BRPI0619257A2 - método de detecção de doença neurodegenerativa, programa de detecção e detector - Google Patents
método de detecção de doença neurodegenerativa, programa de detecção e detector Download PDFInfo
- Publication number
- BRPI0619257A2 BRPI0619257A2 BRPI0619257-2A BRPI0619257A BRPI0619257A2 BR PI0619257 A2 BRPI0619257 A2 BR PI0619257A2 BR PI0619257 A BRPI0619257 A BR PI0619257A BR PI0619257 A2 BRPI0619257 A2 BR PI0619257A2
- Authority
- BR
- Brazil
- Prior art keywords
- image
- region
- disease
- interest
- sum
- Prior art date
Links
- 208000015122 neurodegenerative disease Diseases 0.000 title claims abstract description 61
- 230000004770 neurodegeneration Effects 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 65
- 210000004556 brain Anatomy 0.000 claims abstract description 47
- 238000006243 chemical reaction Methods 0.000 claims abstract description 26
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 70
- 201000010099 disease Diseases 0.000 claims description 68
- 208000024827 Alzheimer disease Diseases 0.000 claims description 23
- 201000002832 Lewy body dementia Diseases 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 15
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 claims description 8
- 238000010176 18-FDG-positron emission tomography Methods 0.000 claims description 7
- 206010012289 Dementia Diseases 0.000 claims description 6
- 208000009829 Lewy Body Disease Diseases 0.000 claims description 5
- 101150041689 SLC25A5 gene Proteins 0.000 claims description 4
- 230000002490 cerebral effect Effects 0.000 claims description 4
- 208000035474 group of disease Diseases 0.000 claims description 3
- 210000004558 lewy body Anatomy 0.000 claims 1
- 201000004792 malaria Diseases 0.000 claims 1
- 238000000059 patterning Methods 0.000 abstract description 4
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 24
- 206010067889 Dementia with Lewy bodies Diseases 0.000 description 15
- 230000035945 sensitivity Effects 0.000 description 12
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 230000004153 glucose metabolism Effects 0.000 description 3
- 230000002285 radioactive effect Effects 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 208000030251 communication disease Diseases 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 229940039227 diagnostic agent Drugs 0.000 description 2
- 239000000032 diagnostic agent Substances 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- AOYNUTHNTBLRMT-MXWOLSILSA-N 2-Deoxy-2(F-18)fluoro-2-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H]([18F])C=O AOYNUTHNTBLRMT-MXWOLSILSA-N 0.000 description 1
- 101100121776 Arabidopsis thaliana GIG1 gene Proteins 0.000 description 1
- PMATZTZNYRCHOR-CGLBZJNRSA-N Cyclosporin A Chemical compound CC[C@@H]1NC(=O)[C@H]([C@H](O)[C@H](C)C\C=C\C)N(C)C(=O)[C@H](C(C)C)N(C)C(=O)[C@H](CC(C)C)N(C)C(=O)[C@H](CC(C)C)N(C)C(=O)[C@@H](C)NC(=O)[C@H](C)NC(=O)[C@H](CC(C)C)N(C)C(=O)[C@H](C(C)C)NC(=O)[C@H](CC(C)C)N(C)C(=O)CN(C)C1=O PMATZTZNYRCHOR-CGLBZJNRSA-N 0.000 description 1
- 101100267551 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) YME1 gene Proteins 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000008344 brain blood flow Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- HGBLNBBNRORJKI-WCABBAIRSA-N cyclacillin Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)C1(N)CCCCC1 HGBLNBBNRORJKI-WCABBAIRSA-N 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- HATVWQUAXNOKEY-UHFFFAOYSA-N n-iodo-1-phenylpropan-2-amine Chemical compound INC(C)CC1=CC=CC=C1 HATVWQUAXNOKEY-UHFFFAOYSA-N 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 229910052713 technetium Inorganic materials 0.000 description 1
- GKLVYJBZJHMRIY-UHFFFAOYSA-N technetium atom Chemical compound [Tc] GKLVYJBZJHMRIY-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
- G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Neurology (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Developmental Disabilities (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
MéTODO DE DETECçãO DE DOENçA NEURODEGENERATIVA, PROGRAMA DE DETECçãO E DETECTOR. A presente invenção refere-se a um método de detectar uma doença neurodegenerativa que inclui (a) uma etapa de padronização de criar uma primeira imagem aplicando padronização anatómica a uma imagem médica nuclear cerebral; (b) uma etapa de conversão de criar uma segunda imagem convertendo o valor de pixel de cada pixel de uma imagem com base na primeira imagem em uma contagem z ou um valor t; (c) uma etapa de adição de calcular a soma dos valores de pixel de pixeis individuais em uma região de interesse predeterminada na segunda imagem; e (d) uma etapa de detecção de obter os resultados da detecção da doença neurodegenerativa através de uma operação de comparação da soma com um limiar predeterminado.
Description
Relatório Descritivo da Patente de Invenção para "MÉTODO DE DETECÇÃO DE DOENÇA NEURODEGENERATIVA, PROGRAMA DE DE- TECÇÃO E DETECTOR".
CAMPO TÉCNICO
A presente invenção refere-se a um método de detectar doenças neurodegenerativas incluindo Mal de Alzheimer, um programa e um aparelho para executar o método.
ANTECEDENTES DA TÉCNICA
Assim como a população de anciãos aumenta, é projetado au- mentar o número de pacientes com doenças degenerativas envolvendo de- mência incluindo Mal de Alzheimer. Uma vez que estas doenças progridam com o avanço da idade para levar os pacientes e ambientes vitais ao redor deles alterarem, é importante diagnosticar nos estágios precoces.
Tais doenças degenerativas envolvendo demência são princi- palmente diagnosticadas através de procedimentos de diagnóstico com base em descobertas clínicas tais como as perguntas médicas como tipificadas por Miniexame de Estado Mental (doravante referido como "MMSE"). Porém, os procedimentos de diagnóstico com base nas descobertas clínicas têm baixas sensibilidades nos estágios precoces dos sintomas, e os resultados do diagnóstico pelos procedimentos de diagnóstico tendem ser afetados pe- las funções cognitivas de natureza dos indivíduos. Por causa de tal antece- dente na diagnose para as doenças degenerativas, é esperado um método que possa detectar alterações patológicas mais objetivamente.
Por um lado, pesquisas recentes revelaram que a ocorrência das doenças degenerativas que envolvem demência diminui uma taxa de meta- bolismo de glicose em parte (por exemplo, vide Documento de Não-Patente 1). Documento Não-Patentiável 2 descrito abaixo descreve um método de detectar doenças degenerativas que utiliza este. Este método envolve com- paração de uma imagem de PET por administração de 2-[18F]-flúor-2-deóxi- D-glicose (doravante referido como "FDG") como traçador para metabolismo de glicose com o de um grupo normal para calcular valores t de pixeis indivi- duais, assim distinguindo um paciente com Mal de Alzheimer dos normais. [Documento de Não-Patente 1] Kazunari Ishii, "Clinicai applicati- on of positron emission tomography for diagnosis of dementia", Annals. of Nuclear Medicine, 2002, 16(8), págs. 515-525
[Documento de Não-Patente 2] K. Herholz et al., "Discrimination between Alzheimer dementia and controis by automated analysis of multicen- ter FDG PET", Neurolmage, 2002, 17, págs. 302-316. DESCRIÇÃO DA INVENÇÃO
PROBLEMAS A SEREM SOLUCIONADOS PELA INVENÇÃO
Para doenças degenerativas, é esperado um método que possa detectar alterações patológicas em estágios precoces objetivamente. Porém, o método descrito no Documento de Não-Patente 2 não define as condições e similares para detectar a Mal de Alzheimer. O método, portanto, não pode detectar com precisão doenças neurodegenerativas.
Conseqüentemente, é um objetivo da presente invenção prover um método e um aparelho para detectar doenças degenerativas com preci- são tais como Mal de Alzheimer por uma imagem de diagnóstico cerebral, e um programa para permitir um computador executar o método. MEIOS PARA SOLUCIONAR O PROBLEMA
Como resultado de estudo extensivo, os inventores descobriram que a doença neurodegenerativa pode ser detectada com base em uma comparação da soma dos valores t ou a soma de contagens ζ de pixeis indi- viduais em uma região de interesse predeterminada com um limiar com base em um valor normal (doravante referido como meramente "limiar"), e realizou a presente invenção.
Um método de detectar uma doença neurodegenerativa de a- cordo com um aspecto da presente invenção inclui (a) uma etapa de padro- nização de criar uma primeira imagem aplicando padronização anatômica a uma imagem médica nuclear cerebral; (b) uma etapa de conversão de criar uma segunda imagem convertendo o valor de pixel de cada pixel de uma imagem com base na primeira imagem em uma contagem ζ ou um valor t; (c) uma etapa de adição de calcular a soma dos valores de pixel de pixeis individuais em uma região de interesse predeterminada na segunda imagem; e (d) uma etapa de determinação de obter os resultados da determinação da doença neurodegenerativa através de uma operação de comparação da so- ma com um limiar predeterminado.
Além disso, de acordo com outro aspecto da presente invenção, um programa de detectar uma doença neurodegenerativa permite um com- putador executar as etapas (a)-(d) descritas acima.
De acordo com um outro aspecto da presente invenção, um de- tectar de doença neurodegenerativa inclui (a) meios de padronização de cri- ar uma primeira imagem aplicando padronização anatômica a uma imagem médica nuclear cerebral; (b) meios de conversão de criar uma segunda ima- gem convertendo o valor de pixel de cada pixel de uma imagem com base na primeira imagem em uma contagem z ou um valor t; (c) meios de adição de calcular a soma dos valores de pixel de pixeis individuais em uma região de interesse predeterminada na segunda imagem; e (d) meios de determina- ção de obter os resultados da determinação da doença neurodegenerativa através de uma operação de comparação da soma com um limiar predeter- minado.
Preferivelmente, o método de detecção da presente invenção também inclui uma etapa de normalização de criar uma imagem normalizada normalizando cada valor de pixel da primeira imagem entre a etapa de pa- dronização e a etapa de conversão, e a etapa de conversão usa a imagem normalizada como a imagem com base na primeira imagem.
Também preferivelmente, o programa de detecção da presente invenção permite o computador também executar a etapa de normalização descrita acima, e permite a etapa de conversão usar a imagem normalizada como a imagem com base na primeira imagem.
Também preferivelmente, o detectar de doença neurodegenera- tiva da presente invenção também inclui meios de normalização de criar a imagem normalizada normalizando cada valor de pixel da primeira imagem, e os meios de conversão usam a imagem normalizada como a imagem com base na primeira imagem.
Entretanto, vários métodos podem ser usados para a normaliza- ção. Por exemplo, em um método utilizável, os valores de pixel de todos os pixeis são divididos pelo valor de pixel médio em uma região onde os valores de pixel substancialmente não se alteram pela doença degenerativa em uma região da primeira imagem. A região onde os valores de pixel não se alteram substancialmente pela doença degenerativa pode incluir uma região que cor- responde a uma área sensorimotora primária.
Regiões determinadas por vários métodos podem também ser usadas como as regiões de interesse. Preferivelmente, uma região determi- nada utilizando valores de contagens ζ pode ser usada por comparação de um certo número de pacientes (doravante referidos como "grupo de doen- ça") com um certo número de normais (doravante referidos como "grupo normal") através de imagens médicas nucleares cerebrais dos indivíduos no grupo de doença e imagens médicas nucleares cerebrais dos indivíduos no grupo normal.
Mais especificamente, uma região pode ser preliminarmente de- terminada como a região de interesse extraindo pixeis tendo uma contagem z de três ou mais obtidos por comparação de um grupo de doença tendo um certo número de indivíduos com um grupo normal tendo um certo número de indivíduos; formando agrupamentos de pixeis adjacentes um ao outro entre os pixeis extraídos; e formando a região extraindo o esboço de um agrupa- mento tendo o tamanho maior entre os agrupamentos formados.
Um valor determinado pelo método descrito abaixo pode ser u- sado como o limiar para detecção de uma doença neurodegenerativa. Con- seqüentemente, quando uma contagem ζ é atribuída a um pixel na segunda imagem, um limiar S que pode ser usado é derivado da Fórmula (1) a seguir:
S = Anz + C . SDnz ...(1)
Fórmula (1)
Na Fórmula (1), S é o limiar, Anz é a soma média das contagens z na região de interesse na segunda imagem dos normais, SDnz é o desvio- padrão da soma de contagens ζ na região de interesse na segunda imagem dos normais, e C é uma constante entre 1,5 e 2,5.
Além disso, quando um valor t é atribuído a um pixel na segunda imagem, um limiar S que pode ser usado é derivado da Fórmula (2) a seguir:
S = Ant+ C SDnt ...(2)
Fórmula (2)
Na Fórmula (2), S é o limiar, Ant é a soma média dos valores t na região de interesse na segunda imagem dos normais, SDnt é o desvio- padrão da soma dos valores t na região de interesse na segunda imagem dos normais, e C é uma constante entre 1,5 e 2,0.
Bases de dados das imagens médicas nucleares cerebrais po- dem ser usadas em normais para o cálculo destes limiares. Mais preferivel- mente, cada uma das constantes C nas Fórmulas (1) e (2) está na faixa de 1,5 a 1,6.
Várias imagens podem ser usadas para as imagens médicas nucleares cerebrais descritas acima. Por exemplo, imagens de SPECT e de PET podem ser usadas por administração de vários agentes radioativos de diagnóstico. Agentes radioativos de diagnóstico preferivelmente usados in- cluem agentes de fluxo sangüíneo cerebral, agentes de mapeamento de re- ceptor, e vários agentes de diagnóstico que podem imagear as funções vitais tais como metabolismo de glicose. Por exemplo, preferivelmente usadas são. imagens de SPECT por administração de agentes de fluxo sangüíneo cere- bral de diagnóstico tais como N-isopropil-4-[123l]iodoanfetamina de ácido clorídrico (nome comercial: Perfusamine (marca registrada), fabricado por Nihon Medi-Physics Co., Ltd., doravante referido como "IMP") e exametazi- ma de Tc-99m de tecnécio (nome comercial: kit de Cerebrotec (marca regis- trada), fabricado por Nihon Medi-Physics Co., Ltd.), e imagens de PET por administração de FDG (doravante referido como "FDG-PET").
A presente invenção pode também detectar várias doenças de- generativas como objetos, e tipicamente detecta demência do tipo Alzheimer e Mal de Alzheimer como objetos.
A região de interesse descrita acima pode ser preliminarmente determinada como uma região formada extraindo um pixel tendo uma conta- gem ζ de 1,5 ou mais obtida por comparação de um primeiro grupo de doen- ça incluindo um certo número de indivíduos com um grupo normal incluindo um certo número de indivíduos; formando agrupamentos de pixeis adjacen- tes um ao outro entre os pixeis extraídos; selecionando um agrupamento tendo o tamanho maior entre os agrupamentos formados como um agrupa- mento da primeira região; extraindo um pixel tendo uma contagem ζ de 1,5 ou mais por comparação de um segundo grupo de doença incluindo um cer- to número de indivíduos tendo o mesmo tipo de doença que do primeiro gru- po de doença ou o primeiro grupo de doença com um terceiro grupo de do- ença incluindo um certo número de indivíduos tendo um tipo de doença dife- rente daquele do primeiro grupo de doença; formando agrupamentos de pi- xeis adjacentes um ao outro entre os pixeis extraídos; selecionando um a- grupamento tendo o tamanho maior entre os agrupamentos formados como um agrupamento da segunda região; formando um agrupamento da terceira região de pixeis comuns no agrupamento da primeira região e o agrupamen- to da segunda região; e extraindo o esboço do agrupamento da terceira re- gião.
Neste caso, um valor determinado pelo método descrito abaixo pode ser usado como o limiar para detecção de uma doença neurodegene- rativa. Conseqüentemente, quando uma contagem ζ for atribuída a um pixel na segunda imagem, um limiar S que pode ser usado é derivado da Fórmula (3) a seguir:
S = Anz2 + C·SDnz2 ...(3)
Fórmula (3)
Na Fórmula (3), S é o limiar, Anz2 é a soma média de contagens z na região de interesse na segunda imagem dos normais, SDnz2 é o des- vio-padrão da soma de contagens z na região de interesse na segunda ima- gem dos normais, e C é uma constante entre 1,5 e 1,6.
Além disso, quando um valor t for atribuído a um pixel na segun- da imagem, um limiar S que pode ser usado é derivado da Fórmula (4) a seguir:
S = Antl + C·SDnt2 ..(4)
Fórmula (4)
Na Fórmula (4), S é o limiar, Ant2 é a soma média dos valores t na região de interesse na segunda imagem dos normais, SDnt2 é o desvio- padrão da soma dos valores t na região de interesse na segunda imagem dos normais, e C é uma constante entre 1,5 e 1,6.
Como descrito acima, quando uma pluralidade de tipos de doen- ça for tratada, objetos a serem detectados na presente invenção podem in- cluir Demência com corpo de Lewy como o tipo de doença dos primeiro e segundo grupos de doença, Mal de Alzheimer como o tipo de doença do ter- ceiro grupo de doença, e Demência com corpo de Lewy como a doença neu- rodegenerativa.
VANTAGENS
Um método de detecção, um programa de detecção, e um de- tectar de acordo com a presente invenção podem ser usados para detecção precisa de doenças degenerativas tais como Mal de Alzheimer.
BREVE DESCRIÇÃO DOS DESENHOS
Figura 1 é um fluxograma que mostra um fluxo de processamen- to de um método de detectar doenças neurodegenerativas de acordo com uma modalidade da presente invenção.
Figura 2 é um fluxograma que mostra um fluxo de processamen- to em uma etapa de conversão de acordo com uma modalidade da presente invenção.
Figura 3 é um diagrama em blocos que mostra um programa de detectar doenças neurodegenerativas de acordo com uma modalidade da presente invenção, junto com um meio de gravação.
Figura 4 é um diagrama em blocos que mostra um detectar de doença neurodegenerativa de acordo com uma modalidade da presente in- venção.
Figura 5 mostra uma região de interesse determinada em um cérebro-padrão para uma diagnose para a Mal de Alzheimer. Figura 5(a), 5(b), 5(c), e 5(d) mostram uma lateral direita, uma lateral esquerda, uma mediai direita, e uma mediai esquerda, respectivamente.
Figura 6 mostra uma região de interesse determinada em um cérebro-padrão para uma diagnose para Demência com corpo de Lewy. Fi- gura 6(a), 6(b), 6(c), e 6(d) mostram uma lateral direita, uma lateral esquerda, uma mediai direita, e uma mediai esquerda, respectivamente.
MELHOR MODO PARA REALIZAR A INVENÇÃO
Uma modalidade de um método de detectar uma doença dege- nerativa de acordo com a presente invenção será descrita abaixo em deta- lhes com referência aos desenhos. Porém, as modalidades a seguir mera- mente referem-se ao melhor modo, e a presente invenção não deveria ser limitada à descrição abaixo.
Figura 1 é um fluxograma que mostra um fluxo de processamen- to de um método de detectar uma doença neurodegenerativa de acordo com uma modalidade da presente invenção. O método de detecção na figura 1 adquire uma primeira imagem médica nuclear cerebral de um examinando a ser detectado (Etapa S01). Por exemplo, imagens de SPECT e de PET po- dem ser usadas como as imagens médicas nucleares cerebrais mediante administração de vários agentes radioativos de diagnóstico. Quando uma doença degenerativa a ser detectada for Mal de Alzheimer, uma imagem de FDG-PET pode ser preferivelmente usada como a imagem médica nuclear cerebral. Estas imagens podem ser adquiridas de modos conhecidos.
A imagem médica nuclear cerebral descrita acima só tem que ser armazenada em um formato de dados legíveis por computadores. Por exemplo, uma imagem médica nuclear cerebral pode ser usada que é arma- zenada como dados em formato DICOM. Por exemplo, estes dados podem também ser fornecidos na forma dos dados que são armazenados em um meio de armazenamento tal como um disco a laser e são legíveis por um computador. O meio de armazenamento armazenando os dados é inserido em uma leitora de dados equipada no computador, assim o computador len- do os dados. Depois, o computador pode processar a imagem médica nu- clear cerebral. Além disso, os dados podem ser adquiridos diretamente como sinais de dados de computador sobrepostos em ondas portadoras através de uma rede.
A seguir, padronização anatômica é aplicada à imagem médica nuclear cerebral adquirida para converter a imagem médica nuclear cerebral naquela de um cérebro-padrão (etapa de padronização S02), assim criando uma primeira imagem. Qualquer processo conhecido pode ser usado para a padronização anatômica.
A padronização anatômica inclui, por exemplo, uma etapa de conformar a inclinação da imagem médica nuclear cerebral do examinando à do cérebro-padrão; uma etapa de aplicar transformação linear à imagem médica nuclear cerebral após a correção de inclinação conformar-se à forma da imagem médica nuclear cerebral à do cérebro-padrão; e uma etapa de aplicar transformação não-linear à imagem médica nuclear cerebral após a transformação linear ajustar-se à forma.
Por exemplo, a etapa de conformar à inclinação pode utilizar um processo de conformar a uma linha de AC-PC (por exemplo, vide S. Mino- shima et al., J. Nucl. Med., 1993, 34, págs. 322-9, e S. Minoshima et al., J. Nucl. Med., 1994, 35, págs. 1528-37), e maximização de informação mútua (vide F. Maes et al., IEEE Trans. Med. Img., 1997, 16(2), págs. 187-198). A transformação linear pode também utilizar processos conhecidos (por exem- plo, vide S. Minoshima et al., J. Nucl. Med., 1994, 35, págs. 1528-37). A transformação não-linear pode também utilizar processos conhecidos (por exemplo, vide S. Minoshima et al., J. Nucl. Med., 1994, 35, págs. 1528-37).
Por exemplo, a padronização anatômica pode também ser exe- cutada por SPM (FristonK. J. et al., Human Brain Mapping, 1995, 2, págs. 189-210), e 3D-SSP (Minoshima S. et. al., J. Nucl. Med., 1994, 35, págs. 1528-37). Estes processos podem ser executados através de programas conhecidos tais como SPM (disponível de Institute of Neurology, University College London), NEUROSTAT (disponível de Satoshi Minoshima, professor na University of Washington Medicai School, e de Nihon Medi-Physics Co., Ltd. como "iNEUROSTAT Revision2").
Em seguida, o método de detecção normaliza os valores de pixel da primeira imagem para eliminar a flutuação nos valores de pixel causada pelas condições de dosagem e de imageamento, por exemplo, assim crian- do uma imagem normalizada (etapa de normalização S03). A etapa de nor- malização preferivelmente extrai uma região em que os valores de pixel substancialmente não se alteram pela doença degenerativa da primeira ima- gem para dividir os valores de pixel de todos os pixeis da primeira imagem pelo valor de pixel médio na região, assim criando a imagem normalizada. Uma região que corresponde à área sensorimotora primária pode ser prefe- rivelmente usada como a região em que os valores de pixel substancialmen- te não se alteram pela doença degenerativa. A região pode ser definida atra- vés de coordenadas predeterminadas no cérebro-padrão.
Após a etapa de normalização ser concluída, o valor de pixel de cada pixel da imagem normalizada é convertido em uma contagem ζ ou um valor t, assim criando uma segunda imagem (etapa de conversão S04). A conversão na contagem ζ ou valor t pode ser executada através de proces- sos conhecidos. Um processo de converter o valor de pixel em uma conta- gem ζ será descrito abaixo.
Figura 2 é um fluxograma que ilustra um fluxo de processamento na etapa de conversão de acordo com uma modalidade da presente inven- ção. Nesta modalidade, uma pluralidade de imagens médicas nucleares ce- rebrais dos normais são convertidas primeiro em um cérebro-padrão através de padronização anatômica, assim criando uma pluralidade de primeiras i- magens (Etapa S11).
Em seguida, a pluralidade de primeiras imagens obtidas pela Etapa S11 é normalizada em uma pluralidade de imagens normalizadas para calcular as médias Mn e os desvios-padrãos SDn dos valores de pixel de todos os pixeis das imagens normalizadas (Etapa S12). Entretanto, a norma- lização pode ser executada dividindo os valores de pixel de todos os pixeis da primeira imagem pelo valor de pixel médio em uma região que corres- ponde à área sensorimotora primária na primeira imagem.
Em seguida, a Fórmula (e1) a seguir é operada usando a média Mn e o desvio-padrão SDn encontrados na Etapa S12 para determinar a contagem ζ (Etapa S13). Ip na Fórmula I (e1) indica o valor de pixel de cada pixel da imagem normalizada como um objeto para detectar a doença dege- nerativa. <formula>formula see original document page 12</formula>
Fórmula (5)
Entretanto, a média Mn e o desvio-padrão SDn podem ser calcu- lados a cada etapa de conversão, ou podem ser calculados preliminarmente. No último caso, a média Mn e o desvio-padrão SDn calculados preliminar- mente são armazenados em um meio de armazenamento para usar estes valores para a operação descrita acima.
Em seguida, voltando à figura 1, o método de detecção determi- na uma região de interesse em uma segunda imagem (Etapa S05). A região de interesse pode ser determinada aplicando os dados da região ajustada predeterminada como dados de coordenada no cérebro-padrão para a se- gunda imagem.
A região de interesse pode ser uma região preliminarmente de- terminada mediante comparação de um grupo de doença com um grupo normal. A modalidade mais preferida pode usar uma região determinada uti- lizando os valores de contagens ζ por comparação de um grupo de doença incluindo um certo número de indivíduos com um grupo normal incluindo um certo número de indivíduos como a região de interesse.
Especificamente, o processo a seguir pode determinar a região de interesse. Primeiro, os pixeis que têm uma contagem ζ de três ou mais são extraídos por comparação do grupo de doença que tem um certo núme- ro de indivíduos com o grupo normal que tem um certo número de indivíduos. Em seguida, agrupamentos de pixeis adjacentes um ao outro são formados entre os pixeis extraídos para selecionar um agrupamento que tem o tama- nho maior entre os agrupamentos resultantes. A região de interesse pode ser determinada usando uma região que substancialmente indica o mesmo sítio que o agrupamento selecionado. Entretanto, a região de interesse pode ser definida como os dados das coordenadas de seu esboço.
A contagem ζ pela comparação de grupo descrita acima pode ser determinada por qualquer processo conhecido. Por exemplo, a Fórmula (e2) a seguir é operada para calcular o valor t, aplicando o valor t encontrado e o grau de liberdade (Nn + Na-2) à tabela de distribuição t para determinar um valor ρ. Depois disso, este valor ρ é aplicado à tabela de distribuição normal para determinar a contagem z pela comparação dos grupos.
<formula>formula see original document page 13</formula>
Fórmula (6)
Na Fórmula (e2), Mn é o valor de pixel médio de cada pixel no grupo normal, Ma é o valor de pixel médio de cada pixel no grupo de doença, SDn é o desvio-padrão do valor de pixel de cada pixel no grupo normal, SDa é o desvio-padrão do valor de pixel de cada pixel no grupo de doença, e Nn e Na são o número de amostras no grupo normal e no grupo de doença, respectivamente.
Em seguida, voltando à figura 1, o método de detecção calcula a soma das contagens z de pixeis individuais na região de interesse predeter- minada na segunda imagem (etapa de adição S06).
Em seguida, a soma calculada na etapa de adição é comparada com um limiar predeterminado para detectar a doença degenerativa (etapa de detecção S07). Especificamente, quando a soma das contagens z calcu- lada na etapa de adição for maior que o limiar predeterminado, a imagem médica nuclear cerebral correspondente é detectada como a imagem médi- ca nuclear cerebral da doença degenerativa.
Em uma modalidade preferida, o limiar usado na etapa de detec- ção é determinado com os dados do grupo normal. Especificamente, a con- versão acima descrita para a contagem z é aplicada a cada imagem normali- zada no grupo normal para obter a segunda imagem, e para calcular a soma das contagens z de todos os pixeis na região de interesse na segunda ima- gem. Depois, a média e o desvio-padrão são calculados da soma no grupo normal para operar a Fórmula (1) a seguir usando a média e o desvio- padrão, assim determinando o limiar.
<formula>formula see original document page 13</formula>
Fórmula (7)
Na Fórmula (1), S é o limiar, Anz é a soma média de contagens z na região de interesse dos normais, SDnz é o desvio-padrão da soma de contagens ζ na região de interesse dos normais, e C é uma constante, por exemplo, entre 1,5 e 2,5.
Além disso, quando o valor t for atribuído a um pixel na segunda imagem, o limiar S que pode ser usado é derivado da Fórmula (2) a seguir:
S = Ant+ C SDnt ...(2)
Fórmula (8)
Na Fórmula (2), S é o limiar, Ant é a soma média dos valores t na região de interesse na segunda imagem dos normais, SDnt é o desvio- padrão da soma dos valores t na região de interesse na segunda imagem dos normais, e C é uma constante, por exemplo, entre 1,5 e 2,0.
Nas Fórmulas (1) e (2), as constantes C é preferivelmente na faixa de 1,5 a 2,0, mais preferivelmente, na faixa de 1,5 a 1,6, e ainda mais preferivelmente, 1,6. Constantes menores C faz com que diminua a especifi- cidade na detecção da doença degenerativa, o que não é preferível. Cons- tantes maiores C fazem com que diminua a sensibilidade, o que não é prefe- rível.
Em seguida, uma modalidade de um programa de detectar uma doença neurodegenerativa de acordo com a presente invenção será descrita. Figura 3 é um diagrama em blocos que mostra o programa de detectar do- enças neurodegenerativas de acordo com esta modalidade da presente in- venção, junto com um meio de gravação.
O programa 100 de detectar doenças neurodegenerativas mos- trado na figura 3 é fornecido na forma que é armazenado em um meio de gravação 200. Os exemplos do meio de gravação 200 incluem um disco fle- xível, um disco rígido, outros meios de gravação tais como um CD-ROM, um DVD, e outras ROMs, e uma memória semicondutora.
O meio de gravação 200 armazenando o programa de detecção 100 é inserido em uma leitora de dados equipada em um computador, de forma que o computador possa acessar o programa de detecção 100 e pos- sa operar como um detector de doença neurodegenerativa pelo programa de detecção 100. Como mostrado na figura 3, o programa de detecção 100 inclui um módulo principal 10 controlando os processos gerais, um módulo de en- trada 20, um módulo de padronização 30, um módulo de normalização 40, um módulo de conversão 50, um módulo de ajuste 60 para a região de inte- resse, um módulo de adição 70, um módulo de detecção 80, e um módulo de saída 90.
O módulo de entrada 20 permite o computador executar o pro- cesso de acordo com a Etapa S01 descrita acima. O módulo de padroniza- ção 30 permite o computador executar o processo de acordo com a Etapa S02. O módulo de normalização 40 permite o computador executar o pro- cesso de acordo com a Etapa S03. O módulo de conversão 50 permite o computador executar o processo de acordo com a Etapa S04. O módulo de ajuste 60 para a região de interesse permite o computador executar o pro- cesso de acordo com a Etapa S05. O módulo de adição 70 permite o compu- tador executar o processo de acordo com a Etapa S06. O módulo de detec- ção 80 permite o computador executar o processo de acordo com a Etapa S07. O módulo de saída 90 dá os resultados da detecção da doença neuro- degenerativa (isto é se a doença neurodegenerativa for detectada na ima- gem médica nuclear cerebral como um objeto ou não) para um dispositivo de saída tal como um dispositivo de exibição.
Em seguida, uma modalidade de um detector de doença neuro- degenerativa de acordo com a presente invenção será descrita. Figura 4 é um diagrama em blocos que mostra o detector de doença neurodegenerativa de acordo com esta modalidade da presente invenção. O detector de doença neurodegenerativa 300 mostrado na figura 4 funcionalmente inclui uma uni- dade de entrada 310, uma unidade de padronização 320, uma unidade de normalização 330, uma unidade de conversão 340, uma unidade de ajuste 350 para a região de interesse, uma unidade de adição 360, uma unidade de detecção 370, e uma unidade de saída 380.
A unidade de entrada 310 é um componente que executa o pro- cesso de acordo com a Etapa S01 descrita acima. A unidade de padroniza- ção de imagem 320 é um componente que executa o processo de acordo com a Etapa S02. A unidade de normalização 330 é um componente que executa o processo de acordo com a Etapa S03. A unidade de conversão 340 é um componente que executa o processo de acordo com a Etapa S04. A unidade de ajuste 350 para a região de interesse é um componente que executa o processo de acordo com a Etapa S05. A unidade de adição 360 é um componente que executa o processo de acordo com a Etapa S06. A uni- dade de detecção 370 é um componente que executa o processo de acordo com a Etapa S07. A unidade de saída 380 é um componente que produz os resultados da detecção da doença neurodegenerativa (isto é, se a doença neurodegenerativa é detectada na imagem médica nuclear cerebral como um objeto ou não) para um dispositivo de saída tal como um dispositivo de exibição.
EXEMPLO 1
A presente invenção será agora descrita em mais detalhe por via de Exemplos. Porém, a presente invenção não deveria ser limitada a estes Exemplos.
AJUSTANDO A REGIÃO DE INTERESSE
A região de interesse foi ajustada usando um grupo normal (do- ravante referido como "grupo normal A") consistindo em vinte exemplos de imagens cerebrais de PET obtidas por administração de FDG ao grupo nor- mal e de doença (doravante referido como "grupo de doença A") consistindo em vinte exemplos de imagens cerebrais de PET obtidas por administração de FDG em pacientes diagnosticados como "Mal de Alzheimer provável" pe- lo critério de diagnóstico de NINCDS/ADRDA (National Institute of Neurologi- cal and Communicative Disorders and Strokes-Alzheimer's Disease and Re- lated Disorders Association).
Primeiro, a padronização anatômica e extração da superfície do cérebro dos dados (doravante referida meramente como "padronização ana- tômica") pelo programa NEUROSTAT (iNEUROSTAT versão 2, disponível de Nihon Medi-Physics Co., Ltd.) foram aplicadas às imagens cerebrais de PET do grupo normal A e do grupo de doença A. Em seguida, estas primeiras i- magens obtidas pela padronização anatômica foram usadas para comparar o grupo normal A ao grupo de doença A para cada pixel com base na Fórmu- la (e2) e para calcular o valor t. Entretanto, Nn e Na na Fórmula (e2) eram o número de amostras no grupo normal A e no grupo de doença A, a saber vinte, respectivamente.
O valor t resultante e o grau de liberdade (= 18) foram aplicados à tabela de distribuição t para determinar o valor p. Depois disso, este valor ρ foi aplicado à tabela de distribuição normal para determinar a contagem z de cada pixel. Em seguida, os pixeis tendo uma contagem z de três ou mais foram extraídos para ajustar a região de interesse circundando a borda ex- terna do agrupamento maior em cada área de uma lateral esquerda, uma lateral direita, uma mediai esquerda, e uma mediai direita. Figura 5 mostra a região ajustada de interesse. Figura 5(a), 5(b), 5(c), e 5(d) mostram as regi- ões de interesse da lateral direita, da lateral esquerda, da mediai direita, e da mediai esquerda, respectivamente.
AJUSTANDO O LIMIAR
Uma imagem normalizada foi criada de cada primeira imagem obtida pela padronização anatômica para o grupo normal A, e uma segunda imagem foi criada de cada imagem normalizada. Em seguida, a região de interesse encontrada como descrito acima foi ajustada em cada segunda imagem criada para calcular a soma das contagens z na região de interesse e determinar a média e o desvio-padrão da soma do grupo normal geral A. A média Anz e desvio-padrão SDnz resultantes foram usados para determinar o limiar S com base na Fórmula acima descrita (1) com uma constante C na faixa de 1,5 a 2,0.
DETECTANDO DOENÇA DE ALZHEIMER
O Mal de Alzheimer foi detectada pelo método de acordo com a presente invenção usando um grupo normal (doravante referido como "grupo normal B") consistindo em quinze exemplos de imagens cerebrais de PET obtidas por administração de FDG ao grupo normal e de doença (doravante referido como "grupo de doença B") consistindo em quinze exemplos de i- magens cerebrais de PET obtidas por administração de FDG em pacientes diagnosticados como "prováveis" pelo critério de diagnóstico de NINCDS/ADRDA, estimando a sensibilidade e a especificidade.
A padronização anatômica pelo programa NEUROSTAT (iNEU- ROSTAT versão 2, disponível de Nihon Medi-Physics Co., Ltd.) foi aplicada a cada imagem cerebral de PET do grupo normal B e do grupo de doença B para criar a primeira imagem correspondendo a cada imagem cerebral de PET. O valor de pixel médio em uma região que corresponde à área senso- rimotora primária foi determinado para cada primeira imagem criada para dividir os valores de pixel de todos os pixeis pela média, assim obtendo uma imagem normalizada. Em seguida, Fórmula (e1) foi operada para cada ima- gem normalizada para obter uma segunda imagem.
Em seguida, a região de interesse encontrada como descrito acima foi ajustada em cada segunda imagem para determinar a soma das contagens z na região de interesse de cada um da lateral esquerda, da late- ral direita, da mediai esquerda, e da mediai direita. A soma resultante das contagens z foi comparada com o limiar encontrado como descrito acima para extrair uma imagem tendo uma soma que excede o limiar em qualquer uma da lateral esquerda da lateral direita, da mediai esquerda, e da mediai direita como Mal de Alzheimer.
As imagens extraídas como Mal de Alzheimer no grupo de doen- ça e as imagens não extraídas como Mal de Alzheimer no grupo normal fo- ram determinadas ser verdadeiras, e todas imagens restantes eram falsas para classificar cada imagem cerebral de PET. Tabelas 1 a 3 mostram o re- sultado. TABELA 1 - O RESULTADO QUANDO O LIMIAR É AJUSTADO NA MÉDIA + 1,5SD
<table>table see original document page 19</column></row><table> TABELA 1 (continuação)
<table>table see original document page 20</column></row><table>
(SD indica o desvio-padrão na tabela) TABELA 2 - O RESULTADO QUANDO O LIMIAR É AJUSTADO NA MÉDIA + 1,64SD
<table>table see original document page 21</column></row><table> TABELA 2 (continuação)
<table>table see original document page 22</column></row><table>
(SD indica o desvio-padrão na tabela) TABELA 3 - O RESULTADO QUANDO O LIMIAR É AJUSTADO NA MÉDIA + 2,OSD
<table>table see original document page 23</column></row><table> TABELA 3 (continuação)
<table>table see original document page 24</column></row><table>
(SD indica o desvio-padrão na tabela)
A sensibilidade e a especificidade foram determinadas para o caso que usou cada limiar dos resultados da classificação. Tabela 4 mostra os resultados. TABELA 4 - SENSIBILIDADE E ESPECIFICIDADE NO CASO USANDO CADA LIMIAR
<table>table see original document page 25</column></row><table>
(SD indica o desvio-padrão na tabela)
Como mostrado na Tabela 4, quando o limiar for ajustado na fai- xa da média + 1,5SD à média + 2,OSD1 a sensibilidade e a especificidade são satisfatórias. Portanto, é confirmado que o método de acordo com a pre- sente invenção pode detectar Mal de Alzheimer com precisão. Particular- mente, quando o limiar for determinado na média + 1,5SD e à média + 1,64SD, a sensibilidade e a especificidade têm valores satisfatórios, isto é, 93%. A média + 1,64SD indica o limite de dados estatisticamente incluindo 95% de normal, supondo a distribuição normal. Isto sugere que o método de detecção da Mal de Alzheimer de acordo com a presente invenção pode de- tectar adequadamente esta doença no caso de uso de uma imagem de FDG-PET diferente da imagem usada neste exemplo (isto é uma imagem de FDG-PET de um normal ou paciente diferente, diferente das imagens 1 a 30), como este exemplo. EXEMPLO 2
AJUSTANDO A REGIÃO DE INTERESSE NA DIAGNOSE PARA DEMÊNCIA COM CORPO DE LEWY (DORAVANTE REFERIDO COMO "DLB")
A região de interesse foi ajustada usando vinte e dois exemplos de imagens cerebrais de PET obtidas por administração de FDG aos nor- mais (doravante referidos como "grupo normal C"), dez exemplos de ima- gens cerebrais de PET obtidos por administração de FDG em pacientes (do- ravante referidos como "grupo de doença C") diagnosticados como "prová- veis" (DLB altamente provável) pelo critério de diagnóstico de DLB (McKeith IG, Garasko D, Kosaka K, et al., Consensus guidelines for the clinicai and pathological diagnosis of dementia with Lewy bodies (DLB), Neurology 1996; 47: págs. 1113-24) e vinte e dois exemplos de imagens cerebrais de PET obtidas por administração de FDG em pacientes (doravante referidos como "grupo de doença D") diagnosticados como "prováveis" (Mal de Alzheimer altamente provável) pelo critério de diagnóstico de NINCDS/ADRDA (Natio- nal Instituite of Neorological and Communicative Disorders and Strokes- Alzheimer's Disease and Related Disorders Association).
Primeiro, a padronização anatômica e extração da superfície do cérebro dos dados (doravante referida meramente como "padronização ana- tômica") pelo programa NEUROSTAT (iNEUROSTAT versão 2, disponível de Nihon Medi-Physics Co., Ltd.) foram aplicadas a estas imagens cerebrais de PET. Em seguida, estes imagens obtidas pela padronização anatômica fo- ram usadas para comparar o grupo normal C ao grupo de doença C para cada pixel e para extrair pixeis tendo uma contagem z de 1,5 ou mais como no Exemplo 1. A borda externa do agrupamento maior entre os pixeis extraí- dos foi rodeada em cada área da lateral esquerda, da lateral direita, uma mediai esquerda, e da mediai direita para ajustar uma região de interesse 1. Em seguida, o grupo de doença C foi também comparado ao grupo de do- ença D pelo mesmo processo para ajustar uma região de interesse 2. Uma área comum nas regiões de interesse 1 e 2 foi também extraída para ajustar uma região de interesse 3 (vide figura 6). Entretanto, como descrito acima, o tipo de doença do grupo de doença C (DLB) é diferente daquele do grupo de doença D (Mal de Alzheimer) no Exemplo 2, que é diferente do Exemplo 1 em que dois tipos de doença são tratados. Além disso, exemplos de imagens de pacientes diferentes podem ser usados como o grupo de doença C para ajustar as regiões de interesse 1 e o grupo de doença C para ajustar as re- giões de interesse 2 contanto que estas imagens refiram-se ao mesmo tipo de doença.
AJUSTANDO O LIMIAR
Com cada imagem obtida pela padronização anatômica para o grupo normal C, o valor de pixel de cada pixel foi convertido em uma conta- gem z como no Exemplo 1.
Em seguida, os dados da região de interesse 3 ajustados acima foram atribuídos a cada imagem para calcular a soma das contagens ζ dos pixeis na região de interesse 3 e para determinar a média e o desvio-padrão da soma do grupo normal geral C. A média e desvio-padrão resultantes fo- ram usados para determinar o limiar como no Exemplo 1.
DETECTANDO DLB
DLB foi detectada pelo método de acordo com a presente inven- ção usando dezesseis exemplos de imagens cerebrais de PET obtidas por administração de FDG em pacientes (doravante referidos como "grupo de doença E") diagnosticados como "prováveis" pelo critério de diagnóstico de DLB e vinte e dois exemplos de imagens cerebrais de PET obtidas por ad- ministração de FDG em pacientes (doravante referidos como "grupo de do- ença F") diagnosticados como "prováveis" pelo critério de diagnóstico de NINCDS/ADRDA, estimando a sensibilidade e a especificidade.
A padronização anatômica pelo programa NEUROSTAT (iNEU- ROSTAT versão 2, disponível de Nihon Medi-Physics Co., Ltd.) foi aplicada a cada imagem de PET. Os pixeis que correspondem à área sensorimotora primária foram extraídos nesta imagem obtida pela padronização anatômica. Além disso, o valor de pixel médio dos pixeis nesta área sensorimotora pri- mária foi determinado para cada imagem. O valor de pixel foi normalizado pelo processo como no Exemplo 1, convertendo o valor de pixel de cada pixel depois disso em uma contagem z.
A região de interesse ajustada acima foi aplicada a esta imagem após a conversão na contagem z para determinar a soma das contagens Z na região de interesse de cada uma da lateral esquerda, da lateral direita, da mediai esquerda, e da mediai direita. A soma resultante das contagens z foi comparada com o limiar determinado acima para extrair uma imagem tendo uma soma que excede o limiar em qualquer uma da lateral esquerda, da la- teral direita, da mediai esquerda, e da mediai direita como DLB. As imagens extraídas como DLB no grupo de doença E e as imagens não extraídas co- mo DLB no grupo de doença F foram determinadas ser verdadeiras, e todas as imagens restantes eram falsas para classificar estas imagens. Tabelas 5 a 7 mostram o resultado. TABELA 5 - O RESULTADO QUANDO O LIMIAR É AJUSTADO NA MÉDIA + 1,5SD
<table>table see original document page 28</column></row><table> TABELA 5 (continuação)
<table>table see original document page 29</column></row><table>
(SD indica o desvio-padrão na tabela) TABELA 6 - O RESULTADO QUANDO O LIMIAR É AJUSTADO NA MÉDIA + 1,64SD
<table>table see original document page 30</column></row><table> TABELA 6 (continuação)
<table>table see original document page 31</column></row><table>
(SD indica o desvio-padrão na tabela) TABELA 7 - O RESULTADO QUANDO O LIMIAR É AJUSTADO NA MÉDIA + 1,96SD
<table>table see original document page 32</column></row><table> TABELA 7 (continuação)
<table>table see original document page 33</column></row><table>
(SD indica o desvio-padrão na tabela)
A sensibilidade e a especificidade foram determinadas para o caso que usou cada limiar dos resultados da classificação. Tabela 8 mostra os resultados. TABELA 8 - SENSIBILIDADE E ESPECIFICIDADE NO CASO USANDO CADA LIMIAR
<table>table see original document page 34</column></row><table>
(SD indica o desvio-padrão na tabela)
Como mostrado na figura 8, quando o limiar for ajustado na faixa da média + 1,5 à média + 1,96SD, a sensibilidade e a especificidade são satisfatórias. Portanto, é confirmado que o método de acordo com a presen- te invenção pode detectar DLB com precisão. Particularmente, quando o limiar for determinado na média + 1,5SD e na média + 1,64SD, a sensibili- dade e a especificidade têm valores satisfatórios, isto é, 81,3% e 81,8%, respectivamente. A média + 1,64SD indica o limite de dados estatisticamente incluindo 95% dos normais, supondo a distribuição normal. Isto sugere que o método de detecção de DLB de acordo com a presente invenção pode de- tectar DLB adequadamente no caso de uso de uma imagem de FDG-PET diferente das imagens usadas neste exemplo (isto é uma imagem de FDG- PET de um normal ou paciente diferente, diferente das imagens 31 a 68), como este exemplo.
APLICABILIDADE INDUSTRIAL
Um método de detecção, um programa de detecção e um detec- tor de acordo com a presente invenção podem ser usados para detecção precisa de doenças degenerativas tais como Mal de Alzheimer.
LISTAGEM DE REFERÊNCIA
300 detector de doença neurodegenerativa 310 unidade de entrada 320 unidade de padronização 320 unidade de padronização de imagem 330 unidade de normalização 340 unidade de conversão 350 unidade de ajuste para região de interesse 360 unidade de adição 370 unidade de detecção 380 unidade de saída
Claims (25)
1. Método de detectar uma doença neurodegenerativa, compre- endendo: uma etapa de padronização de criar uma primeira imagem apli- cando padronização anatômica a uma imagem médica nuclear cerebral; uma etapa de conversão de criar uma segunda imagem conver- tendo o valor de pixel de cada pixel de uma imagem com base na primeira imagem em uma contagem z ou um valor t; uma etapa de adição de calcular a soma dos valores de pixel de pixeis individuais em uma região de interesse predeterminada na segunda imagem; e uma etapa de detecção de obter os resultados da detecção da doença neurodegenerativa através de uma operação de comparação da so- ma com um limiar predeterminado.
2. Método de acordo com a reivindicação 1, também compreen- dendo uma etapa de normalização de criar uma imagem normalizada norma- lizando cada valor de pixel da primeira imagem, entre a etapa de padroniza- ção e a etapa de conversão, em que a etapa de conversão usa a imagem normalizada como a imagem com base na primeira imagem.
3. Método de acordo com a reivindicação 2, em que a etapa de normalização cria a imagem normalizada calculando o valor de pixel médio em uma região que corresponde a uma área sensorimotora primária na pri- meira imagem para normalizar o valor de pixel de cada pixel da primeira i- magem usando a média.
4. Método de acordo com qualquer uma das reivindicações de 1 a 3, em que a região de interesse é ajustada preliminarmente como uma re- gião formada extraindo pixeis tendo uma contagem z de três ou mais obtida por comparação de um grupo de doença que tem um certo número de indi- víduos com um grupo normal que tem um certo número de indivíduos; for- mando agrupamentos de pixeis adjacentes um ao outro entre os pixeis extra- ídos; e selecionando um agrupamento que tem o tamanho maior entre os agrupamentos formados para extrair o esboço do agrupamento selecionado.
5. Método de acordo com qualquer uma das reivindicações de 1 a 4, em que o limiar é determinado pela Fórmula (1) a seguir onde S é o li- miar, Anz é a soma média das contagens ζ na região de interesse na segun- da imagem dos normais, SDnz é o desvio-padrão da soma das contagens z na região de interesse na segunda imagem dos normais, e C é uma constan- te entre 1,5 e 2.5. S = Anz + CSDnz ...(1) Fórmula (1)
6. Método de acordo com qualquer uma das reivindicações 1 a 4, em que o limiar é determinado pela Fórmula (2) a seguir onde S é o limiar, Ant é a soma média dos valores t na região de interesse na segunda ima- gem dos normais, SDnt é o desvio-padrão da soma dos valores t na região de interesse na segunda imagem dos normais, e C é uma constante entre -1,5 e 2,0. S = Ant+ C SDnt ...(2) Fórmula (2)
7. Método de acordo com a reivindicação 5 ou 6, em que a cons- tante C é na faixa de 1,5 a 1,6.
8. Método de acordo com qualquer uma das reivindicações de 1 a 7, em que a imagem médica nuclear cerebral é uma imagem de FDG-PET.
9. Método de acordo com qualquer uma das reivindicações de 1 a 8, em que a doença neurodegenerativa é Mal de Alzheimer.
10. Método de acordo com qualquer uma das reivindicações de -1 a 3, em que a região de interesse é ajustada preliminarmente como uma região formada extraindo um pixel que tem uma contagem ζ de 1,5 ou mais obtida por comparação de um primeiro grupo de doença incluindo um certo número de indivíduos com um grupo normal incluindo um certo número de indivíduos; formando agrupamentos de pixeis adjacentes um ao outro entre os pixeis extraídos; selecionando um agrupamento que tem o tamanho maior entre os agrupamentos formados como um agrupamento da primeira região; extraindo um pixel que tem uma contagem ζ de 1,5 ou mais por comparação de um segundo grupo de doença incluindo um certo número de indivíduos que têm o mesmo tipo de doença que o do primeiro grupo de doença ou o primeiro grupo de doença com um terceiro grupo de doença incluindo um certo número de indivíduos que têm um tipo de doença diferente daquele do primeiro grupo de doença; formando agrupamentos de pixeis adjacentes um ao outro entre os pixeis extraídos; selecionando um agrupamento que tem o tamanho maior entre os agrupamentos formados como um agrupamento da segunda região; formando um agrupamento da terceira região de pixeis co- muns no agrupamento da primeira região e no agrupamento da segunda re- gião; e extraindo o esboço do agrupamento da terceira região.
11. Método de acordo com a reivindicação 10, em que o limiar é determinado pela Fórmula (3) a seguir onde S é o limiar, Anz2 é a soma mé- dia de contagens ζ na região de interesse na segunda imagem dos normais, SDnz2 é o desvio-padrão da soma das contagens ζ na região de interesse na segunda imagem dos normais, e C é uma constante entre 1,5 e 1,6. S = Anz2 +C . SDnz2 ...(3) Fórmula (3)
12. Método de acordo com a reivindicação 10 ou 11, em que o limiar é determinado pela Fórmula (4) a seguir onde S é o limiar, Ant2 é a soma média dos valores t na região de interesse na segunda imagem dos normais, SDnt2 é o desvio-padrão da soma dos valores t na região de inte- resse na segunda imagem dos normais, e C é uma constante entre 1,5 e 1,6. S = Ant2 + C . SDnt2 ...(4) Fórmula (4)
13. Método de acordo com qualquer uma das reivindicações de -10 a 12, em que o tipo de doença dos primeiro e segundo grupos de doença é demência com corpo de Lewy, o tipo de doença do terceiro grupo de doen- ça é Mal de Alzheimer, e a doença neurodegenerativa é demência com cor- po de Lewy.
14. Programa de detectar uma doença neurodegenerativa, per- mitindo um computador executar: uma etapa de padronização de criar uma primeira imagem apli- cando padronização anatômica a uma imagem médica nuclear cerebral; uma etapa de conversão de criar uma segunda imagem conver- tendo o valor de pixel de cada pixel de uma imagem com base na primeira imagem em uma contagem z ou um valor t; uma etapa de adição de calcular a soma dos valores de pixel de pixeis individuais em uma região de interesse predeterminada na segunda imagem; e uma etapa de determinação de obter os resultados da determi- nação da doença neurodegenerativa através de uma operação de compara- ção da soma com um limiar predeterminado.
15. Programa de acordo com a reivindicação 14, em que o pro- grama permite o computador também executar uma etapa de normalização de criar uma imagem normalizada normalizando cada valor de pixel da pri- meira imagem, entre a etapa de padronização e a etapa de conversão, permitindo a etapa de conversão usar a imagem normalizada como a imagem com base na primeira imagem.
16. Programa de acordo com a reivindicação 15, em que o pro- grama permite o computador executar a etapa de normalização de criar a imagem normalizada calculando o valor de pixel médio em uma região que corresponde a uma área sensorimotora primária na primeira imagem para normalizar o valor de pixel de cada pixel da primeira imagem usando a mé- dia.
17. Programa de acordo com qualquer uma das reivindicações de 14 a 16, em que a região de interesse é ajustada preliminarmente como uma região formada extraindo pixeis que têm uma contagem z de três ou mais obtida por comparação de um grupo de doença que tem um certo nú- mero de indivíduos com um grupo normal que tem um certo número de indi- víduos; formando agrupamentos de pixeis adjacentes um ao outro entre os pixeis extraídos; e selecionando um agrupamento que tem o tamanho maior entre os agrupamentos formados para extrair o esboço do agrupamento se- lecionado.
18. Programa de acordo com qualquer uma das reivindicações de 14 a 17, em que o limiar é determinado pela Fórmula (1) a seguir onde S é o limiar, Anz é a soma média das contagens ζ na região de interesse na segunda imagem dos normais, SDnz é o desvio-padrão da soma das conta- gens z na região de interesse na segunda imagem dos normais, eC é uma constante entre 1,5 e 2,5. S = Anz +C . SDnz ...(1) Fórmula (5)
19. Programa de acordo com qualquer uma das reivindicações -14 a 17, em que o limiar é determinado pela Fórmula (2) a seguir onde S é o limiar, Ant é a soma média dos valores t na região de interesse na segunda imagem dos normais, SDnt é o desvio-padrão da soma dos valores t na re- gião de interesse na segunda imagem dos normais, e C é uma constante entre 1,5 e 2,0. S = Ant+ C . SDnt ...(2) Fórmula (6)
20. Programa de acordo com a reivindicação 18 ou 19, em que a constante C é na faixa de 1,5 a 1,6.
21. Programa de acordo com qualquer uma das reivindicações -14 a 16, em que a região de interesse é ajustada preliminarmente como uma região formada extraindo um pixel que tem uma contagem ζ de 1,5 ou mais obtida por comparação de um primeiro grupo de doença incluindo um certo número de indivíduos com um grupo normal incluindo um certo número de indivíduos; formando agrupamentos de pixeis adjacentes um ao outro entre os pixeis extraídos; selecionando um agrupamento que tem o tamanho maior entre os agrupamentos formados como um agrupamento da primeira região; extraindo um pixel que tem uma contagem ζ de 1,5 ou mais por comparação de um segundo grupo de doença incluindo um certo número de indivíduos que têm o mesmo tipo de doença que o do primeiro grupo de doença ou o primeiro grupo de doença com um terceiro grupo de doença incluindo um certo número de indivíduos que têm um tipo de doença diferente daquele do primeiro grupo de doença; formando agrupamentos de pixeis adjacentes um ao outro entre os pixeis extraídos; selecionando um agrupamento que tem o tamanho maior entre os agrupamentos formados como um agrupamento da segunda região; formando um agrupamento da terceira região de pixeis co- muns no agrupamento da primeira região e o agrupamento da segunda regi- ão; e extraindo o esboço do agrupamento da terceira região.
22. Programa de acordo com a reivindicação 21, em que o limiar é determinado pela Fórmula (3) a seguir onde S é o limiar, Anz2 é a soma média das contagens ζ na região de interesse na segunda imagem dos nor- mais, SDnz2 é o desvio-padrão da soma das contagens ζ na região de inte- resse na segunda imagem dos normais, e C é uma constante entre 1,5 e 1,6. S = Anz2 +C SDnz2 ...3) Fórmula (7)
23. Programa de acordo com a reivindicação 21 ou 22, em que o limiar é determinado pela Fórmula (4) a seguir onde S é o limiar, Ant2 é a soma média dos valores t na região de interesse na segunda imagem dos normais, SDnt2 é o desvio-padrão da soma dos valores t na região de inte- resse na segunda imagem dos normais, e C é uma constante entre 1,5 e 1,6. S = Ant2 +C SDnt2 .. (4) Fórmula (8)
24. Detector de doença neurodegenerativa, compreendendo: meios de padronização de criar uma primeira imagem aplicando padronização anatômica a uma imagem médica nuclear cerebral; meios de conversão de criar uma segunda imagem convertendo o valor de pixel de cada pixel de uma imagem com base na primeira imagem em uma contagem ζ ou um valor t; meios de adição de calcular a soma dos valores de pixel de pi- xeis individuais em uma região de interesse predeterminada na segunda i- magem; e meios de determinação de obter os resultados da determinação da doença neurodegenerativa através de uma operação de comparação da soma com um limiar predeterminado.
25. Detector de acordo com a reivindicação 24, também com- preendendo meios de normalização de criar uma imagem normalizada nor- malizando cada valor de pixel da primeira imagem, em que os meios de conversão usam a imagem normalizada como a imagem com base na primeira imagem.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005-346190 | 2005-11-30 | ||
JP2005346190 | 2005-11-30 | ||
PCT/JP2006/321138 WO2007063656A1 (ja) | 2005-11-30 | 2006-10-24 | 頭部変性疾患の検出方法、検出プログラム、及び検出装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
BRPI0619257A2 true BRPI0619257A2 (pt) | 2011-09-27 |
Family
ID=38091995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BRPI0619257-2A BRPI0619257A2 (pt) | 2005-11-30 | 2006-10-24 | método de detecção de doença neurodegenerativa, programa de detecção e detector |
Country Status (12)
Country | Link |
---|---|
US (1) | US8165362B2 (pt) |
EP (1) | EP1959273A4 (pt) |
JP (1) | JP4435234B2 (pt) |
KR (1) | KR20080081005A (pt) |
CN (1) | CN101322045A (pt) |
AU (1) | AU2006321133A1 (pt) |
BR (1) | BRPI0619257A2 (pt) |
CA (1) | CA2632040C (pt) |
IL (1) | IL191712A0 (pt) |
NO (1) | NO20082843L (pt) |
RU (1) | RU2008126210A (pt) |
WO (1) | WO2007063656A1 (pt) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8199982B2 (en) | 2008-06-18 | 2012-06-12 | International Business Machines Corporation | Mapping of literature onto regions of interest on neurological images |
US8126228B2 (en) | 2008-06-18 | 2012-02-28 | International Business Machines Corporation | Determining efficacy of therapeutic intervention in neurosychiatric disease |
JP5243865B2 (ja) | 2008-07-07 | 2013-07-24 | 浜松ホトニクス株式会社 | 脳疾患診断システム |
US8548823B2 (en) | 2008-07-08 | 2013-10-01 | International Business Machines Corporation | Automatically determining ideal treatment plans for complex neuropsychiatric conditions |
US9198612B2 (en) | 2008-07-08 | 2015-12-01 | International Business Machines Corporation | Determination of neuropsychiatric therapy mechanisms of action |
US7996242B2 (en) | 2008-07-08 | 2011-08-09 | International Business Machines Corporation | Automatically developing neuropsychiatric treatment plans based on neuroimage data |
US8388529B2 (en) * | 2008-07-08 | 2013-03-05 | International Business Machines Corporation | Differential diagnosis of neuropsychiatric conditions |
AU2008360162A1 (en) * | 2008-07-28 | 2010-02-04 | Nihon Medi-Physics Co., Ltd. | Technique for Detecting Neurodegenerative Disorders |
JP6078531B2 (ja) | 2011-04-26 | 2017-02-08 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | デジタル処理装置により実行される方法、装置及び記憶媒体 |
US9361686B2 (en) * | 2011-12-15 | 2016-06-07 | Commonwealth Scientific And Industrial Research Organisation | Method and apparatus for the assessment of medical images |
KR20140013142A (ko) * | 2012-07-18 | 2014-02-05 | 삼성전자주식회사 | 이미지에서 목표를 검출하는 목표 검출 방법 및 이미지 처리 장치 |
JP5469739B2 (ja) * | 2012-12-26 | 2014-04-16 | 富士フイルムRiファーマ株式会社 | 画像診断支援システム |
JP2014127011A (ja) * | 2012-12-26 | 2014-07-07 | Sony Corp | 情報処理装置、情報処理方法、およびプログラム |
AU2014240105B2 (en) * | 2013-03-15 | 2019-10-31 | Cerora, Inc. | Multi-modal pharmaco-diagnostic assessment of brain health |
AU2014228116B2 (en) | 2013-03-15 | 2019-01-03 | Adam J. Simon | System and signatures for the multi-modal physiological stimulation and assessment of brain health |
JP5779676B2 (ja) * | 2014-01-31 | 2015-09-16 | 富士フイルムRiファーマ株式会社 | 画像診断支援システム |
JP5689205B1 (ja) * | 2014-11-21 | 2015-03-25 | 日本メジフィジックス株式会社 | 頭部核医学画像の評価法 |
JP6703323B2 (ja) * | 2015-09-17 | 2020-06-03 | 公益財団法人神戸医療産業都市推進機構 | 生体の画像検査のためのroiの設定技術 |
US10211660B2 (en) | 2016-02-08 | 2019-02-19 | Cree, Inc. | LED lighting device with adaptive profiles for controlling power consumption |
US10451229B2 (en) | 2017-01-30 | 2019-10-22 | Ideal Industries Lighting Llc | Skylight fixture |
US10465869B2 (en) | 2017-01-30 | 2019-11-05 | Ideal Industries Lighting Llc | Skylight fixture |
US11229810B2 (en) * | 2017-05-17 | 2022-01-25 | University Of Virginia Patent Foundation | Methods and systems for producing neuronal lesions using magnetic resonance and acoustic energy |
JP6910205B2 (ja) * | 2017-05-22 | 2021-07-28 | 富士フイルム富山化学株式会社 | 疾患鑑別支援装置およびコンピュータプログラム |
US9894740B1 (en) | 2017-06-13 | 2018-02-13 | Cree, Inc. | Intelligent lighting module for a lighting fixture |
US10165650B1 (en) | 2017-08-21 | 2018-12-25 | Cree, Inc. | Occupant tracking |
JP6882136B2 (ja) * | 2017-10-12 | 2021-06-02 | 日本メジフィジックス株式会社 | 画像処理装置、画像処理方法およびプログラム |
US10830400B2 (en) | 2018-02-08 | 2020-11-10 | Ideal Industries Lighting Llc | Environmental simulation for indoor spaces |
EP4052543A1 (en) | 2019-10-28 | 2022-09-07 | Ideal Industries Lighting Llc | Systems and methods for providing dynamic lighting |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5027817A (en) * | 1989-06-22 | 1991-07-02 | New York University | Statistical based display for positron emission tomography scans |
JP4025524B2 (ja) | 2001-09-28 | 2007-12-19 | 富士フイルムRiファーマ株式会社 | 異条件下における脳機能画像の画像間差補正法 |
JP4025823B2 (ja) | 2004-02-24 | 2007-12-26 | 国立精神・神経センター総長 | 脳疾患の診断支援方法及び装置 |
US20050197560A1 (en) * | 2004-03-05 | 2005-09-08 | Rao Stephen M. | System for detecting symptoms, determining staging and gauging drug efficacy in cases of Alzheimer's disease |
JP4162242B2 (ja) | 2005-01-28 | 2008-10-08 | 富士フイルムRiファーマ株式会社 | 画像診断支援システム |
-
2006
- 2006-10-24 AU AU2006321133A patent/AU2006321133A1/en not_active Abandoned
- 2006-10-24 WO PCT/JP2006/321138 patent/WO2007063656A1/ja active Application Filing
- 2006-10-24 BR BRPI0619257-2A patent/BRPI0619257A2/pt not_active Application Discontinuation
- 2006-10-24 CA CA2632040A patent/CA2632040C/en not_active Expired - Fee Related
- 2006-10-24 US US12/095,474 patent/US8165362B2/en active Active
- 2006-10-24 RU RU2008126210/14A patent/RU2008126210A/ru unknown
- 2006-10-24 JP JP2007547872A patent/JP4435234B2/ja active Active
- 2006-10-24 EP EP06822118A patent/EP1959273A4/en not_active Withdrawn
- 2006-10-24 KR KR1020087015825A patent/KR20080081005A/ko not_active Application Discontinuation
- 2006-10-24 CN CNA2006800451584A patent/CN101322045A/zh active Pending
-
2008
- 2008-05-26 IL IL191712A patent/IL191712A0/en unknown
- 2008-06-23 NO NO20082843A patent/NO20082843L/no not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
IL191712A0 (en) | 2008-12-29 |
KR20080081005A (ko) | 2008-09-05 |
CA2632040A1 (en) | 2007-06-07 |
CN101322045A (zh) | 2008-12-10 |
RU2008126210A (ru) | 2010-01-10 |
JPWO2007063656A1 (ja) | 2009-05-07 |
WO2007063656A1 (ja) | 2007-06-07 |
NO20082843L (no) | 2008-09-01 |
JP4435234B2 (ja) | 2010-03-17 |
AU2006321133A2 (en) | 2008-07-17 |
US20090290765A1 (en) | 2009-11-26 |
EP1959273A4 (en) | 2011-01-26 |
AU2006321133A1 (en) | 2007-06-07 |
CA2632040C (en) | 2014-09-16 |
EP1959273A1 (en) | 2008-08-20 |
US8165362B2 (en) | 2012-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
BRPI0619257A2 (pt) | método de detecção de doença neurodegenerativa, programa de detecção e detector | |
Mizumura et al. | Development of quantitative analysis method for stereotactic brain image: assessment of reduced accumulation in extent and severity using anatomical segmentation | |
Werner et al. | Current status and future role of brain PET/MRI in clinical and research settings | |
Bartenstein et al. | Quantitative assessment of cerebral blood flow in patients with Alzheimer's disease by SPECT | |
Tahari et al. | Absolute myocardial flow quantification with 82 Rb PET/CT: comparison of different software packages and methods | |
WO2010013300A1 (ja) | 脳神経疾患検出技術 | |
WO2010004851A1 (ja) | 脳疾患診断システム | |
JP4824321B2 (ja) | 画像データの解析システム、方法及びコンピュータプログラム | |
CN105979872A (zh) | 正电子发射断层摄影数据的病人特异性分析 | |
US8472694B2 (en) | Device for generating alternative of normal brain database | |
Tinaz et al. | Semiquantitative analysis of dopamine transporter scans in patients with Parkinson disease | |
JP2003199715A (ja) | 画像関連データ処理方法 | |
Perneczky et al. | Cerebral metabolic correlates of the clinical dementia rating scale in mild cognitive impairment | |
Uruma et al. | A new method for evaluation of mild traumatic brain injury with neuropsychological impairment using statistical imaging analysis for Tc-ECD SPECT | |
Chung et al. | Differences in myocardial sympathetic degeneration and the clinical features of the subtypes of Parkinson’s disease | |
JP2006158791A (ja) | 頭蓋内容積および局所脳構造物解析プログラム、記録媒体および頭蓋内容積および局所脳構造物解析方法 | |
JP4964450B2 (ja) | 画像処理方法、画像処理プログラム、及び画像処理装置 | |
CN106662657A (zh) | 头部核医学图像的评价方法 | |
JP2004239782A (ja) | 脳画像データ処理システム、方法、プログラムおよび記録媒体 | |
JP6995642B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
JPWO2019044090A1 (ja) | 情報出力装置、方法及びプログラム | |
Shieh et al. | Automated ASPECTS scoring system as a clinical support system for acute stroke care | |
Herscovitch | A Pioneering Paper That Provided a Tool for Accurate, Observer-Independent Analysis of 18F-FDG Brain Scans in Neurodegenerative Dementias (perspective on “A Diagnostic Approach in Alzheimer’s Disease Using Three-Dimensional Stereotactic Surface Projections of Fluorine-18-FDG PET” J Nucl Med. 1995; 36: 1238–1248) | |
Aziz et al. | Combining ADAS-Cog Assessment with Hypometabolic Region of 18F-FDG PET/CT Brain Imaging for Alzheimer's Disease Detection | |
Mori et al. | Automated detection of abnormalities in paranasal sinus on dental panoramic radiographs by using contralateral subtraction technique based on mandible contour |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B11A | Dismissal acc. art.33 of ipl - examination not requested within 36 months of filing | ||
B11Y | Definitive dismissal - extension of time limit for request of examination expired [chapter 11.1.1 patent gazette] |