BR112015014164B1

BR112015014164B1 - Método de segmentação de processamento de dados e sistema para aplicações de formação de imagem de diagnóstico.

Info

Publication number: BR112015014164B1
Application number: BR112015014164-1A
Authority: BR
Inventors: Peter Frinking
Original assignee: Bracco Suisse Sa
Priority date: 2012-12-21
Filing date: 2013-12-18
Publication date: 2021-12-07
Also published as: CN104885121B; US9734584B2; JP6333287B2; EP2936433A1; JP2016501599A; WO2014096041A1; BR112015014164A2; KR20150099823A; US20150348277A1; EP2936433B1; KR102166648B1; BR112015014164A8; CN104885121A

Abstract

método de segmentação de processamento de dados, programa de computador e sistema para aplicações de formação de imagem de diagnóstico. a presente invenção refere-se a uma solução de segmentação para uso em aplicações de imageamento de diagnóstico. um método de segmentação de processamento de dados correspondente (a1 a a10) compreende: fornecer (a1 a a4) uma representação ao longo de um período de tempo de análise diferente de zero de uma parte do corpo que está sendo perfundida com um agente de contraste, a representação que compreende, para cada localização de um conjunto de localizações da parte do corpo, uma indicação de uma resposta ao longo do período de tempo de análise da localização para um sinal de interrogação; calcular (a5 a a6), para cada localização selecionada de um conjunto de localizações selecionadas, o valor de pelo menos um parâmetro estatístico de uma distribuição estatística da resposta ao longo do período de tempo de análise da localização selecionada, em que o conjunto de localizações selecionadas compreende todas as localizações ou uma parte das mesmas; e segmentar (a7 a a9) as localizações selecionadas de acordo com uma comparação entre os valores do dito pelo menos um parâmetro estatístico para as localizações selecionadas com pelo menos um limite de segmentação.

Description

CAMPO DA TÉCNICA

[0001] A solução de acordo com a presente revelação refere-se ao campo de imageamento de diagnóstico. Mais especificamente, essa solução se refere a segmentação em aplicações de imageamento de diagnóstico.

ANTECEDENTES

[0002] Técnicas de segmentação são amplamente usadas em aplicações de imageamento de diagnóstico (ou simplesmente aplicações de imageamento); de um modo geral, qualquer técnica de segmentação é voltada para segmentar uma representação de uma parte do corpo de um paciente sob análise (por exemplo, uma imagem digital do mesmo) em dois ou mais segmentos, em que cada um compreende uma porção da representação da parte do corpo com características substancialmente homogêneas.

[0003] Por exemplo, técnicas de segmentação podem ser usadas para a avaliação de perfusão sanguínea em aplicações de imageamento de Ultrassom Dinâmico Intensificado com Contraste (DCE-US). Nesse caso um agente de contraste para ultrassom (UCA), ou simplesmente agente de contraste, que atua como um refletor de ultrassom eficiente é administrado para o paciente. O agente de contraste flui à mesma velocidade como hemácias no paciente, de modo que sua detecção gravando-se sinais de eco que são retornados em resposta a ondas de ultrassom fornece informações acerca da perfusão sanguínea correspondente. Particularmente, para cada localização da parte do corpo em que o sinal de eco tenha sido gravado, o valor de um parâmetro de perfusão que a caracteriza (tal como um intensifica- ção de pico) é calculado (por exemplo, a partir de uma função paramétrica que ajusta o sinal de eco ao longo do tempo). Uma imagem paramétrica é construída designando-se, para cada pixel que representa uma localização da parte do corpo, o valor de parâmetro de perfusão correspondente. A imagem paramétrica pode ser usada para calcular um valor consolidado dos valores de parâmetros de perfusão (por exemplo, seu valor médio) em uma região de análise da parte do corpo que compreende uma lesão; tipicamente, o valor consolidado da região de análise é expresso em termos relativos com respeito ao valor consolidado dos valores de parâmetros de perfusão em uma região de controle da parte do corpo que compreende tecido saudável. Esse valor consolidado relativo fornece uma caracterização quantitativa da lesão, que pode ser usada, por exemplo, em seu acompanhamento terapêutico.

[0004] Entretanto, os valores consolidados da região de análise e da região de controle são intrinsecamente afetados por certo grau de imprecisão, uma vez que os mesmos são calculados globalmente em regiões da parte do corpo que não são perfeitamente homogêneas; por exemplo, a região de análise pode compreender tecidos necróticos que são hipoperfundidos e a região de controle pode compreender grandes vasos sanguíneos que são hiperperfundidos. Essas porções hipoperfundidas e hiperperfundidas da região de análise e da região de controle, respectivamente, fazem com que erros em seus valores consolidados que refletem no valor consolidado relativo da região de análise. Esse inconveniente é particularmente agudo no acompanhamento terapêutico, em que mesmo mudanças súbitas na perfusão da lesão durante seu tratamento pode ser indicativo da eficácia do tratamento.

[0005] Alternativamente, o documento WO-A-2011/026866 (cuja revelação é incorporada ao presente documento a título de referência) revela a determinação de uma função de análise para cada pixel de uma área de análise (definição de uma região de interesse) ajustando- se seu sinal de potência de eco por uma função de modelo de tempo (por exemplo, uma função de distribuição lognormal), e determinando- se uma função de referência para uma área de referência (que inclui parênquima saudável) ajustando-se uma média de seus sinais de potência de eco pela mesma função de modelo de tempo. Para cada pixel da área de análise, uma função de diferença é calculada subtraindo-se a função de referência de sua função de análise; então o pixel é designado para classes diferentes de acordo com uma tendência de polaridade de sua função de diferença (ou seja, classe unipolar positiva, classe unipolar negativa, classe bipolar positiva para negativa, e classe bipolar negativa para positiva). Para esse propósito, é possível calcular uma energia positiva e uma energia negativa da função de diferença; quando a soma da energia positiva e da energia negativa é maior do que um limite de significação, uma energia positiva relativa e uma energia negativa relativa são calculadas. Se a energia positiva relativa ou a energia negativa relativa exceder um limite de discriminação, a função de diferença é designada para a classe unipolar positiva ou para a classe unipolar negativa, respectivamente; ao contrário, a função de diferença é designada para a classe bipolar positiva para negativa ou para a classe bipolar negativa para positiva de acordo com uma ordem de sua principal mudança de polaridade.

[0006] Técnicas de segmentação também podem ser usadas em aplicações de Imageamento Molecular com Ultrassom (UMI). Nesse caso, um agente de contraste específico ao alvo é usado; o agente de contraste específico ao alvo é adaptado para chegar a um alvo biológico específico (por exemplo, uma lesão), e então permanecer imobilizado no mesmo por meio de uma interação específica. A detecção de quaisquer partículas do agente de contraste específico ao alvo que estão imobilizadas na parte do corpo permite identificar a lesão correspondente que em caso contrário seria difícil para descobrir; além disso, a quantificação dessas partículas imobilizadas permite determinar um estado da lesão, que pode ser usado, por exemplo, em seu acompanhamento terapêutico.

[0007] Entretanto, a detecção e a quantificação das partículas imobilizadas do agente de contraste específico ao alvo são impedidas pelo fato de que apenas uma pequena fração da quantidade total do mesmo realmente chega ao alvo e permanece imobilizada no mesmo; a maior parte do agente de contraste específico ao alvo continua em vez disso a circular por um longo tempo (tal como, vários minutos) - por exemplo, até que o mesmo seja filtrado pelos pulmões e/ou no fígado do paciente. Portanto, as partículas do agente de contraste específico ao alvo na parte do corpo compreendem tanto uma contribuição das partículas que estão imobilizadas no mesmo como uma contribuição das partículas que ainda estão circulando; como uma consequência, é bastante difícil discriminar entre as duas contribuições (especialmente nos primeiros momentos após a administração do agente de contraste específico ao alvo).

SUMÁRIO

[0008] Um sumário simplificado da presente revelação é apresentado neste documento a fim de fornecer um entendimento básico da mesma; entretanto, o único propósito desse sumário é introduzir alguns conceitos da revelação de uma forma simplificada como um prelúdio para sua descrição mais detalhada a seguir, e o mesmo não deve ser interpretado como uma identificação de seus elementos chave nem como uma delineação de seu escopo.

[0009] Em termos gerais, a presente revelação é baseada na ideia de basear a segmentação em uma análise estatística ao longo do tempo.

[0010] Particularmente, um aspecto fornece um método de segmentação de processamento de dados para uso em aplicações de imageamento de diagnóstico, em que localizações selecionadas de uma representação de uma parte do corpo que estão sendo perfundidas com um agente de contraste são segmentadas de acordo com os valores de pelo menos um parâmetro estatístico relacionado a uma resposta a um sinal de interrogação ao longo de um período de análise de cada localização selecionada.

[0011] Um aspecto adicional fornece um programa de computador correspondente.

[0012] Um aspecto adicional fornece um produto de programa de computador correspondente.

[0013] Um aspecto adicional fornece um sistema correspondente.

[0014] Um aspecto adicional fornece um método de imageamento de diagnóstico correspondente.

[0015] Mais especificamente, um ou mais aspectos da presente revelação são estabelecidos nas reivindicações independentes e recursos vantajosos do mesmo são estabelecidos nas reivindicações dependentes, em que a redação de todas as reivindicações é incorporada ao presente documento a título de referência (com qualquer recurso vantajoso dotado de referência a qualquer aspecto específico que aplica mutatis mutandis a cada outro aspecto).

BREVE DESCRIÇÃO DOS DESENHOS

[0016] A solução de acordo com uma ou mais modalidades da presente revelação, bem como os recursos e as vantagens adicionais da mesma, serão mais bem entendidos com referência à descrição detalhada a seguir, fornecida apenas a título de uma indicação não restritiva, para ser lida juntamente com os desenhos anexos (em que, por motivo de simplicidade, elementos correspondentes são denotados com referências iguais ou similares e sua explicação não é repetida, e o nome de cada entidade é geralmente usado para denotar tanto seu tipo e seus atributos - tal como valor, conteúdo e representação). Particularmente:

[0017] A Figura 1 mostra uma representação pictórica de um sistema que pode ser usado para praticar a solução de acordo com uma modalidade da presente revelação,

[0018] A Figura 2 mostra um exemplo de cenário in-vitro para a aplicação da solução de acordo com uma modalidade da presente revelação,

[0019] A Figura 3A e a Figura 3B mostram um exemplo de aplicação da solução de acordo com uma modalidade da presente revelação,

[0020] A Figura 4A à Figura 4D mostram um exemplo de aplicação da solução de acordo com uma modalidade adicional da presente revelação,

[0021] A Figura 5A à Figura 5C mostram um exemplo de aplicação da solução de acordo com uma modalidade adicional da presente revelação,

[0022] A Figura 6 mostra um diagrama de colaboração que representa os papéis dos principais componentes que podem ser usados para implantar a solução de acordo com uma modalidade da presente revelação, e

[0023] A Figura 7, a Figura 8 e a Figura 9 mostram exemplos diferentes de aplicações in-vivo da solução de acordo com uma modalidade da presente revelação.

DESCRIÇÃO DETALHADA

[0024] Com referência em particular à Figura 1, é mostrado um sistema 100 que pode ser usado para praticar a solução de acordo com uma modalidade da presente revelação. Particularmente, o sistema 100 é um equipamento de ecografia, que compreende a uma unidade central 105 e uma sonda de transmissão e recepção de imageamento portátil (ou simplesmente sonda de imageamento) 110 conectada à mesma - por exemplo, do tipo matriz. A sonda de imageamento 110 transmissão ondas de ultrassom que compreendem uma sequência de pulsos de ultrassom (por exemplo, que tem um frequência central entre 1 e 50 MHz), e recebe sinais de eco de radiofrequência (RF) que resultam da reflexão dos pulsos de ultrassom em um plano de varredura selecionado; para esse propósito, a sonda de imageamento 110 é dotada de um multiplexador transmissor/receptor, que permite usar a sonda de imageamento 110 no modo pulso-eco descrito acima.

[0025] A unidade central 105 aloja uma placa mãe 115, na qual os circuitos eletrônicos que controlam a operação do equipamento de ecografia 100 são montados (por exemplo, um microprocessador, uma memória de trabalho e um controlador de disco rígido). Além disso, uma ou mais placas filhas (denotadas como um todo com a referência 120) são ligadas à placa mãe 115; as placas filhas 120 fornecem os circuitos eletrônicos para dirigir a sonda de imageamento 110 e para processar os sinais de eco. A unidade central 105 também é equipada com um controlador 125 para discos removíveis 130 (tais como CDs ou DVDs). Um monitor 135 é conectado à unidade central 105 para exibir imagens relacionadas a um processo de análise que está em progresso. A operação do equipamento de ecografia 100 é controlado por meio de um teclado 140 (conectado à unidade central 105 de uma maneira convencional); preferencialmente, o teclado 140 é dotado de um trackball 145 que é usado para manipular a posição de um ponteiro (não mostrado na Figura) no monitor 135.

[0026] O equipamento de ecografia 100 é usado para analisar uma parte do corpo 150 de um paciente 155; para esse propósito, um agente de contraste (ultrassom) é administrado ao paciente 155.

[0027] O agente de contraste compreende partículas que atuam como bom refletor de ultrassom. Por exemplo, o agente de contraste é uma suspensão de bolhas preenchidas com gás em um portador líquido; tipicamente, as bolhas preenchidas com gás têm diâmetros da ordem de 0,1 a 5 μm, de modo a permitir sua retenção dentro do sistema vascular do paciente 155, mas ao mesmo tempo para permitir sua passagem através de seus capilares. As bolhas preenchidas com gás são geralmente estabilizadas incorporando-se ou encapsulando- se o gás ou um precursor do mesmo em uma variedade de sistemas, que compreendem fosfolipídios, emulsificantes, óleos, espessantes, açúcares, proteínas ou polímeros; bolhas estabilizadas preenchidas com gás são geralmente referenciadas como microvesículas. Particularmente, microvesículas dispersas em um meio aquoso e ligadas no gás/interface líquida por um invólucro muito fino que envolve um surfactante (ou seja, um material anfifílico) também são conhecidos como microbolhas. Alternativamente, microvesículas circundadas por um invólucro de material sólido formado por lipídeos ou (naturais ou sintéticos) polímeros, também são conhecidos como microbalões ou microcapsulas. Outro tipo de agente de contraste compreende uma suspensão de micropartículas porosas de polímeros ou outros sólidos, que carregam bolhas de gás presas dentro dos poros das micropartículas. Exemplos de suspensões aquosas adequadas de microvesículas, em particular microbolhas e microbalões, e da preparação das mesmas são descritos nos documentos EP-A-0458745, WO-A-91/15244, EP-A-0554213, WO-A- 94/09829 e WO-A-95/16467 (cujas revelações são incorporadas em sua totalidade ao presente documento a título de referência). Um exemplo de um agente de contraste comercial que compreende microvesículas é SonoVue por Bracco International BV (marcas registradas).

[0028] O agente de contraste também pode ser do tipo específico ao alvo. Um agente de contraste específico ao alvo é substancialmente livre para circular dentro do paciente 155; entretanto, o agente de contraste específico ao alvo também é capaz de ser imobilizado em um alvo selecionado (biológico), de modo a permanecer em uma posição substancialmente fixa por certo período. Para esse propósito, o agente de contraste específico ao alvo é formulado de modo a ligar seletivamente ao alvo almejado por meio de uma interação específica ao mesmo. Por exemplo, esse comportamento pode ser alcançado incorporando-se um ligante específico ao alvo capaz de ligar seletivamente (por exemplo, através de afinidade bioquímica e/ou interação eletrostática) a um tecido ou receptor almejado. Exemplos de ligantes específicos ao alvo (que podem ser inseridos em uma membrana das microbolhas) são anticorpos, peptídeos, ou polissacarídeos monoclonais. O termo tecido compreende (dentro de seu significado) células individuais bem como agregados de células, tais como membranas ou órgãos. O termo refere-se a células ou agregados de células ou normais (saudáveis) ou anormais (patológicas). Exemplos de tecido são tecido miocárdico (que compreende células miocárdicas e cardiomiócitos), tecido membranoso (tal como endotélio e epitélio), e tecido conjuntivo; exemplos de tecido patológico são tecido de coração infartado, coágulo sanguíneo, placas arteroescleróticas, tecido inflamatório e tecido tumoral. Os receptores compreendem qualquer estrutura molecular localizada no tecido (por exemplo, dentro das células ou sobre suas superfícies), que seja capaz de se ligar seletivamente a uma substância específica. Receptores exemplificativos são glicoproteína GPIIbIIIa ou fibrina (por exemplo, localizados em coágulo sanguíneo ou trombos), P-Selectina (por exemplo, localizada em endotélio ativado de tecido inflamado) ou KDR (por exemplo, localizado em tecido tumoral). Exemplos de agentes de contraste específico ao alvo adequado e de ligantes específicos ao alvo são descritos em "Pochon e outros, BR55: A lipopeptide-based VEGFR2- targeted ultrasound contrast agent for molecular imaging of angiogenesis. Inves Radiol 2010; 45:89 a 95" e "Tardy e outros, Ultrasound molecular imaging of VEGFR2 in a rat prostate tumor model using BR55, Inves Radiol 2010; 45:573 a 578", e no documento WO-A-2006018433 (cujas revelações incorporadas em sua totalidade ao presente documento a título de referência).

[0029] O agente de contraste pode ser detectado aplicando-se ondas de ultrassom e gravando-se os sinais de eco que são retornados em resposta ao mesmo; uma vez que o agente de contraste flui na mesma velocidade que hemácias no paciente 155, sua detecção e rastreamento na parte do corpo 150 fornecem informações acerca da perfusão sanguínea correspondente.

[0030] Por exemplo, o agente de contraste é administrado para o paciente 155 por via intravenosa como um bolus, ou seja, uma dose única fornecida manualmente com uma seringa ao longo de um curto período de tempo (da ordem de 2 a 20 segundos). O agente de contraste circula dentro do sistema vascular do paciente 155, de modo a perfundir a parte do corpo 150. Simultaneamente, a sonda de imageamento 110 é colocada em contato com a pele do paciente 155 na área da parte do corpo 150. Uma sequência de quadros de imagem de pulsos de ultrassom é aplicada à parte do corpo 150; os sinais de eco que são gravados em resposta aos pulsos de ultrassom dos diferentes quadros de imagem - em instantes de aquisição sucessivos ao longo do tempo durante um período de análise (tempo) (por exemplo, a uma taxa de quadros de 4 a 20 Hz durante 2 a 25 segundos) fornecem uma representação de localizações correspondentes da parte do corpo 150 (em uma fatia do mesmo no plano de varredura selecionado) durante o período de análise. Os sinais de eco resultam da sobreposição de contribuições diferentes geradas pelo agente de contraste (se presente) e o tecido circunjacente. Preferencialmente, o equipamento de ecografia 100 opera em um modo de imageamento específico de contraste de modo a reduzir substancialmente a contribuição dominante (linear) do tecido nos sinais de eco, com respeito à contribuição (não linear) do agente de contraste - por exemplo, com base em imagem harmônica (HI), inversão de pulso (PI), modulação de potência (PM) ou outras técnicas de sequenciamento de pulso de contraste (CPS), como descrito em "Rafter e outros, Imaging technologies and techniques, Cardiology Clinics 22 (2004), págs. 181 a 197" (cuja revelação é incorporada em sua totalidade ao presente documento a título de referência). Uma sequência correspondente de imagens de vídeo (específicas de contraste) então é gerada; para cada instante de aquisição, a imagem de vídeo compreende um valor digital para cada elemento de visualização (ou seja, pixel) que representa uma localização correspondente da parte do corpo; o valor de pixel é definido por um valor de intensidade do sinal de eco que tenha sido gravado para a localização naquele instante de aquisição. Dessa forma, a sequência de imagens de vídeo representa uma evolução da perfusão da parte do corpo 150 durante o período de análise.

[0031] Um exemplo de cenário in-vitro para a aplicação da solução de acordo com uma modalidade da presente revelação é mostrado na Figura 2.

[0032] Particularmente, microbolhas (estabilizadas por fosfolipídio) foram circuladas em uma velocidade de fluxo média de 1 mm/s através de um tubo com um diâmetro de 3 mm contidas dentro de um tecido que mimetiza simulador de fluxo. A sequência de imagens de vídeo correspondente foi adquirida com um equipamento de ecografia Sequoia da Siemens Medical Sistemas (marcas registradas) no modo CPS a uma taxa de quadros de 4 Hz ao longo de 25 segundos (ou seja, 100 quadros de imagem). As imagens de vídeo correspondentes aos quadros de imagem no 25, no 43 e no 66 são indicados na Figura com as referências 205a, 205b e 205c, respectivamente. Como pode ser visto, as microbolhas em uma parede superior do tubo estão substancialmente estáticas devido às condições de fluxo laminar - por exemplo, como visível para a região denotada com a referência 210s; ao contrário, as microbolhas em um centro do tubo (separadas de sua parede superior) se movem com a velocidade de fluxo média - por exemplo, como visível para a região denotada com a referência 210m.

[0033] Na solução de acordo com uma modalidade da presente revelação, como descrito em detalhe a seguir, a segmentação (nesse caso, entre os pixels das microbolhas estáticas e os pixels das microbolhas em movimento) é baseada em uma análise estatística dos valores de pixel ao longo do tempo.

[0034] Particularmente, um exemplo de aplicação da solução de acordo com uma modalidade da presente revelação é mostrado na Figura 3A e na Figura 3B.

[0035] Começando a partir da Figura 3A, os valores de pixel (linearizados) para um pixel representativo na região das microbolhas estáticas e na região das microbolhas em movimento são representados por uma curva 305s (linha sólida) e por uma curva 305m (linha pontilhada), respectivamente, em um diagrama comum que plota os valores de pixel no eixo das ordenadas (unidades arbitrárias, a.u.) contra os números de quadro no eixo da abscissa (adimensional).

[0036] Como pode ser visto, as dinâmicas daqueles valores de pixel ao longo do tempo para o pixel das microbolhas estáticas (curva 305s) e para o pixel das microbolhas em movimento (curva 305m) são substancialmente diferentes; particularmente, a curva 305s para as microbolhas estáticas é quase constante, enquanto que a curva 305m para as microbolhas em movimento exibe altas variações (devido à aparição e desaparição das microbolhas). Portanto, um parâmetro estatístico de uma distribuição estatística dos valores de pixel ao longo do tempo de cada pixel pode ser usado para discriminá-los.

[0037] Por exemplo, para cada pixel são calculados a media (aritmética), a mediana e o desvio padrão de sua distribuição estatística.

[0038] Particularmente, a média X de uma variável estatística que tem valores discretos Xi, com i=1...N (ou seja, os valores de pixel ao longo do tempo nesse caso) é igual a:

[0039] a média X é um parâmetro estatístico de tendência central (ou seja, que indica um valor em torno o qual os valores estatísticos variáveis se agrupam) que representa um valor esperado da variável estatística quando a mesma tem uma distribuição estatística com um formato simétrico.

[0040] A mediana da mesma variável estatística Xi (classificado do menor X1 para o maior XN de seus valores) é igual a:

[0041] a mediana X é outro parâmetro estatístico de tendência central que representa o valor esperado da variável estatística quando a mesma tem uma distribuição estatística com um formato com desvio (ou seja, assimétrico).

[0042] O desvio padrão α da mesma variável estatística Xi é igual a:

[0043] o desvio padrão α é um parâmetro estatístico de dispersão (ou seja, que indica uma variabilidade ou espalhamento dos valores estatísticos variáveis) que representa como os valores estatísticos variáveis se dispersam de seu valor esperado.

[0044] Com referência agora à Figura 3B, esses parâmetros estatísticos podem ser usados para segmentar as imagens de vídeo da Figura 2, de modo a discriminar as microbolhas estáticas e as microbolhas em movimento. Para esse propósito, três imagens paramétricas diferentes 305μ, 305d e 305α são calculadas.Particularmente, as imagens paramétricas 305μ, 305d e 305α têm o mesmo tamanho que as imagens de vídeo; cada pixel das imagens paramétricas 305μ, 305d e 305α tem um valor de parâmetro igual ao valor da média, da mediana e do desvio padrão, respectivamente, dos valores de pixel correspondentes ao longo do tempo.

[0045] Como pode ser visto, o contraste (ou diferença) entre os pixels das microbolhas estáticas e os pixels das microbolhas em movimento (por exemplo, como visível para a regiões denotadas com as referências 310s e 310m, respectivamente) melhora consideravelmente. Particularmente, nas imagens paramétricas 305μ para a média e na imagem paramétrica 305d para a mediana os valores de parâmetros são maiores nos pixels das microbolhas estáticas (região 310s) e menores nos pixels das microbolhas em movimento (região 310m); isso é devido ao fato de que o valor esperado dos valores de pixel (como expressos pela média e a mediana) é maior nos pixels das microbolhas estáticas do que nos pixels das microbolhas em movimento. O contraste é maior na imagem paramétrica 305d para a mediana do que na imagem paramétrica 305μ para a média, uma vez que nos pixels das microbolhas em movimento os valores atípicos de seus valores de pixel (que puxam a média em direção aos valores dos mesmos) não influenciam a mediana. Ao contrário, na imagem paramétrica 305a para o desvio padrão os valores de parâmetros são menores nos pixels das microbolhas estáticas (região 310s) e maiores nos pixels das microbolhas em movimento (região 310m); isso é devido ao fato de que os valores de pixel são menos dispersos ao longo do tempo nos pixels das microbolhas estáticas do que nos pixels das microbolhas em movimento. Por exemplo, o contraste entre as microbolhas estáticas e as microbolhas em movimento pode ser medido calculando-se uma razão entre uma média dos valores de parâmetros dos pixels correspondentes. Particularmente, essa razão é igual a 1,69 na imagem paramétrica 305μ para a média, a 2,72 na imagem paramétrica 305d para a mediana e a 0,84 na imagem paramétrica 305a para o desvio padrão; isso confirma que o parâmetro estatístico fornece os melhores resultados é a mediana (seguido pela média e o desvio padrão).

[0046] Os valores de parâmetros mencionados acima (e especialmente os valores de mediana) podem ser usados para segmentar as imagens originais com uma técnica de limiar. Por exemplo, um limite de segmentação para os valores paramétricos pode ser determinado igual à média entre a média dos valores de parâmetros dos pixels das microbolhas estáticas e a média dos valores de parâmetros dos pixels das microbolhas em movimento (selecionadas manualmente); cada pixel então é designado para um segmento das microbolhas estáticas quando seu valor de parâmetro for maior do que o limite de segmentação ou para um segmento das microbolhas em movimento em caso contrário.

[0047] Geralmente, a solução descrita acima facilita a segmentação, com um efeito benéfico sobre a precisão dos resultados obtidos.

[0048] Particularmente, essa solução pode ser usada para melhorar o desempenho da caracterização quantitativa de lesões em aplicações de imageamento de DCE-US. Por exemplo, isso permite excluir (ou pelo menos reduzir substancialmente) a contribuição de porções hipoperfundidas (por exemplo, com tecidos necróticos) na região de análise que compreende a lesão a ser analisada e/ou a contribuição de porções hiperperfundidas (por exemplo, com grandes vasos sanguíneos) na região de controle que compreende tecido saudável para ser comparada à lesão. Como um resultado, os erros correspondentes que podem refletir no valor consolidado relativo da região de análise são significativamente reduzidos (de modo que a segmentação seja mais reproduzível mesmo quando as regiões de análise/controle forem selecionadas manualmente pelo operador, uma vez que sua qualidade é agora menos dependente de conhecimento e experiências do pessoal).

[0049] Além disso, a mesma solução também pode ser usada para melhorar a detecção e quantificação de partículas imobilizadas de um agente de contraste específico ao alvo em aplicações de UMI. Por exemplo, isso permite remover (ou pelo menos reduzir substancialmente) a contribuição das partículas circulares do agente de contraste específico ao alvo, especialmente nos primeiros momentos após sua administração.

[0050] As vantagens mencionadas acima são percebidas particularmente no contexto de acompanhamento terapêutico, uma vez que as mesmas facilitam a identificação mesmo de mudanças súbitas na perfusão de uma lesão durante seu tratamento que pode ser indicativo da eficácia do tratamento.

[0051] Como um melhoramento adicional, a segmentação pode ser com base em dois ou mais parâmetros estatísticos relacionados aos valores de pixel ao longo do tempo de cada pixel.

[0052] Particularmente, um exemplo de aplicação da solução de acordo com uma modalidade adicional da presente revelação é mostrado na Figura 4A à Figura 4D.

[0053] Começando da Figura 4A, os valores médios e os valores de desvio padrão dos pixels na região das microbolhas estáticas 310s e na região das microbolhas em movimento 310m da Figura 3B são representados por pontos 405As (círculos) e por pontos 405Am (cruzes), respectivamente, em um diagrama de dispersão comum que plota os valores médios no eixo da abscissa e os valores de desvio padrão no eixo das ordenadas (adimensional); particularmente, os pontos denotados com as referências 405As’ (círculo preenchido de preto) e 405Am’ (estrela preenchida de preto) correspondem ao pixel representativo na região das microbolhas estáticas 210s e ao pixel representativo na região das microbolhas em movimento 210m da Figura 2, respectivamente.

[0054] Um limite de segmentação THμ=97 para os valores médios e um limite de segmentação THa=57 para os valores de desvio padrão são calculados (por exemplo, ponderando-se os valores de parâmetros correspondentes dos pontos 405As’ e 405Am’). Os limites de segmentação THμ e THa definem quatro quadrantes de segmentação no diagrama de dispersão. Particularmente, um quadrante de segmentação superior direito QAur é definido por um critério de segmentação (valor da média>THμ E valor do desvio padrão>THa), um quadrante de segmentação superior esquerdo QAul é definido por um critério de segmentação (valor da média<THμ E valor do desvio padrão>THa), um quadrante de segmentação inferior esquerdo QAll é definido por um critério de segmentação (valor da média<THμ E valor do desvio padrão<THa) e um quadrante de segmentação inferior direito QAlr é definido por um critério de segmentação (valor da média>THμ E valor do desvio padrão<THα).

[0055] Do mesmo modo, na Figura 4B os valores de mediana e os valores de desvio padrão dos pixels na região das microbolhas estáticas 310s e na região das microbolhas em movimento 310m da Figura 3B são representados por pontos 405Bs (círculos) e por pontos 405Bm (cruzes), respectivamente, em outro diagrama de dispersão comum que plota os valores de mediana no eixo da abscissa e os valores de desvio padrão no eixo das ordenadas (adimensional); particularmente, os pontos denotadas com as referências 405Bs’ (círculo preenchido de preto) e 405Am’ (estrela preenchida de preto) correspondem ao pixel representativo na região das microbolhas estáticas 210s e ao pixel representativo na região das microbolhas em movimento 210m da Figura 2, respectivamente.

[0056] Um limite de segmentação THd=79 para os valores de mediana é calculado como acima adicionalmente ao mesmo limite de segmentação THα=57 para os valores de desvio padrão. Os limites de segmentação THd e THα definem outros quatro quadrantes de segmentação no diagrama de dispersão. Particularmente, um quadrante de segmentação superior direito QBur é definido por um critério de segmentação (valor da mediana>THd E valor do desvio padrão>THα), um quadrante de segmentação superior esquerdo QBul é definido por um critério de segmentação (valor da mediana<THd E valor do desvio padrão>THα), um quadrante de segmentação inferior esquerdo QBll é definido por um critério de segmentação (valor da mediana<THd E valor do desvio padrão<THα) e um quadrante de segmentação inferior direito QBlr é definido por um critério de segmentação (valor da mediana>THd E valor do desvio padrão<THα).

[0057] Como pode ser visto comparando-se os diagramas de dispersão da Figura 4A e A Figura 4B, o contraste entre os pixels das microbolhas estáticas e os pixels das microbolhas em movimento é maior no diagrama de dispersão da Figura 4B para a mediana/desvio padrão do que no diagrama de dispersão da Figura 4A para a média/desvio padrão (por exemplo, como claramente evidente para os pontos 405Bm’,405Bs’ na Figura 4B com respeito aos pontos 405Am’,405As’ na Figura 4A); isso confirma que o parâmetro estatístico que fornece os melhores resultados em combinação com o desvio padrão é novamente a mediana.

[0058] Os valores de parâmetros mencionados acima podem ser usados para segmentar as imagens originais de acordo com os critérios de segmentação correspondentes.

[0059] Por exemplo, como mostrado na Figura 4C, quarto máscaras de segmentação MAur, MAul, MAll e MAlr são construídas com o uso dos critérios de segmentação correspondentes aos quadrantes de segmentação QAur, QAul, QAll e QAlr, respectivamente, da Figura 4A para a média/desvio padrão. Cada máscara de segmentação MAur, MAul, MAll e MAlr tem o mesmo tamanho que as imagens de vídeo; os pixels com valores de parâmetros que preenchem o critério de segmentação correspondente são brancos, enquanto que os outros pixels são pretos. Além disso, em todas as máscaras de segmentação MAur, MAul, MAll e MAlr uma região 410 representa o tubo de 3 mm do simulador de fluxo usado para adquirir as imagens de vídeo (delimitada por duas linhas tracejadas que representam sua parede).

[0060] Como pode ser visto, os pixels brancos nas máscaras de segmentação MAur e MAlr detectam parte dos pixels das microbolhas estáticas na parede superior do tubo 410 (mesmo se alguns pixels brancos no centro do tubo 410 estiverem presentes na máscara de segmentação MAur); por outro lado, os pixels brancos nas máscaras de segmentação MAul e MAll detectam parte dos pixels das microbolhas em movimento no centro do tubo 410 (com os pixels brancos fora do tubo 410 na máscara de segmentação MAll que são provavelmente devido a sinais de ruído e tecido de simulação).

[0061] Do mesmo modo, na Figura 4D outras quatro máscaras de segmentação MBur, MBul, MBll e MBlr são construídas como acima com o uso dos critérios de segmentação correspondentes aos quadrantes de segmentação QBur, QBul, QBll e QBlr, respectivamente, da Figura 4B para a mediana/desvio padrão (com a mesma região do tubo que é novamente identificada pela referência 410). Como acima, os pixels brancos nas máscaras de segmentação MBur e MBlr detectam parte dos pixels das microbolhas estáticas na parede superior do tubo 410 (mesmo se estiverem presentes alguns pixels brancos no centro do tubo 410, mas por uma extensão menor, na máscara de segmentação MBur); por outro lado, os pixels brancos nas máscaras de segmentação MBul e MBll detectam parte dos pixels das microbolhas em movimento no centro do tubo 410 (com os pixels brancos fora do tubo 410 na máscara de segmentação MBll que são mais uma vez provavelmente devido a sinais de ruído e tecido de simulação).

[0062] Como pode ser visto comparando-se as máscaras de segmentação da Figura 4C à Figura 4D, a segmentação entre os pixels das microbolhas estáticas e os pixels das microbolhas em movimento é melhor nas máscaras de segmentação da Figura 4D para a mediana/desvio padrão do que na máscara de segmentação da Figura 4C para a média/desvio padrão, por exemplo, como claramente evidente para a máscara de segmentação MBur na Figura 4D com respeito à máscara de segmentação MAur na Figura 4C; isso confirma novamente que o parâmetro estatístico que fornece os melhores resultados em combinação com o desvio padrão é a mediana.

[0063] Como um melhoramento ainda adicional, a segmentação pode ser com base nos parâmetros estatísticos mencionados acima relacionados aos valores de pixel ao longo do tempo de cada pixel, QUE são transformados para fornecer uma distribuição estatística (transformada) dos valores de pixel (transformados) com um formato com desvio.

[0064] Particularmente, um exemplo de aplicação da solução de acordo com uma modalidade adicional da presente revelação é mostrado na Figura 5A à Figura 5C.

[0065] Começando a partir da Figura 5A, a distribuição estatística (transformada) é assumida como sendo uma distribuição estatística lognormal. Em uma distribuição estatística lognormal, o logaritmo natural da variável estatística tem uma distribuição estatística normal. Particularmente, no caso de uma variável estatística contínua X, uma função de densidade estatística que representa a distribuição estatística normal (contínua) é uma função de densidade estatística normal (ou simplesmente função normal):

[0066] em que os mesmos símbolos X e o são usados para indicar a média e o desvio padrão, respectivamente, da variável estatística X; portanto, a função de densidade estatística que representa a distribuição estatística lognormal (contínua) é uma função de densidade estatística lognormal (ou simplesmente função lognormal):

[0067] em que m e s agora são a média e o desvio padrão,respectivamente, do logaritmo natural da variável estatística X (ou seja, ln(X)).

[0068] Nesse caso, a média m (lognormal) e o desvio padrão s (lognormal) podem ser calculados diretamente a partir da média X (normal) e da mediana X (normal) aplicando-se as fórmulas de transformação a seguir:

[0069] A segmentação é agora baseada nos valores de parâmetros definidos pela média lognormal e pelo desvio padrão lognormal. Para esse propósito, o valor da média lognormal e o valor padrão lognormal de cada pixel são calculados aplicando-se as fórmulas de transformação mencionadas acima ao valor médio e valor da mediana reais de seus valores de pixel ao longo do tempo. Os valores da média lognormal e os valores de desvio padrão lognormal dos pixels na região das microbolhas estáticas 310s e na região das microbolhas em movimento 310m da Figura 3B são representados por pontos 505s (círculos) e por pontos 505m (cruzes), respectivamente, em um diagrama de dispersão comum que plota os valores da média lognormal no eixo da abscissa e os valores de desvio padrão lognormal no eixo das ordenadas (adimensional); particularmente, os pontos denotados com as referências 505s’ (círculo preenchido de preto) e 505m’ (estrela preenchida de preto) correspondem ao pixel representativo na região das microbolhas estáticas 210s e ao pixel representativo na região das microbolhas em movimento 210m da Figura 2, respectivamente.

[0070] Um limite de segmentação THm=4,4 para os valores da média lognormal e um limite de segmentação THs=0.54 para os valores de desvio padrão lognormal são calculados como acima. Os limites de segmentação THm e THs definem quatro quadrantes de segmentação no diagrama de dispersão. Particularmente, um quadrante de segmentação superior direito QLur é definido por um critério de segmentação (valor da média lognormal>THm E desvio padrão lognormal valor>THs), um quadrante de segmentação superior esquerdo QLul é definido por um critério de segmentação (valor da média lognormal<THm E desvio padrão lognormal valor>THs), um quadrante de segmentação inferior esquerdo QLll é definido por um critério de segmentação (valor da média lognormal<THm E desvio padrão lognormal valor<THs) e um quadrante de segmentação inferior direito QLlr é definido por um critério de segmentação (valor da média lognormal>THm E desvio padrão lognormal<valorTHs).

[0071] Como pode ser visto, o contraste entre os pixels das microbolhas estáticas e os pixels das microbolhas em movimento é melhorado adicionalmente; consequentemente, nesse caso os pontos das microbolhas estáticas e das microbolhas em movimento se agrupam em áreas distintas do diagrama de dispersão com uma sobreposição reduzida. Isso facilita adicionalmente a segmentação, uma vez que os limites de segmentação THm,THs agora podem ser definidos independentemente sem comprometer o desempenho da segmentação.

[0072] Passando para a Figura 5B, quatro máscaras de segmentação MLur, MLul, MLll e MLlr são construídas como exposto acima com o uso dos critérios de segmentação correspondentes para os quadrantes de segmentação QLur, QLul, QLll e QLlr, respectivamente, da Figura 5A (com a mesma região do tubo que é novamente identificada pela referência 410).

[0073] Nesse caso, os pixels brancos na máscara de segmentação MLlr detectam a maior parte dos pixels das microbolhas estáticas na parede superior do tubo 410; por outro lado, os pixels brancos nas máscaras de segmentação MLul detectam a maior parte dos pixels das microbolhas em movimento no centro do tubo 410 (com os pixels brancos fora do tubo 410 na máscara MLul que são provavelmente devidos a um artefato acústico do modo CPS em combinação com uma alta concentração das microbolhas no tubo 410, artefato acústico este que pode ser reduzido reduzindo-se a concentração das microbolhas). Ao contrário, a maior parte dos pixels das máscaras de segmentação MLur e MLll são pretos (com os pixels brancos fora do tubo 410 na máscara de segmentação MBll que são novamente provavelmente devidos a sinais de ruído e tecido de simulação). Isso confirma que a transformação logarítmica dos valores de pixel melhora o desempenho da segmentação.

[0074] Como mostrado na Figura 5C, as máscaras de segmentação definidas acima podem ser aplicadas à imagem paramétrica 305μ da Figura 3B (que representa os valores médios de cada pixel). Particularmente, quatro imagens segmentadas SIur, SIul, SIll e SIlr são construídas aplicando-se as máscaras de segmentação MLur, MLul, MLll e MLlr, respectivamente, da Figura 5B nessa imagem paramétrica; a cada pixel das imagens segmentadas SIur, SIul, SIll e SIlr é designado seu valor de parâmetro, ou seja, o valor médio (comprimidos por log com um fator de compressão de 40 dB para propósitos de exibição) se o mesmo for branco nas máscaras de segmentação correspondentes, enquanto que o mesmo permanece preto em caso contrário (de modo a exibir os valores médios apenas dos pixels segmentados). Como um resultado, a imagem segmentada SIlr mostra primariamente os pixels das microbolhas estáticas na parede superior do tubo 410, enquanto que a imagem segmentada SIul mostra primariamente os pixels das microbolhas em movimento no centro do tubo 410 (de modo a facilitar sua discriminação).

[0075] Um diagrama de colaboração que representa os papéis dos principais componentes que podem ser usados para implantar a solução de acordo com uma modalidade da presente revelação é mostrado na Figura 6.

[0076] Particularmente, todos os componentes são denotados como um todo com a referência 600; a Figura descreve tanto a estrutura estática dos componentes 600 como seu comportamento dinâmico (por meio de uma série de mensagens trocadas, em que cada uma representa uma ação correspondente, denotada com números de sequência precedidos pelo símbolo "A").

[0077] As informações (programas e dados) são tipicamente armazenadas no disco rígido e carregadas (pelo menos parcialmente) na memória de trabalho do equipamento de ecografia quando os programas estão sendo executados, juntos com um sistema operacional e outros programas aplicativos (não mostrados na Figura). Os programas são inicialmente instalados no disco rígido, por exemplo, a partir de discos removíveis. A esse respeito, cada um dos componentes 600 pode representar um módulo, segmento ou porção de código, que compreende uma ou mais instruções executáveis para implantar a função lógica especificada (ou mais).

[0078] Mais especificamente, um adquirente 603 é usado para adquirir as imagens de vídeo. Para esse propósito, o adquirente 603 compreende um controlador que controla a sonda de imageamento. Por exemplo, esse controlador de sonda de imageamento é dotado de um formador e pulsadores de feixe de transmissão para gerar os quadros de imagem de pulsos de ultrassom para serem aplicados à parte do corpo sob análise em cada instante de aquisição; os pulsos de ultrassom têm uma energia acústica baixa (tal como com um índice mecânico MI=0,01 a 0,3), de modo a induzir uma destruição insignificante do agente de contraste (tal como menos do que 5%, e preferencialmente menos do que 1% de sua concentração local entre quadros de imagem sucessivos). A sonda de imageamento então recebe os (RF analógicos) sinais de eco que são refletidos pelas localizações diferentes da parte do corpo (no plano de varredura selecionado) em cada instante de aquisição. Esses sinais de eco de RF analógicos são fornecidos para um processador de recepção, que pré-amplifica os sinais de eco de RF analógicos e aplica uma preliminar compensação de ganho de tempo (TGC); os sinais de eco de RF analógicos então são convertidos em valores digitais por um Conversor Analógico para Digital (ADC), e combinados em sinais de feixe concentrado através de um formador de feixe de recepção. Os sinais de eco de RF digitais obtidos dessa forma são preferencialmente processados através de algoritmos digitais adicionais e outros condicionadores de sinal linear ou não linear (por exemplo, um TGC de formação pós-feixe); particularmente, o processador de recepção aplica um algoritmo específico de contraste (tal como com base na técnica CPS) para reduzir a contribuição do tecido. Os sinais de eco de RF digitais são então demodulados, comprimidos por log (a fim de obter imagens com contraste bem balanceado), convertidos da varredura em um formato de vídeo e apresentados de acordo com uma dada paleta de mapa de cores. Dessa forma, é gerada uma imagem de vídeo para cada instante da aquisição. A imagem de vídeo é definida por uma matriz de células, em que cada uma armazena o valor de pixel correspondente. O valor de pixel define o brilho do pixel; por exemplo, em imagens de vídeo em escala de cinza o valor de pixel pode ser codificado em 8 bits, aumentando a partir de 0 (preto) a 255 (branco) como um função da intensidade do sinal de eco correspondente (que representa a resposta acústica da localização correspondente da parte do corpo naquele instante de aquisição).

[0079] No começo do processo de análise, um operador do equipamento de ecografia atua a sonda de imageamento e move a mesma em torno da parte do corpo a ser analisada (antes de administrar qualquer agente de contraste). As imagens de vídeo correspondentes são fornecidas para um visor 606 tão logo as mesmas sejam adquiridas; o visor 606 compreende um controlador que controla o monitor do equipamento de ecografia, de modo a provocar a exibição dessas imagens de vídeo em tempo real (ação "A1.Display").

[0080] O operador escolhe um plano de varredura que representa uma fatia específica da parte do corpo (por exemplo, que compreende uma lesão a ser analisada), e mantém a sonda de imageamento fixa nessa posição por um período de análise predefinido. O agente de contraste agora é administrado para o paciente e uma sequência de imagens de vídeo correspondente (que representa a perfusão no plano de varredura escolhido da parte do corpo durante o período de análise) é adquirida como acima. Essas imagens de vídeo (adicionalmente a serem exibidas em tempo real pelo visor 606, cuja conexão não é mostrada na Figura por motivo de clareza) também são registradas salvando-as em um repositório 609 (ação "A2.Register").

[0081] Um seletor 612 é usado pelo operador para selecionar, em uma imagem de vídeo do repositório escolhida arbitrariamente 609, uma região de interesse almejada (ROI) da parte do corpo a ser analisada. A região de interesse é representada com uma máscara da ROI, que compreende uma matriz de células com o mesmo tamanho que as imagens de vídeo; cada célula da máscara da ROI armazena um sinalizador da ROI (ou seja, um valor binário) que é ativado (por exemplo, no valor lógico 1) quando o pixel correspondente está dentro da região de interesse (ou seja, o mesmo tiver sido selecionado), ou o mesmo é desativado (por exemplo, no valor lógico 0) em caso contrário. A máscara de ROI é salva em um repositório 615 (ação "A3.Select").

[0082] Um pré-processador 618 acessa as imagens de vídeo no repositório 609 e a máscara de ROI no repositório 615. Para cada imagem de vídeo, o pré-processador 618 processa o valor de pixel de cada célula do mesmo cujo sinalizador da ROI na máscara de ROI estiver ativado (ou seja, dentro da região de interesse) de modo a torná-lo diretamente proporcional à concentração local correspondente do agente de contraste. Por exemplo, esse resultado pode ser alcançado aplicando-se uma tabela de paleta de luminância inversa e uma compressão logarítmica inversa (para inverter os efeitos de sua aplicação pelo adquirente 603), e então elevar ao quadrado os valores obtidos dessa forma (como descrito no documento WO-A- 2004/110279, cujas revelações são incorporadas ao presente documento a título de referência). O pré-processador 618 então cria um mapa de vetores de valor de pixel, que compreende uma matriz de células com o mesmo tamanho que as imagens de vídeo; cada célula do mapa de vetores de valor de pixel cujo sinalizador da ROI na máscara de ROI estiver ativo armazena um vetor de valor de pixel, que compreende uma sequência dos valores de pixel linearizados correspondentes ao longo das imagens de vídeo (com um comprimento correspondente à duração do período de análise). Esse mapa de vetores de valor de pixel é salvo em um repositório 621 (ação "A4.Pre-process").

[0083] O mapa de vetores de valor de pixel no repositório 621 é fornecido para uma calculadora 624, que também acessa a máscara de ROI no repositório 615 (cuja conexão não é mostrada na Figura por motivo de clareza). Para cada célula do mapa de vetores de valor de pixel cujo sinalizador da ROI na máscara de ROI estiver ativado (ou seja, dentro da região de interesse), a calculadora 624 calcula os valores da média e da mediana da sequência dos valores de pixel correspondentes (linearizados). A calculadora 624 então cria uma imagem paramétrica para a média e uma imagem paramétrica para a mediana, em que cada uma compreende uma matriz de células com o mesmo tamanho que as imagens de vídeo; cada célula da imagem paramétrica para a média e da imagem paramétrica para a mediana cujo sinalizador da ROI na máscara de ROI estiver ativado armazena o valor médio e valor da mediana correspondentes, respectivamente. Essas imagens paramétricas são salvas em um repositório 627 (ação "A5.Calculate").

[0084] As imagens paramétricas no repositório 627 são fornecidas para um transformador 630, que também acessa a máscara de ROI no repositório 615 (cuja conexão não é mostrada na Figura por motivo de clareza). Para cada pixel das imagens paramétricas cujo sinalizador da ROI na máscara de ROI estiver ativado (ou seja, dentro da região de interesse), o transformador 630 calcula os valores da média lognormal e do desvio padrão lognormal a partir do valor médio e valor da mediana correspondentes aplicando-se as fórmulas de transformação correspondentes. O transformador 630 então cria um mapa estatístico, que compreende uma matriz de células com o mesmo tamanho que as imagens de vídeo; cada célula do mapa estatístico cujo sinalizador da ROI na máscara de ROI estiver ativado armazena os parâmetros estatísticos correspondentes (ou seja, o valor da média lognormal e valor do desvio padrão lognormal). Esse mapa estatístico é salvo em um repositório 633 (ação "A6.Transform").

[0085] O mapa estatístico no repositório 633 é fornecido para um segmentador 636, que também acessa a máscara de ROI no repositório 615 (cuja conexão não é mostrada na Figura por motivo de clareza). O segmentador 636 extrai um critério de segmentação selecionado (ou mais) a partir de um repositório 639, que armazena um número de critérios de segmentação predeterminados com base em limites de segmentação para os valores da média lognormal e os valores de desvio padrão lognormal; por exemplo, esses limites de segmentação podem ter sido determinados durante uma fase de aprendizagem analisando-se amostras de partes do corpo com características bem conhecidas. Para cada pixel do mapa estatístico cujo sinalizador da ROI na máscara de ROI estiver ativado (ou seja, dentro da região de interesse), o segmentador 636 verifica se os parâmetros estatísticos correspondentes preenchem o critério de segmentação selecionado (significando que o mesmo pertence a um segmento correspondente que representa uma porção da parte do corpo com características homogêneas correspondentes). O segmentador 636 então cria uma máscara de segmentação para o critério de segmentação selecionado, que compreende uma matriz de células com o mesmo tamanho que as imagens de vídeo; cada célula da máscara de segmentação armazena um sinalizador de segmentação (ou seja, um valor binário) que é ativado quando o critério de segmentação correspondente é atendido (ou seja, o pixel correspondente pertence ao segmento) ou é desativado em caso contrário. Cada máscara de segmentação criada dessa forma é salva em um repositório 642 (ação "A7.Segment").

[0086] Um aplicador 645 extrai uma máscara de segmentação selecionada (ou mais) a partir do repositório 642; o aplicador 645 também extrai uma imagem paramétrica selecionada (ou mais) a partir do repositório 627 e/ou uma imagem de vídeo selecionada (ou mais) a partir do repositório 609. O aplicador 645 aplica a máscara de segmentação (selecionada) para a imagem paramétrica/de vídeo (selecionada) multiplicando-se as mesmas célula a célula. Essa operação cria uma imagem segmentada, que compreende uma matriz de células com o mesmo tamanho que as imagens de vídeo/paramétricas; em que cada célula da imagem segmentada que pertence ao segmento definido pela máscara de segmentação (ou seja, cujo sinalizador segmentação esteja ativado) armazena o valor paramétrico/de pixel correspondente, enquanto que as outras células são restauradas para 0. Cada imagem segmentada criada dessa forma é salva em um repositório 648 (ação "A8.Aplicar").

[0087] Cada imagem segmentada no repositório 648 pode agora ser passada para o visor 606 para sua exibição e qualquer próximo uso da mesma (ação "A9.Display"). Por exemplo, uma imagem segmentada que discrimina partículas imobilizadas a partir de partículas circulantes remanescentes de um agente de contraste específico ao alvo pode ser usada para detectar as partículas imobilizadas e consequentemente para identificar uma lesão correspondente na parte do corpo. Adicionalmente ou como alternativa, um consolidador 651 pode extrair uma máscara de segmentação selecionada (ou mais) a partir do repositório 642 e/ou uma imagem segmentada selecionada (ou mais) a partir do repositório 648. O consolidador 651 calcula um valor consolidado (ou mais) da porção da parte do corpo representado pelo segmento definido pela máscara de segmentação/imagem segmentada (selecionada); por exemplo, o valor consolidado pode ser determinado igual ao número de sinalizadores de segmentação que estiverem ativados na máscara de segmentação (que mede a porção da parte do corpo), ou o valor consolidado pode ser determinado igual à soma ou a média dos valores de pixel/parâmetros da imagem segmentada (que caracteriza a porção da parte do corpo). Cada valor consolidado calculado dessa forma é salvo em um repositório 654 para uso a seguir (ação "A10.Consolidate"). Por exemplo, a média dos valores de parâmetros de uma ROI relacionada a uma região de análise que compreende uma lesão a ser analisada em uma imagem segmentada em que as porções hipoperfundidas são discriminadas negativamente automaticamente não é afetada por sua contribuição, e a média dos valores de parâmetros de uma ROI relacionada a uma região de controle que compreende tecido saudável para ser comparado a uma lesão em uma imagem segmentada em que as porção hiperperfundidas são discriminadas negativamente automaticamente não é afetada por sua contribuição; portanto, esses valores consolidados podem ser combinados em um valor consolidado da região de análise expresso em termos relativos com respeito ao valor consolidado da região de controle (por exemplo, igual a sua razão). Além disso, o número de sinalizadores de segmentação que são ativados em uma máscara de segmentação que discrimina partículas imobilizadas de um agente de contraste específico ao alvo e a soma dos valores de pixel/parâmetros em uma imagem segmentada que também discrimina partículas imobilizadas de um agente de contraste específico ao alvo, quantificam ambos essas partículas imobilizadas.

[0088] Diferentes exemplos de aplicações in-vivo da solução de acordo com uma modalidade da presente revelação são mostrados na Figura 7, na Figura 8 e na Figura 9.

[0089] Começando a partir da Figura 7, uma imagem de vídeo 705 de um tumor de fígado foi adquirida no modo de imageamento específico de contraste 20 segundos após a injeção do agente de contraste (durante opacificação de pico); duas regiões (hipoperfundidas) 710a e 710b (que estão mais escuras) foram delineadas manualmente na imagem de vídeo 705.

[0090] Uma máscara de segmentação 715 foi criada a partir de uma sequência de 100 imagens de vídeo do tumor de fígado adquirida ao longo de 12,5 segundos em torno do instante de aquisição da imagem de vídeo 705, com o critério de segmentação (valor da média lognormal>5,0 E desvio padrão lognormal valor>0). Como pode ser visto, a máscara de segmentação 715 exclui duas regiões 720a e 720b (pretas) que correspondem substancialmente às regiões hipoperfundidas 710a e 710b, respectivamente, como confirmado pela boa sobreposição entre as regiões excluídas 720a,720b e o contorno das regiões hipoperfundidas 710a,710b apresentadas em linhas cinza tracejadas na máscara de segmentação 715.

[0091] Passando para a Figura 8, uma imagem de vídeo 805 de tecido saudável de um fígado para ser usada como uma região de referência foi adquirida como acima; uma região (hiperperfundida) 810 (que é mais clara) que correspondente a um grande vaso sanguíneo foi delineada manualmente na imagem de vídeo 805.

[0092] Uma máscara de segmentação 815 foi criada a partir de uma sequência de 25 imagens de vídeo do fígado adquiridas ao longo de 3 segundos em torno do instante de aquisição da imagem de vídeo 805, com o critério de segmentação (valor da média lognormal<5,9 E desvio padrão lognormal valor>0). Como pode ser visto, a máscara de segmentação 815 exclui uma região 820 (preta) que corresponde substancialmente à região hiperperfundida 810, como confirmado pela boa sobreposição entre a região excluída 820 e o contorno da região hiperperfundida 810 apresentadas em linhas cinza tracejadas em a máscara de segmentação 815.

[0093] Com referência no fim para a Figura 9, uma imagem de vídeo 905 de uma próstata de um rato modelo com um tumor (adenocarcinoma) foi adquirida no modo de imageamento específico de contraste 2 minutos após a injeção de um agente de contraste específico ao alvo para a molécula de adesão de célula vascular 1 (VCAM-1); uma região de tumor 910 (que é mais clara) foi delineada manualmente na imagem de vídeo 905.

[0094] Uma máscara de segmentação foi criada a partir de uma sequência de 60 imagens de vídeo da próstata adquiridas ao longo de 15 segundos após o instante de aquisição da imagem de vídeo 905, com o critério de segmentação (valor da média lognormal>4,4 E desvio padrão lognormal valor>0,54); então uma imagem segmentada 915 foi criada aplicando-se essa máscara de segmentação a uma imagem paramétrica para a média criada a partir da mesma sequência de imagens de vídeo como acima. Como pode ser visto a segmentada imagem 915 mostra substancialmente as partículas imobilizadas do contraste específico ao alvo apenas na região do tumor 910, com as partículas circulantes remanescentes do agente de contraste específico ao alvo presentes fora a região do tumor 910 na imagem de vídeo 905 que estão substancialmente ausentes na imagem segmentada 915. Além disso, também na região do tumor 910 as partículas circulantes remanescentes do contraste específico ao alvo são substancialmente removidas (como fica evidente comparando-se a mesma com a região do tumor 910 na imagem de vídeo 905).

[0095] Como um controle, outra imagem de vídeo 925 foi adquirida nas mesmas condições, mas agora com o uso de um agente de contraste (não concentrado), e uma imagem segmentada correspondente 935 foi criada como acima.

[0096] Nesse caso, substancialmente nenhuma particular (circulante/imobilizada) do agente de contraste é visível (tanto dentro como fora da região do tumor 910) na imagem segmentada 935.

MODIFICAÇÕES

[0097] Naturalmente, a fim de satisfazer exigências locais e específicas, uma pessoa versada na técnica pode aplicar à solução descrita acima muitas modificações e alterações lógicas e/ou físicas. Mais especificamente, embora essa solução tenha sido descrita com certo grau de particularidade com referência a uma ou mais modalidades da mesma, deve ser entendido que várias omissões, substituições e mudanças na forma e detalhes bem como outras modalidades são possíveis. Particularmente, modalidades diferentes da presente revelação podem mesmo ser praticadas sem os detalhes específicos (tais como os valores numéricos) apresentados na descrição precedente para fornecer um entendimento mais completo da mesma; ao contrário, recursos bem conhecidos podem ter sido omitidos ou simplificados a fim de não para obscurecer a descrição com particularidades desnecessárias. Além disso, é entendido expressamente que elementos e/ou etapas de método específicos descritos em conexão com qualquer modalidade da solução revelada podem ser incorporados em qualquer outra modalidade como uma questão de escolha de projeto em geral. Em qualquer caso, ordinais ou outros qualificadores são usados meramente como rótulos para distinguir elementos com o mesmo nome mas não por si próprios não denotam qualquer prioridade, precedência ou ordem. Além disso, os termos incluir, compreender, ter, conter e envolver (e quaisquer formas dos mesmos) devem ser entendidos com um significado aberto, não exaustivo (ou seja, não limitados aos itens enumerados), os termos com base em, dependente de, de acordo com, função de (e quaisquer formas dos mesmos) devem ser entendidos como um relacionamento não exclusivo (ou seja, com possíveis variáveis adicionais envolvidas), e o termo um/uma deve ser entendido como um ou mais itens (a menos que indicado expressamente ao contrário).

[0098] Por exemplo, uma modalidade fornece um método de segmentação de processamento de dados para uso em aplicações de imageamento de diagnóstico. O método compreenda seguir etapas. Uma representação ao longo de um período de tempo de análise diferente de zero de uma parte do corpo (que está sendo perfundida com um agente de contraste) é fornecida; a representação compreende, para cada localização de um conjunto de localizações da parte do corpo, uma indicação de uma resposta ao longo do período de tempo de análise da localização para um sinal de interrogação. Para cada localização selecionada de um conjunto de localizações selecionadas, é calculado o valor de pelo menos um parâmetro estatístico de uma distribuição estatística da resposta ao longo do período de tempo de análise da localização selecionada; o conjunto de localizações selecionadas compreende todas as localizações ou uma parte das mesmas. As localizações selecionadas são segmentadas de acordo com uma comparação entre os valores do dito pelo menos um parâmetro estatístico para as localizações selecionadas com pelo menos um limite de segmentação.

[0099] Entretanto, a representação da parte do corpo pode ser fornecida de qualquer forma (ver abaixo), de modo a fornecer uma representação da mesma ao longo de um período de tempo de análise que tenha qualquer duração diferente de zero (longo o suficiente para ser estatisticamente significativo); a representação pode se referir a qualquer tipo de perfusão (por exemplo, com base em uma infusão contínua com um flash de destruição) de qualquer tipo de agente de contraste (ou do tipo não concentrado ou do tipo concentrado). O método pode ser aplicado no nível de qualquer tipo de localizações (por exemplo, pixels, voxels ou grupos dos mesmos); particularmente, também é possível subamostrar as representações espacialmente, determinar a segmentação nas representações subamostradas, e então restaurar o tamanho total da segmentação com técnicas de interpolação para sua aplicação nas representações originais. Além disso, o método pode ser aplicado a quaisquer localizações selecionadas (por exemplo, em uma ou mais regiões de interesse definidas de qualquer forma), ou mesmo para toda a representação da parte do corpo. Os parâmetros estatísticos podem ser de qualquer tipo e em qualquer número (ver abaixo); além disso, as localizações selecionadas podem ser segmentadas em qualquer número de segmentos (dois ou mais) de acordo com qualquer comparação entre os valores de o(s) parâmetro(s) estatístico(s) com qualquer tipo e número de limites de segmentação (ver abaixo).

[00100] Em uma modalidade, a dita etapa de fornecer uma representação ao longo de um período de tempo de análise diferente de zero de uma parte do corpo inclui fornecer uma sequência de imagens digitais da parte do corpo registrada durante o período de tempo de análise; cada imagem digital compreende um valor de intensidade para cada localização com base na resposta da localização em um instante de aquisição correspondente no período de tempo de análise. A dita etapa de calcular o valor de pelo menos um parâmetro estatístico inclui calcular o valor do dito pelo menos um parâmetro estatístico a partir dos valores de intensidade da localização selecionada ao longo das imagens digitais.

[00101] Entretanto, as imagens digitais podem ser registradas de qualquer forma (por exemplo, por pré-processamento das mesmas para compensar artefatos móveis ou para subtrair uma imagem de fundo). As imagens digitais podem ser de qualquer tipo (por exemplo, do tipo3D, com base em qualquer modo de imageamento específico de contraste, ou mesmo em modo B fundamental, ou sozinho ou em combinação), com qualquer tamanho e em qualquer número diferente de zero (de modo a ser significativo estatisticamente); os valores de intensidade podem ser de qualquer tipo (por exemplo, valores comprimidos por log) e codificados de qualquer forma (por exemplo, codificados por cor em qualquer número de bits). Em qualquer caso, a possibilidade de aplicar o mesmo método a qualquer representação da parte do corpo (mesmo não na forma de imagens) não é excluída. Por exemplo, a representação ao longo do período de tempo de análise diferente de zero de uma parte do corpo pode ser definida pelos sinais de eco em estado natural (RF não processada). Nesse caso, para cada localização selecionada o valor do dito pelo menos um parâmetro estatístico (da distribuição estatística da resposta) é obtido calculando- se a transformada de Hilbert do sinal de eco em estado natural da localização selecionada e então o (complexo) coeficiente de correlação ou variância do mesmo, no nível ou de sua magnitude ou de sua fase (com as localizações selecionadas que são então segmentadas como exposto acima de acordo com a comparação entre os valores desse(s) parâmetro(s) estatístico(s) com pelo menos um limite de segmentação).

[00102] Em uma modalidade, o dito pelo menos um parâmetro estatístico é uma pluralidade de parâmetros estatísticos.

[00103] Entretanto, os parâmetros estatísticos podem ser em qualquer número (desde um único, ou vice-versa de três ou mais)

[00104] Em uma modalidade, os parâmetros estatísticos são um parâmetro estatístico de tendência central e um parâmetro estatístico de dispersão.

[00105] Entretanto, é possível usar qualquer parâmetro estatístico de tendência central (por exemplo, adicionalmente à média (aritmética) e à mediana, o modo, a média geométrica, a média harmônica, a média truncada, a média de gama intermediária, e similares) e/ou qualquer parâmetro estatístico de dispersão (por exemplo, adicionalmente ao desvio padrão, a diferença média, o desvio médio, a variância, e similares). Em qualquer caso, parâmetros estatísticos de tipo diferente, adicional ou alternativo podem ser usados (por exemplo, parâmetros estatísticos de localização ou formato).

[00106] Em uma modalidade, a dita etapa de calcular o valor de pelo menos um parâmetro estatístico inclui calcular o valor do dito pelo menos um parâmetro estatístico relacionado à resposta que está sendo transformada para fornecer uma distribuição estatística transformada da resposta transformada ao longo do período de tempo de análise com um formato com desvio.

[00107] Entretanto, esse cálculo pode ser implantado de qualquer forma de acordo com qualquer distribuição estatística transformada (ver abaixo). Em qualquer caso, a possibilidade de calcular os parâmetros estatísticos apenas a partir da distribuição estatística (original) das respostas não é excluída.

[00108] Em uma modalidade, a distribuição estatística transformada é uma distribuição estatística lognormal.

[00109] Entretanto, qualquer outra distribuição estatística transformada com um formato com desvio pode ser usada (por exemplo, a distribuição de densidade de percurso randômico gama ou a local).

[00110] Em uma modalidade, a dita etapa de calcular o valor de pelo menos um parâmetro estatístico inclui calcular o valor de pelo menos um parâmetro estatístico adicional a partir da distribuição estatística da resposta ao longo do período de tempo de análise da localização selecionada, e calcular o valor de cada parâmetro estatístico aplicando-se uma transformação correspondente que depende da distribuição estatística transformada para o valor do dito pelo menos um parâmetro estatístico adicional.

[00111] Entretanto, a transformação pode ser de qualquer tipo (ver abaixo). Em qualquer caso, nada impede transformar as respostas e então calcular os parâmetros estatísticos almejados diretamente a partir das respostas transformadas; por exemplo, é possível calcular a média lognormal e o desvio padrão lognormal como:

[00112] Alternativamente, também é possível ajustar cada resposta por uma função paramétrica que é uma instância de um modelo paramétrico que representa uma função de distribuição da distribuição estatística transformada (ou diretamente ou a partir de um histograma da mesma), e então calcular os parâmetros estatísticos almejados a partir dessa função paramétrica.

[00113] Em uma modalidade, a dita etapa de calcular o valor de cada parâmetro estatístico aplicando-se uma transformação correspondente inclui aplicar uma transformação logarítmica para o valor do dito pelo menos um parâmetro estatístico adicional.

[00114] Entretanto, a transformação pode ser de qualquer tipo (por exemplo, do tipo exponencial).

[00115] Em uma modalidade, o dito pelo menos um parâmetro estatístico é uma média lognormal e um desvio padrão lognormal, e o dito pelo menos um parâmetro estatístico adicional é uma média normal e uma mediana normal.

[00116] Entretanto, os parâmetros estatísticos e/ou o parâmetro estatísticos adicionais podem ser de qualquer tipo e em qualquer número (por exemplo, como apontado acima).

[00117] Em uma modalidade, a dita etapa de calcular o valor de cada parâmetro estatístico aplicando-se uma transformação correspondente inclui determinar o valor da média lognormal igual ao logaritmo natural do valor da mediana normal, e o valor do desvio padrão lognormal igual à raiz quadrada de duas vezes o logaritmo natural de uma razão entre o valor da média normal e o valor da mediana normal se a dita razão for estritamente maior do que 1 ou igual a 0 em caso contrário.

[00118] Entretanto, outras transformações podem ser usadas de acordo com o tipo de distribuição estatística e/ou parâmetros estatísticos transformados.

[00119] Em uma modalidade, a dita etapa de segmentar as localizações selecionadas inclui segmentar as localizações selecionadas de acordo com uma comparação entre o valor de cada parâmetro estatístico e um limite de segmentação correspondente do dito pelo menos um limite de segmentação.

[00120] Entretanto, os limites de segmentação podem ser definidos de qualquer forma. Por exemplo, é possível aplicar técnicas de Análise de Componente Principal (PCA) para descorrelacionar os valores dos parâmetros estatísticos; além disso, os limites de segmentação podem ser calculados a partir de um centro de gravidade dos valores dos parâmetros estatísticos correspondentes. As localizações selecionadas podem ser segmentadas de acordo com qualquer comparação entre cada parâmetro estatístico e o limite de segmentação correspondente (por exemplo, maior ou menor em termos absolutos ou por uma porcentagem predefinida, em quaisquer combinações). Em qualquer caso, nada impede usar um número de limites de segmentação diferente do um dos parâmetros estatísticos (por exemplo, quando a segmentação é com base em quaisquer combinações (lineares ou não lineares) dos parâmetros estatísticos).

[00121] Em uma modalidade, a dita etapa de segmentar as localizações selecionadas inclui designar cada localização selecionada de uma região de análise da parte do corpo (que compreende uma lesão a ser analisada) para um primeiro segmento (relacionado a uma porção hipoperfundida da região de análise) quando o valor de um parâmetro estatístico de tendência central for maior do que o limite de segmentação correspondente e o valor de um parâmetro estatístico de dispersão for maior do que o limite de segmentação correspondente, ou para um segundo segmento em caso contrário; o método compreende adicionalmente calcular um valor consolidado das respostas das localizações selecionadas da região de análise não compreendidas no primeiro segmento.

[00122] Entretanto, essa segmentação pode ser com base em outros critérios de segmentação (por exemplo, coeficiente de correlação alto e variância baixa da transformada de Hilbert dos sinais de eco em estado natural); além disso, o mesmo pode ser usado para calcular qualquer valor consolidado da região de análise (por exemplo, seu tempo médio para pico, desvio, e similares).

[00123] Em uma modalidade, a dita etapa de segmentar as localizações selecionadas inclui designar cada localização selecionada de uma região de controle da parte do corpo (que compreende tecido saudável para ser comparado à região de análise) para um primeiro segmento adicional (relacionado a uma porção hiperperfundida da região de controle) quando o valor do parâmetro estatístico de tendência central for menor do que o limite de segmentação correspondente e o valor do parâmetro estatístico de dispersão for maior do que o limite de segmentação correspondente, ou para um segundo segmento adicional em caso contrário; o método compreende adicionalmente calcular um valor consolidado adicional das respostas das localizações selecionadas da região de controle não compreendidas no primeiro segmento adicional.

[00124] Entretanto, essa segmentação pode ser com base em outros critérios de segmentação (por exemplo, coeficiente de correlação baixo e alta variância da transformada de Hilbert dos sinais de eco em estado natural); além disso, a mesma pode ser usada para calcular qualquer valor consolidado da região de controle como acima.

[00125] Em uma modalidade, o método compreende adicionalmente calcular um valor consolidado relativo da região de análise com respeito à região de controle de acordo com uma combinação do valor consolidado e do valor consolidado adicional.

[00126] Entretanto, o valor consolidado relativo pode ser calculado de qualquer forma (por exemplo, como uma diferença entre o valor consolidado e o valor consolidado adicional); em qualquer caso, o valor consolidado adicional pode ser usado em qualquer outra forma (por exemplo, para normalizar valores de parâmetros de uma imagem paramétrica completa).

[00127] Em uma modalidade, o agente de contraste é um agente de contraste direcionado capaz de circular dentro do paciente e de ser substancialmente imobilizado em um alvo biológico; a dita etapa de segmentar as localizações selecionadas inclui designar cada localização selecionada para um primeiro segmento (relacionado ao agente de contraste direcionado imobilizado) quando o valor de um parâmetro estatístico de tendência central for maior do que o limite de segmentação correspondente e o valor de um parâmetro estatístico de dispersão for menor do que o limite de segmentação correspondente, ou para um segundo segmento em caso contrário.

[00128] Entretanto, o agente de contraste direcionado pode ser de qualquer tipo (por exemplo, com base em interações ou específicas ou não específicas); além disso, essa segmentação pode ser com base em outros critérios de segmentação (por exemplo, coeficiente de correlação alto e variância baixa da transformada de Hilbert dos sinais de eco em estado natural).

[00129] Em qualquer caso, a mesma técnica pode ser usada em qualquer outra aplicação de imageamento de diagnóstico; por exemplo, o mesmo procedimento pode ser reiterado (uma ou mais vezes) em um segmento selecionado, ou o mesmo pode ser aplicado repetidamente com critérios de segmentação diferentes, em que as máscaras de segmentação resultantes são combinadas por operadores lógicos, tal como para obter a interseção (E lógico), união (OU lógico), ou união exclusiva (OU Exclusivo) dos segmentos correspondentes.

[00130] Geralmente, considerações similares se aplicam se a mesma solução for implantada com um método equivalente (usando- se etapas similares com as mesmas funções de mais etapas ou porções das mesmas, removendo-se algumas etapas que não estiverem sendo essenciais, ou adicionando-se etapas opcionais adicionais); além disso, as etapas podem ser realizadas em uma ordem diferente, concorrentemente ou de uma forma intercalada (pelo menos em parte).

[00131] Em qualquer caso, é enfatizado que o método descrito acima é um método de processamento de dados (ou computacional) que pode ser implantado independentemente de qualquer interação com o paciente (e particularmente com o agente de contraste que pode ser pré-administrado ao mesmo antes de realizar o método). Além disso, o agente de contraste também pode ser administrado para o paciente de uma maneira não invasiva (por exemplo, oralmente para imageamento o trato gastrointestinal ou via um nebulizador nas vias aéreas), ou em qualquer caso sem qualquer intervenção física substancial no mesmo que exigiria conhecimento médico profissional ou implicaria em qualquer risco a saúde do paciente (por exemplo, intramuscularmente). Em qualquer caso, embora o método proposto possa facilitar a tarefa de um médico, o mesmo geralmente fornece apenas resultados intermediários que podem ajudá-lo a analisar a parte do corpo, por exemplo, para propósitos de diagnóstico (muito embora o diagnóstico para propósitos curativos stricto sensu seja sempre feito pelo próprio médico).

[00132] Uma modalidade adicional fornece um programa de computador, que é configurado para fazer com que um sistema computacional realize o método mencionado acima quando o programa de computador for executado no sistema computacional.

[00133] Uma modalidade adicional fornece um produto de programa de computador, que compreende um meio legível por computador não transitório que incorpora um programa de computador; o programa de computador é carregável em uma memória de trabalho de um sistema computacional para desse modo configurar o sistema computacional para realizar o mesmo método.

[00134] Entretanto, a mesma solução pode ser implantada como um módulo autônomo, como um plug-in para um programa de controle do equipamento de ecografia, ou mesmo diretamente no próprio programa de controle; deve ficar prontamente evidente que também é possível para implantar a mesma solução como um serviço que seja acessado através de uma rede (tal como na Internet). Em qualquer caso, considerações similares se aplicam se o programa de software (que pode ser usado para implantar cada modalidade da presente revelação) for estruturado de uma forma diferente, ou se módulos ou funções adicionais forem fornecidos; do mesmo modo, as estruturas de memória podem ser de outros tipos, ou podem ser substituídas por entidades equivalentes (que não consistam necessariamente de mídia de armazenamento física). O programa pode assumir qualquer forma adequada para ser usado por qualquer sistema computacional (ou de processamento de dados) ou em conexão com o mesmo (por exemplo, dentro de uma máquina virtual), para desse modo configurar o sistema para realizar as operações almejadas; particularmente, o programa pode ser na forma de software externo ou residente, firmware, ou microcódigo (ou em código objeto ou em código fonte, por exemplo, para ser compilado ou interpretado). Além disso, é possível fornecer o programa em qualquer meio utilizável por computador (e particularmente como um artigo de fabricação em um meio não transitório); o meio pode ser qualquer elemento adequado para conter, armazenar, comunicar, propagar, ou transferir o programa. Por exemplo, o meio pode ser do tipo eletrônico, magnético, óptico, eletromagnético, infravermelho, ou semicondutor; exemplos desses meios são discos fixos (em que o programa pode ser pré-carregado), discos removíveis, fitas, cartões, fios, fibras, conexões sem fio, redes, ondas de difusão, e similares. Em qualquer caso, a solução de acordo com uma modalidade da presente revelação presta-se para ser implantada mesmo com uma estrutura de hardware (por exemplo, integrada em uma pastilha de material semicondutor), ou com uma combinação de software e hardware programados adequadamente ou configurados de outra forma.

[00135] Uma modalidade adicional fornece um sistema, que compreende meios configurados para realizar as etapas do método mencionado acima.

[00136] Entretanto, a mesma solução pode ser aplicada em um sistema que inclui um equipamento de ecografia e um computador distinto (ou qualquer sistema equivalente); nesse caso, as informações gravadas são transferidas do equipamento de ecografia para o computador para seu processamento (por exemplo, através de uma conexão digital, analógica ou rede). Em qualquer caso, não é excluída a possibilidade de aplicar a solução proposta a qualquer outro sistema de imageamento de diagnóstico, por exemplo, com base em Imageamento de Ressonância Magnética (MRI) ou Tomografia Computadorizada de raios X (CT).

[00137] Geralmente, considerações similares se aplicam se o sistema tiver uma estrutura diferente ou compreender componentes equivalentes, ou se o mesmo tiver outras características operacionais. Em qualquer caso, todo componente do mesmo pode ser separado em mais elementos, ou dois ou mais componentes podem ser combinados em um único elemento; além disso, cada componente pode ser replicado para suportar a execução das operações correspondentes em paralelo. Além disso, a menos que especificado ao contrário, qualquer interação entre componentes diferentes geralmente não precisa ser contínua, e pode ser ou direta ou indireta através de um ou mais intermediários.

[00138] Uma modalidade adicional fornece um método de imageamento de diagnóstico que compreende seguir etapas. Um agente de contraste é administrado a um paciente para fazer com que o agente de contraste perfunda uma parte do corpo do paciente. Um sinal de interrogação é aplicado ao longo de um período de tempo de análise diferente de zero para a parte do corpo. Uma representação é adquirida ao longo do período de tempo de análise da parte do corpo; a representação compreende, para cada localização de um conjunto de localizações da parte do corpo, uma indicação de uma resposta ao longo do período de tempo de análise da localização para o sinal de interrogação (em que as representações são processadas de acordo com o mesmo método como exposto acima para segmentar um conjunto de localizações selecionadas que compreendem todas as localizações ou uma parte das mesmas). Uma condição da parte do corpo é avaliada de acordo com a dita segmentação.

[00139] Entretanto, o método pode encontrar aplicação em qualquer tipo de aplicações de diagnóstico (no significado mai amplo do temo, por exemplo, voltado ou para descobrir novas lesões ou monitorar lesões conhecidas) e para analisar qualquer tipo de parte do corpo (por exemplo, órgãos, tais como fígado, próstata ou coração, regiões ou tecidos) de qualquer paciente (humano ou animal). Particularmente, a segmentação pode ser usada para identificar regiões da parte do corpo em qualquer condição fisiológica, por exemplo, discriminando lesões de tecido saudável, ou porções da parte do corpo com diferentes parâmetros de perfusão.

Claims

1. Método de segmentação de processamento de dados (A1 a A10) para uso em aplicações de formação de imagem de diagnóstico, que compreende: fornecer (A1 a A4) uma representação ao longo de um período de tempo de análise que possui duração diferente de zero de uma parte do corpo que está sendo perfundida com um agente de contraste, em que a representação compreende, para cada localização de um conjunto de localizações da parte do corpo, uma indicação de uma resposta ao longo do período de tempo de análise da localização para um sinal de interrogação; calcular (A5 a A6), para cada localização selecionada de um conjunto de localizações selecionadas, o valor de pelo menos um parâmetro estatístico de uma distribuição estatística da resposta ao longo do período de tempo de análise da localização selecionada, o conjunto de localizações selecionadas que compreende todas as localizações ou uma parte das mesmas; caracterizado por segmentar (A7 a A9) as localizações selecionadas de acordo com uma comparação entre os valores do dito pelo menos um parâmetro estatístico para as localizações selecionadas e pelo menos um limite de segmentação.

2. Método (A1 a A10), de acordo com a reivindicação 1, caracterizado pelo fato de que o dito fornecimento de (A1 a A4) uma representação ao longo de um período de tempo de análise que possui duração diferente de zero de uma parte do corpo inclui: fornecer (A2) uma sequência de imagens digitais da parte do corpo registrada durante o período de tempo de análise, em que cada imagem digital compreende um valor de intensidade para cada localização com base na resposta da localização em um instante de aquisição correspondente no período de tempo de análise; e em que o dito cálculo (A5 a A6) do valor de pelo menos um parâmetro estatístico inclui: calcular (A5) o valor do dito pelo menos um parâmetro estatístico a partir dos valores de intensidade da localização selecionada ao longo das imagens digitais ou a partir de uma transformada de Hilbert de um sinal que representa a resposta de cada local durante o período de análise e um coeficiente de correlação ou variação do mesmo em um nível de magnitude ou fase.

3. Método (A1 a A10), de acordo com a reivindicação 1 ou 2, caracterizado pelo fato de que o dito pelo menos um parâmetro estatístico é uma pluralidade de parâmetros estatísticos.

4. Método (A1 a A10), de acordo com a reivindicação 3, caracterizado pelo fato de que os parâmetros estatísticos são um parâmetro estatístico de tendência central e um parâmetro estatístico de dispersão.

5. Método (A1 a A10), de acordo com qualquer uma das reivindicações 1 a 4, caracterizado pelo fato de que o dito cálculo (A5 a A6) do valor de pelo menos um parâmetro estatístico inclui: calcular (A5 a A6) o valor do dito pelo menos um parâmetro estatístico relacionado à resposta que está sendo transformada para fornecer uma distribuição estatística transformada da resposta transformada ao longo do período de tempo de análise com um formato com desvio.

6. Método (A1 a A10), de acordo com a reivindicação 5, caracterizado pelo fato de que a distribuição estatística transformada é uma distribuição estatística lognormal.

7. Método (A1 a A10), de acordo com a reivindicação 5 ou 6, caracterizado pelo fato de que o dito cálculo (A5 a A6) do valor de pelo menos um parâmetro estatístico inclui: calcular (A5) o valor de pelo menos um parâmetro estatístico adicional a partir da distribuição estatística da resposta ao longo do período de tempo de análise da localização selecionada; e calcular (A6) o valor de cada parâmetro estatístico aplicando-se uma transformação correspondente que depende da distribuição estatística transformada para o valor do dito pelo menos um parâmetro estatístico adicional.

8. Método (A1 a A10), de acordo com a reivindicação 7, caracterizado pelo fato de que o dito cálculo (A6) do valor de cada parâmetro estatístico aplicando-se uma transformação correspondente inclui: aplicar (A6) uma transformação logarítmica ao valor do dito pelo menos um parâmetro estatístico adicional.

9. Método (A1 a A10), de acordo com a reivindicação 7 ou 8, caracterizado pelo fato de que o dito pelo menos um parâmetro estatístico é uma média lognormal e um desvio padrão lognormal, e o dito pelo menos um parâmetro estatístico adicional é uma média normal e uma mediana normal.

10. Método (A1 a A10), de acordo com a reivindicação 9, caracterizado pelo fato de que o dito cálculo (A6) do valor de cada parâmetro estatístico aplicando-se uma transformação correspondente inclui: determinar (A6) o valor da média lognormal igual ao logaritmo natural do valor da mediana normal, e o valor do desvio padrão lognormal igual à raiz quadrada de duas vezes o logaritmo natural de uma razão entre o valor da média normal e o valor da mediana normal se a dita razão for estritamente maior do que 1 ou igual a 0 em caso contrário.

11. Método (A1 a A10), de acordo com qualquer uma das reivindicações 1 a 10, caracterizado pelo fato de que a dita segmentação (A7 a A9) das localizações selecionadas inclui: segmentar (A7) as localizações selecionadas de acordo com uma comparação entre o valor de cada parâmetro estatístico e um limite de segmentação correspondente do dito pelo menos um limite de segmentação.

12. Método (A1 a A10), de acordo com a reivindicação 11, caracterizado pelo fato de que a dita segmentação (A7 a A9) das localizações selecionadas inclui: designar (A7 a A8) cada localização selecionada de uma região de análise da parte do corpo que compreende uma lesão para ser analisada por um primeiro segmento relacionado a uma porção hipoperfundida da região de análise quando o valor de um parâmetro estatístico de tendência central for maior do que o limite de segmentação correspondente e o valor de um parâmetro estatístico de dispersão for maior do que o limite de segmentação correspondente, ou para um segundo segmento em caso contrário; e designar (A7 a A8) cada localização selecionada de uma região de controle da parte do corpo que compreende tecido saudável para ser comparada à região de análise para um primeiro segmento adicional relacionado a uma porção hiperperfundida da região de controle quando o valor do parâmetro estatístico de tendência central for menor do que o limite de segmentação correspondente e o valor do parâmetro estatístico de dispersão for maior do que o limite de segmentação correspondente, ou para um segundo segmento adicional em caso contrário; em que o método compreende adicionalmente: calcular (A10) um valor consolidado das respostas das localizações selecionadas da região de análise não compreendidas no primeiro segmento; calcular (A10) um valor consolidado adicional das respostas das localizações selecionadas da região de controle não compreendidas no primeiro segmento adicional; e calcular (A10) um valor consolidado relativo da região de análise com respeito à região de controle de acordo com uma combinação do valor consolidado e do valor consolidado adicional.

13. Método (A1 a A10), de acordo com a reivindicação 11, caracterizado pelo fato de que o agente de contraste é um agente de contraste direcionado capaz de circular dentro do paciente e de ser substancialmente imobilizado em um alvo biológico, em que a dita segmentação (A7 a A9) das localizações selecionadas inclui: designar (A7 a A8) cada localização selecionada para um primeiro segmento relacionado ao agente de contraste direcionado imobilizado quando o valor de um parâmetro estatístico de tendência central for maior do que o limite de segmentação correspondente e o valor de um parâmetro estatístico de dispersão for menor do que o limite de segmentação correspondente, ou para um segundo segmento em caso contrário.

14. Sistema (100) para uso em aplicações de formação de imagem de diagnóstico, caracterizado pelo fato de que compreende meio (600) configurado para realizar as etapas do método (A1 - A10) conforme definido em cada uma das reivindicações 1 a 13.