CN101600973A - 用于辅助诊断神经退行性疾病的工具 - Google Patents

用于辅助诊断神经退行性疾病的工具 Download PDF

Info

Publication number
CN101600973A
CN101600973A CNA2008800035770A CN200880003577A CN101600973A CN 101600973 A CN101600973 A CN 101600973A CN A2008800035770 A CNA2008800035770 A CN A2008800035770A CN 200880003577 A CN200880003577 A CN 200880003577A CN 101600973 A CN101600973 A CN 101600973A
Authority
CN
China
Prior art keywords
data
view data
brain
image
value
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.)
Granted
Application number
CNA2008800035770A
Other languages
English (en)
Other versions
CN101600973B (zh
Inventor
J·A·利尔亚
N·L·图尔夫耶尔
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.)
GE Healthcare Ltd
Original Assignee
GE Healthcare Ltd
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 GE Healthcare Ltd filed Critical GE Healthcare Ltd
Publication of CN101600973A publication Critical patent/CN101600973A/zh
Application granted granted Critical
Publication of CN101600973B publication Critical patent/CN101600973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Neurology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Nuclear Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明描述用于对出现在对象中的神经退行性疾病进行临床评估的系统(100)和方法。所述系统(100)包括图像获取模块(122)，可操作用于获取代表所述对象大脑的图像数据，和图像分析器(124)，可操作用于根据所述图像数据确定数量值，所述数量值指示出出现在所述对象大脑中的神经退行性疾病的等级。本发明的各种实施方式提供了有助于神经退行性疾病的早期诊断和监测的工具，例如，阿尔茨海默症(AD)。

Description

用于辅助诊断神经退行性疾病的工具
技术领域
本发明涉及用于辅助诊断神经退行性疾病的工具。更具体地，本发明涉及用于将图像分析技术应用于大脑图像数据从而用于辅助诊断神经退行性疾病，例如，阿尔茨海默症(AD)，的诊断的方法和装置。
背景技术
公知地，各种神经退行性疾病，例如阿尔茨海默症，是难于在活体内被确诊的。例如，尽管辨别可能对阿尔茨海默症(AD)[1，2]具有遗传易感性的对象是可能的，但是通常仅可以在各种特征症状对于有经验的临床医生变得明显的时候基于从实验室提取的数据、临床诊断和晚期神经影像研究而提供临时诊断。
各种各样的技术已经被用于辅助对此类针对AD的临时诊断的准备。这些技术包括各种物理筛查试验，例如由Newman设计的光学试验[3]，在所述光学试验中，光学技术被用于确定患者的眼睛是否已经遭受神经节细胞的损伤，这与AD疾病的前兆相一致。
此类临时诊断是有用的。然而，目前，大量证据显示AD的病理过程甚至可能在有可能作出任何此类临时诊断前数十年就已开始，即在所谓的疾病的临床前期内。这种临床前期可以被分为两个主要阶段，即初始的“潜伏期”，在该潜伏期内，没有可观察的症状出现，以及随后的“前驱期”，在该前驱期内，不足以进行临时临床诊断的温和症状出现。
因此，通过试图辨别在所述两种临床前阶段的各种病理过程的征兆，各种尝试被实行以便提供较早时期的诊断。迄今为止，两种主要的技术已经被用于辨别任何非常规的可能与AD早期阶段的病状相联系的变异：即(a)大脑的核磁共振成像(MRI)和官能性核磁共振成像(fMRI)[4，7]；和(b)通过使用正电子发射断层成像(PET)扫描仪监测放射性18F脱氧葡萄糖(FDG)的吸收量从而评估大脑中新陈代谢的变化。
虽然此类技术有助于AD的诊断，但是具有局限性，因为所有上述方法均测量疾病的继发效应，并且存在如下需求：提供可迅速地和准确地评估患者是否检测到AD病理过程的改进的方法，该方法适用于如下三种情况：疾病的临床前阶段，临时诊断阶段和诊断阶段。这在临床前阶段是尤其重要的，在该阶段，疾病过程和治疗的早期辨别适宜于防止或减缓疾病的进一步发展。而且，也存在使用更好的方法评估AD病情进展的需求，包括任何对处置的反应，适用于在所述三个疾病阶段中的任何一个阶段中的患者。
发明内容
本发明的各个方面和实施方式被研究以提出可辅助诊断和监视神经退行性疾病(例如，阿尔茨海默症)的工具，并可克服常规技术的前述缺陷。
根据本发明的第一方面，提供了一种用于临床评估对象中出现的神经退行性疾病的系统。所述系统包括图像获取模块和图像分析器，其中，所述图像获取模块可操作用于获取代表对象大脑的图像数据。所述图像分析器可操作用于依据图像数据而确定数量值，其中所述数量值可以指示出在对象大脑内出现的神经退行性疾病的等级。
根据本发明的第二方面，提供了一种用于对对象大脑内出现的神经退行性疾病进行临床评估的方法。所述方法包括：获取表示对象大脑的图像数据；分析图像数据以便依据所述图像数据确定数量值。所述数量值可以指示出在对象大脑内出现的神经退行性疾病的等级。
根据本发明的第三方面，提供了一种计算机程序产品，所述计算机程序产品包括可操作用于构成数据处理装置的计算机代码，以便能够执行根据本发明的各方面和实施方式的各种方法的一个或多个步骤。
根据本发明的这些方面的系统、方法和计算机程序产品的各种实施方式具有如下优点：所述数量值表示精度值(即数字值)，其可被各种保健专业人员用于辅助其诊断。因此，所述数量值可以被用于测量与特定的神经退行性疾病相关的各种指示是否出现，同时提供任何疾病严重程度的指示。而且，由于此值是数量的，故其也可以被用于辅助保健专业人士跟踪患者在各个时间周期上状况的任何改变，从而可以确保，此类系统、方法和计算机程序产品可被用于辅助监测任何疾病的进程(例如恶化/缓解)，任何已实行的治疗的效果等。
附图说明
本发明的各个方面和实施方式将参照附图而被描述，其中：
图1展示了根据本发明的实施方式的用于临床评估对象中出现的神经退行性疾病的系统；
图2展示了根据本发明的各个实施方式的用于辅助临床评估对象中出现的神经退行性疾病的方法；
图3展示了包括根据本发明的各方面的各种方法的工作流程；
图4展示了使用单一对象MRI模板对PET数据进行解剖学标准化，其中，所述MRI模板已经通过使用方向滤波器而被平滑；
图5展示了根据本发明的一个方面的使用灰/白质比率进行诊断特征提取；
图6a展示了根据本发明的一个方面，将从患有AD的对象处获得的图像的强度轮廓作为诊断特征；
图6b展示了根据本发明的一个方面，将从正常对照对象(NC)(normalcontrol)处获得的图像的强度轮廓作为诊断特征；
图7a展示了根据本发明的一个方面，对大脑感兴趣区(VOI)和推导出的灰/白质测量结果的三维(3D)图象显示；
图7b展示了根据本发明的一个方面，对推导出的大脑强度轮廓分析结果的图像显示；
图7c展示了根据本发明的一个方面，对推导出的基于特征的大脑体素(voxel)分析结果的图像显示；
图8a展示了根据本发明的一个方面，对推导出的患有AD的对象的大脑强度轮廓分析结果的3D图像显示；
图8b展示了展示了根据本发明的一个方面，对推导出的未患有AD的正常对象的大脑强度轮廓分析结果的3D图像显示。
具体实施方式
图1展示了根据本发明的实施方式的用于临床评估对象中出现的神经退行性疾病的系统100。所述系统100包括数据处理装置120、图像获取模块122和图像分析器124，其中，所述数据处理装置120被构造为提供各种接口123和126。所述接口123和126、图像获取模块122和图像分析器124可以通过数据总线125在中心处理单元(未示出)控制下逻辑耦合在一起。
数据处理装置120提供第一通用接口126，用于对接数据处理装置120与外部部件。在此实施方式中，外部部件包括：耦连到用户输入设备128(例如，鼠标/键盘等)上的输入数据接线127，耦连到互联网142的网络数据接线143和耦连到显示器130的显示数据接线129。而且，所述通用接口126还提供图形用户接口(GUI)123，通过所述图形用户接口，系统100的用户可以输入数据、命令等，并且可以通过观看显示器130接收可视信息。
GUI123可操作用于产生对象大脑的至少一部分的两维和/或三维的表示。此种表示可以包括以在大脑中的那些各自区域的物质摄取为依据的区域的彩色编码。这使系统100的用户更易于观看。而且，在不同的实施方式中，用户也可以通过使用输入设备128操作GUI123而旋转图像和/或切片3D图像。
GUI123也可以进一步将数据以表格的方式与三维表示相关联。例如，用户可以点击所显示的表格中的数据值，则大脑图像中对应的区域会变亮，或者反之亦然。这使得用户可以迅速根据显示的图像访问数量值。
在不同的实施方式中，数据处理装置120可以由通用计算机提供，例如个人计算机(PC)。这种通用计算机可以使用软件模块来提供图像获取模块122和图像分析器124，并且因此可以通过使用软件升级方式更新现有设备的功能而实现。例如，包括计算机代码的计算机程序产品144可以通过互联网142并经由网络数据连接143从远端服务器(未示出)被传送到数据处理装置120。
系统100还包括可选的正电子发射断层成像(PET)扫描仪140，所述扫描仪通过数据连接139耦合到数据处理装置120上，并且可选的数据存储器132通过数据连接131耦合到数据处理装置120。所述PET扫描仪140和/或数据存储器132可以被构造为将图像数据提供给图像获取模块122。例如，当没有设置PET扫描仪，包含有存储在其中的先前产生的图像数据的数据存储器132可以提供图像数据。这些先前产生的图像数据可以从系统100远程产生(例如，在远程的医院内等可以获得合适的图像数据产生设备)，并且随后被传送到数据存储器132，图像获取模块122可以从所述数据存储器处取回所述图像数据。为了存档的目的，所述图像获取模块122进一步将PET扫描仪140产生的图像数据传送到数据存储器132。
图像分析器124可操作用于依据图像数据确定数量值，其中所述数量值可以指示出出现在对象大脑内的神经退行性疾病的等级。所述数量值可以是数位(numerical figure)，所述数位是在一组正常图像数据中出现各种解剖学和/或化学变化的基础上被确定的。在优选的操作模式中，图像分析器124使用来自于PET扫描仪140的图像数据通过确定对象大脑内的淀粉状蛋白斑块(amyloid plaques)浓度根据图像数据来确定所述数量值。人脑内淀粉状蛋白斑块浓度的显像是一种有前途的技术，用于获得AD中的疾病过程直接相关的测量结果，并且淀粉状蛋白显像数据的数量评估方法因此而变得重要。
淀粉状蛋白成分，例如β-淀粉状蛋白，的确定对于AD的诊断和监测治疗效果而言是尤其重要的。使用PET或SPECT用于显像淀粉状蛋白成分的几种放射性示踪剂正在开发中，并且本发明的一个方面涉及此类数据的自动化分析。而且，当前技术的这一方面也可以降低数据获取的复杂性，从而便于使用简单的协议，并且因此，通过避免多个显影技术所需的较长的获取时间，可以减少获得可指示出任何神经退行性疾病等级的所述数量值所需的时间。
虽然系统100优选地使用至少一个模式工作，该模式检测淀粉状蛋白的存在以用于分析大脑淀粉状蛋白成分，但是应该理解系统100不限于此工作模式。例如，系统100的各种工作模式可以结合一个或多个：淀粉状蛋白成分的PET显像，大脑新陈代谢的FDG显像，MRI，fMRI等。例如，在花费了图像数据获取时间，图像数据处理时间等的情况下，根据系统100的任何特定的期望临床应用，此类模式，特别当结合在一起时，可被用于获得更准确的显影，并且因而获得更准确的数量值度量。
图2展示了用于辅助临床评估对象中出现的神经退行性疾病的方法200的实施方式。方法200可以使用各种根据本发明而制造的装置的实施方式而实现，例如图1中所示的系统100。
方法200包括：获取大脑图像数据220。这一步骤自身可以进一步包括仅获取图像数据，例如，从数据存储设备，或者可以包括在对象大脑的至少一部执行PET扫描。在后一种情况下，可以对患者使用放射性示踪剂物质。例如，所述放射性示踪剂物质可以包括选择性的结合到淀粉状蛋白质上的化学个体，例如类似于Pittsburgh Compound B(PiB)家族的放射性药剂，正如WO02/16333和WO2004/083195中所描述的示踪剂，或者是如WO00/10614中所描述的示踪剂FDDNP及类似物。因此，所述数量值可以依据对象大脑内的淀粉状蛋白浓度而确定，这在辅助诊断神经退行性疾病中是有用的。
方法200包括分析图像数据240的步骤和确定数量值260的步骤。两个步骤240和260的结合可以包括多个技术，所述多个技术中的几种示例将在下文中更详细的描述。例如，分析图像数据240可以包括一个或多个：在由图像数据定义的图像中定义参考区域，依据物质摄取将所述数量值确定为大脑灰质摄取与大脑白质摄取的比率，确定所述数量值为沿大脑内预定投影的图像数据幅度的变化率等。
在方法200的各种实施方式中制定有规则，以便可以最大化的使用可获得的图像信息，以用于对对象的PET扫描的分析。例如，如果MRI扫描是可获得的，则解剖学标准化可以被MRI扫描所驱动。如果PET/CT数据是可获得的，则可以使用CT部件。这种方案有助于确保在分析时给定可获得信息的情况下达到最大的精度。此类方法将在下文中更详细的描述。
图3展示了根据本发明的各方面和实施方式并包括各种方法320、350和380的工作流程300。例如，方法320、350和380中的一个或多个可以被图1中所示的系统100所实现，或者作为其一部分而包含于图2所示的方法200中。
工作流程300的第一方面提供了方法320，用于获得正常图像数据库(NID)。所述NID被用于提供一组控制数据，所述控制数据随后可以被用于辨别非正常生理学、化学或解剖学数据指示剂，所述指示剂可以指示出神经退行性疾病的存在。所述NID可以获得一次，例如在中心医疗机构或其分支机构，或者可以基于对正常对象的测试而由一个或多个系统在本地提供。
在本发明的各种实施方式中，所述NID可以通过扫描在特定位置处的正常对象而被持续的更新，以便提高其中数据的精度。此类NID数据也可以通过设置在不同位置的多个系统而被共享，以便提高在所有位置处的NID中数据的全部整体精度。这在如下情况下是特别有用的：例如，小医院设置有根据本发明的实施方式的系统，但是该小医院自身可能没有充足数量的对象/患者使用所述系统，从而能够提供满意的可提取的本地统计获得的有用的NID数据集。
在步骤322和322′，来自于大量正常对象的扫描可以被处理并被包含于NID内。为了清楚，只展示了两个扫描322和322′，但是显然，N可以对应任何正整数，并且优选地，N可以实际上尽可能大，以便获得最佳的NID。
在步骤324，执行对在步骤322和322′中扫描所获的图像数据的处理。图像数据的处理由如下三个步骤组成：(1)解剖学标准化；(2)强度标准化；和(3)特征提取。这三个处理过程的实现方式将在下面的各个标题中被描述。
解剖学标准化
解剖学标准化(有时也被称作空间标准化)的目的是将来自不同对象的数据转换为标准解剖学空间，例如，Talairach和MNI(MontrealNeurological Institute)空间。解剖学标准化可以通过对一个图像集(也被称作浮点图像)应用空间转换而实现，以便其可以与第二图像集(也被称之为参考图像)相匹配。大多数方法通过反复调整转换而进行，以便最大化在被转换的浮点图像和对应的参考图像之间计算的一些相似性测量。找到合适的转换通常使用最优化算法。转换类型和所用的参数数量决定了解剖学标准化的精度。通常，使用高分辨率解剖学图像的解剖学标准化(MRI)可以以比使用功能图像诸如PET和SPECT时以更高的精度执行。
解剖学标准化便于来自不同对象数据的直接比较，因为特定的解剖学结构在标准化空间中占据相同的位置。例如，解剖学标准化也便于创建正常图像数据库，以及便于使用感兴趣区(VOI)模板用以对不同区域的摄取的自动化定量，例如，在各种示踪剂被用于对象的区域。
精确的解剖学标准化是重要的，并且通常，在解剖学图像与PET提取的图像数据结合使用的场合，此过程会更精确。然而，由于解剖学图像不总是可获得的，所以具有如下方法是重要的：即此方法可以直接使用PET数据执行精确的解剖学标准化。由此，可采用如下方法：依据图像数据的分类/多个分类自动选择图像分析模式，正如前面所述的。此类选择技术可以包括：
a)在对象的MRI数据可获得的场合，对象的MRI与PET扫描相互配准。MRI图像通过使用非严格配准而被空间标准化，所述非严格配准可以最大化对象的MRI和标准化空间中的MRI模板之间的相似度。这导致了将MRI映射到标准化空间上的变换。此后，在前述步骤中所获得的变换被用于将PET扫描转换到标准化空间.
b)当MRI数据不可获得但可通过使用将PET与计算机层析成像(CT)相结合的(PET/CT)扫描仪而获得PET图像数据的场合，来自于CT扫描和PET扫描的图像数据通常已经是配准的。然而，这种假设被检查，并且如果图像数据没有对准，则将CT图像数据与PET图像数据相互配准。PET/CT图像数据的CT成分可通过采用非严格配准而被空间标准化，所述非严格配准最大化对象的CT和标准化空间中的模板之间的相似度。这导致了将CT数据映射到标准化空间上的变换。此后，在前述步骤中所获得的变换被用于将PET扫描图像数据转换到标准化空间。
c)在仅有PET图像数据可获得场合，PET扫描图像数据通过采用非严格配准而被空间标准化，所述非严格配准最大化PET数据和标准化空间中的模板之间的相似度。对于淀粉状蛋白数据而言(例如PIB)，将来自于阿尔茨海默症患者的图像与来自于正常对照对象的图像相比，在图像模式(image pattern)中存在不同的特性。如果采用解剖学标准化的标准方法，这可能会导致系统错误。而且，对于淀粉状蛋白数据而言，参考区域(参见下文)周围的区域的良好配准是非常重要的。为了克服这些困难，下面的方法被采用。作为参考模板，使用配准到MNI空间的单一对象的MRI大脑(例如，参见图4)。为了降低得到相似度函数(similarity function)的本地最小化的风险，使用方向滤波器过滤参考模板，所述方向滤波器可使模板更平滑，而仍然保持组织的边界。
为了将PET扫描配准应用到参考模板上，基于标准化的互信息的相似度函数被使用。而且，配准通过两个步骤执行。在第一步骤中，通过使用具有18个参数的多项式变换将PET扫描整体对准到参考模板。在第二步骤中，参考区域周围的本地配准被执行。被内部和外部3D形状(盒形、球形或不规则形)定义的包围盒(bounding box)被置于参考区域周围，并且内部形状内的数据的本地配准通过使用刚性变换而执行。在内部和外部形状之间区域内的数据被插值，以便确保包围盒里面数据和外面数据之间的平滑过渡。此方法可以确保对象大脑良好的整体配准，同时提高了参考区域周边(即包围盒内部)数据的准确度。图4展示了用于脑桥(Pons)周围的参考区域的包围盒410，但是应该理解，也可以使用其它参考区域(例如小脑)。
应该注意到：过程(b)中使用的模板可以是基于MRI或CT的，而步骤(c)中使用的模板是基于MRI的。所使用的配准方法可以是基于相似度测量最大化的方法，所述相似度测量包括相关性、互信息、已标准化互信息和用于空间标准化数据的变换，其中，所述变换包括仿射、多项式、离散余弦变换(DCT)等。
强度标准化(参考区域)
为了便于对各种对象的图像数据进行比较，数据可以是约略估算的强度，以说明被注入的放射性、不同对象的重量等。一种可以采用的技术是根据区域中的摄取来约略估算数据，所述区域应当是：无论感兴趣的神经退行性疾病如何被探查，其均不受影响。
在本发明的各个实施方式中，由图像数据定义的图像中的参考区域被定义，其中，依据所述图像数据可以确定神经退行性疾病的等级。例如，参考区域可以与大脑的子区域相对应，例如：脑桥，丘脑、小脑等。使用此类相对较小的参考区域增加了对此区域进行精确(robust)定义的需求。
例如，对淀粉状蛋白图像(例如，使用C11-PIB)而言，所用的区域可以是小脑的灰质区域。典型地，在相互对准的MRI中此区域是人为概括(outline)的。然而，对于自动化方法而言，参考区域必须被定义在标准化空间内。为了使此步骤更精确，最大概率掩模被应用。在随后的描述中，实施例被描述为：(a)此种掩模如何被创建；和(b)所述掩模如何被使用。
(a)参考区域概率掩模创建：最大概率灰质掩模根据如下技术被创建：(1)对于N个对象而言，图像数据在MRI和PET扫描之间被相互配准；(2)专家被用于在相互配准的MRI数据中概括小脑参考区域；(3)所有数据通过使用前面部分所概述的方法而被转换到标准化空间；和(4)为每个体素计算概率图，其显示了该体素出现在N个对象的所有参考区域内的概率。因此，是所有对象中的参考区域的一部分的体素被给予数值1.0，而除一个外是其他所有中的一部分的体素被给予值(N-1)/N，等等。相同的方法也被用于其它区域，以便为参考区域建立概率参考掩模，例如，所述参考区域是脑桥和皮质下白质。
(b)对强度标准化数据使用参考区域概率掩模：所述掩模通过使用下述方法而被应用：(1)概率掩模被应用于解剖学标准化PET图像数据；(2)计算由所述掩模定义的所有体素的平均体素值，并且根据所述掩模中对应的概率而为所述体素给出相对贡献；(3)依据计算出的平均值分割整个图像。因此，比率图像被获得，从而示踪剂摄取相对于参考区域而被约略计算。
应该注意到：结合在参考区域的周围区域具有高精确度的解剖学标准化技术而使用此类概率掩模便于参考值的准确提取，并且因而与多种扫描相比，提高了精确度。
特征提取
特征提取的目的是提取信息，所述信息为特定的正被检测(investigate)的神经退行性疾病的特征。不同的测量结果(或特征)是适宜的，并且可以被用于提供诊断信息，以及提供对纵向跟踪的精确测量结果，也可以提高各种图像数据的可视描述。
各种技术可以被用于辨别感兴趣的特征，下面四个实例将被更详细的描述：
(a)可以将VOI应用于数据，以便确定目标区域与参考区域的比率。完成此过程的一种方式是：(1)将VOI图谱应用于比率图像(即已经过解剖学标准化和强度标准化的扫描)，其中VOI图谱包括解剖学区域的定义，诸如脑叶(brain lobes)、布鲁德曼区(Brodmann area)等；和(2)计算由图谱定义的不同的VOI内的统计数字。VOI图谱可以以不同形式被存储，包括标记卷(labelled volume)或多边形(polygons)。此后，存在从图谱到标准化空间的映射。在其最简单的形式中，采用一对一映射，以便标记卷中的每个体素与标准化空间中的体素相对应。此后，VOI图谱中的任何结构均可被用作可被应用于标准化空间中的图像的VOI，并且VOI中的体素的不同特性可以被计算，诸如被VOI定义的所有体素值的标准偏差和平均值、方差。
(b)应该注意到：依据对象是否患有阿尔茨海默症，PET淀粉状蛋白数据表示特性地呈现显然不同的模式。AD患者的PET淀粉状蛋白扫描在皮质区显示高的信号，反之，健康对象在白质区显示出高信号并在皮质区显示出低信号。由于此，对淀粉状蛋白数据的分析特别有用的并基于VOI的特征是灰白质比率的使用。这可以这样获得：(1)将VOI图谱应用于比率图像(即已经过解剖学标准化和强度标准化的扫描)，其中VOI图谱包括解剖学区域定义，诸如脑叶、布鲁德曼区等，并且另外，所述图谱定义了大脑的灰质和白质区；(2)为VOI的例如脑叶计算灰质区内的摄取，但仅考虑被VOI和灰质掩模定义的体素；(3)为VOI的同样的部分计算白质区域内的摄取，但仅考虑被VOI和白质掩模定义的体素；和(4)为每个VOI计算灰白质比率。
在各种实施方式中，数量值被确定为大脑灰质内的物质摄取和大脑白质内的物质摄取的比率。例如，此物质可以是出现神经退行性疾病时其比率会改变的任何物质：例如用于PET显像的FDG、用于PET显像的淀粉状蛋白示踪剂等。此技术的一个优势是：其意味着参考区域标准化不是一定需要的。
使用此类灰/白质比率的一种方式将在下面结合附图5而被更具体的描述。
(c)强度轮廓特征可以被使用。完成此过程的一个方式如下：(1)在标准化空间内定义多个表面点和沿表面法线的射线，以及标记，所述标记可以定义每个表面点属于VOI图谱中的哪个VOI；(2)使用比率图像(即已经过解剖学标准化和强度标准化的扫描)并通过使用垂直于大脑表面的示踪剂来计算用于预定VOI部分的强度轮廓(例如，参见图5a和5b)；(3)计算描述沿每个射线的强度分布的特性(此类特性之一是梯度，所述梯度描述沿每个射线强度的变化率)；和(4)将计算出的每个VOI内的所有射线的特性平均化为一个数字，所述数字可被用于定义指示出对象大脑中出现的神经退行性疾病的等级的数量值。
在各种实施方式中，所述数量值被确定为沿大脑中预定投影(projection)的图像数据幅度的变化率。这使允许确定是否出现神经退行性疾病及其量化，所述量化可用于随后对对象的研究/试验/扫描。
使用此类强度轮廓特征的一种方式将在下面结合附图6a和6b而被更详细的描述。
(d)基于特征的体素可以被使用。完成此过程的一种方式如下：使用在整个大脑中的体素强度，或被由VOI图谱定义的解剖学区域掩模，诊断和监测特征。
(e)对于淀粉状蛋白数据，将计算出的特征结合入“淀粉状蛋白索引”中是期望的。这可以通过如下过程完成：计算由VOI分析和/或强度轮廓分析所计算出的VOI值的加权平均值，并用一个或多个参考区域内对应的值进行除运算。
在已经为NID确定了图像数据的情况下，根据上面所述的一个或多个技术，正常图像数据连同各种统计信息随后被存储在数据库326内，例如，所述统计信息为提取出的用于年龄匹配对象组的特征的均值和方差，
图3也展示了工作流程300的第二方面。工作流程300的这一方面提供了方法350，用于对出现在对象中的神经退行性疾病通过如下方式进行临床评估：依据图像数据确定数量值，可以指示出出现在对象大脑中的神经退行性疾病的等级。
方法350包括：执行对象/患者352的扫描。所述扫描可以是PET扫描、MRI扫描、CT扫描等扫描中的一个或多个。在一个优选的工作模式中，所述扫描包括患者大脑淀粉状蛋白成分的PET扫描。来自于扫描的图像数据在步骤354中被处理，以便提取临床相关信息。例如，步骤354的处理可以提供来自于图像数据的数量值。在步骤356，将步骤354的处理结果与正常对象的相比较，以便确定对象大脑中是否出现指示出了神经退行性疾病的任何异常。这一比较结果在步骤358被显示，并且随后在步骤360中产生报告。
在所展示的实施例中，步骤354的处理可以使用前面所述的任何技术并结合用于提供NID的步骤324的处理。然而，本领域技术人员可以认识到本发明的各方面和实施方式，而不限于此。
在步骤356可以使用各种方式将提取出的扫描352的特征与NID相比较。一种方式是比较各种诊断特征。例如：(a)可以使用VOI特征，其中，将不同VOI内的平均值与NID定义的正常范围相比较，并且计算包括z值(z-score)的偏差；(b)可以使用灰/白质比率，其中，将不同VOI的所述比率与NID定义的正常范围相比较，并且计算包括z值的偏差；(c)可以使用强度轮廓特征，其中，将与沿每个射线的强度特性(最大强度、最大梯度和其他特征)相对应的值与NID定义的正常范围相比较，并且计算包括z值的偏差；和/或(d)可以使用基于特征的体素，其中，将体素数据与NID中的平均和标准偏差数据相比较，计算z值图像，随后对所述数据应用聚类分析法，并且低于特定大小的所有聚类被丢弃。
一旦所述扫描已经与NID在步骤356进行了比较，则结果随后在步骤358中被显示。图7a-7c和图8a及8b，下部，展示了各种实施方式，在两维和三维空间内，以及展示了这是如何实现的。当然，此结果以彩色方式显示更好，以便可以进一步提高任何偏离于正常对象的扫描偏差的显示效果。
在一个实施方式中，VOI特征或者灰/白质比率被使用，数据被展示在表格中并且具有标准化空间内的大脑图像的图形化表面渲染，其中，所述标准化空间具有描绘出轮廓的VOI定义。VOI部分和/或灰/白质根据重要性而被彩色编码。对于强度轮廓特征，数据可以呈现为具有沿每个射线的值的表面投影(projection)(最大强度、最大梯度和其他特征)(图8a和图8b)，和/或与正常数据相比较的强度轮廓特征的z值数据，所述正常数据投影(projection)到标准化空间内的大脑的3D渲染上和2D切片上(图7a-7c)。对于基于特征的体素，偏差图像和z值图也可以被层叠地显示在MRI数据上。
在此实施方式中，也提供有报告产生360。这可以为了将来使用而被归档，和/或被传送到远程位置(医院等)以用于对其感兴趣的人的研究。此报告可以包含下述信息：(a)患者信息，日期等；(b)显示了原始患者扫描的图像；(c)处理过的图像，所述图像显示了结果；(d)具有测量结果(例如VOI结果)的表格；和评述，所述评述指明调查研究结果是否位于正常范围内。
图3也展示了工作流程300的第三方面。工作流程300的此方面提供了方法380，用于监测任何出现在对象中的神经退行性疾病的进展。
方法380包括：执行对象/患者384的跟踪扫描，所述对象/患者384先前已经被执行了患者基本扫描382。此扫描可以是PET扫描、MRI扫描、CT扫描等中的一个或多个。在一个优选的工作模式中，所述扫描包括患者大脑淀粉状蛋白成分的PET扫描。
与诊断扫描350相类似，来自于扫描的图像数据在步骤386被处理，以便提取诊断相关信息。例如，步骤386的处理可以提供来自于图像数据的数量值。在步骤388，将步骤386的处理结果与先前的基本扫描382的结果相比较，以便量化对象大脑内出现的神经退行性疾病的进展。这种比较结果在步骤390被显示，并且随后在步骤392产生报告。显示该结果的390和产生报告的392的方式分别与用于诊断工作流程的步骤358和步骤360类似，正如前面所述的。
在展示的实施例中，步骤386的处理可以结合用于提供NID的步骤324的处理而使用前面所述的任何技术。然而，本领域技术人员可以实现本发明的各方面和实施方式，而不限于此。
在比较步骤388，可以使用VOI特征，其中，将用于跟踪扫描的不同VOI的平均值与基本扫描中的对应值相比较。随后，可以计算出差值，并将所述差值与NID定义的正常范围相比较。也可以使用灰/白质比率，其中，将用于跟踪扫描的不同VOI的比率与基本扫描中的对应值相比较。随后，也可以计算差值并将所述差值与NID定义的正常范围相比较。可以使用强度轮廓特征，其中，将用于跟踪的沿每个射线的值(最大强度、最大梯度和其他特征)与基本扫描中的对应值相比较。随后，可以计算差值并将所述差值与NID定义的正常范围相比较。也可以使用基于特征的体素，其中，计算显示了增加和降低的差分图像和统计参数图。
图4展示了PET淀粉状蛋白扫描的配准。参考图像(低行)是定义在MNI空间内的单一对象MRI扫描。所述MRI扫描被各向异性滤波器所模糊，所述各向异性滤波器可以平滑组织类中的数据，但可保持组织之间的边界。此图展示了解剖学标准化之前(高行)和之后(中行)的PET数据。图4也展示了的包围盒410的使用，所述包围盒用于两步配准步骤中。
图5展示了根据本发明的一个方面，通过使用灰/白质比率提取诊断特征。在所使用的标准化空间中(例如，MNI空间)，多个解剖学区域定义了感兴趣区(VOI)以及白质掩模530和灰质掩模540。图5中显示的特定VOI与额叶520相对应。
量化工作如下：额叶VOI520使用“与”逻辑与白质掩模530相结合，以便产生仅覆盖额叶535的白质区域的VOI。这种新的VOI被应用于图像数据550，并且被用于提取额叶内的白质的值。类似地，额叶VOI 520使用逻辑“与”与灰质掩模540相结合，以便产生仅覆盖额叶535的灰质区域的VOI。这种VOI被应用于图像数据550，并且被用于提取额叶内的灰质的值。随后，这两种值被结合，以便产生额叶灰/白质比率，并且箱形图(box plot)560展示了这一比率怎样区分阿尔茨海默症对象(AD)和正常对照对象(NC)。本领域技术人员清楚：不需要根据前述过程计算灰和白质区域，例如，灰质和白质VOI可以同等良好地被交互绘制，以便产生灰和白质VOI。
图6a展示了根据本发明的一个方面，将来自图像的强度轮廓用作诊断特征，所述图像取自于患有AD的对象。
图6b展示了根据本发明的一个方面，将来自图像的强度轮廓用作诊断特征，所述图像取自于正常对照对象。
本方法的这一实施方式工作如下进行：标准化空间(例如MNI)内的标准大脑被使用，并且所有面向背景的体素被考虑作为表面体素。对于所有表面体素，沿该点表面法线的坐标(x，y，z)被存储于列表中，所述列表被表示为表面点列表。而且，存在与表面点列表相关联的标记列表，所述标记列表指示出特定表面点所属的解剖学区域。也就是说，表面点列表中的每个条目均具有标记列表中的对应条目，其指示出某个表面点所属的解剖学区域。具有多个列表允许多项隶属(例如，表面点可以既属于左额回，也属于左额叶)。
当分析图像时，必须首先进行空间标准化，故由表面点列表内的坐标定义的表面点与被分析的图像中的大脑表面上的点相对应。随后，表面点列表被逐级读取，并且对于每个点，计算沿表面法线负方向的射线620和640。所述射线被截断并以表面点为起点(或者甚至稍微位于外侧，以使所述方法更精确)，并且当跟随所述射线进入大脑时，将沿所述射线的值记录并存储在数组中。所述数据被二次抽样，并且沿射线的每个点之间的距离以及进入大脑的最大距离均是可以被改变的参数。这一过程将为每个表面点产生存储在所述数组中沿所述射线的强度轮廓625和645。随后，所述强度轮廓被分析，并且提取出诊断特征。在本发明的一个实施例中，最大梯度被计算为特定固定距离的两点之间的差值，所述最大梯度被用作诊断特征。在本发明的第二实施例中，计算沿所述射线的最大强度。在本发明的第三实施例中，计算沿所述射线特定固定距离的点之间的比率。当然，本领域技术人员也可以知道计算强度轮廓的各种其他特征。
图7a展示了根据本发明的一个方面，对大脑感兴趣区(VOI)结果以及所获得的灰/白质测量结果的三维(3D)图形显示。
被渲染的3D大脑根据由所选的工作模式而获得的分析结果而被彩色编码。在本发明的一个方面，强度轮廓特征，诸如最大梯度，在大脑的特定结构(例如，额叶)上被平均，并且随后将计算出的平均值与NID相比较，以便产生z值。为不同大脑结构所获得的z值随后可被用于对3D渲染大脑进行彩色编码。为此，使用合适的色度标尺(colour scale)以便可使具有与NID确定的正常状态相比发生显著变化的区域高亮。
图7b展示了根据本发明的一个方面而获得的大脑强度轮廓分析结果的图形显示。在本发明的这一方面中，没有跨越大脑各区域对强度轮廓特征进行平均。替代地，将每个表面点与NID相比较，以便产生z值，并且此z值可被用于对标准化空间内的通用MR模板进行彩色编码。用户可以设置取舍点值，并且仅高于上述门限值的z值被显示。例如，当缺省取舍点值是2.0时，所述值必须与平均值具有至少两个标准偏差以便可以被显示。为了允许用户也可以检查内部皮质区，标准大脑被分割为两个半球，并且在内部表面上也定义表面点。
图7c展示了根据本发明的一个方面而获得的基于特征的大脑体素分析结果的图形显示。此图显示了来自于基于体素的分析的结果。
图8a展示了根据本发明的一个方面而获得的患有AD症的对象的大脑强度轮廓分析结果的3D图形显示。强度轮廓以如前所述的方法被计算，即表面点列表被逐级读取，且对于每个点，计算沿表面法线负方向的射线，并且所述射线被截断。沿所述射线的数据被二次取样并计算强度轮廓。基于强度轮廓，可以计算不同特征，例如最大值和沿所述轮廓的最大梯度。在每个表面点的所述值随后被用于对3D渲染大脑上的对应点使用预定的色度标尺进行彩色编码，其中，用户可以改变所述色度标尺。此图展示了使用最大梯度方法对AD大脑进行的分析。
图8b展示了根据本发明的一个方面而获得的没有AD的正常对象的大脑强度轮廓分析结果的3D图形显示。驱动此显示的原理与前面所描述的与图8a相关的那些原理相同。
可以使用一个或多个硬件、软件和/或固件来实现本发明的各种实施方式。在一个实施方式中，可以提供计算机代码作为软件产品以对现有的常规系统进行升级，从而提供根据本发明的各个方面和/或实施方式的新功能。或者另外也可以提供所述计算机代码作为计算机程序产品，例如，可以在载体媒介上提供所述计算机程序产品。例如，此类载体媒介可以包括可在各种连接上传输的信号，例如，互联网、无线连接、光连接、射频连接、电子连接、专用数据/电话连接、LAN/WAN等，并且可以被用于升级现有的系统，和/或所述载体媒介可以包括常规载体媒介上的计算机代码，例如磁盘、磁带，光盘和半导体设备等。
本领域技术人员应该理解：各种实施方式可被用于升级现有的系统。本领域技术人员也应该认识到：可以使用分布式系统实现特定的实施方式，其中，不同的数据处理装置执行不同的功能。例如，在各种实施方式中，可以将图像获取模块合并入PET扫描仪中，和/或数据处理装置可以是PET扫描仪的一部分。
尽管结合各种实施方式描述了本发明，但是本领域技术人员应该认识到：本发明不限于这些实施方式，并且落入所附权利要求所限定的本发明的保护范围的各种变化也是想象的到的。
参考文献
1.US2003/0233197，Carlos E.Padilla and Valeri I.karlov
2.US2005/0283054，Eric M.Reiman
3.US2005/0094099，Richard W.Newman and Corinn C.Fahrenkrug
4.US2005/0197560，Stephen M.Rao and Catherine L.Elsinger
5.US2005/0215889，James C.Patterson H
6.US2005/0273007，Ziad Burbar
7.WO 02/101407，Nicholas Fox and Ilya Chariles
8.WO2006/083378，Vladimir Kepe et al
经允许，上述参考文献内容的整体也以引用的方式合并于本申请文件中。

Claims (27)

1.一种用于对出现在对象中的神经退行性疾病进行临床评估的系统(100)，所述系统包括：
图像获取模块(122)，所述图像获取模块(122)可操作用于获取代表对象大脑的图像数据；和
图像分析器(124)，其中，所述图像分析器(124)可操作用于根据所述图像数据确定数量值，所述数量值指示出出现在所述对象大脑中的神经退行性疾病的等级。
2.根据权利要求1所述的系统(100)，包括数据处理装置(120)，所述数据处理装置(120)被设置为提供所述图像获取模块(122)和所述图像分析器(124)。
3.根据权利要求1或2所述的系统(100)，进一步包括正电子发射断层成像(PET)扫描仪(140)，所述正电子发射断层成像(PET)扫描仪(140)可操作用于将所述图像数据提供给所述图像获取模块(122)。
4.根据前述权利要求中的任一个权利要求所述的系统(100)，其中所述图像分析器(124)还可操作用于根据所述图像数据并通过确定所述对象大脑内的淀粉状蛋白斑块的浓度而确定所述数量值。
5.根据前述权利要求中的任一个权利要求所述的系统(100)，其中所述图像分析器(124)还可操作用于定义由图像数据所定义的图像中的参考区域，并由此确定出现在所述对象中的神经退行性疾病的等级。
6.根据前述权利要求中的任一个权利要求所述的系统(100)，其中所述图像分析器(124)还可操作用于将所述数量值确定为大脑灰质内的物质摄取与大脑白质内的物质摄取的比率。
7.根据前述权利要求中的任一个权利要求所述的系统(100)，其中所述图像分析器(124)还可操作用于将所述数量值确定为沿大脑内预定投影的图像数据强度的变化率。
8.根据前述权利要求中的任一个权利要求所述的系统(100)，其中所述图像分析器(124)还可操作用于依据所述图像数据的一个类别/多个类别自动选择解剖学标准化和/或图像分析模式。
9.根据前述权利要求中的任一个权利要求所述的系统(100)，还包括图形用户接口(GUI)(123)，所述图形用户接口可操作用于产生所述对象大脑的三维表示，其中所述三维表示包括区域的彩色编码，所述彩色编码依据于大脑这些区域每一个当中的物质摄取进行。
10.根据权利要求9所述的系统(100)，其中所述GUI(123)还可操作用于将数据以表格形式与所述三维表示相连接。
11.用于对出现在对象中的神经退行性疾病进行辅助临床评估的方法(200)，所述方法包括：
获取代表对象大脑的图像数据(220)；和
分析所述图像数据(240)，以便依据所述图像数据确定数量值(260)，所述数量值指示出出现在所述对象大脑中的神经退行性疾病的等级。
12.根据权利要求11所述的方法(200)，其中获取所述图像数据(220)进一步包括对所述对象大脑的至少一部分执行PET扫描。
13.根据权利要求12所述的方法(200)，进一步包括给予患者放射性示踪剂物质，所述放射性示踪剂物质包括选择性地结合到淀粉状蛋白质上的化学实体。
14.根据权利要求11至13中任何一个权利要求所述的方法(200)，其中所述数量值被确定为所述对象大脑内的淀粉状蛋白浓度。
15.根据权利要求11至14中任何一个权利要求所述的方法(200)，其中分析所述图像数据(240)包括使用概率掩模定义由所述图像数据所定义的图像中的参考区域。
16.根据权利要求11至15中任何一个权利要求所述的方法(200)，其中分析所述图像数据(240)包括依据物质摄取确定所述数量值为大脑灰质内的物质摄取与大脑白质内的物质摄取的比率。
17.根据权利要求11至16中任何一个权利要求所述的方法(200)，其中分析所述图像数据(240)包括将所述数量值确定为沿大脑内预定投影的图像数据强度的变化率。
18.根据权利要求11至17中任何一个权利要求所述的方法(200)，还包括依据所述图像数据的类别/多个类别自动选择解剖学标准化和/或图像分析模式。
19.根据权利要求11至18中任何一个权利要求所述的方法(200)，其中自动化标准化过程使用两步方法而执行，所述两步方法包括：
执行整体配准；和
通过在由内部和外部3D形状包围的区域内使用严格配准而精细化所述配准，其中，最终配准是所述整体配准和所述严格配准的结合，并且其中，所述内部和外部3D形状之间的数据被插值，以便在本地精细区域和整体配准数据之间产生平滑过渡。
20.根据权利要求11至19中任何一个权利要求所述的方法(200)，包括在淀粉状蛋白PET数据上执行解剖学标准化，其中，可根据标准化空间内的单一对象MRI扫描获得参考模板，并且其中，互信息或标准化互信息被用于优化。
21.根据权利要求20所述的方法(200)，其中，所述单一对象MRI参考模板被各向异性滤波器所模糊，以便保持组织边界。
22.根据权利要求11至21中任何一个权利要求所述的方法(200)，还包括计算加权平均值形式的淀粉状蛋白索引，所述加权平均值通过在一组解剖学区域内计算得出的值除以至少一个参考区域内的对应值得到，其中，使用VOI分析和/或强度轮廓分析计算每个区域内的值。
23.根据权利要求11至22中任何一个权利要求所述的方法(200)，还包括产生所述对象大脑的三维表示，其中，所述三维表示包括区域的彩色编码，所述彩色编码依据于大脑这些区域每一个当中的物质摄取进行。
24.根据权利要求11至23中任何一个权利要求所述的方法(200)，还包括产生报告，所述报告包括以下一项或多项：所述对象中存在神经退行性疾病的出现或不出现的指示；所述数量值；所述对象中存在神经退行性疾病的出现或不出现的数量值指示；患者信息；日期；时间；原始患者扫描图像；根据权利要求11至22中的任一个权利要求所述的方法处理过的结果图像；测量结果表格；VOI结果；淀粉状蛋白索引；是否有任何结果位于正常参数范围内的评述。
25.计算机程序产品(144)，包括计算机代码，所述计算机代码可操作用于配置数据处理装置(120)，从而实现根据权利要求11至24中的任一个权利要求所述的方法(200)的一个或多个步骤。
26.根据权利要求25所述的计算机程序产品(144)，提供在载体媒介(142)上。
27.根据权利要求26所述的计算机程序产品(144)，其中，所述载体媒介(142)包括下述一项或多项：磁盘、磁带、光盘、电子信号、光信号、无线信号和半导体设备。
CN200880003577.0A 2007-01-30 2008-01-25 用于辅助诊断神经退行性疾病的工具 Active CN101600973B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US88716307P 2007-01-30 2007-01-30
US60/887,163 2007-01-30
PCT/GB2008/000272 WO2008093057A1 (en) 2007-01-30 2008-01-25 Tools for aiding in the diagnosis of neurodegenerative diseases

Publications (2)

Publication Number Publication Date
CN101600973A true CN101600973A (zh) 2009-12-09
CN101600973B CN101600973B (zh) 2014-05-14

Family

ID=39203198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200880003577.0A Active CN101600973B (zh) 2007-01-30 2008-01-25 用于辅助诊断神经退行性疾病的工具

Country Status (12)

Country Link
US (1) US20100080432A1 (zh)
EP (1) EP2126609B1 (zh)
JP (1) JP5468905B2 (zh)
KR (1) KR101503940B1 (zh)
CN (1) CN101600973B (zh)
AU (1) AU2008211786B2 (zh)
BR (1) BRPI0806785A2 (zh)
CA (1) CA2675228A1 (zh)
ES (1) ES2414614T3 (zh)
MX (1) MX2009007880A (zh)
RU (1) RU2494669C2 (zh)
WO (1) WO2008093057A1 (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102844790A (zh) * 2010-03-02 2012-12-26 皇家飞利浦电子股份有限公司 用于神经精神疾病的标准数据集
CN103083018A (zh) * 2011-10-28 2013-05-08 西门子公司 用于测量人脑结构的方法
CN103501701A (zh) * 2011-04-26 2014-01-08 皇家飞利浦有限公司 诊断性脑成像
CN103945765A (zh) * 2011-11-16 2014-07-23 皇家飞利浦有限公司 计算并呈现灰质中的脑部淀粉样物质的方法
CN104093354A (zh) * 2011-12-15 2014-10-08 联邦科学与工业研究组织 用于评估医学图像的方法和设备
CN105263416A (zh) * 2013-06-07 2016-01-20 皇家飞利浦有限公司 基于皮质分布图的淀粉样蛋白pet脑扫描量化
CN105261002A (zh) * 2014-07-10 2016-01-20 西门子公司 基于3d数据组显示检查对象中的病理变化的方法和装置
CN106659424A (zh) * 2014-09-25 2017-05-10 大日本印刷株式会社 医用图像显示处理方法、医用图像显示处理装置及程序
CN106778036A (zh) * 2017-01-10 2017-05-31 首都医科大学附属北京友谊医院 一种数据处理的方法及装置
CN108877922A (zh) * 2017-05-15 2018-11-23 沈渊瑶 病变程度判断系统及其方法
CN110233521A (zh) * 2019-07-10 2019-09-13 云南电网有限责任公司电力科学研究院 一种配电网运行监控方法
CN110693459A (zh) * 2019-10-31 2020-01-17 北京乐器研究所 诊断阿尔茨海默症的应用及诊断阿尔茨海默症的装置
CN113226168A (zh) * 2018-10-31 2021-08-06 西纳普提克公司 建立脑部状态指标的方法及其系统
CN116344058A (zh) * 2023-05-29 2023-06-27 之江实验室 一种基于图信号的阿尔兹海默风险标注方法及装置

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5524458B2 (ja) * 2008-07-18 2014-06-18 富士フイルムＲｉファーマ株式会社 器官表面画像の表示装置及び方法
US9965862B2 (en) 2008-08-07 2018-05-08 New York University System, method and computer accessible medium for providing real-time diffusional kurtosis imaging and for facilitating estimation of tensors and tensor-derived measures in diffusional kurtosis imaging
US8811706B2 (en) * 2008-08-07 2014-08-19 New York University System, method and computer accessible medium for providing real-time diffusional kurtosis imaging and for facilitating estimation of tensors and tensor-derived measures in diffusional kurtosis imaging
US20100074480A1 (en) * 2008-09-22 2010-03-25 University Of Washington Device for generating alternative of normal brain database
US9008394B2 (en) * 2008-11-26 2015-04-14 General Electric Company Methods and apparatus for determining brain cortical thickness
JP5061131B2 (ja) * 2009-01-29 2012-10-31 富士フイルムＲｉファーマ株式会社 器官表面画像の表示装置及び方法
WO2010085856A1 (en) * 2009-02-02 2010-08-05 Commonwealth Scientific And Industrial Research Organisation Brain disease progression scoring method and apparatus
JP5373470B2 (ja) * 2009-04-28 2013-12-18 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー モデリング装置、磁気共鳴イメージング装置、モデリング方法、およびプログラム
US8355927B2 (en) 2010-11-05 2013-01-15 Genomind, Llc Neuropsychiatric test reports
FR2946171B1 (fr) * 2009-05-29 2011-07-15 Groupe Des Ecoles De Telecommunications Get Ecole Nationale Superieure Des Telecommunications Enst Procede de quantification de l'evolution de pathologies impliquant des changements de volumes de corps, notamment de tumeurs
US8588486B2 (en) * 2009-06-18 2013-11-19 General Electric Company Apparatus and method for isolating a region in an image
JP5524589B2 (ja) * 2009-12-01 2014-06-18 富士フイルムＲｉファーマ株式会社 診断支援システム、方法及びコンピュータプログラム
EP2407106B1 (en) * 2010-07-15 2018-06-27 Agfa HealthCare NV Method of determining the spatial response signature of a detector in computed radiography
JP5286395B2 (ja) * 2011-09-12 2013-09-11 富士フイルムＲｉファーマ株式会社 受容体結合能画像化プログラム、記録媒体及び方法
US10614547B2 (en) 2011-09-20 2020-04-07 Ge Healthcare Limited Methods of spatial normalization of positron emission tomography images
US9646138B2 (en) * 2011-12-30 2017-05-09 The Johns Hopkins University Bioimaging grid
WO2013119326A1 (en) * 2012-02-10 2013-08-15 Genomind, Llc Neuropsychiatric test reports
CN107106089B (zh) * 2014-11-14 2022-11-08 皇家飞利浦有限公司 具有集成传感器系统的患者耳机
TWI587841B (zh) * 2015-03-06 2017-06-21 國立陽明大學 定量分析核子醫學腦部影像的系統及方法
JP2016180649A (ja) * 2015-03-24 2016-10-13 日本メジフィジックス株式会社 画像処理装置、画像処理方法、及びプログラム
KR101872001B1 (ko) * 2016-08-26 2018-06-27 연세대학교 산학협력단 알츠하이머병의 지표 성분의 전파 경로 결정 장치 및 방법과 그에 따른 알츠하이머병의 진행 단계 결정 방법
WO2018075685A1 (en) * 2016-10-18 2018-04-26 The Regents Of The University Of California Method for positron emission tomography (pet) imaging analysis for classifying and diagnosing of neurological diseases
TWI651688B (zh) * 2017-03-17 2019-02-21 長庚大學 利用磁振造影影像預測神經疾病的臨床嚴重度的方法
US11229810B2 (en) * 2017-05-17 2022-01-25 University Of Virginia Patent Foundation Methods and systems for producing neuronal lesions using magnetic resonance and acoustic energy
WO2019044095A1 (ja) * 2017-08-29 2019-03-07 富士フイルム株式会社 医用情報表示装置、方法及びプログラム
JP7038370B2 (ja) * 2017-08-30 2022-03-18 社会福祉法人兵庫県社会福祉事業団 画像処理方法、画像処理装置、およびプログラム
EP3684463A4 (en) 2017-09-19 2021-06-23 Neuroenhancement Lab, LLC NEURO-ACTIVATION PROCESS AND APPARATUS
KR102004964B1 (ko) * 2017-10-12 2019-07-29 전남대학교산학협력단 Pet 뇌 영상 아밀로이드 측정을 위한 부피 기반 정량지표 분석 방법 및 컴퓨터 프로그램
GB201717397D0 (en) * 2017-10-23 2017-12-06 Brainomix Ltd Tomographic data analysis
US11717686B2 (en) 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance
KR102051666B1 (ko) * 2017-12-07 2019-12-04 사회복지법인 삼성생명공익재단 아밀로이드 페트(pet) 영상을 이용한 알츠하이머 치매의 병기 측정 방법 및 장치
US11273283B2 (en) 2017-12-31 2022-03-15 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to enhance emotional response
US11364361B2 (en) 2018-04-20 2022-06-21 Neuroenhancement Lab, LLC System and method for inducing sleep by transplanting mental states
KR102173197B1 (ko) * 2018-05-21 2020-11-03 고려대학교 산학협력단 딥러닝을 기반으로 하는 아밀로이드 양성 또는 음성을 예측하기 위한 방법 및 장치
US11452839B2 (en) 2018-09-14 2022-09-27 Neuroenhancement Lab, LLC System and method of improving sleep
JP7129869B2 (ja) * 2018-10-01 2022-09-02 富士フイルム株式会社 疾患領域抽出装置、方法及びプログラム
KR102140383B1 (ko) * 2018-11-30 2020-07-31 숭실대학교산학협력단 현미경 기반 증강현실 네비게이션 방법, 이를 수행하기 위한 장치 및 기록매체
CA3137523A1 (en) * 2019-04-17 2020-10-22 Voxel Ai, Inc. Methods and apparatus for detecting injury using multiple types of magnetic resonance imaging data
US11627288B2 (en) * 2021-03-31 2023-04-11 Avaya Management L.P. Systems and methods of automatic surveillance and reporting
US11263749B1 (en) 2021-06-04 2022-03-01 In-Med Prognostics Inc. Predictive prognosis based on multimodal analysis

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62268534A (ja) * 1986-05-16 1987-11-21 株式会社日立製作所 診断レポ−ト作成方式
HUP0001261A3 (en) * 1997-04-30 2001-11-28 Univ Washington Seattle Method of imaging cell death in vivo
JP3670439B2 (ja) * 1997-05-09 2005-07-13 株式会社日立メディコ Ｘ線装置
US6366797B1 (en) * 1998-08-25 2002-04-02 The Cleveland Clinic Foundation Method and system for brain volume analysis
JP2000287964A (ja) * 1999-04-02 2000-10-17 Terarikon Inc 三次元画像表示装置
JP4294881B2 (ja) * 2000-05-12 2009-07-15 富士フイルム株式会社 画像の位置合わせ方法および装置
JP4393016B2 (ja) * 2000-06-30 2010-01-06 株式会社日立メディコ 画像診断支援装置
ES2536449T3 (es) * 2000-08-24 2015-05-25 University Of Pittsburgh Of The Commonwealth System Of Higher Education Derivados de tioflavina para uso en diagnosis de la enfermedad de Alzheimer
AUPR554301A0 (en) * 2001-06-07 2001-07-12 Howard Florey Institute Of Experimental Physiology And Medicine A map of a property
CN102532055B (zh) * 2003-03-14 2016-05-11 匹兹堡大学联邦制高等教育 苯并噻唑衍生物化合物、组合物及用途
US20050020904A1 (en) * 2003-07-10 2005-01-27 Cline Harvey Ellis System and method for the detection of brain iron using magnetic resonance imaging
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
US7742800B2 (en) * 2004-05-10 2010-06-22 General Electric Company Methods and systems for detection and monitoring of neurodegenerative diseases using magnetic resonance spectroscopy
US7873405B2 (en) * 2004-06-02 2011-01-18 Siemens Medical Solutions Usa, Inc. Automated detection of Alzheimer's disease by statistical analysis with positron emission tomography images
JP2008505116A (ja) * 2004-07-02 2008-02-21 ユニバーシティー オブ ピッツバーグ アミロイド沈着を伴う疾患の前駆形態の診断方法
US9471978B2 (en) * 2004-10-04 2016-10-18 Banner Health Methodologies linking patterns from multi-modality datasets
WO2006083378A2 (en) * 2004-11-29 2006-08-10 The Regents Of The University Of California IN VIVO MONITORING OF β-AMYLOID PLAQUES AND NEUROFIBRILLARY TANGLES
JP2006167187A (ja) * 2004-12-16 2006-06-29 Hitachi Medical Corp 医用画像表示装置
JP2006325937A (ja) * 2005-05-26 2006-12-07 Fujifilm Holdings Corp 画像判定装置、画像判定方法およびそのプログラム

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102844790B (zh) * 2010-03-02 2016-06-29 皇家飞利浦电子股份有限公司 用于识别整个大脑的至少一部分的异常的方法和系统
CN102844790A (zh) * 2010-03-02 2012-12-26 皇家飞利浦电子股份有限公司 用于神经精神疾病的标准数据集
CN103501701A (zh) * 2011-04-26 2014-01-08 皇家飞利浦有限公司 诊断性脑成像
CN103083018A (zh) * 2011-10-28 2013-05-08 西门子公司 用于测量人脑结构的方法
CN103945765A (zh) * 2011-11-16 2014-07-23 皇家飞利浦有限公司 计算并呈现灰质中的脑部淀粉样物质的方法
CN104093354B (zh) * 2011-12-15 2017-06-09 联邦科学与工业研究组织 用于评估医学图像的方法和设备
CN104093354A (zh) * 2011-12-15 2014-10-08 联邦科学与工业研究组织 用于评估医学图像的方法和设备
CN105263416A (zh) * 2013-06-07 2016-01-20 皇家飞利浦有限公司 基于皮质分布图的淀粉样蛋白pet脑扫描量化
CN105261002A (zh) * 2014-07-10 2016-01-20 西门子公司 基于3d数据组显示检查对象中的病理变化的方法和装置
CN106659424A (zh) * 2014-09-25 2017-05-10 大日本印刷株式会社 医用图像显示处理方法、医用图像显示处理装置及程序
CN106659424B (zh) * 2014-09-25 2020-06-09 大日本印刷株式会社 医用图像显示处理方法、医用图像显示处理装置及程序
CN106778036A (zh) * 2017-01-10 2017-05-31 首都医科大学附属北京友谊医院 一种数据处理的方法及装置
CN108877922A (zh) * 2017-05-15 2018-11-23 沈渊瑶 病变程度判断系统及其方法
CN113226168A (zh) * 2018-10-31 2021-08-06 西纳普提克公司 建立脑部状态指标的方法及其系统
CN110233521A (zh) * 2019-07-10 2019-09-13 云南电网有限责任公司电力科学研究院 一种配电网运行监控方法
CN110693459A (zh) * 2019-10-31 2020-01-17 北京乐器研究所 诊断阿尔茨海默症的应用及诊断阿尔茨海默症的装置
CN110693459B (zh) * 2019-10-31 2022-04-29 北京乐器研究所 诊断阿尔茨海默症的应用及诊断阿尔茨海默症的装置
CN116344058A (zh) * 2023-05-29 2023-06-27 之江实验室 一种基于图信号的阿尔兹海默风险标注方法及装置
CN116344058B (zh) * 2023-05-29 2023-08-18 之江实验室 一种基于图信号的阿尔兹海默风险标注方法及装置

Also Published As

Publication number Publication date
RU2494669C2 (ru) 2013-10-10
JP2010517030A (ja) 2010-05-20
AU2008211786A1 (en) 2008-08-07
KR20090104845A (ko) 2009-10-06
CN101600973B (zh) 2014-05-14
EP2126609B1 (en) 2013-03-27
KR101503940B1 (ko) 2015-03-18
JP5468905B2 (ja) 2014-04-09
MX2009007880A (es) 2009-08-18
AU2008211786B2 (en) 2014-07-03
US20100080432A1 (en) 2010-04-01
WO2008093057A1 (en) 2008-08-07
BRPI0806785A2 (pt) 2011-09-13
ES2414614T3 (es) 2013-07-22
CA2675228A1 (en) 2008-07-07
EP2126609A1 (en) 2009-12-02
RU2009122935A (ru) 2011-03-10

Similar Documents

Publication Publication Date Title
CN101600973B (zh) 用于辅助诊断神经退行性疾病的工具
Giger et al. Breast image analysis for risk assessment, detection, diagnosis, and treatment of cancer
Niaf et al. Computer-aided diagnosis of prostate cancer in the peripheral zone using multiparametric MRI
US8355553B2 (en) Systems, apparatus and processes for automated medical image segmentation using a statistical model
US9858665B2 (en) Medical imaging device rendering predictive prostate cancer visualizations using quantitative multiparametric MRI models
CN104093354B (zh) 用于评估医学图像的方法和设备
Sorace et al. Distinguishing benign and malignant breast tumors: preliminary comparison of kinetic modeling approaches using multi-institutional dynamic contrast-enhanced MRI data from the International Breast MR Consortium 6883 trial
EP2577604B1 (en) Processing system for medical scan images
WO2007037848A2 (en) Systems and methods for computer aided diagnosis and decision support in whole-body imaging
AU2008333936A1 (en) Image analysis
CN103945765B (zh) 计算并呈现灰质中的脑部淀粉样物质的方法
Sun et al. Automated template-based PET region of interest analyses in the aging brain
Faro et al. Basal ganglia activity measurement by automatic 3-D striatum segmentation in SPECT images
Mazzetti et al. Computer-aided diagnosis of prostate cancer using multi-parametric MRI: comparison between PUN and Tofts models
López-Gómez et al. ALTEA: a software tool for the evaluation of new biomarkers for Alzheimer’s disease by means of textures analysis on magnetic resonance images
Zanzonico et al. Introduction to clinical and laboratory (small-animal) image registration and fusion
Thireou et al. Feasibility study of the use of similarity maps in the evaluation of oncological dynamic positron emission tomography images
Fujita et al. Function Integrated Diagnostic Assistance Based on MCA Models
Pavlopoulos et al. Analysis and interpretation of dynamic FDG PET oncological studies using data reduction techniques
Jiang et al. Super Resolution of Pulmonary Nodules Target Reconstruction Using a Two-Channel GAN Models
Lee et al. Radiomics in Oncology: Method and Clinical Applications
Lee et al. Computer-aided evaluation system for Parkinson's disease using image registration and labeling
Libório Development of co-registration techniques for comparison of whole-body PET/CT studies
Drukker et al. Multimodality CAD Systems for Breast Cancer
Linh et al. IBK–A new tool for medical image processing

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