CN101040800B - 用于根据分类指数来诊断疾病的系统和设备 - Google Patents

用于根据分类指数来诊断疾病的系统和设备 Download PDF

Info

Publication number
CN101040800B
CN101040800B CN2006100639928A CN200610063992A CN101040800B CN 101040800 B CN101040800 B CN 101040800B CN 2006100639928 A CN2006100639928 A CN 2006100639928A CN 200610063992 A CN200610063992 A CN 200610063992A CN 101040800 B CN101040800 B CN 101040800B
Authority
CN
China
Prior art keywords
image
data
anatomical features
anatomical
brain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN2006100639928A
Other languages
English (en)
Other versions
CN101040800A (zh
Inventor
G·B·阿维纳什
W·J·布里奇
S·A·西罗海
J·布卢门费尔德
S·米诺施马
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Washington
General Electric Co
Original Assignee
University of Washington
General Electric Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Washington, General Electric Co filed Critical University of Washington
Publication of CN101040800A publication Critical patent/CN101040800A/zh
Application granted granted Critical
Publication of CN101040800B publication Critical patent/CN101040800B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • 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

Abstract

提供了系统、方法和装置，经由这些系统、方法和装置在一些实施例中，根据人类指定的严重性来产生图像(1522、1524、1526以及1528)的数据库，所述图像具有疾病或医学症状的严重性的分类水平。在一些实施例中，通过比较(1506)病人图像与数据库中的图像而诊断疾病或医学症状的严重性。在一些实施例中，通过比较(1504)病人图像与数据库中的图像而测量病人的疾病或医学症状严重性方面的变化。

Description

用于根据分类指数来诊断疾病的系统和设备 
相关申请 
本申请与申请日为2005年9月29日、发明名称为“SYSTEMS，METHODS ANDAPPARATUS FOR TRACKING PROGRESSION AND TRACKING TREATMENT OF DISEASE FROMCATEGORICAL INDICES(用于根据分类指数来对疾病进行跟踪进展及跟踪治疗的系统、方法和设备)”、申请号为11/241，570的共同待审美国申请有关。 
本申请与申请日为2005年9月29日、发明名称为“SYSTEMS，METHODS ANDAPPARATUS FOR CREATION OF A DATABASE OF IMAGES FROM CATEGORICALINDICES(用于根据分类指数来创建图像的数据库的系统、方法和设备)”、申请号为11/240，510的共同待审美国申请有关。 
技术领域
本发明通常涉及医学诊断，尤其涉及根据病人图像进行医学症状的诊断。 
背景技术
医学症状或疾病的一种形式是神经变性(neurodegenerative)的异常(NDD)。NDD在早期都是难以检测的并且难于以一种标准化的方式来进行量化以便在不同病人群体之间进行比较。研究者已经开发出了各种方法来测定与正常病人群体的统计偏差。 
这些比较早的方法包括采用解剖和明暗度(intensity)这两类标准化(standardization)来变换病人图像。解剖标准化把图像从病人的坐标系变换到标准化参考坐标系。明暗度(intensity)标准化包括调整病人的图像使其具有与参考图像相等的明暗度。将最终变换图像与参考数据库进行比较。该数据库包括年龄和示踪剂特定的参考数据。大部分最终分析都采取逐点或逐区统计偏差的形式，典型地把它描写成Z分数。在一些实施例中，示踪剂是在核成像过程中所使用的放射性示踪剂。 
检测NDD的关键元素是开发年龄和示踪剂分离正常数据库。这些正常值的比较只能在标准化域内发生，例如Talairach域或蒙特利尔神经学学会(MontrealNeurological Institute，MNI)域。MNI通过在标准控制机构上采用一连串的磁共振成像(MRI)扫描而定义了标准的脑。Talairach域参考了为Talairach和Tournoux图集(atlas)而解剖和摄影的脑。在Talairach域和MNI域中， 必须采用图像配准技术把数据映射到这个标准域。采用上述方法的变体的现行方法包括示踪剂
Figure S06163992820070205D000021
、统计参数匹配(SPM)、三维立体表面投射(3D-SSP)等等。 
一旦已经进行了比较，则显示代表解剖学的统计偏差的图像，并且此后有可能的是，参考该图像来执行疾病诊断。所述诊断是非常专业化的工作并且只能由受高等培训的医学图像专家来执行。即使这些专家只能做出关于疾病严重度的主观推断。因而，诊断趋向于不一致以及非标准化。诊断更倾向于属于技术领域而非科学领域。 
因为上述原因，并且为了以下陈述的其他理由，这些理由对所属领域技术人员来说通过阅读和理解所提出的说明书即为显而易见，在技术上需要根据医学解剖图像而对医学症状和疾病进行更加一致、正式和可靠的诊断。 
发明内容
此处解决了上述缺陷、缺点和问题，通过阅读和研究以下说明书将会有所理解。 
在一个方面，用于创建医学诊断图像的规范分类指数的方法包括：访问至少一个解剖区域的图像数据，该解剖图像数据与关于在成像时解剖区域中的至少一种示踪剂的功能信息的指示相一致；基于人类准则而根据解剖图像数据和规范的标准化解剖图像数据来确定偏差数据；呈现对于至少一个解剖区域中的每一个的偏差数据；呈现期望图像偏差，所述期望图像偏差被分类成至少一个解剖区域中的每一个的严重度；接收严重性指数的选择指示；以及参考基于规则的处理根据多个严重性指数产生组合的严重性分数。 
在另一个方面，一种用于在医学诊断图像的规范分类指数中培训人类的方法包括：访问至少一种解剖区域的图像数据，该解剖图像数据与关于在成像时解剖区域中的至少一种示踪剂的功能信息的指示相一致；根据解剖图像数据和规范的标准化解剖图像数据来确定偏差数据；呈现所述至少一个解剖区域中的每一个的偏差数据；呈现专家确定的图像偏差，所述专家确定的图像偏差被分类成所述至少一个解剖区域的每一个的严重度；基于所显示图像与专家确定图像偏差的视觉类似性而指导人选择一个严重性指数选择的指示。 
在又一个方面，一种用于识别疾病状态变化的方法包括：访问解剖特征的至少两个纵向图像数据，该纵向解剖图像数据与关于在成像时解剖特征中的至少一种示踪剂的功能信息的指示相一致；基于人类准则而根据每个纵向解剖图像 数据和规范的标准化解剖图像数据来确定偏差数据；呈现解剖特征的偏差数据；呈现期望图像偏差，所述期望图像偏差被分类成每个解剖特征的严重度；接收对每个纵向数据集的严重性指数的选择的指示；以及参考基于规则的处理根据多个严重性指数产生组合的严重性变化分数。 
在再一个方面，一种用于识别疾病状态变化的方法包括：访问解剖特征的纵向图像数据，根据在成像时解剖特征中的至少一种示踪剂来把解剖纵向图像数据与规范的标准化解剖图像数据相比较；呈现每种解剖特征的偏差数据；呈现期望图像偏差，所述期望图像偏差被分类成每种解剖特征的严重度；对解剖特征的每个纵向数据集，接收严重性指数的选择的指示，该解剖纵向图像数据与关于在成像时解剖特征中的至少一个示踪剂的功能信息的指示相一致；参考基于规则的处理根据多个严重性指数产生组合的严重性改变分数；以及呈现该组合的严重性变化分数。 
在另一个方面中，一种用于创建诊断医学图像的示范性知识库的方法，包括：访问至少一个解剖特征的图像偏差数据；指定每个图像偏差数据的分类的严重度；以及产生图像偏差数据和每个图像偏差数据的分类的严重度的数据库。 
此处描述了不同范围的系统、客户机、服务器、方法、以及计算机可读介质。除了在这个概述中描述的方面和优点之外，参考附图并通过阅读随后的详细说明，更进一步的方面和优点将变得显而易见。 
附图说明
图1是用于确定与正常病人群体的统计偏差的系统的概要的方框图； 
图2是用于确定与正常病人群体的统计偏差的方法流程图； 
图3是用于将读者引导到严重性指数的静态比较工作流程的示意图； 
图4是根据一个实施例用于创建结构化的且固有的医学诊断指导辅助工具(instructional aid)的方法的流程图； 
图5是根据一个在图4的方法之前执行的操作的实施例的方法的流程图； 
图6是根据一个实施例用于创建结构化的且固有的医学诊断指导辅助工具的方法的流程图； 
图7是根据一个实施例用于在医学诊断图像的规范分类的指数中培训人的方法的流程图； 
图8是根据一个在图7的方法之前执行的操作的实施例的方法的流程图； 
图9是根据一个实施例用于创建结构化的且固有的医学诊断指导辅助工具的 方法的流程图； 
图10是根据一个实施例用于识别疾病状态变化的方法的流程图； 
图11是根据一个实施例用于创建诊断医学图像的示范性或正常知识库的方法的流程图； 
图12是根据一个实施例用于产生偏差数据的方法的流程图； 
图13是根据一个实施例用于产生参考诊断医学图像的方法的流程图； 
图14是其中可以实施不同实施例的硬件和操作环境的方框图；以及 
图15是根据一个实施例用于产生参考诊断医学图像的装置的方框图。 
具体实施方式
在下面的详细说明中，参考构成本文一个部分的附图，并且在这些附图中通过可实施的示意性特定实施例而示出。这些实施例足够详细地被描述以允许所属领域技术人员实施该实施例，并且应当理解的是可以利用其他实施方式，并且应当理解在不脱离实施例的范围下可以做出逻辑上、机械上、电学上以及其他方面的改变。因此，以下的详细说明不应视为对本发明的限制。 
所述详细说明被分成五个部分。在第一部分，描述了系统级概要。在第二部分，描述了方法的实施例。在第三部分，描述了硬件和操作环境，结合其可以实施各种实施例。在第四部分，描述了装置的实施例。在第五部分，提供了详细说明的总结。 
系统级概要
图1是用于确定与正常病人群体的统计偏差的系统的概要的方框图。系统100解决了技术上的需要以根据医学解剖图像而提供对医学症状和疾病的更加稳定、正式和可靠的诊断。 
系统100包括正常图像数据库102。正常图像数据库102包括没有病的解剖结构的图像。正常图像数据库102提供用于比较的基准以帮助识别有病的解剖结构的图像。该比较基准根据医学解剖图像提供了对医学症状和疾病的更稳定、正式且可靠的诊断。 
在一些实施例中，由组件104和另一个组件106来产生正常图像数据库102，所述组件104对正常解剖图像进行标准化并且提取解剖特征，所述组件106对所提取的解剖特征图像去平均。平均后的解剖特征图像位于一个足以被认为是正常解剖特征的典型的没有病的解剖特征范围内。下面的图11和图12示出了产生正常图像数据库102的示例。
系统100还包括组件108，所述组件108把病人的解剖图像标准化并且提取标准化病人图像的解剖特征。以允许进行比较的格式来对所提取的解剖特征的图像和正常图像数据库102中的图像进行编码。 
系统100还包括组件110，所述组件110在所提取的解剖特征的图像与正常图像数据库102中的图像之间进行比较。在一些实施例中，执行逐像素比较。在一些实施例中，该比较会得到一个统计比较工作流程112。图3中显示了静态比较工作流程的一个实施例。在一些实施例中，该比较会得到Z分数的数据库114，所述Z分数的数据库114专用于具体解剖特征。在一些实施例中，该比较会得到纵向比较工作流程116。纵向亦称时间。纵向比较在一个时间间隔上比较图像。在下文中，图15的装置1500描述了一个相关的实施例。 
一些实施例操作于诸如图14中的计算机1402之类的计算机上的多处理、多线程操作环境中。但是系统100不局限于任何具体的正常图像数据库102、把正常解剖图像标准化且提取解剖特征的组件104、对所提取的解剖特征图像取平均的组件106、把病人的解剖图像标准化且提取标准化病人图像的解剖特征的组件108、在所提取解剖特征的图像和正常图像数据库中的图像之间进行比较的组件110、统计比较工作流程112、专用于具体解剖特征的Z分数的数据库114、以及纵向比较工作流程116，为了清楚起见，描述了简化的正常图像数据库102、把正常解剖图像标准化且提取解剖特征的组件104、对所提取的解剖特征图像求平均的组件106、把病人的解剖图像标准化且提取标准化病人图像的解剖特征的组件108、在所提取解剖特征的图像和正常图像数据库中的图像之间进行比较的组件110、统计比较工作流程112、专用于具体解剖特征的Z分数的数据库114、以及纵向比较工作流程116。 
方法实施例
在前一节中，描述了实施例的操作的系统级概要。在本节中，参考一系列流程图来描述这样一个实施例的具体方法。参考流程图而描述该方法可使所属领域技术人员开发这种程序、固件、或硬件，所述程序、固件、或硬件包括用于在适当的计算机上实现该方法的此类指令，所述程序、固件、或硬件执行来自计算机可读介质中的指令。类似地，由服务器计算机程序、固件或硬件所执行的方法还由计算机可执行指令组成。方法200-1300是由在诸如图14中的计算机1402这样的计算机上执行的程序来执行的、或者由作为计算机一部分的固件或硬件来执行。
图2是用于确定与正常病人群体的统计偏差的方法200的流程图。方法200包括标准化202正常解剖图像并且提取解剖特征。在一些实施例中，标准化包括把正常解剖图像映射到一个定义的图集/坐标系统，所述所定义图集/坐标系统诸如Talairach域或蒙特利尔神经学学会(MNI)域。方法200还包括对所提取的解剖特征图像求平均204以得到正常的、没有病的解剖特征的数据库。 
方法200包括标准化206病人的解剖图像并从该标准化病人图像中提取解剖特征。方法200还包括把所提取的病人解剖特征的图像与正常图像数据库中的图像相比较208。 
方法200还包括：产生210静态比较工作流程；产生212专用于具体解剖特征的Z分数的数据库114；以及产生214纵向比较工作流程。纵向亦称时间。纵向比较在一个时间间隔上比较图像。 
在方法200的一些实施例中，在产生212专用于具体解剖特征的Z分数的数据库114之后，方法200更进一步包括访问：诸如脑这样的一个或多个特定解剖特征的一个或多个图像，所述图像与解剖特定Z指数的数据库中的特定示踪剂有关；以及将所检索的脑图像数据与规范的标准化脑图像数据102相比较，所述规范的标准化脑图像数据与同样的示踪剂有关，这产生一个或多个严重性分数；然后更新与严重性分数有关的Z分数数据库114，选择性地编辑、细化、和/或更新该严重性Z分数，以及呈现示范性图像和来自Z分数数据库114的相关严重性分数。 
图3是用于把读者引导到严重性指数的静态比较工作流程的示意图。静态比较工作流程300可操作地用于许多解剖特征，诸如解剖特征“A”302、解剖特征“B”304、解剖特征“C”306、以及“第n个”解剖特征308。解剖特征的示例包括脑或心脏的解剖特征。 
对于每个解剖特征，提供了在疾病或症状的程度上具有变化的多个图像。例如，为解剖特征“A”302提供了在疾病或症状的程度上具有变化的多个图像310，为解剖特征“B”304提供了在疾病或症状的程度上具有变化的多个图像312，为解剖特征“C”306提供了在疾病或症状的程度上具有变化的多个图像314，以及为解剖特征“N”308提供了在疾病或症状的程度上具有变化的多个图像316。 
对于每个解剖特征，根据疾病或症状的严重性来对解剖特征的图像进行排序318。例如，对于解剖特征“A”302，图像310以从疾病或症状的最低程度或 数量到疾病或症状的最高数量或程度的递增顺序被排序。 
此后，对图像320进行评估以与所排序图像的集合相比在图像320中确定疾病或症状的程度。例如对图像320进行评估以与解剖特征“A”302的所排序图像310的集合相比在图像320中确定疾病或症状的程度。在一些实施例中，对来自病人的多个解剖结构302、304、306和308的多个图像320进行评估。 
该比较产生了严重性指数322，其在病人图像320中表示或代表疾病的程度。在一些实施例中产生了在病人图像320中表示或代表疾病的程度的多个严重性指数322。在一些更进一步的实施例中，利用统计分析326来产生总计病人严重性分数324。 
静态比较工作流程300可操作地用于多个解剖特征和多个示例数据。然而，解剖特征的数目和示例数据的数目仅仅是解剖特征的数目和示例数据的数目的一个实施例。在其他实施例中，实现了其他数目的解剖特征和其他数目的示例数据。 
图4是根据一个实施例用于创建结构化的且固有的医学诊断指导辅助工具的方法400的流程图。方法400解决了在技术上对于根据医学解剖图像而对医学症状和疾病进行更加稳定的、正式的和可靠的诊断的需要。 
方法400包括接收402解剖特征图像的严重性指数的指示。该严重性指数表示与没有病的解剖结构相比的解剖结构中的疾病程度。解剖结构的示例包括脑和心脏。由用户来指定期望的/专家指导图像来触发每个解剖位置和示踪剂的严重性指数。 
在解剖特征包括至少一个示踪剂的同时，产生了每个图像。利用许多常规成像技术的任一种而获得了该图像，所述技术诸如磁共振成像、电子发射断层扫描、计算机断层扫描、单光子发射-计算机断层扫描、单光子发射计算机断层照相、超声和光学成像。 
接收402严重性指数的步骤的一些实施例包括从图形用户界面中或经由图形用户界面而接收所选严重性指数，其中由人把所选严重性指数人工地键入到图形用户界面中。在那些实施例中，人类开发出严重性指数并且通过把严重性指数键入到计算机的键盘而传递严重性指数，由此接收了该严重性指数。在一些实施例中，402接收许多图像中每一个的严重性指数。 
方法400还包括步骤404以用于从操作402所接收的多个严重性指数中产生组合严重性分数。参考基于规则的处理而产生所述组合的严重性分数。在实施 例中产生该组合严重性分数是参考基于规则的处理而根据多个严重性指数产生的或相加的。在一些实施例中，利用基于规则的方法来总计每个解剖和示踪剂严重性指数以形成疾病状态的总严重性分数。 
图5是根据一个操作的实施例的方法500的流程图，所述操作在图4中的方法400的接收操作402之前被执行。方法500解决了在技术上对于根据医学解剖图像而对医学症状和疾病进行更加稳定的、正式的和可靠的诊断的需要。 
方法500包括访问502特定于脑或其他解剖特征的图像数据。脑的图像数据与关于在成像时脑中至少一种示踪剂的功能信息的指示相一致。在一些实施例中，利用诸如F-18-脱氧葡萄糖(Deoxyglucose)或氟去氧葡萄糖(Fluorodeoxyglucose，FDG)、Ceretec、Trodat等等之类的放射性示踪剂或放射性药物来对病人进行特定的解剖和功能信息的照相。每种放射性示踪剂提供与功能和代谢有关的独立的特性信息。与相关示踪剂和年龄组相对应地将所访问的病人图像标准化。 
方法500还包括步骤504基于人类准则，根据脑图像数据和规范的标准化脑图像数据来确定504偏差数据。人类准则的示例是病人的年龄和/或性别。在一些实施例中，确定偏差数据包括把脑图像数据与规范的标准化脑图像数据相比较，所述标准的标准化脑图像数据是基于在成像时脑中至少一种示踪剂的，如上述图3所示。在一些实施例中，将图像逐像素地与标准化的正常病人的参考图像进行比较。 
此后，方法500包括向用户显示506脑的偏差严重性数据。在一些实施例中，差别图像可以采用与每种解剖位置和示踪剂的标准状态之间的偏差的彩色或灰阶表示的形式。 
在其他实施例中，偏差数据呈现在其他介质中，诸如打印在纸上。 
随后，期望的图像偏差被分类成与脑有关的严重度并且被呈现508给用户。该严重性指数提供了对脑的疾病、条件或异常的程度的量化。 
图6是根据一个实施例用于创建结构化的且固有的医学诊断指导辅助工具的方法600的流程图。方法600解决了在技术上对于根据医学解剖图像而对医学症状和疾病进行更加稳定的、正式的和可靠的诊断的需要。 
在方法600中，在进行产生操作404之前多次地执行访问操作502、确定操作504、呈现操作506和508以及接收操作402。尤其是，访问操作502、确定操作504、呈现操作506和508以及接收操作402被执行直到不再有602解剖 数据可用于处理。例如，在图3中，在操作502-508中产生每个解剖特征“A”302、解剖特征“B”304、解剖特征“C”306、以及“第n个”解剖特征308的指数。 
在完成了操作502-508的所有迭代之后，产生404组合的严重性分数。根据更大量的数据而产生该严重性分数，这有时被考虑或被认为提供了在数学上更加可靠的组合的严重性分数。 
在上述方法600中所描述的实施例中，每种解剖特征的指数及分数被串行地产生。然而，方法600的其他实施例并行地产生每种解剖特征的指数或分数。 
图7是根据一个实施例用于在医学诊断图像的标准分类的指数中培训人的方法700的流程图。方法700解决了在技术上对于根据医学解剖图像而对医学症状和疾病提供更加稳定、正式和可靠的诊断的需要。 
方法700包括利用严重度的分类向用户呈现702专家确定的期望脑图像偏差。严重性指数提供了对脑的疾病、症状或异常的程度的量化。 
此后，方法700包括指导704人根据所显示图像与专家确定图像偏差的视觉类似性来选择严重性指数的指示选择。该图像指导用户做出对病人的严重性评估。 
图8是根据一个操作的实施例的方法800的流程图，所述操作在图7中的方法700之前被执行。方法800解决了在技术上对于根据医学解剖图像而对医学症状和疾病进行更加稳定的、正式的和可靠的诊断的需要。 
方法800包括访问802特定于脑或其他解剖特征的图像数据。脑的图像数据与关于在成像时脑中至少一种示踪剂的功能信息的指示相一致。 
方法800还包括基于人类的准则，根据脑图像数据和规范的标准化脑图像数据来确定804偏差数据。人类准则的示例是病人的年龄和/或性别。在一些实施例中，确定偏差数据包括把脑图像数据与规范的标准化脑图像数据相比较，所述标准的标准化脑图像数据是基于在成像时脑中的至少一种示踪剂的，如上述图3所示。 
此后，方法800还包括向用户显示806脑的偏差严重性数据。在其他实施例中，该偏差数据呈现在其他介质上，诸如打印在纸上。 
图9是根据一个实施例用于创建结构化的且固有的医学诊断指导辅助工具的方法900的流程图。方法900解决了在技术上对于根据医学解剖图像而对医学症状和疾病进行更加稳定的、正式的和可靠的诊断的需要。
在方法900中，在产生组合的严重性分数之前多次执行访问操作802、确定操作804、呈现操作806和702以及指导操作704。 
图10是根据一个实施例用于识别疾病的状态变化的方法1000的流程图。方法1000解决了在技术上对于根据医学解剖图像而对医学症状和疾病进行更加稳定的、正式的和可靠的诊断的需要。 
方法1000的一些实施例包括访问1002特定于至少两个解剖特征的纵向图像数据。该纵向解剖图像数据表示关于在成像时解剖特征中至少一种示踪剂的功能信息。解剖特征的示例包括脑或心脏。纵向亦称时间。纵向比较在时间间隔上对图像进行比较。 
利用许多常规成像技术中的任一种来获得该图像，所述成像技术诸如磁共振成像、电子发射断层扫描、计算机断层扫描、单光子发射计算机断层扫描、超声以及光学成像。利用在两个不同时刻处的示踪剂来对病人进行特定的解剖和功能信息的照相。每种示踪剂提供关于功能和代谢的独立的、特性的信息。与相关示踪剂和年龄组相对应地标准化了在每个时间情况中所访问的病人图像。 
此后，方法1000的一些实施例包括基于人类的准则，根据每个纵向解剖图像数据和规范的标准化解剖图像数据来确定1004偏差数据。人类准则的示例是病人的年龄和/或性别。确定1004偏差数据的一些实施例包括把解剖纵向图像数据与规范的标准化解剖图像数据相比较，所述规范的标准化脑图像数据是基于在成像时脑中的至少一种示踪剂的。在一些实施例中，纵向分析中的每个时间情况的图像被逐像素地与标准化的正常病人的参考图像相比较。 
随后，方法1000包括向用户呈现1006与解剖特征的偏差严重性数据。在一些实施例中，该偏差数据采用差值图像的形式，所述差值图像显示了在纵向解剖图像与规范的标准化解剖图像之间的差异。此外，对于每个组织位置和示踪剂以及对于纵向分析中的每个时刻，差值图像可以采用与常态的偏差的彩色或灰阶表示的形式。 
此后，方法1000包括向用户呈现1008所期望的图像偏差，所述图像偏差被分类成与解剖特征有关的严重度。在一些实施例中，用户匹配所期望的图像，其在纵向分析的所有情况下触发每个解剖位置和示踪剂的严重性指数。 
随后，方法1000包括从用户处接收1010对选择每个纵向数据集的严重性指数的指示。接收1010严重性指数的指示的一些实施例包括从图形用户界面中接收所选严重性指数，其中所选严重性指数由人手工地键入到图形用户界面 中。在一些实施例中，利用相关严重性水平向用户显示所期望的图像。该图像指导用户在纵向分析的每个时间情况中对当前病人做出严重性评估。 
随后，方法1000包括根据多个严重性指数而产生1012组合的严重性-变化分数。在一些实施例中，参考基于规则的处理而产生该组合的严重性变化分数，然后向用户呈现该组合的严重性变化分数。产生组合的严重性分数的一些实施例包括参考基于规则的处理对多个严重性指数进行求和。在一些实施例中，利用基于规则的方法而分别地或相比较地(纵向研究的情况的差异)总计每个解剖和示踪剂严重性指数以在纵向研究的所有情况中形成疾病状态的总变化的严重性分数。用于确定变化的两种方法均可被实现，一种会更加表现出解剖位置的变化，而另一种提供了全面的疾病状态严重性分数变化。 
在方法1000的一些实施例中，在产生1012组合严重性变化分数和显示1014该组合严重性变化分数之前多次地访问1002纵向图像数据、确定1004偏差、呈现1006和1008严重性指数以及接收1010严重性指数。在一些实施例中，为一个时期上的特定解剖而显示多个的严重性指数，其显示了在该时期上的疾病治疗的进展或缺乏进展。 
图11是根据一个实施例创建诊断医学图像的示范性或正常知识库的方法1100的流程图。方法1100解决了在技术上对于根据医学解剖图像而对医学症状和疾病进行更加稳定的、正式的和可靠的诊断的需要。 
方法1100包括访问1102与特定示踪剂有关的一个或多个特定解剖特征的一个或多个图像。偏差数据表示了与被认为表示正常解剖症状或无病解剖的图像的偏差或差异。在一些实施例中，在执行方法1100之前通过比较正常受检者数据库的图像与怀疑有病图像数据库的图像而导出偏差图像数据，所述怀疑有病图像数据库包括关于疾病的所有严重性的数据，诸如以下在图12的方法1200中所描述的那样。 
在一些实施例中，无须对病人使用示踪剂即可创建或产生从中取得图像偏差数据的图像。在其他实施例中，需要对病人使用示踪剂才能创建或产生从中取得图像偏差数据的图像。 
方法1100还包括为偏差数据的每个图像指定1104一个分类的严重度，所述偏差数据和关于疾病的所有严重性的功能信息的指示相一致。分类的严重度描述了在某个范围内的疾病或医学症状的严重程度。在某些实施例中，分类的严重度描述了对图像与示范性图像之间的偏差的测量。疾病或症状程度的示例如 图3所示，参考图像的递增顺序318，其中递增顺序的每个图像代表了疾病或症状的一个分类的严重度。 
此后，方法1100包括产生1106图像偏差数据的数据库或知识库以及产生每个图像偏差数据的分类的严重度。在一个示例中，利用该图像偏差数据来产生或更新图1中的正常图像数据库102，以及将所述正常图像数据库102与图像偏差数据的分类的严重度进行关联。 
方法1100的一些实施例还包括细化或更新示范性的严重性偏差图像。更具体地说，该示范性严重性偏差数据库是通过将新指定的严重性偏差图像与现有的(一个或多个)严重性图像集合在一起来进行细化的，或者通过引入新的严重性偏差图像种类或通过删除现有的种类来进行更新。 
图12是根据一个实施例用于产生偏差数据的方法1200的流程图。方法1200可以在上述方法1100之前被执行以产生方法1100中所需的偏差数据。方法1200解决了在技术上对于根据医学解剖图像而对医学症状和疾病进行更加稳定的、正式的和可靠的诊断的需要。 
方法1200包括访问1102诸如脑这样的一个或多个特定解剖特征的一个或多个图像，所述特定解剖特征与特定示踪剂有关。 
方法1200还包括把脑图像数据与标准的标准化脑图像数据进行比较1202，所述标准的标准化脑图像数据与同样的示踪剂有关，如上述的图3所示，产生在其表示脑中怀疑有病的区域的图像与数据库中的图像之间的偏差。在一些实施例中，基于示踪剂而执行比较1202，或者在其他实施例中，不基于示踪剂。 
方法1200还包括从比较中产生1204偏差图像数据。 
图13是根据一个实施例用于产生参考诊断医学图像的方法1300的流程图。方法1300解决了在技术上对于根据医学解剖图像而对医学症状和疾病进行更加稳定的、正式的和可靠的诊断的需要。 
方法1300包括访问1302数据库；该数据库包含有适合于一种示踪剂的正常临床前解剖特征的多个图像。在一些实施例中，操作1302包括利用通过使用关于示踪剂的功能信息，利用正常受检者来创建规范的数据库。 
此后方法1300包括：访问502表示解剖特征中怀疑有病的区域的图像；把表示解剖特征中怀疑有病的区域的图像与数据库中的图像进行比较1202，因而产生表示解剖特征中怀疑有病的区域的图像与数据库中的图像之间的偏差。在一些实施例中，访问图像包括访问怀疑图像的数据库，所述怀疑图像与功能信 息的指示一致，所述功能信息潜在地通过使用示踪剂与疾病的各种严重性相对应。 
因此，为每个解剖特征产生1204表示该偏差的多个图像，在步骤1104将分类的严重度指定到用于表示该偏差的多个图像中的每一个，并且产生1106用于表示该偏差的多个图像的数据库并且产生用于表示该偏差的多个图像的分类的严重度。 
在方法1300的一些实施例中，该示范性严重性偏差数据库是通过把新指定的严重性偏差图像与现有的(一个或多个)严重性图像集合而来细化的，或者通过引入新的严重性偏差图像种类或通过删除现有的种类而被更新的。 
在一些实施例中，方法200-1300被实现成体现在载波中的计算机数据信号，所述计算机数据信号表示一个指令序列，当被诸如图14中的处理器1404之类的处理器执行时，所述指令序列会使得处理器执行相应的方法。在其他实施例中，方法200-1300被实现成具有能够指导诸如图14中的处理器1404之类的处理器的可执行指令的计算机可存取介质，以执行相应的方法。在不同的实施例中，该介质是磁介质、电介质、或光学介质。 
更具体地说，在计算机可读程序实施例中，可以采用诸如Java、Smalltalk或C++之类的面向对象的语言而以面向对象的方式构造该程序，并且可以采用诸如COBOL或C之类的过程语言而以面向过程的方式来构造该程序。软件组件在许多装置中的任一个中进行通信，所述装置对所属领域技术人员而言是众所周知的，诸如应用程序接口(API)或诸如远程过程调用(RPC)之类的进程间通信技术、公共对象请示代理软件结构(CORBA)、组件对象模型(COM)、分布式组件对象模型(DCOM)、分布式系统对象模型(DSOM)以及远程方法调用(RMI)。该组件可在象图14中的计算机1402那样少的一个计算机上执行，或者在至少象所存在的组件那样多的计算机上执行。 
硬件以及操作环境
图14是实施不同实施例的硬件和操作环境1400的方框图。图14的描述提供了计算机硬件以及适当的计算环境的概要，结合所述计算机硬件和适当的计算环境可以实现一些实施例。根据执行计算机可执行指令的计算机而描述了实施例。然而，一些实施例可以全部地在计算机硬件中被实现，其中计算机可执行指令在只读存储器中被实现。一些实施例还可以在客户机/服务器计算环境中被实现，其中执行工作的远程设备经由通信网络而被链接。程序模块既可以 位于分布式计算环境中的本地存储器存储设备中又可以位于分布式计算环境中的远程存储器存储设备中。 
计算机1402包括在市场上可从Intel、Motorola、Cyrix等买到的处理器1404。计算机1402还包括随机存取存储器(RAM)1406、只读存储器(ROM)1408、以及一个或多个海量存储设备1410，以及系统总线1412，其可操作地把各种系统组件耦合到处理单元1404。存储器1406、1408、以及海量存储器1410是计算机可存取介质的类型。海量存储器1410更具体地说是非易失性计算机可存取介质的类型并且可以包括一个或多个硬盘驱动器、软盘驱动器、光盘驱动器、以及磁带驱动器。处理器1404执行存储在计算机可存取介质上的计算机程序。 
计算机1402经由通信设备1416而可通信地连接到互联网1414。互联网1414连通性在本领域内为大家所熟知。在一个实施例中，通信设备1416是调制解调器，其响应于通信驱动器以经由本领域中已知的“拨号连接”而连接到互联网。在另一个实施例中，通讯装置1416是连接到局域网(LAN)的以太网(
Figure S06163992820070205D000141
)或类似硬件网卡，所述局域网本身经由本领域中已知的“直接连接”(例如，T1线路等等)连接到互联网。 
用户经由诸如键盘1418或指示设备1420之类的输入设备而把命令和信息键入到计算机1402中。键盘1418允许可将文本信息键入计算机1402中，如本领域内所已知的那样，并且实施例不局限于任何具体类型的键盘。指示设备1420允可对诸如Microsoft 
Figure S06163992820070205D000142
型式之类的操作系统的图形用户界面(GUI)所提供的屏幕指针进行控制。实施例不局限于任何具体的指示设备1420。这种指示设备包括鼠标、触摸台、轨迹球、遥控器以及指示杆。其他的输入设备(未显示)可以包括扬声器、控制杆、游戏台、卫星盘、扫描仪等等。 
在一些实施例中，计算机1402可操作地耦合于显示设备1422。显示设备1422连接到系统总线1412。显示设备1422允许信息显示，所述信息包括计算机、视频及其他信息以便由计算机用户进行查看。实施例不局限于任何具体的显示设备1422。这种显示设备包括阴极射线管(CRT)显示器(监视器)以及诸如液晶显示器(LCD)之类的平板显示器。除了监视器之外，计算机典型地包括诸如打印机(未显示)之类的其他外围输入/输出设备。扬声器1424和1426提供信号的音频输出。扬声器1424和1426也连接到系统总线1412。 
计算机1402还包括操作系统(未显示)，所述操作系统存储在计算机可存取 介质RAM1406、ROM1408、以及海量存储器1410上并且由处理器1404来执行。操作系统的示例包括Microsoft 
Figure S06163992820070205D000151
苹果
Figure S06163992820070205D000152
Figure S06163992820070205D000153
Figure S06163992820070205D000154
示例不局限于任何具体的操作系统，然而这种操作系统的结构和使用在本领域内为大家所熟知。 
计算机1402的实施例不局限于任何类型的计算机1402。在不同的实施例中，计算机1402包括PC兼容计算机、
Figure S06163992820070205D000155
兼容计算机、
Figure S06163992820070205D000156
兼容计算机、 
Figure S06163992820070205D000157
兼容计算机。这种计算机的结构与操作在本领域内为大家所熟知。 
可利用至少一种操作系统来操作计算机1402以提供包括用户可控制指针的图形用户界面(GUI)。计算机1402可具有在至少一个操作系统内执行的至少一个浏览器应用程序，以允许计算机1402的用户访问如由通用资源定位码(URL)地址来寻址的内部网(intranet)、外部网(extranet)或互联网万维网页面。浏览器应用程序的示例包括Netscape 
Figure S06163992820070205D000158
和MicrosoftInternet 
Figure S06163992820070205D000159
计算机1402可利用与诸如远程计算机1428之类的一个或多个远程计算机的逻辑连接而操作于网络环境中。这些逻辑连接是由通信设备来实现的，所述通信设备耦合于计算机1402或者是计算机1402的一部分。实施例不局限于具体类型的通信设备。远程计算机1428可以是另一个计算机、服务器、路由器、网络PC、客户机、同等设备或其他公用网络节点。图14中描述的逻辑连接包括局域网(LAN)1430和广域网(WAN)1432。这种连网环境在办公室、企业内计算机网络、内部网、外部网和互联网中是很普遍的。 
当被用于LAN连网环境时，计算机1402和远程计算机1428经由网络接口或适配器1434而被连接到本地网络1430，所述适配器1434是通信设备1416的一种类型。远程计算机1428还包括网络设备1436。当被用于常规的WAN连网环境时，计算机1402和远程计算机1428经由调制解调器(未显示)而与WAN1432通信。调制解调器连接到系统总线1412，所述调制解调器可以是内部的或外部的。在网络环境中，所描述的与计算机1402有关的程序模块或其部分可以存储在远程计算机1428中。 
计算机1402还包括电源1438。每个电源可以是电池组。 
装置实施例
在前一节中，描述了方法。在本节中，描述了这样一个实施例的具体装置。 
图15是根据一个实施例的用于产生参考诊断医学图像的装置1500的方框 图。装置1500解决了在技术上对于根据医学解剖图像而对医学症状和疾病进行更加稳定的、正式的和可靠的诊断的需要。 
在装置1500中，在图像数据上执行四种不同的比较：原始图像的比较1502、标准偏差图像的比较1504、严重性图像的比较1506、以及严重性分数的比较。所述比较可发生在阶段1502、1502、1506或1508中的任一个。每个比较1502-1508在纵向(时间)域上被执行，如检验时间T11510和检验时间T21512。 
在检验时间T11510和检验时间T21512，由数字成像装置分别产生多个原始图像1514和1516、1518和1520。 
在检验时间T11510和检验时间T21512之后，根据原始图像以及一个或多个标准化图像(未显示)产生了以下三个数据中的任一个：多个标准化偏差图像1522和1524、以及1526和1528；严重性指数1530-1536或严重性分数1538和1540。偏差图像1522-1528图形化地表示了原始图像1514-1520与标准化图像之间的偏差。严重性指数1530-1536用数字表示了原始图像1514-1520与标准化图像之间的临床上可察觉的偏差。根据严重性指数1530-1536产生了严重性分数1538和1540。严重性分数1538和1540用数字表示了原始图像1514-1520的条件的合成临床指示。 
总结
描述了一种基于计算机的医学诊断系统。虽然此处已经举例说明并描述了特定的实施例，但是本领域的普通技术人员应当理解，可能会用实现同样目的的任何结构来代替所示的特定实施例。本申请意在覆盖所有的修改或变化。例如，虽然以程序术语进行了描述，但是本领域的普通技术人员应当理解，可以在程序设计环境或提供了所需关系的任何其他设计环境中进行实施。 
尤其是，本领域技术人员应当容易地理解，方法和装置的名称不是用于限制实施例。此外，其他的方法和装置可添加到组件中，功能可以在组件中重新组合，以及在不脱离实施例的范围下，可以引入与实施例中所使用的将来改进和物理设备相对应的新组件。本领域技术人员很容易认识到，实施例适用于未来的通信设备、不同的文件系统、以及新的数据类型。 
用于本申请的术语意味着包括所有面向对象数据库和通信环境以及提供与此处所描述的相同的功能的替换技术。

Claims (10)

1.一种确定与正常病人群体的统计偏差的系统，所述系统执行创建结构化的且固有的医学诊断系统指导辅助工具的方法，所述系统包括：
正常图像数据库(102)，提供比较基准以帮助识别有病的解剖结构的图像；
第一组件(104)，对正常解剖图像进行标准化并且提取第一解剖特征图像；
第二组件(106)，对所提取的第一解剖特征图像取平均；
第三组件(108)，把病人的解剖图像标准化并且提取经标准化病人解剖图像的第二解剖特征图像；
第四组件(110)，在所提取的第二解剖特征图像与正常图像数据库(102)中的图像之间进行比较；
静态比较工作流程(112)；
专用于具体解剖特征的Z分数的数据库(114)；以及
纵向比较工作流程(116)，
其中，所述方法包括：
接收(402)对于多个图像中的每一个而选择的偏离于没有病的脑(302、304、306、308)图像(310、312、314、316)的严重性指数的指示，在脑中包括至少一个示踪剂的同时产生了每个图像；以及
参考基于规则的处理从多个严重性指数产生(404)一个组合严重性分数(322)。
2.如权利要求1所述的系统，其中所述方法还包括在接收操作之前：
访问(502)脑图像数据，所述脑图像数据与关于在成像时脑中至少一个示踪剂的功能信息的指示一致；
基于人类准则根据脑图像数据和规范标准化脑图像数据来确定(504)偏差严重性数据；
呈现(506)与脑有关的偏差严重性数据；以及
呈现(508)被分类成与脑有关的严重度的图像偏差。
3.如权利要求2所述的系统，其中确定偏差严重性数据还包括：
把脑图像数据同基于在成像时脑中至少一种示踪剂的规范标准化脑图像数据进行比较(1202)。
4.一种确定与正常病人群体的统计偏差的系统，所述系统执行创建医学诊断图像的规范分类分数的方法，所述系统包括：
正常图像数据库(102)，提供比较基准以帮助识别有病的解剖结构的图像；
第一组件(104)，对正常解剖图像进行标准化并且提取第一解剖特征图像；
第二组件(106)，对所提取的第一解剖特征图像取平均；
第三组件(108)，把病人的解剖图像标准化并且提取经标准化病人解剖图像的第二解剖特征图像；
第四组件(110)，在所提取的第二解剖特征图像与正常图像数据库(102)中的图像之间进行比较；
静态比较工作流程(112)；
专用于具体解剖特征的Z分数的数据库(114)；以及
纵向比较工作流程(116)，
其中，所述方法包括：
访问(502)至少一个特定解剖区域的解剖图像数据，该解剖图像数据与关于在成像时解剖区域中至少一种示踪剂的功能信息的指示相一致；以及
基于人类准则从解剖图像数据和规范标准化解剖图像数据确定(504)偏差严重性数据；
呈现(506)所述至少一个解剖区域中每一个的偏差严重性数据；
对至少一个解剖区域中每一个呈现(508)被分类成严重度的图像严重性偏差；
接收(402)对严重性指数的选择的指示；以及
参考基于规则的处理根据多个严重性指数产生(404)一个组合的严重性分数。
5.一种确定与正常病人群体的统计偏差的系统，所述系统执行在医学诊断图像的规范分类分数中培训人的方法，所述系统包括：
正常图像数据库(102)，提供比较基准以帮助识别有病的解剖结构的图像；
第一组件(104)，对正常解剖图像进行标准化并且提取第一解剖特征图像；
第二组件(106)，对所提取的第一解剖特征图像取平均；
第三组件(108)，把病人的解剖图像标准化并且提取经标准化病人解剖图像的第二解剖特征图像；
第四组件(110)，在所提取的第二解剖特征图像与正常图像数据库(102)中的图像之间进行比较；
静态比较工作流程(112)；
专用于具体解剖特征的Z分数的数据库(114)；以及
纵向比较工作流程(116)，
所述方法包括：
对至少一个解剖区域中每一个呈现(702)被分类成严重度的专家确定图像偏差，所述至少一个解剖区域的图像数据与关于在成像时解剖区域中至少一种示踪剂的功能信息的指示相一致；以及
基于所显示图像和专家确定图像偏差的视觉类似性在选择严重性指数的一个选择的指示时对人进行指导(704)。
6.如权利要求5所述的系统，其中所述方法还包括在呈现操作之前：
访问(802)至少一个解剖区域的图像数据；
根据所述至少一个解剖区域的图像数据和规范标准化解剖图像数据确定(804)偏差数据；以及
呈现(806)所述至少一个解剖区域中每一个的偏差数据。
7.如权利要求6所述的系统，其中确定偏差数据还包括：
把所述至少一个解剖区域的图像数据同在成像时与解剖区域中至少一种示踪剂有关的规范的标准化解剖图像数据进行比较(1202)。
8.如权利要求5所述的系统，其中所述方法还包括：
从图形用户界面接收(402)所选严重性指数，其中所选严重性指数由人手工地键入到图形用户界面中。
9.如权利要求5所述的系统，其中所述方法还包括：
参考基于规则的处理，根据多个严重性指数产生(404)组合严重分数，所述产生在所述指导之后执行。
10.如权利要求9所述的系统，其中产生组合严重分数还包括：
参考基于规则的处理而组合(404)该多个严重性指数。
CN2006100639928A 2005-09-29 2006-09-29 用于根据分类指数来诊断疾病的系统和设备 Expired - Fee Related CN101040800B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/240,609 US20070081699A1 (en) 2005-09-29 2005-09-29 Systems, methods and apparatus for diagnosis of disease from categorical indices
US11/240609 2005-09-29

Publications (2)

Publication Number Publication Date
CN101040800A CN101040800A (zh) 2007-09-26
CN101040800B true CN101040800B (zh) 2011-05-25

Family

ID=37898481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2006100639928A Expired - Fee Related CN101040800B (zh) 2005-09-29 2006-09-29 用于根据分类指数来诊断疾病的系统和设备

Country Status (4)

Country Link
US (1) US20070081699A1 (zh)
JP (1) JP5142011B2 (zh)
CN (1) CN101040800B (zh)
DE (1) DE102006046747A1 (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7929737B2 (en) 2005-09-29 2011-04-19 General Electric Company Method and system for automatically generating a disease severity index
US8243999B2 (en) * 2006-05-03 2012-08-14 Ut-Battelle, Llc Method and system for the diagnosis of disease using retinal image content and an archive of diagnosed human patient data
JP5646128B2 (ja) * 2007-02-28 2014-12-24 株式会社東芝 医用画像検索システム
US20090138279A1 (en) * 2007-11-23 2009-05-28 General Electric Company Systems, methods and apparatus for analysis and visualization of metadata information
JP5368474B2 (ja) * 2007-12-27 2013-12-18 ジー． マークス，ジェームス コンピュータ実行される方法
US8010381B2 (en) * 2008-05-20 2011-08-30 General Electric Company System and method for disease diagnosis from patient structural deviation data
US8099299B2 (en) * 2008-05-20 2012-01-17 General Electric Company System and method for mapping structural and functional deviations in an anatomical region
US8430816B2 (en) * 2008-05-20 2013-04-30 General Electric Company System and method for analysis of multiple diseases and severities
US8180125B2 (en) * 2008-05-20 2012-05-15 General Electric Company Medical data processing and visualization technique
US20100074480A1 (en) * 2008-09-22 2010-03-25 University Of Washington Device for generating alternative of normal brain database
US8309306B2 (en) * 2008-11-12 2012-11-13 Nodality, Inc. Detection composition
US8786873B2 (en) * 2009-07-20 2014-07-22 General Electric Company Application server for use with a modular imaging system
RU2544479C2 (ru) * 2009-07-20 2015-03-20 Конинклейке Филипс Электроникс Н.В. Построение анатомической модели для обозначения границ представляющей интерес опухолевой области
US8463741B2 (en) * 2009-09-04 2013-06-11 Omnyx, LLC Digital pathology system
US8243882B2 (en) 2010-05-07 2012-08-14 General Electric Company System and method for indicating association between autonomous detector and imaging subsystem
US8934685B2 (en) * 2010-09-21 2015-01-13 General Electric Company System and method for analyzing and visualizing local clinical features
US20130261403A1 (en) * 2012-03-29 2013-10-03 General Electric Company System and Method of Managing Technician Review of Medical Test Data
WO2014143697A1 (en) * 2013-03-15 2014-09-18 Stephanie Littell Evaluating electromagnetic imagery by comparing to other individual's imagery
JP6261218B2 (ja) * 2013-07-17 2018-01-17 キヤノン株式会社 表示処理装置、表示処理方法及びプログラム、並びに、画像分類装置
JP6346576B2 (ja) * 2015-02-27 2018-06-20 Hoya株式会社 画像処理装置
CN106798574A (zh) * 2017-03-03 2017-06-06 伏冰 一种超声诊断系统
EP3598396A1 (de) * 2018-07-20 2020-01-22 Rothenbühler, Rudolf Computergestütztes verfahren zum analysieren personenbezogener unfalldaten
US11227390B2 (en) * 2018-09-26 2022-01-18 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image processing
CN110298820A (zh) * 2019-05-28 2019-10-01 上海联影智能医疗科技有限公司 影像分析方法、计算机设备和存储介质
CN111063446B (zh) * 2019-12-17 2023-06-16 医渡云（北京）技术有限公司 用于标准化医疗文本数据的方法、装置、设备及存储介质
KR20230001281A (ko) * 2021-06-28 2023-01-04 서울대학교병원 응급환자 중증도 분류 시스템 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1278421A (zh) * 1999-06-17 2001-01-03 曾金铃 疾病诊断预测系统
CN1640209A (zh) * 2002-02-27 2005-07-13 成像治疗仪股份有限公司 用于建立和操作集中测量值数据库的系统和方法

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4170987A (en) * 1977-11-28 1979-10-16 California Institute Of Technology Medical diagnosis system and method with multispectral imaging
US4839807A (en) * 1987-08-03 1989-06-13 University Of Chicago Method and system for automated classification of distinction between normal lungs and abnormal lungs with interstitial disease in digital chest radiographs
US5109868A (en) * 1991-03-18 1992-05-05 E. R. Squibb & Sons, Inc. Method for diagnosing senile dementia of the Alzheimer's type
US5262945A (en) * 1991-08-09 1993-11-16 The United States Of America As Represented By The Department Of Health And Human Services Method for quantification of brain volume from magnetic resonance images
US5434050A (en) * 1991-08-13 1995-07-18 Regents Of The University Of Minnesota Labelled β-amyloid peptide and methods of screening for Alzheimer's disease
US5617861A (en) * 1994-02-16 1997-04-08 Huntington Medical Research Institutes Magnetic resonance spectral analysis of the brain for diagnosis of clinical conditions
US5632276A (en) * 1995-01-27 1997-05-27 Eidelberg; David Markers for use in screening patients for nervous system dysfunction and a method and apparatus for using same
JPH09147082A (ja) * 1995-11-20 1997-06-06 Sumitomo Heavy Ind Ltd 画像診断支援装置
US6173068B1 (en) * 1996-07-29 2001-01-09 Mikos, Ltd. Method and apparatus for recognizing and classifying individuals based on minutiae
AU4078900A (en) * 1999-04-06 2000-10-23 Harrington Arthritis Research Center Methods for tracking the progression of alzheimer's disease and identifying treatments using transgenic mice
US6430430B1 (en) * 1999-04-29 2002-08-06 University Of South Florida Method and system for knowledge guided hyperintensity detection and volumetric measurement
US6581011B1 (en) * 1999-06-23 2003-06-17 Tissueinformatics, Inc. Online database that includes indices representative of a tissue population
US6993170B2 (en) * 1999-06-23 2006-01-31 Icoria, Inc. Method for quantitative analysis of blood vessel structure
US6490472B1 (en) * 1999-09-03 2002-12-03 The Mcw Research Foundation, Inc. MRI system and method for producing an index indicative of alzheimer's disease
EP1237476A1 (en) * 1999-12-02 2002-09-11 The General Hospital Corporation Method and apparatus for measuring indices of brain activity
US6907280B2 (en) * 1999-12-02 2005-06-14 The General Hospital Corporation Method and apparatus for objectively measuring pain, pain treatment and other related techniques
US6901156B2 (en) * 2000-02-04 2005-05-31 Arch Development Corporation Method, system and computer readable medium for an intelligent search workstation for computer assisted interpretation of medical images
US6690816B2 (en) * 2000-04-07 2004-02-10 The University Of North Carolina At Chapel Hill Systems and methods for tubular object processing
AU2001283041A1 (en) * 2000-08-01 2002-02-13 Logical Images, Inc. System and method to aid diagnoses using cross-referenced knowledge and image databases
EP1293925A1 (en) * 2001-09-18 2003-03-19 Agfa-Gevaert Radiographic scoring method
US7058210B2 (en) * 2001-11-20 2006-06-06 General Electric Company Method and system for lung disease detection
US7700074B2 (en) * 2002-02-07 2010-04-20 Pettegrew Jay W Method and system for diagnosis of neuropsychiatric disorders including chronic alcoholism
US7407778B2 (en) * 2002-02-07 2008-08-05 Pettegrew Jay W Compounds, compositions and methods for treating neuropsychiatric disorders
JP2003284690A (ja) * 2002-03-28 2003-10-07 Nippon Telegr & Teleph Corp <Ntt> 比較読影支援方法、比較読影支援装置、比較読影支援プログラム及びそのプログラムを記録した記録媒体
US20040092809A1 (en) * 2002-07-26 2004-05-13 Neurion Inc. Methods for measurement and analysis of brain activity
JP2004239782A (ja) * 2003-02-06 2004-08-26 Daiichi Radioisotope Labs Ltd 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
JP4263942B2 (ja) * 2003-05-02 2009-05-13 メド・ソリューション株式会社 遠隔画像解析システムおよびその方法
JP2005020338A (ja) * 2003-06-26 2005-01-20 Fuji Photo Film Co Ltd 異常陰影検出方法および装置並びにプログラム
US8090164B2 (en) * 2003-08-25 2012-01-03 The University Of North Carolina At Chapel Hill Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
US20050085705A1 (en) * 2003-10-21 2005-04-21 Rao Stephen M. fMRI system for use in detecting neural abnormalities associated with CNS disorders and assessing the staging of such disorders
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
US20050215889A1 (en) * 2004-03-29 2005-09-29 The Board of Supervisory of Louisiana State University Methods for using pet measured metabolism to determine cognitive impairment
US20070218002A1 (en) * 2004-05-07 2007-09-20 Barrio Jorge R Method for Detecting Alzheimer's Disease and other Forms of Dementia, and Measuring Their Progression
US9471978B2 (en) * 2004-10-04 2016-10-18 Banner Health Methodologies linking patterns from multi-modality datasets
US7653263B2 (en) * 2005-06-30 2010-01-26 General Electric Company Method and system for volumetric comparative image analysis and diagnosis
US20070081701A1 (en) * 2005-09-29 2007-04-12 General Electric Company Systems, methods and apparatus for tracking progression and tracking treatment of disease from categorical indices

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1278421A (zh) * 1999-06-17 2001-01-03 曾金铃 疾病诊断预测系统
CN1640209A (zh) * 2002-02-27 2005-07-13 成像治疗仪股份有限公司 用于建立和操作集中测量值数据库的系统和方法

Also Published As

Publication number Publication date
US20070081699A1 (en) 2007-04-12
DE102006046747A1 (de) 2007-04-19
JP2007105461A (ja) 2007-04-26
CN101040800A (zh) 2007-09-26
JP5142011B2 (ja) 2013-02-13

Similar Documents

Publication Publication Date Title
CN101040800B (zh) 用于根据分类指数来诊断疾病的系统和设备
CN101023885A (zh) 用于跟踪疾病的进展及治疗的系统、方法和设备
CN1971565B (zh) 根据分类索引创建图像数据库的系统、方法及设备
US7929737B2 (en) Method and system for automatically generating a disease severity index
CN110121749A (zh) 用于图像采集的深度学习医疗系统和方法
US9271651B2 (en) System and method for integrated quantifiable detection, diagnosis and monitoring of disease using patient related time trend data
US20180144243A1 (en) Hardware system design improvement using deep learning algorithms
CN102855618B (zh) 用于图像产生和图像分析的方法
CN102361594B (zh) 由临床指南导航器支持的基于pet/ct的治疗监测系统
EP1895468A2 (en) Medical image processing apparatus
CN103220974A (zh) 图像报告方法
US20110129131A1 (en) System and method for integrated quantifiable detection, diagnosis and monitoring of disease using population related time trend data and disease profiles
CN102667786A (zh) 协议引导的成像流程
CN104039262A (zh) 用于计算机断层成像(ct)辐射剂量的一致性和可验证的优化方法
US20110129130A1 (en) System and method for integrated quantifiable detection, diagnosis and monitoring of disease using population related time trend data
Brown et al. Database design and implementation for quantitative image analysis research
Simmons-Ehrhardt Open osteology: medical imaging databases as skeletal collections
Vicory et al. Statistical shape analysis of the tricuspid valve in hypoplastic left heart syndrome
CN105578958B (zh) 用于背景感知成像的系统和方法
Pietka et al. Informatics infrastructure of CAD system
Chen et al. Digital Analysis of Smart Registration Methods for Magnetic Resonance Images in Public Healthcare
US20230310080A1 (en) Artificial intelligence-based systems and methods for automatic measurements for pre-procedural planning
Taylor Decision support for image interpretation: a mammography workstation
KR20230075840A (ko) Pet 영상 변환 방법 및 이를 이용한 뇌질환 진단 방법
Swetha et al. AUTOMATIC SEGMENTING TECHNIQUE OF BRAIN TUMOURS WITH IN MRI IMAGES

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20110525

Termination date: 20140929

EXPY Termination of patent right or utility model