BRPI0711706A2 - método e aparelho para gerar imagens, e, meio de armazenagem legìvel por computador - Google Patents
método e aparelho para gerar imagens, e, meio de armazenagem legìvel por computador Download PDFInfo
- Publication number
- BRPI0711706A2 BRPI0711706A2 BRPI0711706-0A BRPI0711706A BRPI0711706A2 BR PI0711706 A2 BRPI0711706 A2 BR PI0711706A2 BR PI0711706 A BRPI0711706 A BR PI0711706A BR PI0711706 A2 BRPI0711706 A2 BR PI0711706A2
- Authority
- BR
- Brazil
- Prior art keywords
- functional
- interest
- region
- error
- error model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003384 imaging method Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 19
- 238000000926 separation method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 206010021143 Hypoxia Diseases 0.000 claims description 3
- 230000007954 hypoxia Effects 0.000 claims description 3
- 230000010412 perfusion Effects 0.000 claims description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 2
- 230000006907 apoptotic process Effects 0.000 claims description 2
- 210000004556 brain Anatomy 0.000 claims description 2
- 230000003925 brain function Effects 0.000 claims description 2
- 230000004663 cell proliferation Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000008103 glucose Substances 0.000 claims description 2
- 239000012216 imaging agent Substances 0.000 claims 1
- 208000028867 ischemia Diseases 0.000 claims 1
- 210000004165 myocardium Anatomy 0.000 claims 1
- 238000011282 treatment Methods 0.000 abstract description 13
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 5
- 238000012636 positron electron tomography Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000001959 radiotherapy Methods 0.000 description 4
- 238000002603 single-photon emission computed tomography Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000005055 memory storage Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012831 peritoneal equilibrium test Methods 0.000 description 3
- 238000012877 positron emission topography Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000002107 myocardial effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 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 description 1
- 102000004121 Annexin A5 Human genes 0.000 description 1
- 108090000672 Annexin A5 Proteins 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
MéTODO E APARELHO PARA GERAR IMAGENS, E, MEIO DE ARMAZENAGEM LEGìVEL POR COMPUTADOR. Um método para uso na geração funcional de imagens médica inclui dividir de modo adaptável dados de geração funcional de imagens como uma função de um modelo de erro variável espacialmente. Os dados funcionais de imagem são divididos de acordo com uma estratégia de otimização. Os dados podem ser exibidos ou usados para planejar o decurso de um tratamento. Em uma implementação, os dados de imagem são divididos de modo a variar sua resolução espacial. Em outra, o número de agrupamento é variado com base no modelo de erro.
Description
"MÉTODO E APARELHO PARA GERAR IMAGENS, E, MEIO DE ARMAZENAGEM LEGÍVEL POR COMPUTADOR"
DESCRIÇÃO
A descrição a seguir relaciona-se à geração de imagens médicas funcionais. Encontra aplicação particular em situações nas quais é desejável identificar e responder por incerteza resultante do ruído e outras fontes de erro na informação de geração funcional de imagens.
Tecnologias de geração de imagens médicas tem se tornado ferramentas críticas no diagnósticos e tratamento de doenças. Um aspecto da geração de imagens médicas que tem recebido considerável atenção, tem sido a geração funcional de imagens, que provê informação sobre parâmetros funcionais relevantes para um diagnóstico e/ou tratamento.
A geração funcional de imagens envolve em geral a geração de mapas paramétricos de um parâmetro de interesse. Um exemplo é o uso de imagens FMISO-PET em estudos oncológicos, onde um parâmetro funcional relacionado a hipoxia é usado para discriminar entre porções mais ou menos agressivas de um tumor. Um outro exemplo inclui estudos cardíacos PET ou SPECT, onde mapas paramétricos de parâmetros funcionais relacionados a perfusão são usados para identificar regiões hipoperfusas do miocárdio. Ainda outros exemplos são a geração de imagens de ressonância magnética funcional (fMRI), que tem sido particularmente útil para prover informação relevante para função cerebral e geração de imagens molecular, que provê informação sobre um marcador ou agente molecular.
Um fator complicador, entretanto, tem sido o efeito do ruído e outras incertezas. Enquanto estimativas de parâmetro tipo voxel provêm uma resolução espacial relativamente mais alta, tais estimativas estão particularmente sujeitas aos efeitos do ruído nos dados de imagens fundamentais. A menos que seja justificável, os efeitos de tal ruído podem conduzir a diagnóstico ou tratamento sub ótimo. Técnicas de suavização têm sido usadas para reduzir flutuações do parâmetro estatístico surgidas de fatores tais como ruído de geração de imagens, ruído de modelagem e dispersão de dados. Uma técnica de suavização popular é o agrupamento, no qual uma região ou volume de interesse é dividida em sub regiões contíguas ou não contíguas tendo valores de parâmetro similares. Um número desejado de agrupamentos é especificado, e um algoritmo de agrupamento é usado para dividir a região no número especificado de agrupamento. As regiões assim definidas são usadas, por sua vez, para diagnóstico (por exemplo, determinando o tamanho do tumor ou uma região isquêmica do miocárdio) e/ou terapia (por exemplo, determinar dose de radiação no planejamento de terapia de radiação).
Uma deficiência da técnica precedente, entretanto, é que o número e/ou distribuição dos agrupamentos pode ser inapropriada, conduzindo a agrupamentos sub ótimos. Agrupamentos sub ótimos podem, por sua vez conduzir a um diagnóstico e/ou tratamento sub ótimo.
Conseqüentemente, é desejável prover técnicas melhoradas para responder pelos efeitos do ruído e outras incertezas na geração funcional de imagens.
Aspectos da presente invenção equacionam estes assuntos, e outros.
De acordo com um primeiro aspecto da presente invenção, um método inclui receber dados de imagem funcional indicativos de uma região de interesse de um objeto, onde os dados de imagem funcional incluem um valor de parâmetro funcional variável espacialmente e um modelo de erro funcional variável espacialmente. O método também inclui divisão da região de interesse como uma função do modelo de erro variável espacialmente e geração de uma imagem indicativa da região dividida de interesse.
De acordo com um outro aspecto da presente invenção, um aparelho inclui meio para receber dados de imagem funcional indicativos de uma região de interesse de um objeto, onde os dados de imagem funcional incluem um valor de parâmetro funcional variável espacialmente e um modelo de erro funcional variável espacialmente. O método também inclui meio para dividir a região de interesse como uma função do valor de erro variável espacialmente, e meio para gerar uma imagem indicativa da região dividida de interesse.
De acordo com um outro aspecto da invenção, um meio de armazenagem legível por computador contém instruções que, quando executadas por um computador, fazem com que o computador execute um método que inclui receber dados de imagem funcional indicativos de uma região de interesse de um objeto e agrupar os dados de imagem funcional em diversos agrupamentos. Os dados de imagem funcional incluem valores funcionais e modelo de erro funcional. O número de agrupamentos é uma função de um modelo de erro funcional de valores funcionais incluídos em um agrupamento.
De acordo com um outro aspecto da invenção, um meio de armazenagem legível por computador contém instruções que, quando executadas por um computador, fazem com que o computador execute um método que inclui receber dados de imagem funcional indicativos de uma região de interesse de um objeto, usar o modelo de erro funcional variável espacialmente para variar espacialmente uma resolução espacial dos dados de imagem funcional, e gerar uma imagem indicativa dos dados de imagem funcional.
De acordo com um outro aspecto da invenção, um método inclui receber dados de imagem funcional indicativos de uma região de interesse, exibir os dados de imagem funcional em uma forma legível por um humano em uma GUI, e dividir interativamente a região de interesse, com base no modelo de erro funcional e uma avaliação humana dos dados de imagem funcional exibidos. Aqueles especialistas na técnica verificarão ainda outros aspectos da presente invenção pela leitura e entendimento das figuras anexas e descrição.
A presente invenção é ilustrada por meio de exemplo e não limitação nas figuras e desenhos anexos, nos quais referências iguais indicam elementos similares e nos quais:
Figura 1 exibe etapas na divisão de um volume de imagem.
Figuras 2A, 2B, 2C e 2D exibem um volume de imagem em vários estágios de uma divisão diádica.
Figura 3 exibe diversos agrupamentos. Mapas de parâmetro e informação funcional derivados de procedimentos de geração prática de imagens, tais como PET, SPECT ou fMRI, podem apresentar erro ou incerteza substancial devido ao ruído nos dados de imagem fundamentais. O ruído de um valor de parâmetro funcional é geralmente relacionado ao tamanho da região sobre a qual é estimado. Estimativas tipo voxel mostram o nível mais alto de resolução espacial, mas geralmente possuem grande incerteza ou intervalos de confiança nos valores exibidos. Embora reduzir a resolução espacial tenda a reduzir a incerteza e daí estreitar os intervalos de confiança, detalhes espaciais podem ser perdidos.
Estes efeitos podem ser melhorados variando de modo adaptável a resolução espacial de uma estimativa de parâmetro ao longo de um volume de imagem ou outra região de interesse, como uma função do erro. A resolução espacial pode ser variada de acordo com um critério de otimização de erro desejado, por exemplo, para obter um erro desejado ou uma distribuição de erro desejada ao longo da região de interesse. Fazer isto, melhora em muitos casos a visualização dos dados ou provê de outra forma informação que é útil para diagnóstico ou tratamento.
Técnicas de agrupamento podem também ser afetadas pelos erros ou incerteza nos dados funcionais fundamentais, especificamente onde o número de agrupamentos é estabelecido a priori. Por exemplo, a especificação prévia do número de agrupamentos pode conduzir a resultados de agrupamentos para os quais o valor médio do parâmetro funcional para dois ou mais agrupamentos pode ter desvios estatisticamente insignificantes.
Conseqüentemente, a separação entre dois ou mais dos agrupamentos pode não ser fisiologicamente e/ou estatisticamente significativa. Por outro lado, as características dos dados podem ser tais que agrupamentos adicionais, significativos, podem ser estabelecidos.
Estes efeitos podem ser melhorados incorporando uma medida de erro como parte do procedimento de agrupamento e usando esta medida para ajustar de forma adaptável o número de agrupamentos como uma função do erro. Por exemplo, o erro pode ser usado para avaliar a significância de uma separação de agrupamento e para ajustar o número de agrupamentos de acordo. Fazer isto pode melhorar em muitos casos a separação de agrupamento, melhorando então a visualização dos dados ou de outro modo provendo informação que é útil para diagnóstico ou tratamento.
Um procedimento típico, iterativo, para dividir um volume ou outra região de interesse como uma função do erro, é mostrado na Figura 1.
Dados de geração funcional de imagens tais como um mapa de parâmetros são recebidos na etapa 102. Os dados de imagem funcional incluem tipicamente um valor de parâmetro funcional variável espacialmente f(x,y,z) e um modelo de erro variável espacialmente associado e(x,y,z) que varia através de um volume de imagem.
Onde a região de interesse é um subconjunto do volume de imagem, uma etapa de seleção de região de interesse opcional é executada em 104. A região de interesse pode ser selecionada pelo operador, por exemplo, exibindo o volume de uma forma legível por um humano e requisitando que o usuário especifique a região desejada. A região de interesse pode também ser determinada via segmentação ou outras técnicas de processamento de imagem, isoladamente ou em conjunto com entrada do operador.
Uma divisão Po da região de interesse é selecionada em 106. Mais particularmente, a região de interesse é dividida em uma ou mais sub regiões. Em uma implementação, as sub regiões são estabelecidas espacialmente, por exemplo, efetuando uma divisão diádica do conjunto de dados. Em outra implementação, as sub regiões são estabelecidas usando uma técnica de crescimento de agrupamento ou região.
Na etapa 108, a divisão então corrente Pn é modificada de acordo com uma estratégia de divisão baseada em erro, para gerar uma nova divisão Ρn+1.
A nova divisão é avaliada de acordo com um critério de aceitação baseado em erro, na etapa 110. Em uma implementação, a divisão é conduzido de tal modo que as estimativas de erro das várias sub regiões são minimizadas ou de outro modo menores que um valor limite desejado. Em uma outra variação, a divisão é conduzida de tal modo que as várias sub regiões possuem uma homogeneidade de erro desejada, por exemplo, de tal modo que a diferença entre os valores de erro nas várias sub regiões é minimizada ou de outro modo menor que um valor limite desejado (ou de outro modo, de tal forma que a homogeneidade do erro é maximizada).
A estratégia de otimização e critérios de aceitação podem também considerar parâmetros funcionais, com a divisão conduzida de acordo. Como um exemplo, os critérios de aceitação podem também considerar a variação nos valores de voxel e as estimativas de erro de parâmetro funcional seja em uma sub região particular ou através de sub regiões múltiplas.
Em 112, se o critério de aceitação não é satisfeito, o processamento é retornado à etapa 108, onde o volume ou região de interesse é re-dividido(a). Se o critério de aceitação é satisfeito, a divisão é aceita.
A divisão proposta pode ser opcionalmente apresentada ao operador para aceitação. Dependendo da implementação, o operador pode rejeitar a divisão proposta, em cujo caso a divisão prévia é aceita. Alternativamente, o operador pode eleger aceitar a nova divisão, embora os critérios de aceitação possam não ser satisfeitos. O operador pode também receber a opção de modificar manualmente a divisão.
Uma divisão proposta pode ser apresentada ao operador de vários modos. Por exemplo, uma sub região a ser operada pode ser destacada por codificação de cores, por cintilação, visualizações intercaladas ou outras técnicas gráficas usando uma interface gráfica de usuário (GUI).
Alternativamente ou adicionalmente, informações tais como histogramas, exibições numéricas de valores de parâmetro e/ou erro e mensagens de texto podem também ser apresentadas.
A divisão aceita é visualizada na etapa 114, por exemplo, exibindo o mapa de parâmetro de uma forma legível por um humano em um visor de computador ou monitor. Alternativamente ou adicionalmente, os dados podem ser usados como uma entrada para um programa de diagnóstico assistido por computador ou procedimento de planejamento de terapia no sentido de auxiliar em um diagnóstico ou no planejamento do decurso de tratamento.
Uma divisão típica no qual uma resolução espacial de uma região de interesse é variado como uma função do erro, será agora descrito. P denota uma divisão completa de um volume ou região de interesse que é um conjunto de p conjuntos de voxel S:
Equação 1
<formula>formula see original document page 8</formula>
Cada conjunto de voxel Si define uma região consistindo de Ni voxéis na qual o parâmetro funcional f(Si) e seu erro e(Si) podem ser computados:
Equação 3 (AS), e(S)} = F(S) onde F representa o procedimento de estimativa de parâmetro com o valor de parâmetro funcional/e o modelo de erro funcional associado e conforme gerado pelo modelo de geração funcional de imagens.
O erro nos valores de parâmetro pode ser reduzido obtendo a média ao longo de uma região maior. A menor região possível é um voxel único, ao passo que a maior região possível é o volume total. O volume é dividido de tal modo que o erro nos valores de parâmetro satisfaz aos critérios de aceitação desejados.
Conforme discutido acima, várias estratégias de otimização e critérios de aceitação são contemplados. Por exemplo, o volume pode ser dividido de acordo com uma estratégia de minimização de erro funcional, de tal modo que o erro funcional em cada sub região é menor que um limiar de erro máximo:
Equação 4 e(Si)<emax, i=l,..., P Se o erro é suficientemente pequeno, a resolução espacial não é reduzida adicionalmente.
Uma outra abordagem é o erro mínimo:
Equação 5
e(Si) —» min, i=l,..., P
A resolução espacial é sempre comprometida com a minimização de erro.
Uma outra abordagem focaliza na homogeneidade de erro entre as sub regiões, de tal modo que a variação de erro funcional entre duas ou mais sub regiões é minimizada. Por exemplo, o volume pode ser dividido de tal modo que a variação de erro é menor que um valor de limiar:
Equação 6
<formula>formula see original document page 10</formula>
onde Cthresh é a variação máxima. A variação de erro funcional pode também ser minimizada:
Equação 7
<formula>formula see original document page 10</formula>
As últimas técnicas comprometem a resolução espacial para homogeneidade de erro.
Notar que a discussão acima foi focada na otimização ao longo do volume inteiro. A otimização pode também ser restrita a uma região ou outro sub volume de interesse. Diferentes critérios de aceitação podem também ser estabelecidos para diferentes porções do volume ou região. Os limiares podem também ser estabelecidos como uma função dos valores do parâmetro funcional f.
Uma estratégia de divisão diádica típico será agora descrita com referência à Figura 2. O volume inicial 202 é mostrado na Figura 2A. O volume 202 inclui diversos voxéis 204, cada um tendo um valor de parâmetro funcional / e um modelo de erro funcional e. Figuras 2B e 2C exibem uma decomposição de segundo e terceiro nível diádico do volume em regiões de sub regiões de resolução espacial relativamente mais grosseira, respectivamente. Onde o objetivo é variar a resolução como uma função da distribuição de erro, os valores de parâmetro funcional F são vantajosamente calculados a cada nível de resolução. Embora uma decomposição de três níveis seja mostrada para facilidade de ilustração, mais (por exemplo, quatro ou mais) ou menos níveis podem também ser implementados.
A resolução mais grosseira (isto é, aquela da Figura 2C no presente exemplo) é selecionada. Aqui, a divisão pode ser testada em função dos critérios de aceitação para determinar se estes já foram satisfeitos. As partições são modificadas decompondo cada sub região que já não está no nível de resolução mais alto (isto é, aquela da Figura 2A no presente exemplo) para uma resolução mais alta. A modificação proposta é testada para determinar se esta progride na direção dos critérios de aceitação. Uma vez que os critérios de aceitação tenham sido satisfeitos para todas as sub regiões (ou se partições adicionais não são propostas), a divisão corrente é aceita e o processo é terminado.
Uma decomposição final típica é mostrada na Figura 2D. Conforme ilustrado, a porção inferior 206 do volume tem uma resolução relativamente baixa, a porção central 208 tem uma resolução relativamente alta e o restante da porção superior 210 tem uma resolução intermediária. Como pode ser visto, o volume apresenta uma resolução espacial variando espacialmente.
Conforme discutido acima, a divisão pode ser efetuada interativamente através de uma GUI ou de outro modo de forma que o usuário tenha a oportunidade de aceitar, rejeitar ou modificar de outro modo uma divisão proposta. Pode também ser útil manter um histórico (ou um histórico parcial) do processo de divisão. O histórico pode então servir como uma rápida mudança de divisão no cenário interativo. O histórico pode também ser usado para prover divisão baseada nas decisões breves, por exemplo, para uso em tratamentos de terapia de radiação adaptáveis (isto é, repetir geração de imagens). Enquanto o exemplo acima discutiu uma estratégia de divisão diádica, estratégias de agrupamento, crescimento de região ou não diádicas podem ser empregadas.
Uma estratégia de divisão típica que usa agrupamento para variar o número de agrupamentos como uma função de ambos modelo de erro e e erro estatístico s será agora descrita em relação à Figura 3. A seguir, o erro do parâmetro funcional x em voxel i é denotado por e,. O valor do parâmetro funcional x no voxel i é então (χ, ± ei).
A divisão pode ser efetuada usando meios k ou outros algoritmos de agrupamento conhecidos. O algoritmo de meios k pode ser representado como segue:
Começar a inicializar: n, NC, μ1, μ2,—> μc
Fazer classifique n amostras de acordo com μi mais próximo recalcule μi
Até nenhuma mudança em μi
Retornar u1, u2.....uc
Fim
onde n é o tamanho da amostra, NC é um número pré-definido de agrupamentos e μc são os valores dos centros de agrupamento. Outras técnicas de agrupamento, por exemplo, o conhecido Algoritmo de Média Harmônica K (que é relativamente menos sensível às condições iniciais) ou o conhecido Algoritmo de Agrupamento Genético (que estabelece o número de agrupamentos NC baseados nos valores de parâmetro f) pode também ser usado.
A classificação de uma amostra Xi de acordo com o próximo centro de agrupamento Cj é efetuada usando uma medida de distância adequada d onde l representa os componentes de vetor dos dados:
Equação 8
<formula>formula see original document page 12</formula>
com ρ sendo um expoente de ponderação para ajustar a medida de distância, por exemplo, p=1: city-block (L1), p=2: Euclid (L2). Os pesos Wk podem refinar adicionalmente a medida e podem refletir a duração no quadro no caso de dados dinâmicos.
Conforme mostrado na Figura 3, um agrupamento típico de uma região de interesse 302 pode produzir primeiro 304, segundo 306 e terceiro 308 agrupamentos. O valor do parâmetro funcional (calculado como a média, obtém a média de outras funções dos voxéis no agrupamento) dos centros de agrupamento pode ser representado como 304c, 306c e 308c e o erro dos valores funcionais por e304c, e306c e e308c. Por exemplo, se o valor de parâmetro do segundo agrupamento 306 cair dentro dos limites de erro do terceiro agrupamento 308:
Equação 9
308c - e308c < 306c < 308c + e308c
então é geralmente indesejável distinguir o segundo 306 e terceiro 308 agrupamentos para as finalidades de diagnóstico ou tratamento, e menos agrupamentos deveriam ser providos (isto é, os agrupamentos deveriam ser fundidos). Se por outro lado, as características estatísticas e fisiológicas dos dados são tais que a separação adicional de um ou mais dos agrupamentos proveria informação adicional relevante para o diagnóstico ou tratamento, e então mais agrupamentos deveriam ser designados.
O erro estatístico s dos valores de parâmetro χ no agrupamento k podem ser expressos como o desvio padrão dos valores de voxel χ pertencentes ao agrupamento k:
Equação 10
<formula>formula see original document page 13</formula>
onde Sk é o desvio padrão, ck é o centro do agrupamento e Nk é o número de voxel ou elementos no agrupamento k. Notar que a distribuição do parâmetro χ pode também ser expressa como a média, mediana ou outra função.
No presente exemplo, o modelo de erro funcional e, e o erro estatístico s são ambos usados para avaliar a separação de agrupamento e para ajustar o número de agrupamento, e uma estratégia de fundir/dividir é usada para variar o número de agrupamentos. O pseudo-código de uma estratégia de
fusão/divisão de nível superior típica pode ser expresso como segue: FORj = 1 TO NC FOR i = 1 TO NC
IF i != j AND functional value (μi-ei) < μj < (μi+ei) THEN merge cluster i and j
IF sj> α · ej THEN split cluster j onde a é uma constante determinada empiricamente.
Conforme notado acima, as operações de fundir e dividir podem ser feitas automaticamente ou confirmadas por interação com o usuário.
Uma fusão típica de agrupamentos será agora descrita em maior detalhe. Se, por exemplo, o valor funcional μ7 do agrupamento j cai dentro das barras de erro (μi-ei) do agrupamento i, então o algoritmo proporá a fusão dos agrupamentos i e j. Uma implementação é conforme segue:
Começar a inicializar: n, NC, μ1, μ2,..., μ0 Fazer meios k ou outro agrupamento, produzindo centros de agrupamentos μi, μ2,...., μcο
se para quaisquer dois agrupamentos i e j μi - ei < μi + ei, então propor fundir agrupamentos i e j
se o usuário aceita, então ajuste NC —»NC-1 e calcule a média dos agrupamentos i e j
refaça o agrupamento
Até centros de agrupamentos sejam distintos em termos do modelo de erro e
Retornar centros de agrupamentos estimados Fim
Critérios alternativos envolvendo a distribuição estatística s, são também contemplados.
No exemplo da Figura 3, o procedimento de agrupamento chegou aos três agrupamentos 304, 306, 308. Se os valores funcionais dentro do primeiro 304 e segundo 306 não podem ser distinguidos em termos do modelo de erro funcional e, os dois agrupamentos são fundidos. O procedimento de agrupamento é então novamente executado com o número de agrupamentos decrementado.
Um rompimento típico de agrupamentos será agora descrito em maior detalhe. Se o erro estatístico sk do agrupamento k é maior que o erro funcional ek, então o algoritmo pode sugerir romper o agrupamento k:
Começar a inicializar: n, NC, μ1, μ2,..., μNC Fazer meios k ou outro agrupamento, produzindo centros de agrupamentos μ1, μ2, ..., μc0
se para quaisquer agrupamentos k: ek < c.sk e Nk > Θ então propor romper agrupamentos k
se o usuário aceita, então ajuste NC —> NC+1 e μk=μk-ε, μk+1=μk +ε refaça algoritmo de agrupamento de meios k
Até não mais rompimento
Retornar centros de agrupamentos estimados
Fim
No descrito acima, c e Θ são constantes determinadas empiricamente e ε é um vetor de pequena perturbação. Notar que fusão e divisão dos agrupamentos podem ser combinadas, se apropriado.
No exemplo da Figura 3, se o erro estatístico do primeiro agrupamento 304 é grande comparado ao modelo de erro funcional e, então o número de agrupamentos é incrementado e o procedimento de agrupamento é re-executado com o primeiro agrupamento 304 rompido em dois agrupamentos.
Conforme discutido acima, uma fusão ou um rompimento proposta dos agrupamentos pode ser apresentada ao operador para aceitação. Então, os agrupamentos podem ser destacados por meio de codificação de cor, exibição de agrupamento intercalada, cintilação, mensagens de texto ou similares. Dados estatísticos tais como histogramas, valores funcionais de μ1 e/ou erros funcionais e, para um ou mais dos agrupamentos podem também ser apresentados. O usuário pode então decidir aceitar ou rejeitar a nova divisão proposta, executar o algoritmo de agrupamento com o número de agrupamentos ajustado, ou aceitar o resultado e terminar o processo.
As técnicas descritas acima bem adequadas para uso com dados gerados por PET, SPECT, fMRI, CT funcional, ou outros scanners que possam prover informação funcional. As técnicas são também bem adequadas para uso com dados gerados usando geração de imagens molecular que provê informação sobre outras características funcionais, tais como consumo de glicose (por exemplo, FDG PET), proliferação de células (por exemplo, FLT PET), apoptose (por exemplo, Annexin-V) e densidade de receptor (no cérebro ou em qualquer lugar).
Na terapia de radiação ou outras aplicações onde a localização anatômica é importante, o paciente pode também ser explorado com MRI, tomografia computadorizada (CT), ultra-som (US), raios-x ou outro scanner, e os dados funcionais e anatômicos são co-registrados. Em alguns casos (por exemplo, no caso de MR e fMRI), a informação funcional e anatômica pode ser obtida em um único procedimento de exploração. O uso de scanners híbridos tais como híbridos PET/MR, SPECT/CT ou outras modalidades híbridas são também contemplados.
Dados da modalidade de geração de imagens funcional são modelados usando um modelo físico apropriados para gerar um ou mais mapas paramétricos, e os dados são manipulados conforme descrito acima. Os dados resultantes podem ser usados por um médico ou conexão de usuário com um diagnóstico ou planejando o decorrer do tratamento. Os dados resultantes podem ser usados como uma entrada para um sistema de planejamento de tratamento. No caso típico de um pacote de planejamento de terapia de radiação (RTP), os dados são usados para planejar uma dose de radiação, por exemplo, provendo uma dose de radiação relativamente mais alta a porções de um tumor relativamente mais resistentes à radiação.
Realizações da invenção descritas acima podem ser tangivelmente realizadas em um programa de computador armazenado em um meio de armazenagem legível por computador adequado. O programa de computador compreende instruções que, quando lidas e executadas por um processador fazem com que o processador execute as etapas necessárias para executar as etapas ou elementos da presente invenção. Meios de armazenagem de memória legível por máquina típicos incluem, porém não estão limitados a discos rígidos fixos, discos ópticos, fitas magnéticas, memórias de semicondutor tais como memórias de somente leitura (ROM), memória de acesso randômico (RAM) e programáveis (PROM). A memória contendo o código legível por computador é utilizada para executar o código diretamente da memória, ou copiando o código de um dispositivo de armazenagem da memória para um outro dispositivo de armazenagem de memória, ou transmitindo o código em uma rede para execução remota.
Naturalmente, modificações e alterações ocorrerão a outros pela leitura e entendimento da descrição precedente. É pretendido que a invenção seja considerada como incluindo todas as modificações e alterações até a extensão em que estejam dentro do escopo das reivindicações anexas ou das equivalentes destas.
Claims (40)
1. Método para gerar imagens, caracterizado pelo fato de compreender: receber dados funcionais de imagem indicativos de uma região de interesse de um objeto, os dados funcionais de imagem incluindo um valor de parâmetro funcional variável espacialmente (/) e um modelo de erro funcional variável espacialmente (e); dividir a região de interesse como uma função do modelo de erro variável espacialmente; gerar uma imagem indicativa da região dividida de interesse.
2. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a divisão inclui dividir a região de interesse em sub regiões tendo resoluções espaciais diferentes (206, 208, 210).
3. Método de acordo com a reivindicação 2, caracterizado pelo fato de que a divisão inclui dividir a região de interesse de acordo com um critério de homogeneidade de modelo de erro funcional.
4. Método de acordo com a reivindicação 2, caracterizado pelo fato de que a divisão inclui dividir a região de interesse de acordo com um critério de minimização de modelo de erro funcional.
5. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a divisão inclui dividir a região de interesse em primeiros diversos agrupamentos (304, 306, 308) tendo valores de parâmetro funcional similares, e onde o número de agrupamentos é uma função do modelo de erro e de um erro estatístico.
6. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a divisão inclui: dividir a região de interesse em um primeiro número de agrupamentos (304, 306, 308); usar o modelo de erro para avaliar uma separação dos agrupamentos; dividir a região de interesse de um segundo número de agrupamentos.
7. Método de acordo com a reivindicação 6, caracterizado pelo fato de que usar o modelo de erro inclui usar o modelo de erro e um erro estatístico para avaliar uma separação dos agrupamentos.
8. Método de acordo com a reivindicação 7, caracterizado pelo fato de que dividir a região de interesse em um segundo número de agrupamentos inclui pelo menos um dentre romper um agrupamento e fundir um primeiro agrupamento e um segundo agrupamento.
9. Método de acordo com a reivindicação 6, caracterizado pelo fato de incluir: exibir uma divisão proposta em uma forma legível por um humano; permitir que um usuário rejeite a divisão proposta.
10. Método de acordo com a reivindicação 9, caracterizado pelo fato de incluir destacar uma divisão proposta usando uma GUI.
11. Método de acordo com a reivindicação 1, caracterizado pelo fato de que o parâmetro funcional é indicativo de hipoxia.
12. Método de acordo com a reivindicação 1, caracterizado pelo fato de que o método inclui usar a região dividida de interesse para calcular uma distribuição de dose de radiação.
13. Método de acordo com a reivindicação 1, caracterizado pelo fato de que parâmetro funcional é indicativo de perfusão.
14. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a imagem é indicativa de um agente de geração de imagens molecular.
15. Método de acordo com a reivindicação 1, caracterizado pelo fato de que o parâmetro funcional é indicativo de consumo de glicose, proliferação de células, apoptose ou receptor de densidade de receptor.
16. Aparelho para gerar imagens, caracterizado pelo fato de compreender: meio para receber dados funcionais de imagem indicativos de uma região de interesse de um objeto, os dados funcionais de imagem incluindo um valor de parâmetro funcional variável espacialmente (/) e um modelo de erro funcional variável espacialmente (e); meio para dividir a região de interesse como uma função do valor de erro variável espacialmente; meio para gerar uma imagem indicativa da região dividida de interesse.
17. Aparelho de acordo com a reivindicação 16, caracterizado pelo fato de incluir meio para gerar os dados funcionais de imagem.
18. Aparelho de acordo com a reivindicação 16, caracterizado pelo fato de que o meio para divisão inclui meios de GUI para dividir interativamente a região de interesse como uma função do modelo de erro variável espacialmente e de uma entrada humana.
19. Meio de armazenagem legível por computador, caracterizado pelo fato de conter instruções que, quando executadas por um computador, fazem com que o computador realize um método compreendendo: receber dados funcionais de imagem indicativos de uma região de interesse de um objeto, onde os dados funcionais de imagem incluem valores funcionais (J) e um modelo de erro; agrupar os dados de imagem funcionais em diversos agrupamentos, onde um número de agrupamento é uma função do modelo de erro funcional de valores funcionais incluídos em um agrupamento.
20. Meio de armazenagem legível por computador de acordo com a reivindicação 19, caracterizado pelo fato de que o número de agrupamentos é uma função de um erro estatístico (s).
21. Meio de armazenagem legível por computador de acordo com a reivindicação 19, caracterizado pelo fato de que o número de agrupamentos é uma função de um modelo de erro funcional (e).
22. Meio de armazenagem legível por computador de acordo com a reivindicação 19, caracterizado pelo fato de que o método inclui: agrupar os dados funcionais em um primeiro número de agrupamento; usar o modelo de erro para avaliar os agrupamentos; ajustar o número de agrupamentos de acordo com um resultado da avaliação; agrupar os dados funcionais em um segundo número de agrupamentos.
23. Meio de armazenagem legível por computador de acordo com a reivindicação 22, caracterizado pelo fato de que um agrupamento inclui um erro estatístico e um modelo de erro funcional, e onde o método inclui: comparar uma medida do erro estatístico em uma medida o modelo de erro funcional; se a medida da distribuição do parâmetro excede a medida da distribuição de erro fisiológico, aumentar o número de agrupamento.
24. Meio de armazenagem legível por computador de acordo com a reivindicação 23, caracterizado pelo fato de que o método inclui romper o agrupamento.
25. Meio de armazenagem legível por computador de acordo com a reivindicação 23, caracterizado pelo fato de que a medida do erro estatístico é um desvio padrão.
26. Meio de armazenagem legível por computador de acordo com a reivindicação 19, caracterizado pelo fato de que um primeiro agrupamento inclui um valor de parâmetro e um segundo agrupamento inclui uma distribuição de erro, e onde o método inclui: determinar se o valor de parâmetro permanece dentro da distribuição de erro; se o valor de parâmetro permanece dentro da distribuição de erro, então diminuir o número de agrupamentos.
27. Meio de armazenagem legível por computador de acordo com a reivindicação 26, caracterizado pelo fato de que o método inclui fundir o primeiro e segundo agrupamentos.
28. Meio de armazenagem legível por computador de acordo com a reivindicação 19, caracterizado pelo fato de que o método inclui exibir um agrupamento proposto dos dados em forma legível por um humano; permitir que um usuário aceite ou rejeite o agrupamento proposto.
29. Meio de armazenagem legível por computador de acordo com a reivindicação 19, caracterizado pelo fato de que o método inclui usar os dados agrupados para calcular uma dose de radiação.
30. Meio de armazenagem legível por computador de acordo com a reivindicação 19, caracterizado pelo fato de que a região de interesse é o cérebro e os agrupamentos são indicativos de uma função do cérebro.
31. Meio de armazenagem legível por computador contendo instruções que, quando executadas por um computador, fazem com que o computador execute um método, caracterizado pelo fato de compreender: receber dados funcionais de imagem indicativos de uma região de interesse de um objeto, os dados funcionais de imagem incluindo um valor de parâmetro funcional variável espacialmente (J) e um modelo de erro funcional variável espacialmente (e); usar o modelo de erro funcional variável espacialmente para variar espacialmente uma resolução espacial dos dados funcionais de imagem; gerar uma imagem indicativa dos dados funcionais de imagem.
32. Meio de armazenagem legível por computador de acordo com a reivindicação 31, caracterizado pelo fato de que o método inclui variar a resolução espacial de acordo com um dentre critérios de homogeneidade de modelo de erro funcional e critérios de minimização de modelo de erro funcional.
33. Meio de armazenagem legível por computador de acordo com a reivindicação 31, caracterizado pelo fato de que a região de interesse inclui o miocárdio e o parâmetro funcional é indicativo de isquemia.
34. Meio de armazenagem legível por computador de acordo com a reivindicação 31, caracterizado pelo fato de que a imagem inclui pelo menos duas sub regiões com resoluções espaciais diferentes, com base no modelo de erro funcional.
35. Método para gerar imagens, caracterizado pelo fato de compreender: receber dados funcionais de imagem indicativos de uma região de interesse, os dados funcionais de imagem incluindo um valor de parâmetro funcional (J) e um modelo de erro funcional (e); exibir os dados funcionais de imagem em uma forma legível por um humano em uma GUI; dividir interativamente a região de interesse, com base no modelo de erro funcional e uma avaliação humana dos dados funcionais de imagem exibidos.
36. Método de acordo com a reivindicação 35, caracterizado pelo fato de incluir repetir as etapas de exibir e dividir interativamente a região de interesse, diversas vezes.
37. Método de acordo com a reivindicação 35, caracterizado pelo fato de incluir receber uma entrada humana aceitando uma divisão proposta do volume de interesse.
38. Método de acordo com a reivindicação 35, caracterizado pelo fato de incluir receber uma entrada humana propondo uma divisão do volume de interesse.
39. Método de acordo com a reivindicação 35, caracterizado pelo fato de que, dividir interativamente o volume de interesse inclui dividir interativamente o volume de interesse em diversas sub regiões, onde o número de sub regiões é baseado no modelo de erro funcional e na avaliação humana.
40. Método de acordo com a reivindicação 35, caracterizado pelo fato de que o parâmetro funcional é indicativo de hipoxia ou perfusão.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US74766806P | 2006-05-19 | 2006-05-19 | |
US60/747668 | 2006-05-19 | ||
PCT/US2007/067848 WO2007136968A2 (en) | 2006-05-19 | 2007-05-01 | Error adaptive functional imaging |
Publications (3)
Publication Number | Publication Date |
---|---|
BRPI0711706A2 true BRPI0711706A2 (pt) | 2011-11-29 |
BRPI0711706A8 BRPI0711706A8 (pt) | 2016-11-29 |
BRPI0711706B1 BRPI0711706B1 (pt) | 2020-05-05 |
Family
ID=38723947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BRPI0711706A BRPI0711706B1 (pt) | 2006-05-19 | 2007-05-01 | método e aparelho para gerar imagens, e, suporte de gravação legível por computador. |
Country Status (8)
Country | Link |
---|---|
US (1) | US8170308B2 (pt) |
EP (1) | EP2024932B1 (pt) |
JP (1) | JP2009537241A (pt) |
KR (1) | KR20090012323A (pt) |
CN (1) | CN101449290B (pt) |
BR (1) | BRPI0711706B1 (pt) |
RU (1) | RU2449371C2 (pt) |
WO (1) | WO2007136968A2 (pt) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9406146B2 (en) * | 2009-06-30 | 2016-08-02 | Koninklijke Philips N.V. | Quantitative perfusion analysis |
US9061143B2 (en) * | 2011-10-14 | 2015-06-23 | Sumitomo Heavy Industries, Ltd. | Charged particle beam irradiation system and charged particle beam irradiation planning method |
BR112015002559A2 (pt) | 2012-08-08 | 2017-07-04 | Koninklijke Philips Nv | método de formação de imagem; meio de armazenamento não transitório que armazena instruções executáveis por um dispositivo de processamento de dados eletrônico; e aparelho. |
CN102945553B (zh) * | 2012-11-27 | 2014-12-17 | 西安电子科技大学 | 基于自动差分聚类算法的遥感图像分割方法 |
US9364192B2 (en) * | 2013-03-15 | 2016-06-14 | Siemens Medical Solutions Usa, Inc. | Error estimates in quantitative functional imaging |
EP3011905B1 (en) * | 2013-06-18 | 2019-08-14 | Canon Kabushiki Kaisha | Tomosynthesis-imaging control device, imaging device, imaging system, control method, and program for causing computer to execute control method |
US11213220B2 (en) * | 2014-08-11 | 2022-01-04 | Cubisme, Inc. | Method for determining in vivo tissue biomarker characteristics using multiparameter MRI matrix creation and big data analytics |
US9900581B2 (en) * | 2015-04-21 | 2018-02-20 | Infineon Technologies Ag | Parametric online calibration and compensation in ToF imaging |
US9922433B2 (en) | 2015-05-29 | 2018-03-20 | Moira F. Schieke | Method and system for identifying biomarkers using a probability map |
WO2017200527A1 (en) * | 2016-05-16 | 2017-11-23 | Hewlett-Packard Development Company, L.P. | Generating a shape profile for a 3d object |
EP3479350A4 (en) | 2016-07-01 | 2020-08-19 | Cubisme, Inc. | SYSTEM AND METHOD FOR PRODUCING A HIGH RESOLUTION BIOMARKER MAP IMAGE |
DE102016219607A1 (de) * | 2016-10-10 | 2018-04-12 | Siemens Healthcare Gmbh | Erzeugung einer mit anatomischen Bilddaten korrelierten Ergebniskarte |
US11232853B2 (en) | 2017-04-21 | 2022-01-25 | Cubisme, Inc. | System and method for creating, querying, and displaying a MIBA master file |
WO2019172997A1 (en) * | 2018-03-07 | 2019-09-12 | Siemens Medical Solutions Usa, Inc. | Calibration bias reduction in a pressurized gas ion chamber-based dose calibrator |
US11321359B2 (en) * | 2019-02-20 | 2022-05-03 | Tamr, Inc. | Review and curation of record clustering changes at large scale |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5608221A (en) | 1995-06-09 | 1997-03-04 | Adac Laboratories | Multi-head nuclear medicine camera for dual SPECT and PET imaging with monuniform attenuation correction |
US5926568A (en) * | 1997-06-30 | 1999-07-20 | The University Of North Carolina At Chapel Hill | Image object matching using core analysis and deformable shape loci |
IL124616A0 (en) * | 1998-05-24 | 1998-12-06 | Romedix Ltd | Apparatus and method for measurement and temporal comparison of skin surface images |
US6138045A (en) * | 1998-08-07 | 2000-10-24 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
US6556720B1 (en) * | 1999-05-24 | 2003-04-29 | Ge Medical Systems Global Technology Company Llc | Method and apparatus for enhancing and correcting digital images |
US6611615B1 (en) * | 1999-06-25 | 2003-08-26 | University Of Iowa Research Foundation | Method and apparatus for generating consistent image registration |
IL131282A (en) * | 1999-08-05 | 2009-02-11 | Orbotech Ltd | Apparatus and methods for inspection of objects |
US6674900B1 (en) | 2000-03-29 | 2004-01-06 | Matsushita Electric Industrial Co., Ltd. | Method for extracting titles from digital images |
AU2001253490A1 (en) | 2000-04-13 | 2001-10-30 | The Trustees Of Columbia University In The City Of New York | Method and apparatus for processing echocardiogram video images |
AUPQ921800A0 (en) * | 2000-08-04 | 2000-08-31 | Canon Kabushiki Kaisha | A method for automatic segmentation of image data from multiple data sources |
US20030128801A1 (en) * | 2002-01-07 | 2003-07-10 | Multi-Dimensional Imaging, Inc. | Multi-modality apparatus for dynamic anatomical, physiological and molecular imaging |
US7136516B2 (en) * | 2002-01-25 | 2006-11-14 | General Electric Company | Method and system for segmenting magnetic resonance images |
DE10210050A1 (de) * | 2002-03-07 | 2003-12-04 | Siemens Ag | Verfahren und Vorrichtung zur wiederholt gleichen Relativpositionierung eines Patienten |
US7496619B2 (en) * | 2002-06-18 | 2009-02-24 | Vanderbilt University | System and methods of nonuniform data sampling and data reconstruction in shift invariant and wavelet spaces |
US6574304B1 (en) * | 2002-09-13 | 2003-06-03 | Ge Medical Systems Global Technology Company, Llc | Computer aided acquisition of medical images |
DE10254943A1 (de) * | 2002-11-25 | 2004-06-17 | Siemens Ag | Verfahren zum Herstellen eines Volumendatensatzes |
US8401255B2 (en) * | 2002-12-18 | 2013-03-19 | General Electric Company | Computer-assisted reconciliation of multiple image reads |
US7227980B2 (en) * | 2002-12-19 | 2007-06-05 | Agilent Technologies, Inc. | Systems and methods for tomographic reconstruction of images in compressed format |
WO2004068401A2 (en) | 2003-01-30 | 2004-08-12 | Philips Intellectual Property & Standards Gmbh | Method for the interactive segmentation of an object in a three-dimensional data record |
US7558402B2 (en) * | 2003-03-07 | 2009-07-07 | Siemens Medical Solutions Usa, Inc. | System and method for tracking a global shape of an object in motion |
JP4558645B2 (ja) * | 2003-04-04 | 2010-10-06 | 株式会社日立メディコ | 画像表示方法及び装置 |
JP5242052B2 (ja) * | 2003-06-17 | 2013-07-24 | ブラウン ユニバーシティ | 投影データ中の構造体のモデル・ベース検出のための方法および装置 |
IL156569A (en) * | 2003-06-22 | 2009-11-18 | Ultraspect Ltd | Improved single-plane plane emission simulation imaging method |
US7349563B2 (en) * | 2003-06-25 | 2008-03-25 | Siemens Medical Solutions Usa, Inc. | System and method for polyp visualization |
US7343030B2 (en) * | 2003-08-05 | 2008-03-11 | Imquant, Inc. | Dynamic tumor treatment system |
GB0329010D0 (en) | 2003-12-15 | 2004-01-14 | Isis Innovation | Estimation of orientation of image features |
US7418120B2 (en) * | 2004-09-22 | 2008-08-26 | General Electric Company | Method and system for structuring dynamic data |
RU46164U1 (ru) * | 2004-12-29 | 2005-06-27 | Опытно-производственное унитарное предприятие "Конструкторское бюро спецтехники" Белорусского государственного университета (УП "КБСТ" БГУ) | Система мониторинга состояния микроциркуляции |
US7426312B2 (en) * | 2005-07-05 | 2008-09-16 | Xerox Corporation | Contrast enhancement of images |
US7961937B2 (en) * | 2005-10-26 | 2011-06-14 | Hewlett-Packard Development Company, L.P. | Pre-normalization data classification |
-
2007
- 2007-05-01 CN CN2007800181378A patent/CN101449290B/zh active Active
- 2007-05-01 EP EP07761620.9A patent/EP2024932B1/en active Active
- 2007-05-01 KR KR1020087027898A patent/KR20090012323A/ko not_active Application Discontinuation
- 2007-05-01 US US12/300,341 patent/US8170308B2/en active Active
- 2007-05-01 BR BRPI0711706A patent/BRPI0711706B1/pt not_active IP Right Cessation
- 2007-05-01 RU RU2008150375/08A patent/RU2449371C2/ru active
- 2007-05-01 WO PCT/US2007/067848 patent/WO2007136968A2/en active Application Filing
- 2007-05-01 JP JP2009511144A patent/JP2009537241A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
EP2024932A2 (en) | 2009-02-18 |
KR20090012323A (ko) | 2009-02-03 |
CN101449290B (zh) | 2013-03-27 |
RU2449371C2 (ru) | 2012-04-27 |
US20090208075A1 (en) | 2009-08-20 |
WO2007136968A2 (en) | 2007-11-29 |
BRPI0711706B1 (pt) | 2020-05-05 |
EP2024932B1 (en) | 2018-03-21 |
RU2008150375A (ru) | 2010-06-27 |
WO2007136968A3 (en) | 2008-05-15 |
US8170308B2 (en) | 2012-05-01 |
CN101449290A (zh) | 2009-06-03 |
BRPI0711706A8 (pt) | 2016-11-29 |
JP2009537241A (ja) | 2009-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
BRPI0711706A2 (pt) | método e aparelho para gerar imagens, e, meio de armazenagem legìvel por computador | |
Spadea et al. | Deep learning based synthetic‐CT generation in radiotherapy and PET: a review | |
Liu et al. | Automatic segmentation of the prostate on CT images using deep neural networks (DNN) | |
Yu et al. | Coregistered FDG PET/CT-based textural characterization of head and neck cancer for radiation treatment planning | |
Montgomery et al. | Fully automated segmentation of oncological PET volumes using a combined multiscale and statistical model | |
Shiri et al. | Decentralized distributed multi-institutional PET image segmentation using a federated deep learning framework | |
Chen et al. | Combining registration and active shape models for the automatic segmentation of the lymph node regions in head and neck CT images | |
US12005270B2 (en) | Systems and methods for accelerated online adaptive radiation therapy | |
Wei et al. | Automated lung segmentation and image quality assessment for clinical 3-D/4-D-computed tomography | |
Kim et al. | Effect of CT reconstruction algorithm on the diagnostic performance of radiomics models: a task-based approach for pulmonary subsolid nodules | |
Moussallem et al. | New strategy for automatic tumor segmentation by adaptive thresholding on PET/CT images | |
Haq et al. | Dynamic multiatlas selection‐based consensus segmentation of head and neck structures from CT images | |
WO2019121369A1 (en) | System and method for assessing a pulmonary image | |
US10325412B2 (en) | Cutting three-dimensional image | |
Casati et al. | Methodological approach to create an atlas using a commercial auto‐contouring software | |
Yang et al. | A comparison study between CNN-based deformed planning CT and CycleGAN-based synthetic CT methods for improving iCBCT image quality | |
Qi et al. | Multisequence MR‐generated sCT is promising for HNC MR‐only RT: A comprehensive evaluation of previously developed sCT generation networks | |
Bruyant et al. | Numerical observer study of MAP-OSEM regularization methods with anatomical priors for lesion detection in/sup 67/Ga images | |
Zhong et al. | Improving tumor co-segmentation on PET-CT images with 3D co-matting | |
Duth et al. | Integrated spatial fuzzy clustering with variational level set method for MRI brain image segmentation | |
Godley et al. | Combining prior day contours to improve automated prostate segmentation | |
Wu et al. | A neural network based 3D/3D image registration quality evaluator for the head‐and‐neck patient setup in the absence of a ground truth | |
Muhtadi et al. | Texture quantified from ultrasound Nakagami parametric images is diagnostically relevant for breast tumor characterization | |
Zheng et al. | Semi-automatic synthetic computed tomography generation for abdomens using transfer learning and semi-supervised classification | |
Ejaz et al. | Review on hybrid segmentation methods for identification of brain tumor in MRI |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B25D | Requested change of name of applicant approved |
Owner name: KONINKLIJKE PHILIPS N. V. (NL) |
|
B25G | Requested change of headquarter approved |
Owner name: KONINKLIJKE PHILIPS N. V. (NL) |
|
B07A | Application suspended after technical examination (opinion) [chapter 7.1 patent gazette] | ||
B06A | Patent application procedure suspended [chapter 6.1 patent gazette] | ||
B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 10 (DEZ) ANOS CONTADOS A PARTIR DE 05/05/2020, OBSERVADAS AS CONDICOES LEGAIS. |
|
B21F | Lapse acc. art. 78, item iv - on non-payment of the annual fees in time |
Free format text: REFERENTE A 17A ANUIDADE. |
|
B24J | Lapse because of non-payment of annual fees (definitively: art 78 iv lpi, resolution 113/2013 art. 12) |
Free format text: EM VIRTUDE DA EXTINCAO PUBLICADA NA RPI 2773 DE 27-02-2024 E CONSIDERANDO AUSENCIA DE MANIFESTACAO DENTRO DOS PRAZOS LEGAIS, INFORMO QUE CABE SER MANTIDA A EXTINCAO DA PATENTE E SEUS CERTIFICADOS, CONFORME O DISPOSTO NO ARTIGO 12, DA RESOLUCAO 113/2013. |