CN101626726A

CN101626726A - 医学成像中病灶的识别与分析

Info

Publication number: CN101626726A
Application number: CN200880006658A
Authority: CN
Inventors: Q·杨
Original assignee: Apollo Medical Imaging Technology Pty Ltd
Current assignee: Apollo Medical Imaging Technology Pty Ltd
Priority date: 2007-02-02
Filing date: 2008-02-01
Publication date: 2010-01-13
Anticipated expiration: 2028-02-01
Also published as: US20100066756A1; WO2008092211A1; EP2117428A1; JP5123954B2; EP2117428B1; EP2117428A4; AU2008210277A1; CN101626726B; US9953413B2; JP2010517601A

Abstract

一种对与对象内病灶的动态图像数据相关联的曲线样式进行自动分类以便确定所述病灶的特征的方法。所述方法包括以下步骤：将图像数据载入电子存储装置，生成信号强度的曲线图，将所述信号强度曲线转换成对比度增强曲线，检测具有初始增强期的高正斜率曲线部分以及随后的下降曲线部分的参考增强曲线，基于所述的参考增强曲线获得特征曲线类型，利用所有获得的时间点将选定ROI中的每个像素的增强曲线分类为所述获得的特征曲线类型中的一种；和显示所述选定ROI中所有像素的分类增强曲线的网格图，其中曲线和不齐性的全面显示从视觉上指出所述病灶的特征。

Description

医学成像中病灶的识别与分析

相关申请的交叉引用

本申请要求提交于2007年2月2日的澳大利亚临时专利申请号2007900498的优先权，该专利的内容通过引用结合于此。

发明领域

本发明涉及一种用于图像处理和医学成像数据分析的方法和系统，并且更具体而言，涉及一种改进的用于在对象的动态医学成像数据中识别和分析病灶的方法和系统，以便通过与病灶增强模式自动化分类相耦合的直观界面来获得需要的结构和功能信息。

发明背景

无创测量对象体内的诸如血流之类的功能信息的方法可用于诊断和治疗对象。在对象或患者的一部分，例如组织或器官，由于(例如)癌或机能障碍而患病的情况下尤其如此。识别和分析血液通过这类组织和器官的特征可以为医务人员提供重要的信息，以便为患者确定合适的治疗方案。

适于获取体内血流信息的现有系统已被公开。一般而言，该系统涉及在诸如磁共振成像(MRI)、计算机断层摄影(CT)、核医学(NM)或正电子发射断层摄影(PET)之类的动态成像期间作为血管内推注递送的造影剂。某像素或感兴趣区域(ROI)内图像强度的时间曲线反映造影剂以及血液通过该组织的特征。

例如，典型的乳腺MRI研究包括在造影剂注入之前进行至少一次基线扫描以及在注入之后进行至少两次增强后扫描。用于诊断筛选乳腺癌的常用方法是基于利用视觉分类系统对ROI的信号强度时间曲线的主观评价。图1示出了用于对五种类型的作为信号强度随时间变化的增强曲线进行视觉评价的分类系统，其中较大标号的曲线被解释为代表较强侵袭性的肿瘤类型。曲线III、IV和V中的初期的快速上升是由于快速的对比度增强。这种分类方案在恶性与良性乳腺病灶的区分中获得非常好的诊断性能。(Daniel等人的“Breastdisease：dynamic spiral MR imaging”(乳腺疾病：动态螺旋磁共振成像)(Radiology 209，499-509页，1998年)。

乳腺MRI研究通常产生几百幅图像，这对于医务人员审查所有的图像可能是非常耗时的。已公开了使用计算机算法的方法，试图利用动态MRI图像自动检测病灶并且将其定性为恶性或良性类型(参见美国专利6353803和美国专利申请号20050074149、20060018548和20060110018)。另外，诸如在高空间分辨率图像上识别的构造特征之类的病灶形态学可反映潜在的病理学，因此可用于将病灶定性为良性或恶性。结合动力学和形态学信息以在良性和恶性疾病之间进行最佳区分的方法也已被公开(参见美国专利号6317617和美国专利申请号20060245629)。然而，用于对增强曲线进行分类的现有方法是基于对有限数量的时间点的任意选择，并且随后基于计算的描述性参数的分类对图像的噪声波动较敏感。此外，这些方法未提供与每个像素的增强曲线的分类相关的统计显著性信息。

尽管对异常提供自动检测和分类的专家工具可能有助于减轻许多图像审查的挑战，但这类工具并没有得到广泛应用并且这类工具的可靠性仍有待验证。可从市售的或学术的软件获得的用于动态增强分析的最常用工具包括单纯减影、最大强度投影(MIP)、多平面重建(MPR)以及信号强度时间曲线分析。日常实践中的时间曲线分析使用感兴趣区域(ROI)方法，其中减影图像用于指导使用者将ROI放置在可疑病灶的上方，同时提供ROI的平均信号强度的时间曲线用于视觉评价和分类。

然而，应当指出病灶内曲线形状的不齐性也是诊断信息。恶性肿瘤可很好的增强，且在不同的解剖区域具有不同类型的曲线形状，这是强烈表明恶性的指标。在日常实践中常用的ROI方法易于产生部分容积效应并且不能有效地为使用者提供这种不齐性信息用于详细分析。期望系统通过利用所有获得的时间点数据、同时以实时方式详细观察空间和时间信息，以便用统计显著性信息对曲线样式进行自动分类，这在繁忙的临床环境中是尤其有用的。

本发明寻找改进的方法以充分克服或至少改进与形态学和动力学信息的自动分类和观察相关的上述缺点中的任何一个或多个，以便有助于医务人员最有效地表征病灶以用于在良性和恶性疾病之间进行最优化区分。

发明概述

根据本发明的第一方面，提供一种对与对象内病灶的动态图像数据相关联的曲线样式进行自动分类以确定病灶特征的方法，该方法包括以下步骤：

(a)将图像数据载入电子存储装置；

(b)生成信号强度的曲线图；

(c)将信号强度曲线转换成对比度增强曲线；

(d)检测具有初始增强期的高正斜率曲线部分以及随后的下降曲线部分的参考脉管增强曲线；

(e)基于参考增强曲线获得特征曲线类型；

(f)利用所有获得的时间点将选定ROI中的每个像素的增强曲线分类为获得的特征曲线类型中的一种；以及

(g)显示选定ROI中所有像素的分类增强曲线的网格图，其中曲线和不齐性的全面显示从视觉上指出病灶的特征。

根据本发明的第二方面，提供一种对曲线样式进行自动分类以及对对象的动态图像数据中的病灶进行自动分割的方法，其中分类和分割结果与详细的空间和时间信息一起呈现在显示装置上，该方法包括以下步骤：

(a)将图像数据载入电子存储装置并且将感兴趣区域(ROI)的信号强度数据绘制在显示装置上；

(b)检测增强前基线和初始增强期；

(c)检测具有强烈和快速上升且随后为后期消退的参考脉管增强曲线，并且得到用于分类系统的特征曲线类型；

(d)利用所有获得的时间点基于相关性分析方法对对象病灶内的每个像素的增强曲线类型进行分类；

(e)对由使用者限定的ROI确定的病灶应用分割分析，并且提供诸如病灶体积以及每种类型的增强曲线的百分比分布之类的信息；

(f)显示ROI内所有的单个像素的曲线的网格图，其中每个曲线通过不同的颜色以及线条的粗细进行突出显示以反映增强曲线的类型以及它们是否分别具有统计显著性，以便进行视觉识别；

其中使用者通过直观界面可容易地处理ROI，同时允许动态处理和观察空间和时间信息。

该方法还包括在载入数据后应用图像配准的步骤，以便对由于对象的部分(例如组织或器官)随时间运动产生的运动伪影进行补偿。

相关性分析可以是斯皮尔曼(Spearman′s)秩相关、或线性皮尔逊(Pearson)相关或者它们的组合。图像的类型可以是MRI、CT、NM、PET中的任何一种或其它类型的动态成像方法。

根据本发明的第三方面，提供一种对与对象内病灶的动态图像数据相关联的曲线样式进行自动分类以确定病灶特征的系统，该系统包括：

用于对对象进行动态图像扫描的扫描装置；

连接至扫描装置用于从扫描中获取图像数据的处理器装置；

另外该处理器装置：

(a)将图像数据载入电子存储装置；

(b)生成信号强度的曲线图；

(c)将信号强度曲线转换成对比度增强曲线；

(e)基于参考增强曲线获得用于特征分类的特征曲线类型；

(f)利用所有获得的时间点将选定ROI中的每个像素的增强曲线分类为获得的信号曲线类型中的一种；以及

(g)显示选定ROI中的所有像素的分类增强曲线的网格图，其中曲线和不齐性的全面显示提供病灶特征的视觉表征。

根据本发明的第四方面，提供一种对与对象内病灶的动态图像数据相关联的曲线样式进行自动分类的计算机程序装置，其中该计算机程序装置通知处理器：

(a)将图像数据载入电子存储装置；

(b)生成信号强度的曲线图；

(c)将信号强度曲线转换成对比度增强曲线；

(d)检测具有初始增强期的高的正斜率以及随后的下降曲线部分的参考脉管增强曲线；

(e)基于参考增强曲线获得信号曲线类型；

(f)利用所有获得的时间点将选定ROI中的每个像素的增强曲线分类为得到的信号曲线类型中的一种；以及

(g)显示选定ROI中的所有像素的分类增强曲线的网格图，其中曲线和不齐性的全面显示从视觉上指出病灶的特征。

附图说明

在下文中仅通过实例的形式并参考附图描述，以优选实施方式描述本发明，其中：

图1示出了在不同的乳腺组织中信号强度随时间变化的增强曲线的五种类型。具体而言，曲线I为未增强；曲线II为缓慢持续的增强；曲线III为初期快速且后期持续的增强；曲线IV为初期快速且后期稳定的增强；曲线V为初期快速且后期降低的增强。

图2为示出了包括连接至数据存储系统和处理系统的多个扫描仪的通信网络的框图；

图3是得自乳腺动态MRI数据的所有像素的典型平均信号强度的时间曲线图；

图4是示出了代表通过初期快速增强并且快速消退的典型脉管时间曲线的虚线，以及获得的代表如图1所示的四种类型的特征增强曲线的实线曲线的一系列图；

图5(a)示出了以MIP模式显示增强指数图的图像界面；

图5(b)示出了显示在对象的一部分的原始图像上进行不同类型的增强曲线的像素图的彩色编码叠加的图像界面；

图5(c)是所显示切片的ROI内所有像素的曲线的网格图，其中不同的颜色以及线条的粗细用于区分增强曲线的类型以及它是否具有统计显著性；

图5(d)是ROI平均信号强度的平均增强曲线图；且

图6是显示根据本发明的实施方式利用计算机程序执行图像数据处理和结果显示的步骤的流程图；

优选实施方式的详细描述

本发明尤其适用于动态MRI、CT、NM和PET成像系统，例如乳腺的动态MRI。将通过扫描，例如利用MRI扫描仪20、CT扫描仪25、NM扫描仪30或PET扫描仪35采集的原始数据和/或图像传送至形式为图2中的图像存储通讯系统(PACS)的数据存储系统40。在形式为计算机的处理器50上运行的计算机程序用于从扫描仪20、25、30或35中的任何一个或者从数据存储系统40获取或接收各种图像或原始数据。然后该程序处理那些图像以提供改进的数据集给医务人员使用，尤其用于评价诊断疾病以及最优化区分良性和恶性疾病的形态学和动力学信息。该计算机程序不需要驻留计算机50上，但可驻留在连接至扫描仪20、25、30或35中的任何一个的控制台计算机中。作为另外一种选择，该程序可驻留在工作站(单机或在系统中)中或PACS 40中。

使用者将首先利用计算机软件命令计算机处理器或工作站50将动态图像数据载入计算机处理器50的存储器中。如果根据具体器官例如脑的构造或根据使用者的要求可适用，则处理器可对数据应用图像配准。图像配准是在由于对象的呼吸或其它活动导致对象的ROI移动的情况中对齐图像以进行运动校正。然后处理器检测增强前基线和快速的初始增强相，并且根据载入的图像数据的类型将数据的信号强度曲线转换成对比度增强曲线。处理器还检测对象依赖性的参考时间曲线并且随后获得增强模式的特征曲线用于分类系统。其后，将自动分类和分割分析应用至对象的感兴趣区域，例如乳腺内的可疑病灶。然后将结果在处理器上显示给使用者。

该方法可被构造为根据具体的功能和所研究的器官应用运动校正方法。在一段时间内采集包括一系列三维(3D)扫描的典型的动态成像数据。在采集期间，在造影剂注入之前采集至少一次扫描并且在注入之后采集至少两次扫描。根据使用的具体协议动态成像数据的采集通常需要几十秒至几十分，并且在采集期间可能出现患者的运动。为了精确评价不同组织类型的对比度增强模式，需要对齐图像或者配准随时间变化的成像体积，尤其是在小尺寸病灶的精确诊断中。可根据研究的具体器官应用不同种类的运动校正方法。例如，可将常规的刚体图像配准方法自动地应用于脑。然而对于一些诸如乳房、肾脏或肝脏之类的人体器官而言，由于与心脏和/或呼吸运动相关联的局部组织的扩张，通常预计会发生非一致的变形。可以使用一些被本领域中的技术人员公认的非线性的运动补偿方法，例如医学成像和遥感领域中熟知的非刚性配准。

检测增强前基线以及快速初始增强相的方法包括以下步骤：

(1)在每个时间点计算全部体积的平均信号强度以获得平均信号强度时间曲线S(t)，如图3中76所示；

(2)估计平均增强时间曲线Y(t)＝ΔS＝S(t)-S(t₀)，其中t₀表示第一增强前扫描的时间点；

(3)在时间点t_s找到最大的上升斜率并且最大增强Y_max＝max{Y(t)}；

(4)从t_s向后寻找以发现第一次出现的时间点t₁以使得t₀≤t₁＜t_s且Y(t₁)＜a％*Y_max，其中a％用于实例中且分数值可根据构造进行调整，例如10％；

(5)将初始增强期设置在t₁和t₂＝t_s+(t_s-t₁)之间并且在t₂＞t_s处找到初始增强指数时间点。

进一步检测对象依赖性的参考时间曲线以及获得特征增强模式的方法还包括以下步骤：

(6)分别对于每个(x，y，z)处的像素计算涵盖t₀至t₁的时间点的平均基线图像S_b(x，y，z)；

(7)计算初始增强指数图为Y_i(x，y，z)＝S(x，y，z，t₂)-S_b(x，y，z)并且消退图为Y_o(x，y，z)＝S(x，y，z，t₂)-S(x，y，z，t₃)，其中t₃表示动态数据的最终时间点。作为根据构造的另外一种选择，相对增强图Y_i(x，y，z)＝S(x，y，z，t₂)/S_b(x，y，z)-1并且Y_o(x，y，z)＝S(x，y，z，t₂)/S(x，y，z，t₃)-1可用于相同的目的。

(8)找到总称为XYZ的满足标准Y_i(XYZ)＞f*max(Y_i)且Y_o(XYZ)＞0的所有像素，其中f可按照掩蔽阈值进行调整。例如，可通过平均f＝80％的那些像素来计算参考时间曲线Y_ref(t)以表示具有强烈和快速上升且随后后期消退的平均脉管增强曲线，如图4中粗点曲线80所示。

(9)通过以下方程获得四种类型的特征曲线来表示图4中所示的增强模式：

Y_{4} (t) = \{\begin{matrix} Y_{ref} (t) & (t \leq t_{2}) \\ Y_{ref} (t_{2}) & (t > t_{2}) \end{matrix}

Y_{5} (t) = \{\begin{matrix} Y_{ref} (t) & (t \leq t_{2}) \\ Y_{ref} (t_{2}) - \frac{1}{2} [Y_{4} (t_{3}) - Y_{ref} (t_{3})] (t - t_{2}) / (t_{3} - t_{2}) & (t > t_{2}) \end{matrix}

Y_{3} (t) = \{\begin{matrix} Y_{ref} (t) & (t \leq t_{2}) \\ Y_{ref} (t_{2}) + \frac{1}{2} [Y_{4} (t_{3}) - Y_{ref} (t_{3})] (t - t_{2}) / (t_{3} - t_{2}) & (t > t_{2}) \end{matrix}

Y_{2} (t) = \{\begin{matrix} 0 & (t \leq t_{1}) \\ Y_{ref} (t_{3}) (t - t_{1}) / (t_{3} - t_{1}) & (t > t_{1}) \end{matrix}

其中Y₂(t)表示具有缓慢持续的增强(缓慢)的类型II曲线82，Y₃(t)表示初期快速增强和后期持续增强(持续/持久)的类型III曲线84，Y₄(t)表示具有初期快速增强和后期稳定增强(平台)的类型IV曲线86，Y₅(t)表示具有初期快速增强和后期增强降低(消退)的类型V曲线88。

对于具体的数据采集协议可根据构造固定初期增强的指数时间点(t₂)。另外，使用者可具有选择权来选择得自像素或ROI的优选时间曲线，并且将其设为上述特征曲线中的一个。

将自动分类应用至对象的感兴趣区域(例如乳腺内的可疑病灶)内的所有像素。将初始增强小于特定阈值(例如，Y_i(XYZ)＜10％*max(Y_i)，其中阈值百分比数值可根据构造进行调整)的像素分类为未增强类型I并且不被包括用于进一步的分类分析。将每个候选像素的时间曲线与四个特征曲线(Y₂、Y₃、Y₄和Y₅)中的每一个进行斯皮尔曼秩相关以获得各自的相关指数(cc)和统计概率(p值)。cc值的范围为-1至1，表示在两个变量之间为完全负和正线性关系而cc值为0是指在两个变量之间没有线性关系。p值越小，据称结果越具有显著性。如果p值小于显著性水平，结果称为具有统计显著性。默认的显著性水平(p值)是5％，且使用者可根据构造选择其它普遍采用的水平(1％或0.1％)。对于每个像素，确定过程由与最大cc值相对应的唯一曲线类型组成。在多个曲线类型产生相同的最大cc值的情况中，进一步应用皮尔逊相关分析以进一步确定也与最大皮尔逊cc值相对应的类型。对于每个候选像素记录分类的曲线类型和相对应的p值。然后将结果在处理器上显示给使用者。

显示结果的过程包括如图5(a)所示的以MIP模式显示增强指数图的直观界面。使用者可将ROI 92放置在MIP图像中的可疑病灶上。处理器自动找到在ROI内含有最大量的信号增强的切片，然后显示检测的切片。处理器进一步地自动检测属于四种特征类型中一种的连接像素类群，然后计算该类群的体积和每种类型的百分比分布，且结果以表格形式94显示在图像窗口中。所检测类群的所有像素的分割和样式分类结果可存储于彩色编码的曲线样式图中以用于作为如图5(b)所示的原始图像上的彩色叠加图98进行显示，以便于观察增强以及增强病灶的形态。另外，如图5(c)所示，所显示切片的ROI内的所有单个像素的曲线的网格图95可同时显示，其中不同的颜色和线条粗细可用于突出显示增强曲线的类型以及它的增强的视觉对比效果是否具有统计显著性。例如，四种增强曲线的每种类型可由不同的颜色表示(如，红色表示类型V，黄色表示类型IV，青色表示类型III以及蓝色表示类型II)而线条的粗细区分分类是否具有显著性(如，p＜0.05的特粗线表示具有统计显著性而粗线表示无显著性)，并且未增强类型I曲线被标记为白色细线。作为另外一种选择，使用者可显示如图5(d)所示的ROI平均信号强度的平均曲线图96，该图未提供如图5(c)中的网格图95清晰示出的增强不齐性信息。

使用者可选择逐个对ROI突出显示的每个可疑病灶、或对位于选定ROI的边界内的所有病灶应用聚类分析。

参照图6，示出了由载入计算机处理器的存储器的计算机程序执行步骤的流程图100。写出计算机程序代码以按照用户的指令执行流程图100中所示的各个步骤和功能，在步骤102处计算机程序将数据集载入计算机处理器的存储器。在步骤104处，如果根据具体扫描(例如大脑或乳腺扫描)或按照使用者要求可适用，则可通过计算机程序应用图像配准。在步骤106处，程序检测基线以及初始的上升/增强期。在步骤108处，计算平均基线图、初始增强指数图以及消退图。在步骤110处，计算机程序检测得自平均脉管增强曲线的参考曲线，并且随后得到用于分类系统的特征曲线。在步骤111处，使用者可具有选择权来手动选择像素或ROI的优选时间曲线以代替所检测特征曲线中的一个。在步骤112处，应用相关性分析来对初始增强在特定阈值之上的每个像素进行分类。在步骤114处，程序对由使用者限定的ROI确定的可疑病灶执行分割分析，随后在步骤116处将整个过程中包括网格图和彩色编码曲线样式的结果显示给使用者以用于检查和审查。

该实施方式已利用乳腺的动态MRI的实例进行了描述。本发明同样可应用于其它疾病(例如前列腺癌、脑肿瘤或其它人体器官的疾病，不仅仅是人也可以动物)以及利用CT或NM或PET扫描。此外本发明可通过结合详细的动力学和形态学信息进行扩展以便在良性和恶性疾病之间提供最优化区分。

本领域的技术人员将会理解，在不脱离广泛描述的本发明范围的情况下可以对如具体实施方式中所示的本发明进行多种改变和/或修改。因此，本发明的实施方式在所有方面均被视为是示例性的而非限制性的。

Claims

1.一种对与对象内病灶的动态图像数据相关联的曲线样式进行自动分类以确定所述病灶的特征的方法，所述方法包括以下步骤：

(a)将所述图像数据载入电子存储装置；

(b)生成信号强度的曲线图；

(c)将所述信号强度曲线转换成对比度增强曲线；

(e)基于所述的参考增强曲线获得特征曲线类型；

(f)利用所有获得的时间点将选定ROI中的每个像素的增强曲线分类为所述获得的特征曲线类型中的一种；以及

(g)显示所述选定ROI中所有像素的分类增强曲线的网格图，其中曲线和不齐性的全面显示从视觉上指出所述病灶的特征。

2.根据权利要求1所述的方法，其特征在于，在检测参考增强曲线之前，所述方法包括检测增强前基线和所述初始增强期的步骤。

3.根据权利要求1或2所述的方法，其特征在于，所述初始增强期是数值快速增加的增强范围。

4.根据权利要求2所述的方法，其特征在于，检测所述增强前基线和所述快速初始增强相的步骤包括：

(a)在每个时间点计算增强的全部体积的平均信号强度以获得平均信号强度时间曲线S(t)；

(b)估计平均增强时间曲线Y(t)＝ΔS＝S(t)-S(t₀)，其中t₀表示第一次增强前扫描的时间点；

(c)在时间点t_s找到最大的上升斜率并且最大增强Y_max＝max{Y(t)}；

(d)从t_s向后寻找以找到第一次出现的时间点t₁以使得t₀≤t₁＜t_s且Y(t₁)＜a％*Y_max，其中a％是可调整的分数值；以及

(e)将初始增强期设置在t₁和t₂＝t_s+(t_s-t₁)之间并且在t₂＞t_s处找到所述的初始增强指数时间点。

5.根据前述权利要求中任一项所述的方法，其特征在于，检测所述参考脉管增强曲线的步骤包括：

(a)计算平均基线图像；

(b)计算初始增强指数图Y_i以及代表下降曲线部分的消退图Y₀；

(c)找到总称为XYZ使得Y_i(XYZ)＞f*max(Y_i)且Y_o(XYZ)＞0的所有像素，其中f是可调整的掩蔽阈值。

6.根据前述权利要求中任一项所述的方法，其特征在于，对于选定ROI内的每个像素的增强曲线进行分类的步骤是基于相关性分析。

7.根据权利要求6所述的方法，其特征在于，所述相关性分析包括对所述特征曲线进行秩相关分析以便获得相关指数和统计学p值。

8.根据权利要求7所述的方法，其特征在于，对于每个像素，确定过程是由与所述最大相关指数值相对应的特征曲线类型组成，其中每个像素具有大于预定阈值的初始增强。

9.根据前述权利要求中任一项所述的方法，其特征在于，获得至少四个特征曲线。

10.根据前述权利要求1的任一项所述的方法，其特征在于，在所述显示步骤之前，所述方法包括对所述病灶应用分割分析，并且提供诸如所述病灶的体积以及分别具有每种类型的增强曲线的像素的百分比分布之类的信息。

11.根据权利要求10所述的方法，其特征在于，将所有像素的分割分析和曲线分类的结果存储于彩色编码的曲线样式图中，以作为所述病灶的原始图像上的彩色叠加图进行显示。

12.根据前述权利要求中任一项所述的方法，其特征在于，显示于所述网格图中的所有像素的所述增强曲线通过不同的颜色和线条粗细进行突出显示以反映增强曲线的类型以及它们是否分别具有统计显著性，以便进行视觉识别。

13.根据前述权利要求中任一项所述的方法，其特征在于，还包括载入所述图像数据之后应用图像配准以补偿由于所述对象随时间运动产生的运动伪影。

14.根据前述权利要求中任一项所述的方法，其特征在于，所述病灶内的增强曲线的样式和不齐性反映包括良性或恶性肿瘤在内的所述病灶的特征。

15.用于对与对象内病灶的动态图像数据相关联的曲线样式进行自动分类的计算机程序装置，其中，所述计算机程序装置命令处理器：

(a)将所述图像数据载入电子存储装置；

(b)生成信号强度的曲线图；

(c)将所述信号强度曲线转换成对比度增强曲线；

(d)检测具有初始增强期的高正斜率曲线部分以及随后的下降曲线部分的参考增强曲线；

(e)基于所述参考增强曲线获得特征曲线类型；

(g)显示所述选定ROI中的所有像素的分类增强曲线的网格图，其中曲线和不齐性的全面显示从视觉上指出所述病灶的特征。

16.用于对与对象内病灶的动态图像数据相关联的曲线样式进行自动分类的计算机程序装置，其中，所述计算机程序装置命令处理器执行权力要求2至14的方法步骤中的任一项。

17.一种用于对与对象内病灶的动态图像数据相关联的曲线样式进行自动分类以便确定所述病灶的特征的系统，所述系统包括：

对所述对象进行动态图像扫描的扫描装置；

连接至所述扫描装置用于从所述扫描中获取图像数据的处理器装置；

另外所述处理器装置：

(a)将所述图像数据载入电子存储装置；

(b)生成信号强度的曲线图；

(c)将所述信号强度曲线转换成对比度增强曲线；

(e)基于所述参考增强曲线获得用于特征分类的特征曲线类型；

18.根据权利要求17所述的系统，其特征在于，在检测参考增强曲线之前，所述处理器检测增强前基线和所述初始增强期。

19.根据权利要求17或18所述的系统，其特征在于，所述初始增强期是是值快速增加的增强范围。

20.根据权利要求18所述的系统，其特征在于，所述增强前基线和所述快速初始增强相的检测包括使所述处理器：

(d)从t_s向后寻找以找到第一次出现的时间点t₁，以使t₀≤t₁＜t_s且Y(t₁)＜a％*Y_max，其中a％是可调整的分数值；以及

(e)将所述初始增强期设置在t₁和t₂＝t_s+(t_s-t₁)之间并且在t₂＞t_s处找到所述的初始增强指数时间点。

21.根据权利要求17至20中的任一项所述的系统，其特征在于，所述参考脉管增强曲线的检测包括使所述处理器：

(d)计算平均基线图像；

(e)计算初始增强指数图Y_i以及代表所述下降曲线部分的消退图Y₀；

(f)找到总称为XYZ使得Y_i(XYZ)＞f*max(Y_i)且Y_o(XYZ)＞0的所有像素，其中f是可调整的掩蔽阈值。

22.根据权利要求17至21中的任一项所述的系统，其特征在于，对于选定ROI内的每个像素的增强曲线进行分类是基于相关性分析。

23.根据权利要求22所述的系统，其特征在于，所述相关性分析包括对于所述特征曲线进行秩相关分析以便获得相关指数和统计学p值。

24.根据权利要求23所述的系统，其特征在于，对于每个像素，确定过程由与所述最大相关指数值相对应的特征曲线类型组成，其中每个像素具有大于预定阈值的初始增强。

25.根据权利要求17至24中的任一项所述的系统，其特征在于，获得至少四个特征曲线。

26.根据权利要求17至25中的任一项所述的系统，其特征在于，在所述网格图的显示之前，所述处理器对所述病灶应用分割分析，并且提供诸如所述病灶的体积以及分别具有各种类型的增强曲线的像素的百分比分布之类的信息。

27.根据权利要求26所述的系统，其特征在于，将所有像素的分割分析和曲线分类的结果存储于彩色编码的曲线样式图中，以作为所述病灶的原始图像上的彩色叠加图进行显示。

28.根据权利要求17至27中的任一项所述的系统，其特征在于，显示于所述网格图中的所有像素的增强曲线通过不同的颜色和线条粗细进行突出显示以反映增强曲线的类型以及它们是否分别具有统计显著性，以便于视觉识别。

29.根据权利要求17至28中的任一项所述的系统，其特征在于，在载入所述图像数据之后通过所述处理器应用图像配准以补偿由于所述对象随时间运动产生的运动伪影。

30.根据权利要求17至29中的任一项所述的系统，其特征在于，所述病灶内的增强曲线的样式和不齐性反映包括良性或恶性肿瘤在内的所述病灶的特征。