the method according to any one of the preceding claims in perfusion imaging.

A data processing apparatus comprising means for performing the method according to any one of claims 1 to 21.

A computer program product comprising instructions that, when the program is executed by a computer, cause the computer to perform the method of any one of claims 1 to 21.

A computer-readable storage medium comprising instructions which, when executed by a computer, cause the computer to perform the method of any one of claims 1 to 21.