BRPI0711706B1

BRPI0711706B1 - método e aparelho para gerar imagens, e, suporte de gravação legível por computador.

Info

Publication number: BRPI0711706B1
Application number: BRPI0711706A
Authority: BR
Inventors: Fischer Alexander; Meyer Carsten; Spies Lothar
Original assignee: Koninklijke Philips Nv; Koninl Philips Electronics Nv
Priority date: 2006-05-19
Filing date: 2007-05-01
Publication date: 2020-05-05
Also published as: WO2007136968A3; BRPI0711706A2; KR20090012323A; US20090208075A1; CN101449290B; JP2009537241A; BRPI0711706A8; US8170308B2; EP2024932B1; CN101449290A; EP2024932A2; WO2007136968A2; RU2449371C2; RU2008150375A

Abstract

método e aparelho para gerar imagens, e, meio de armazenagem legível 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, SUPORTE DE GRAVAÇÃO 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.

Petição 870190072455, de 29/07/2019, pág. 8/16

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 contem 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 contem 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 P_o 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 P_n é modificada de acordo com uma estratégia de divisão baseada em erro, para gerar uma nova divisão P_n+].

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 retomado 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. Altemativamente, 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). Altemativamente 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. Altemativamente 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

P={S_b..., S_p}

Equação 2

Si {(xl, yl, zl),..., (xní, Yní, z»])}, i 1>···, P

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 ;/rs), _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 ©(Si) e_max, i 1,···, 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 ^Σ^β2(3)-(τΣ*(⁵.))²^ thresh

P Í=1 P í=l onde ethresh é a variação máxima. A variação de erro funcional pode também ser minimizada:

Equação 7 -^£e²(S,)-4£e(S,))² ^min

P i=l * 1=1

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 f 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 z é então (x, ± e,).

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, μι, μ2,···, μ_α

Fazer classifique n amostras de acordo com μ, mais próximo recalcule μ,

Até nenhuma mudança em μ.

Retornar μ_ζ, μ₀ Fim onde n é o tamanho da amostra, NC é um número pré-definido de agrupamentos e μ_ΰ 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 x, de acordo com o próximo centro de agrupamento Cj é efetuada usando uma medida de distância adequada d onde / representa os componentes de vetor dos dados:

Equação 8 i

com p sendo um expoente de ponderação para ajustar a medida de distância, por exemplo, p=l: city-block (LI), 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 304_c, 306_c e 308_c e o erro dos valores funcionais por e304_c, e306_c e e308_c. Por exemplo, se o valor de parâmetro do segundo agrupamento 306 cair dentro dos limites de erro do terceiro agrupamento 308:

Equação 9

308_c - e308_c < 306_c < 308_c + e308_c então é geralmente indesejável distinguir o segundo 306 e terceiro 308 agrupamentos para as finalidades de diagnóstico ou tratamento, e menos agrupamentos deveríam ser providos (isto é, os agrupamentos deveríam 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 x no agrupamento k podem ser expressos como o desvio padrão dos valores de voxel x pertencentes ao agrupamento k\

Equação 10

onde Sk é o desvio padrão, Cké o centro do agrupamento e Nk é o número de voxel ou elementos no agrupamento k. Notar que a distribuição do parâmetro x 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 TONC

FOR i = 1 TO NC

IF i != j AND functional value (μ-ej) < μ, < THEN merge cluster i and j

IF Sj> a · 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 (μ,-βΟ do agrupamento i, então o algoritmo proporá a fusão dos agrupamentos i e j. Uma implementação é conforme segue:

Começar a inicializar: n, NC, μι, μ2,···, μc

Fazer meios k ou outro agrupamento, produzindo centros de agrupamentos μι, μ2, , μ_εο se para quaisquer dois agrupamentos i e j μ,- e_t < < μ, + e,, 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 s_k do agrupamento k é maior que o erro funcional e_k, então o algoritmo pode sugerir romper o agrupamento k:

Começar a inicializar: n, NC, μι, μ2,—, μ.\ο

Fazer meios k ou outro agrupamento, produzindo centros de agrupamentos μι, μ2, > μ<:0 se para quaisquer agrupamentos k: e_k < c.s_k e N_k > Θ então propor romper agrupamentos k se o usuário aceita, então ajuste NC —> NC+1 e μ^-μι^ε, μ_κ+ι=μ_κ+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 μ_} e/ou erros funcionais 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

REIVINDICAÇÕES

1. MÉTODO PARA GERAR IMAGENS, compreendendo:

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 (f) 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;

caracterizado pela divisão incluir dividir a região de interesse em sub-regiões tendo resoluções espaciais diferentes (206, 208, 210).

2. MÉTODO, de acordo com a reivindicação 1, caracterizado pela divisão incluir 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.

3. MÉTODO, de acordo com a reivindicação 1, caracterizado pela divisão incluir:

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.

4. MÉTODO, de acordo com a reivindicação 3, caracterizado

Petição 870200012021, de 25/01/2020, pág. 5/11 pelo modelo de erro incluir usar o modelo de erro e um erro estatístico para avaliar uma separação dos agrupamentos.

5. MÉTODO, de acordo com a reivindicação 4, caracterizado por 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.

6. MÉTODO, de acordo com a reivindicação 3, caracterizado por incluir:

exibir uma divisão proposta em uma forma legível por um humano;

permitir que um usuário rejeite a divisão proposta.

7. MÉTODO, de acordo com a reivindicação 1, caracterizado pelo método incluir usar a região dividida de interesse para calcular uma distribuição de dose de radiação.

8. APARELHO PARA GERAR IMAGENS, compreendendo:

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 (f e um modelo de erro funcional variável espacialmente (e);

meio para dividir a região de interesse como uma função do modelo de erro funcional variável espacialmente;

meio para gerar uma imagem indicativa da região dividida de interesse;

Petição 870200012021, de 25/01/2020, pág. 6/11

9. SUPORTE DE GRAVAÇÃO LEGÍVEL POR COMPUTADOR, caracterizado por conter o método, conforme definido na reivindicação 1, que realiza as seguintes etapas:

receber dados funcionais de imagem indicativos de uma região de interesse de um objeto, onde os dados funcionais de imagem incluem valores funcionais f e um modelo de erro variável espacialmente (e);

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.

10. SUPORTE DE GRAVAÇÃO LEGÍVEL POR COMPUTADOR, de acordo com a reivindicação 9, caracterizado pelo método incluir:

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.

11. SUPORTE DE GRAVAÇÃO LEGÍVEL POR COMPUTADOR, de acordo com a reivindicação 10, caracterizado por um agrupamento incluir 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;

Petição 870200012021, de 25/01/2020, pág. 7/11 se a medida da distribuição do parâmetro excede a medida da distribuição de erro fisiológico, aumentar o número de agrupamento.

12. SUPORTE DE GRAVAÇÃO LEGÍVEL POR

COMPUTADOR, de acordo com a reivindicação 9, caracterizado por um 5 primeiro agrupamento incluir 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.

10 13. MÉTODO, de acordo com a reivindicação 1, caracterizado por compreender:

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 15 de erro funcional variável espacialmente (e) e uma avaliação humana dos dados funcionais de imagem exibidos.