CN101626727A - 附加有pet/mr流动估计的自动诊断和对准 - Google Patents

附加有pet/mr流动估计的自动诊断和对准 Download PDF

Info

Publication number
CN101626727A
CN101626727A CN200880007042A CN200880007042A CN101626727A CN 101626727 A CN101626727 A CN 101626727A CN 200880007042 A CN200880007042 A CN 200880007042A CN 200880007042 A CN200880007042 A CN 200880007042A CN 101626727 A CN101626727 A CN 101626727A
Authority
CN
China
Prior art keywords
image
interest
diagnosis
area
diagnostic
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
CN200880007042A
Other languages
English (en)
Other versions
CN101626727B (zh
Inventor
S·M·扬
M·库恩
F·文策尔
I·C·卡尔森
K·梅茨
R·布赫特
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN101626727A publication Critical patent/CN101626727A/zh
Application granted granted Critical
Publication of CN101626727B publication Critical patent/CN101626727B/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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • 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
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT

Landscapes

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

Abstract

一种用来为诸如阿尔茨海默的神经退行性疾病的自动诊断提供图像的扫描仪(10)。将图像与模板(78)配准(90)。相对于已经与模板配准的参考图像数据(76，80)对所对准的图像进行分析(60)，所述模板包含在针对低强度的相似模式的知识维护引擎(70)中，所述低强度指示了(在FDG示踪剂的情况下)大脑中下降的葡萄糖摄取。过滤器(74)选择针对于当前研究的分析的最合适的参考图像。之后，基于所述分析给予当前研究一个作为诊断特征向量的痴呆性评分(84)，所述诊断特征向量向临床医生指示了疾病的类型和严重性。扫描仪(10)可产生PET或其他用于诊断的代谢和MR图像。MR可用于测量进入大脑的血流速率。根据血流速率和代射图像、诸如FDG的示踪剂，可以生成摄取图用于自动诊断。

Description

附加有PET/MR流动估计的自动诊断和对准
技术领域
本申请涉及诊断成像领域。其特别应用于痴呆的早期诊断，并将特别关注此方面而进行描述。各个方面将具有大量的其他应用。
背景技术
在世界范围内，痴呆影响三千多万的人，并且随着更富有的国家中人均年龄的增加，发病率上升。阿尔茨海默疾病是痴呆最常见的病因，尽管没有有效的长期治疗，但如果较早地诊断出潜在原因，则存在可放缓痴呆的发病的治疗。为表现出痴呆的临床症状的患者提供精确且及时的诊断对于启动合适的药物治疗是最重要的，当在发病不久后启动所述治疗是最有可能有效的。可靠的诊断方法将潜在地为在临床症状发病之前探测痴呆，特别在具有轻度认知损伤的对象中探测的筛选计划铺平了道路。
神经成像提供了一种针对等待临床症状的表现的诊断替代。对于早期和鉴别诊断两者而言，利用基于葡萄糖的示踪剂的PET成像为神经退行性疾病提供了有希望的生物界标物。示踪剂摄取模式揭示出表现了大脑葡萄糖代谢下降的区域。这使临床医生能够区分出痴呆的其他潜在原因，不同疾病类型得到下降的葡萄糖代谢的不同的特征模式。另一种方法是使用基于MRI的、对大脑的内侧颞叶的体积随时间变化的测量。这些是由于海马区中的神经萎缩而引起的，并且证明其可提供针对阿尔茨海默疾病的进展的敏感的生物界标物。然而，单独基于MR的方法需要纵向研究以建立形态学变化，并且还针对于痴呆(阿尔茨海默疾病)的单个原因。海马区体积的变化是非常局部的，其仅在疾病的后期阶段才可见到更大范围的皮质萎缩影响。
用于评价大脑的功能性成像研究的方法通常遵循一种方案，即首先使患者的大脑图像与模板图像以非线性方式对准。由于在诸如Talairach图集的已知立体定向空间内预先对准模板，因此将上述步骤通常称为立体定向归一化。之后，将空间归一化患者图像中的图像强度与无症状患者图像集进行统计上地比较，以便生成表现为低强度的，以及大概下降的葡萄糖代谢摄取的区域的参数图。任选地，可以对患者图像的整体强度水平进行归一化，以允许示踪剂摄取的绝对水平在对象与对象之间发生极大的变化。这可以由对整体比例因子的估计来进行补偿，在统计比较之前对所有图像体素乘以所述整体比例因子。
PET在神经成像中一个重要的应用涉及测量葡萄糖的区域脑代谢率，以通过观察在新皮层的特定区域中低代谢的特征模式，来识别受到诸如阿尔茨海默和其他痴呆的神经退行性疾病折磨的个体。通过使单个PET图像与健康对象参考人群比较，可以识别低代射区域，以便生成指示在其中所观察到的强度显著地偏离正常人群的参数图。这需要首先空间对准图像，之后在强度水平上对其进行归一化。强度归一化需要对整体比例因子的定义，将所述整体比例因子应用到所有图像体素以调整图像强度来匹配正常人群。
空间对准在对例如用于评价痴呆患者的脱氧葡萄糖(FDG)PET数据的大脑功能图像的自动评价中是一个非常关键的步骤。目的在于识别表现出低强度的大脑区域，其指示(在FDG示踪剂的情况下)了下降的葡萄糖代谢率，因此病理上影响大脑组织。受影响区域的空间分布为痴呆潜在原因的特征，并且是对诸如阿尔茨海默疾病和额颞痴呆的疾病进行鉴别诊断的重要的生物界标物。
对于功能性神经图像的自动评价而言，应首先弹性地使患者图像与模板PET图像(其限定了常用的参考帧)进行配准。将这些图像与诸如Talairach图集图像的图集图像进行对准。接着，使整体强度水平归一化，这是由于成像方案和患者间代谢率的不同可引起大脑中绝对示踪剂摄取的显著不同。最后，执行在患者图像中强度和无症状集合图像中强度之间的体素取向统计比较，在预先限定的显著水平上探测到低强度。正常集合图像提供健康人群内出现的差异的模型。所述模型对包括患者协议和成像系统的一系列因子是特异的。统计比较得到统计参数图，视觉上对其进行解释用于诊断目的。
对准在图像评价中是重要的，并且还用于将患者数据对准到模板图像、将健康人群样本内的图像彼此配准以及用于将模板与健康人群样本空间归一化。因此，这一对准的精度是至为重要的，这是由于其直接关系到评价的有效性。例如，健康患者样本中不准确的图像对准诱发模型中较高的标准差，直接导致下降的统计检验敏感度。通过优化拟合参数的弹性配准方法来实现两幅PET图像的空间对准，并且由于计算效率的约束，所采用的非线性变换的维度通常受到约束。
提出的用于空间对准的备选方法为执行PET和MR图像之间的患者内、模态间的刚性配准，接着是MR图像与MR模板图像(其已经与PET模板进行了对准)的弹性配准。所得到的两个变换可级连起来并应用到患者的PET图像上以导出立体定向的归一化患者PET图像。
对于基于配准方法的图像对准而言，至少存在两个限制。一为弹性变换模型的复杂度。实际上，例如，如果假定基于样条的插值，则通过采用有限数目的样条控制点，通过约束所采用的变换模型中的自由度，所述复杂度通常是有限的。这意味着尽管可以补偿宽的形状差异，但无法补偿具有高空间频率结构差异。一个突出的示例为心室腔的形状，其具有高的对象间形状差异，以及腔中脑脊髓流体与周围脑组织之间的高对比度。弹性配准的有限复杂性导致空间对准确性图像群体内的剩余方差。当试图估计PET和MR图像之间的刚性变换时，可引起另一个问题。可以利用“头骨剥离”预处理步骤，这是由于头骨结构不出现在PET图像中，因此可以使PET图像和MR图像之间的刚性配准失去稳定。
当分析PET图像时，流动估计是一个困难的任务，通常有利地使用MR图像的良好的流动估计特征来增强从PET图像中搜集的数据的值。尽管存在人们所熟知的有关在MR扫描仪附近操作PET探测器的技术挑战，但是一直存在一种生成组合的PET/MR成像设备的要求。PET探测器技术中的最新发展使得可能在不远的将来实现这种扫描仪，可能起始于应用特定的扫描仪设备(例如，仅用于头部的)，并且改进到更一般的成像系统。由于PET探测器通常利用电子级联光电倍增管，因此MR扫描仪的强B0场会破坏这些利用带电粒子的探测器。受让给飞利浦医疗系统(PhilipsMedical system)、在2007年1月11日提交的同时待审临时申请#60/884,486中提出了解决这一困境的一种方法。另一个可能的解决方法是使用PET探测器，所述探测器使用固态探测器元件来代替更典型的光电位增管。另一种解决方法是使患者(例如连同患者支撑)在MR和PET成像区域之间移动。神经成像中的应用也可从功能性成像(均经由PET，并利用fMRI中的BOLD效果)和MR解剖成像的组合中受益。例如，PET和MR数据的相关将更好地实现癫痫灶的定位。
在PET成像中，通过探测附着到生化示踪剂的放射性同位素的衰变来生成图像。大脑的PET成像生成所应用的示踪剂的摄取的定位、经时间分辨的测量值。但是，为了定量地估计潜在生理过程的参数，需要模型来描述示踪剂从血浆到所成像的组织的运输。将这种模型拟合到PET数据通常需要估计动脉血流速率和示踪剂浓度，称为“输入函数”。获得这种测量值最准确的方法是对动脉血的直接采样。这是一种介入式方法，给患者带来在巨大的不便，因此，希望得到更舒适的备选方法。
通常测量动脉血流，临床医生可以确定在已知时间点进入大脑的示踪剂的浓度，并且之后将那些值与所得图像进行比较。为了避免对患者动脉血介入式采样过程，通常采用后处理方法，例如，使用比例因子，其由健康人群的预成像采样内的平均强度值来限定。但是，这种方法一般是次优的，并且可以导致所导出的参数图中的伪影。
发明内容
根据一个方面，提供了一种使用正电子发射断层摄影扫描仪的自动诊断方法。产生了感兴趣区域的诊断图像。从知识维护引擎查询来自以前的成像扫描和诊断的数据。对所述诊断图像进行分析，识别看起来与从无症状对照集合得到的图像不同的图像区域。
根据另一方面，提出了正电子发射扫描装置。成像部分生成对象的一部分的正电子发射断层摄影的图像。图像存储器存储重建后的正电子发射断层摄影的图像。分析处理器对正电子发射断层摄影的图像进行分析，并且分配指示诊断的评分。知识维护引擎向分析处理器提供先前收集的数据，以辅助分析处理器的分析。滤波器(74)将来自知识维护引擎的信息限定为与当前研究最相关的信息。
根据另一个方面，提供了一种诊断图像配准方法。产生了感兴趣区域的第一诊断图像。还产生了感兴趣区域的第二诊断图像。所述第一和第二诊断图像相对于图像中出现的结构进行对准。
根据另一方面，提供了一种诊断成像方法。第一图像模态产生感兴趣区域的第一诊断图像。第二图像模态产生感兴趣区域的第二诊断图像，所述第二模态与所述第一模态不同。将所述第一和所述第二诊断图像进行对准。之后对出现在所述第一和所述第二诊断图像的至少一个中的医学异常进行诊断。
根据另一方面，提供一种双模态扫描装置。所述装置的磁共振成像部分能够生成成像区域中对象的至少一部分的磁共振图像。磁共振图像存储器存储重建后的磁共振图像。所述装置的正电子发射断层摄影部分能够生成所述对象的至少一部分的正电子发射断层摄影的图像。正电子发射断层摄影图像存储器存储重建后的正电子发射断层摄影图像。图像配准处理器对磁共振图像和正电子发射断层摄影的图像进行配准和组合，形成一对共配准图像。图像存储器存储共配准图像。分析处理器分析共配准图像并且分配指示诊断的特征向量。知识维护引擎向分析处理器提供先前收集的数据以辅助分析处理器的分析。过滤器将来自知识维护引擎的信息限制在与当前研究最相关的信息。
根据另一方面，提供了一种诊断成像装置。图像构建部分生成对象的一部分的诊断图像。图像存储器存储多个重建后的图像。图像配准处理器对来自图像存储器的至少两幅图像进行配准和组合，形成一对共配准图像。共配准图像存储器存储共配准图像。
根据另一个方面，提供了一种用于确定对象感兴趣区域中示踪剂摄取量的方法。将界标有示踪剂的放射性同位素注射到对象内。利用第一图像模态产生感兴趣区域第一诊断图像。利用第二图像模态产生感兴趣区域的第二诊断图像，所述第二模态与所述第一模态不同。根据第一诊断图像，利用磁共振扫描仪来确定进入感兴趣区域的血流量。计算出感兴趣区域中示踪剂摄取量。
根据另一方面，提供了一种双模态扫描装置。磁共振成像部分生成成像区域中对象的至少一部分的磁共振图像。磁共振图像存储器存储重建后的磁共振图像。正电子发射断层摄影部分生成所述对象的所述部分的正电子发射断层摄影的图像。正电子发射断层摄影图像存储器存储重建后的正电子发射断层摄影的图像。摄取处理器通过应用以下关系式计算所述对象的所述部分中的示踪剂摄取的量
C t ( t ) C a ( t ) = k i ∫ 0 t C a ( τ ) dτ C a ( t ) + B
其中，Ct(t)是组织浓度，Ca(t)是动脉浓度，ki是常数，B代表游离示踪剂成份。
一个优势在于自动鉴别诊断和低强度模式分类。
另一个优势在于立体定向归一化的提高的精度。
另一个优势在于在结果上的提高的一致性，即使是成像过程或者硬件部件方面有所改变。
另一个优势在于对象中神经图像改善了的对准。
在阅读和理解以下详细描述的基础上，本领域技术人员将理解本发明其他的优势。
附图说明
本发明可采用各种部件以及部件的布置，各种步骤以及步骤的安排。附图仅用于说明优选实施例，不应解释为限制本发明。
图1为扫描仪经过的步骤的流程图，以创建自动诊断；
图2为根据本申请的图像配准过程的流程图；
图3为根据本申请的示踪剂摄取测量的流程图；
图4为根据本申请的组合PET/MR的示意性图示。
具体实施方式
现在本申请转向对若干示例性实施例的描述。尽管本申请包括对组合PET/MR扫描仪的描述，但应该理解的是自动诊断技术和基于界标的空间对准不依赖于多模态系统，而仅通过其得到增强。本申请首先讨论利用PET成像的自动诊断，之后是基于界标的PET图像的空间对准。这两个概念都通过并行MR成像数据而增强，但MR数据不是必须的。之后，利用MR流动测量值的这一利处，申请转向PET图像之间的强度值的缩放。则本申请为多模态环境奠定了基础。
PET或其他诊断图像可单独用于自动诊断医学疾病。同样，参考对退行性神经疾病的诊断来描述本实施例，但应该理解的是PET成像模态的本质可与大量其他诊断结合使用。现在参考图1，示出了一种用于自动评价痴呆的系统。利用数据分析处理器62来执行对PET图像数据的分析60。另一种可能是单光子发射计算机断层摄影(SPECT)图像数据可用于代替PET图像数据。探测到校准后的生理输入数据和无症状集合之间存在显著的偏差。系统10在步骤64中记录下偏差，并且在步骤66中对疾病进行分类。标准统计检验，例如当前使用的检验，作为直接的实现方式。这种比较的结果为给予视场中每一个位置的数据集，一种差异测量，指示了在患者数据中的特定位置处的示踪剂摄取与对照集合中的相应位置之间的偏差。这些偏差的空间分布为(在FDG示踪剂的情况下)痴呆类型的特征。
将显著低强度区域的空间分布(对于FDG示踪剂而言的低葡萄糖摄取)与表示疾病具体类型的一组模型进行比较。所述一组模型可以从相对于健康参考集合来对确诊的患者进行的基于组的检测中推导出来。将这些模型与从当前患者导出来的模式进行比较，提供了执行全自动鉴别诊断的定量基础。这一步骤实现了对输入患者图像数据的完全计算机辅助诊断。
作为自动诊断的基础，系统使用若干知识来源，其均为集合知识维护引擎70的一部分。例如，所述知识维护引擎70可以为医院范围的数据库或者更大范围，如多医院网络数据库，或者可公开查阅的信息数据库。尽管，具有扫描仪特异数据是有利的，但是具有尽可能多的临床数据以辅助诊断也是有利的。如果即时扫描仪没有执行足够的扫描来适当地支持诊断，则知识维护引擎70确保可得到适当的替代数据。
首先，知识维护引擎70包含采集方案数据库72。如结合形态输入数据对生理输入数据进行校准所需的，该数据库提供当前使用的采集方案的模态和示踪剂特异信息特征。通常数据的分析取决于使用的示踪剂，从而提供信息使得过滤器74可以选择使用了合适的示踪剂或者可比较示踪剂的以前的扫描。
系统可得到的另一信息来源为对照集合数据库76。该数据库提供采集特异信息，需要所述信息以指出个体患者数据集在哪一部位以及多大程度上与对照集合显著不同。对照集合数据库76包含健康对象的样本用于比较。这一信息对于决定患者是否在经受疾病的折磨是重要的，所述疾病由患者图像与对照集合的差异指示出来。如果患者的扫描示出低强度区域不在对照集合中，则很可能需要进一步研究。理想的，对照集合包括在本扫描仪系统上得到的图像；强度、校准、伪影等为集合和本图像数据上是相同。或者可以构建补偿算法使对照集合归一化到本图像。
更具体地，将每一个体素的强度与一个或多个正常脑扫描的相应体素强度进行比较。基于这些比较，可能对或多或少有些痴呆特征的大脑区域进行加权，分析60确定患者是否健康，可能示出痴呆的迹象等。另外，使用与正常的体素显著不同的体素来生成偏差模式64。
系统可还包括几何参考数据库78。该数据库限定对照集合和校准后的患者数据的常见几何参考系统。其包含用于识别和匹配患者数据和对照集合中的相应结构的所有信息，如确定两者之间的偏差模式的空间分布所需的，使得两个数据集可在几何上对准。这一成份对于数据采集的几何布置以及目标应用是特异的。
知识维护引擎70还包含疾病模板数据库80。该数据库包含疾病和采集特异性信息，用于探测根据对照集合的偏差的空间分布，并且将所述空间分布分类为特征模式，其允许对相应大脑区域中不同形式的痴呆进行评分。例如，疾病模板80包括症状性集合或者各种痴呆或痴呆成份的特征的图像阵列。同样，过滤器74可将来自控制集合数据库76、几何参考数据库78和疾病模板数据库80的比较研究限制到与当前患者最相关的研究。例如，可仅利用使用了相同示踪剂、几何、疾病模式等的数据来分析当前扫描。
按照目标、当前的应用来适当地选择并且配置知识来源。例如，这使得根据预先限定的知识来源集中选择适当的知识来源。根据从电子病历中检索的数据或交互地通过技术人员执行数据采集而自动完成这一过程。随着成像过程的推进，系统可调整小的不一致性，基于(例如)采集方案中的变化、成像装备中的变化等，要求来自知识维护引擎70的不同信息子集。知识来源中超过某一安全界限的变化或偏差可以发出信号，以免其危害最终模式分类和评分的质量。如果合适的话，系统可利用当前扫描结果来更新知识维护引擎70。可以由质量控制处理器82来执行这个和其他维护任务，以确保知识维护引擎70的内部一致性。
知识维护引擎70保护结果免于输入图像采集中的失常或在违背正常集合的有效应用范围的病人客户中的变化。以这种形式，系统可用于探测和监控新知识来源的积累，如由神经退行性疾病的特定形式或新的和更多的异性示踪剂物质所需要的。例如，其不仅对于神经退行性疾病的早期诊断，而且还对于利用更好和更特异性的药物对其进行治疗的发展都是很重要的工具。
偏差模式64与痴呆特征模式阵列80的比较66导致一系列相似性/不相似性值或向量。在一个实施例中，这些向量的取向/方向指示了痴呆类型，并且其幅度指示了痴呆进展的程度。
一旦分析完成，系统向分析后的图像分配一个诊断分数84(例如特征向量)。这向临床医生提供了对疾病类型的估计。在大脑扫描的具体情况中，系统识别从扫描中可得到的痴呆的类型。分数可以反映概率，即所指示的诊断是正确的诊断的置信度。分数还可反映在诊断中发挥作用各种因子，例如受影响的区域、低强度程序、低强度范围等。优选地，一旦向临床医生提供所述分数，则其可以批示对疾病类型和严重性的立即的估计。
任选地，在开始任何诊断之前，使用两种模态产生感兴趣区域的图像。另外，可以通过使PET图像与诸如MR、CT等的在其中对准点可清晰识别出来的图像组合来产生共配准图像。尽管PET和MRI表示基本上不同图像采集的技术，这极大地有助于两种模态的令人称赞的本质，但在两种成像模态中出现某些界标。通过参考两幅图像中的这些界标，通过使模态间刚性配准与自动MR界标提取组合，可以将图像共配准到利用两种模态的优势的表示上。在示出的实施例中，同时采集PET和MR图像或利用扫描装备以已知的空间关系顺序地采集，从而PET和MR图像内在地对准。
如果将图像全缩放到相同的尺寸，并且如果还使其亮度、强度和其他图像性质归一化，则将患者图像与对照集合76的健康大脑图像进行比较，以及与疾病模板80的疾病图像进行比较将会更准确。生成标称头骨尺寸和取向，并且选择对准点。在配准90中，识别出患者图像中相应的点，并且弹性变换患者图像，使得患者图像的对准点重叠在模板的对准点上。在一个实施例中，对准点仅在MR图像中，并且类似地变换本质上对准后的PET图像。在另一个实施例中，使用PET或SPECT图像中一些对准点。点的数目可以是几个，或者大量的。在头部的一个实施例中，提取骨骼形成头骨图像，并且通过对准两幅图像来确定所述变换。在其他实施例中，仅使用头骨中所选择的点和/或软组织来确定变换。参考图2，可以由已知的几何生成92对准模板，所述几何为体模94、正常尺寸的患者头骨、先验图像的平均等。所述模板具有可容易识别的界标物或者结构。
通过模板和之前对准后的图集提供数学变换模型以及常见匹配目标结构。可以使用空间对准的不同形式，例如，可以使用几何大脑模型来确定大脑解剖结构，如由MRI数据、配准到对照集合的“平均”示踪剂摄取模式、提取MRI和PET数据中清晰可见并且明确识别的常见解剖界标等中所导出的。
高分辨率MR图像中的界标的准确限定实现了对象中改善的神经(以及其他)图像的对准。在大脑图像的特定情况下，使所选择结构的区域中的局部偏差最小化。来自MR图像的自动界标提取96用于使对象的相同感兴趣区域的相应PET图像与模板对准。这通常包括两个步骤：估计MR图像中的界标，以及将PET和MR图像与模板刚性配准98。优选地，MR图像中界标位置的提取是自动的。或者，可由成像技术人员手动执行，但这一种方法会使时间更加紧张。首先，在特征二维平面集中估计界标的稀疏集的位置。例如，可以通过实施MR控制台上可得到的SmartExamTM包来完成。接着，执行解剖结构的三维模型的初始定位。通过使用先前获得的界标，可以确定这些结构(例如，脑室、小脑和脑干)的尺寸和取向。接着，细化初始模型，并且所述模型适于匹配当前对象的解剖结构的位置、取向和形状。最后，根据最终三维模型定位来限定解剖结构界标集。这些界标可以是三维模型本身的点。
在MR图像中识别出界标后，在PET图像中识别所述界标，使得PET图像或者两幅图像可以与模板对准。首先，通过使用所估计的刚性配准参数将界标从MR空间变换到PET空间。已知至少两幅PET图像中的这些界标的位置(例如，当前对象的图像以及从对照集合中导出的模板图像)，则可以将这些图像按如下对准到共用空间。相应界标的位置可用于限定任意空间位置的变换。例如，可以使用薄板样条插值。所述插值实现对图像的重采样，从而可以与一幅图像对准地对另一幅图像进行重采样。这种共配准的图像为临床医生提供了MR和PET模态两者的优点。
为了减轻并增强图像的共配准，可以计算示踪剂的特征。如先前所提到的，常见的测量进入大脑血流的方法包括介入式的、消耗时间的动脉采样，其给患者带来极大的不舒适性。最新的MR扫描仪可以被配置为经由颈动脉以高精度测量进入大脑的血流，并且因此摄取处理器102可计算示踪摄取。参考图3，在PET扫描期间，将已知体积的放射性同位素引入患者104内，所述放射性同位素界标有生物示踪剂。对于大脑成像而言，葡萄糖是常见的示踪剂。通过知道进入大脑的血流，以及放射性同位素的体积，可直接计算出到达大脑的示踪剂的浓度。假定示踪剂基本上处于组织中，并且基本上没有或者根本没有洗出，则可以将所成像的浓度分为游离示踪剂成份和表示结合示踪剂106的累积示踪成份。Patlak模型是针对该计算的示例性模型。另外，假定游离示踪剂成份遵循一般的血流活动，其动力学比代谢速率更快，使得游离示踪剂成份接近常数B。因此，可以通过以下方程表达模型的两个成份
C t ( t ) C a ( t ) = k i ∫ 0 t C a ( τ ) dτ C a ( t ) + B
在PET图像中，以比较的形式测量108组织浓度Ct(t)，并且使用MR流动估计技术测量110动脉浓度Ca(t)，实现流入估计的常数ki。结果，确定组织中活动的绝对水平，并且假定可得到参考或控制图像集的相应的测量值，可确定112适当的比例因子。已经描述了摄取计算用于测量进入大脑的示踪剂的摄取，但是应该理解的是，已经预想到了其他感兴趣区域中的摄取和/或使用放射性同位素的其他示踪界标。本申请还应用于SPECT。随着可得到的示踪剂和数据采集几何形状的改善，SPECT成像可能变得与PET一样快，并且还允许药代动力学建模。
参考图4，一个组合或混合磁共振(MR)和PET数据采集系统110，其生成本质上对准的PET和MR图像。要理解的是多模态系统出于方便的原因是理想的；还预想到从远程定位或空间置换的不同扫描仪得到的图像，并且相似可行。图示的扫描仪110为共面系统，但其他扫描仪取向是同样合理的，例如，并排系统、插入系统等。磁共振扫描仪包括磁体112，所述磁体包括多个导体线圈绕组(图4中由带有交叉线的方框示意性示出)，其在成像区域114内生成静态磁场B0。磁体12可能是超导的或者本质上是电阻性的；在前者的情况下，通常将磁体112置于低温容器中或者其他冷却系统中(未示出)。图示的磁体112为具有通过成像区域114的相对水平的B0场的螺线管磁体。尽管将B0场的极性示为从左向右，但相反的极性也是合适的。在其他实施例中，可以其他方式对磁体112进行定向，以产生垂直或其他取向的静态磁场。
磁共振扫描仪还包括磁场梯度组件，在图4的示例性实施例中包括梯度线圈绕组116，所述绕组配合地在静态磁场B0上叠加响应于所选择的梯度线圈绕组116的选择性通电的磁场梯度。任选地，磁场梯度线圈、磁体、或两者可包括其他未示出的特征用于形成、稳定以及动态调整磁场，例如，无源铁磁垫片、有源匀场线圈等。磁共振扫描仪还包括射频激发和接收系统118。所述射频系统包括至少一个部件，例如图示的射频线圈118，可在适当的射频上对其通电以激发置于成像区域114的对象中的磁共振。所述线圈118还可用于射频接收器，以接收或探测RF激发后从成像区域114发射的磁共振。在一些实施例中，不同线圈用于激发和接收操作。例如，内置线圈118可用于激发磁共振，可在成像区域114中的对象之上或者靠近所述对象处对不同的、局部线圈(未示出)进行定位，以探测磁共振。可预想到利用内置线圈、局部线圈或两者的不同组合，可将相同的磁共振扫描仪以不同的方式进行配置。
在磁共振采样存储器120中存储所接收的磁共振样本。磁共振重建处理器122应用适合的重建算法，以对磁共振样本进行重建而形成存储在磁共振图像存储器124中的重建后的图像。重建处理器122应用重建算法，所述算法与用于生成磁共振数据的所选择的空间编码相适。例如，傅里叶重建算法可适于对Cartesian编码的磁共振数据进行重建。
继续参考图4，图示的组合或混合MR和PET数据采集系统110还包括用于执行PET数据采集的辐射探测器。在图4的示意性示例中，辐射探测器包括辐射探测器的第一和第二阵列130、132。如将要描述的，每一个图示的通用平面探测阵列130、132包括闪烁体层和一层基于电子倍增器的光子探测器，但是，可以预想到其他探测器配置，例如，置于成像区域114周围的圆柱形探测器。还可预想到固态辐射探测器和固态光子探测器。将每一个辐射探测器阵列130、132配置为探测由正电子-电子湮灭事件发射的511keV伽马射线。在PET数据采集中，假定两束基本上同时发生的511keV伽马射线起源于相同的正电子-电子湮灭事件，因此位于沿“响应线”(LOR)的某个位置处，所述响应线连接两个基本上同时发生的511keV伽马射线探测事件。有时也将响应线称为投影或射线，采集的PET数据指投影数据。
在常规PET中，将基本上同时发生的511keV伽马射线探测事件限定为在所选择的短时间窗口内(诸如，彼此的一纳秒内)发生的两个511keV伽马射线探测事件。由于相对于探测器元件的可变的湮灭位置，因此在基本上同时发生的伽马光子探测事件之间出现小的(例如，亚纳秒)时间差异。称为飞行时间PET或者TOF-PET的相关技术利用这一小的时间差异进一步沿LOR定位正电子-电子湮灭事件。
混合系统110的辐射探测器阵列130、132用于采集PET或者TOF-PET数据。由PET数字化单元134处理伽马射线探测事件，所述单元执行探测事件的时间-数字转化(TDC)以及模数转化(ADC)，以及执行聚类、能量估计、时间戳和定位的单处理单元(singles processing unit)136。所述单处理单元任选地滤出在选择能量窗以外的探测，所述能量窗以预期的511keV伽马射线能量为中心。在一些实施例中，对辐射探测器像素化，使得限定投影的伽马射线探测事件的空间定位与辐射探测器阵列130、132的辐射探测器的像素尺寸(即，物理尺寸)相对应。在其他实施例中，聚类可以由诸如Anger逻辑等的块读出算法来应用，以提供限定投影的伽马射线探测事件的进一步空间定位细化。重合探测处理器138采用时间窗以识别基本同时发生的伽马射线探测事件，其因此很可能对应于共同的正电子-电子湮灭事件并且因此限定投影或者响应线。
用于TOF处理而言，所述单处理136以及重合探测处理138可以互换或者交错，使得可使用所识别的基本上同时发生的或者重合的探测事件之间的时间差异来沿投影或者响应线对正电子-电子湮灭事件进行空间定位。
将得到的PET或者TOF-PET数据存储在PET数据存储器140上。PET重建处理器142使用合适的重建算法来处理投影或者定位后的投影数据，以生成存储在PET图像存储器144中的重建后的图像。例如，可以采用过滤后的反投影算法或者迭代重建算法。图4的系统包括不连续辐射探测阵列130、132，用于没有完全围绕对象的PET。由于“丢失”投影或响应线，所述不完全的围绕可导致成像伪影。例如，在图4的系统中，没有采集到完全水平的投影，因此无法得到一般地由这种水平投影提供的关于垂直位置的信息。有利地，如果采集并重建飞行时间PET数据，那么飞行时间定位提供对由于不完全围绕而丢失的信息进行补偿的额外的信息。作为定性的示例，上述有关垂直位置的丢失信息可以由TOF定位垂直投影进行补偿，这是因为电子-正电子湮灭事件沿垂直投影的时间定位提供有关其垂直位置的信息。
任选地同时执行MR和PET采集。可选地或另外地，可以顺序地(例如，首先MR，接着是PET，或者反过来)或者交错地完成MR和PET采集。图像配准处理器150对重建后的MR和PET图像进行空间配准以及任选地时间配准。如果生成共配准图像，将其存储在共配准图像存储器152中。将这样配准后的图像合适地在显示器设备154上显示，使用合适的二维或者三维渲染软件进行渲染，或者以其他方式进行处理。
尽管已经具体地根据对诸如的阿尔茨海默痴呆的神经退行性疾病的计算机辅助诊断而描述了本系统，但所述系统也可以应用于对其他神经障碍进行诊断，例如，帕金森症，其通常使用功能性成像进行诊断。其还被应用于以其他成像模态的组合(例如，CT)方式来对医学数据集进行系统化处理或后期处理。
已经参考优选实施例描述了本发明。在阅读和理解上述详细说明的基础上其他人可能会想到各种的修改和变更。本发明意在包括所有这些落在附属权利要求及其等价物的范围内的这些修改和变更。

Claims (39)

1、一种使用核发射断层摄影扫描仪的自动诊断方法，包括：
产生感兴趣区域的第一诊断图像；
向知识维护引擎(70)查询来自以前成像扫描和诊断的数据；
分析所述诊断图像，以识别所述图像中看起来与无症状对照集合的图像不同的区域。
2、如权利要求1所述的方法，其中，所述知识维护引擎(70)包括采集方案数据库(72)、几何参考数据库(78)、对照集合数据库(76)和疾病模板数据库(80)，以及确保所述知识维护引擎(70)的内部一致性的质量控制处理器(82)。
3、如权利要求1所述的方法，其中，所述查询的步骤还包括：
向所述知识维护引擎(70)应用数据库过滤器(74)，以将参考材料限制到与当前研究相关的那些参考材料。
4、如权利要求1所述的方法，还包括：
向所述诊断图像分配诊断特征向量，其至少指示了诊断和所述诊断是正确的概率。
5、如权利要求4所述的方法，其中，所述知识维护引擎(70)包含以往对痴呆的诊断。
6、如权利要求1所述的方法，还包括：
通过应用以下关系式而确定进入所述感兴趣区域的血流量：
C t ( t ) C a ( t ) = k i ∫ 0 t C a ( τ ) dτ C a ( t ) + B
以确定所述感兴趣区域中示踪剂的摄取量，其中Ct(t)是组织浓度，Ca(t)是动脉浓度，ki是流入常数，而B表示游离示踪剂成份。
7、如权利要求1所述的方法，还包括：
通过以下方法使所述诊断图像与第二诊断图像对准：
从所述第二诊断图像提取界标；
在一组有关所述感兴趣区域的二维平面切片中估计一组稀疏的界标；以及
基于所述界标确定用于更详细的解剖结构模型的初始位置估计，定位步骤包括：
将所述模型的参数调配到成像中的对象的解剖结构；以及
基于所述模型的定位在当前对象的解剖结构中进一步限定界标。
8、一种核发射扫描装置，包括：
成像部分，其能够生成对象的一部分的发射断层摄影图像；
图像存储器(44)，其用于存储重建后的发射断层摄影图像；
分析处理器(60)，其分析所述发射断层摄影图像，并且分配指示了诊断的分数；
知识维护引擎(70)，其向所述分析处理器(60)提供先前收集的数据，以辅助所述分析处理器(60)的分析；
过滤器(74)，其将来自所述知识维护引擎(70)的信息限制到与当前研究最相关的信息。
9、如权利要求8所述的发射扫描装置，其中，所述知识维护引擎还包括：
质量控制处理器(82)，其确保所述知识维护引擎(70)的内部一致性。
10、一种诊断图像的配准方法，包括：
产生感兴趣区域的第一诊断图像；
产生所述感兴趣区域的第二诊断图像；
从所述第一诊断图像中提取界标；以及
利用所提取的界标将所述第一诊断图像和所述第二诊断图像与模板进行对准。
11、如权利要求10所述的方法，其中，所述对准的步骤还包括：
在一组有关所述感兴趣区域的二维平面切片中估计一组稀疏的界标。
12、如权利要求11所述的方法，其中，所述对准的步骤还包括：
生成所述感兴趣区域的多个健康和患病的解剖图像；
从所述健康和患病的解剖图像中提取所述界标；
利用所提取的界标将所述健康和患病的解剖图像与所述模板进行对准。
13、如权利要求12所述的方法，还包括：
至少使与所述模板对准的所述第二图像与已经与所述模板对准的所述健康和患病的图像进行比较；
基于所述比较提出诊断。
14、如权利要求13所述的方法，其中，所述第一诊断图像为磁共振图像，而所述第二诊断图像为正电子发射断层摄影图像。
15、一种诊断成像的方法，包括：
利用第一图像模态产生感兴趣区域的第一诊断图像；
利用第二图像模态产生所述感兴趣区域的第二诊断图像，所述第二模态不同于所述第一模态；
相对于所述图像中出现的结构使所述第一和所述第二诊断图像对准；以及
诊断出现在所述第一和所述第二诊断图像中的至少一个中的医学异常。
16、如权利要求15所述的方法，还包括：
确定对象感兴趣区域中的示踪剂摄取量；
利用磁共振扫描仪确定进入所述感兴趣区域中的血流量。
17、如权利要求16所述的方法，其中，所述确定步骤还包括：
确定流入常数。
18、如权利要求16所述的方法，其中，所述确定步骤还包括：
应用以下关系式
C t ( t ) C a ( t ) = k i ∫ 0 t C a ( τ ) dτ C a ( t ) + B
以确定所述感兴趣区域中所述示踪剂的摄取量，其中，Ct(t)是组织浓度，Ca(t)是动脉浓度，ki是流入常数，B表示游离示踪剂成份。
19、如权利要求16所述的方法，其中，所述第一图像模态为磁共振成像，所述第二图像模态为正电子发射断层摄影和单光子发射计算机断层摄影中的一个，所述感兴趣区域为大脑。
20、如权利要求15所述的方法，其中，所述诊断步骤还包括：
向知识维护引擎(70)查询来自以前成像扫描和诊断的数据；
根据来自所述知识维护引擎(70)的数据分析所述诊断图像；以及
将诊断分数分配给所述诊断图像，所述分数指示了至少一种诊断以及所述诊断是否正确的概率。
21、如权利要求15所述的方法，其中，所述对准步骤还包括：
从所述第一诊断图像提取界标。
22、如权利要求21所述的方法，其中，所述对准步骤还包括：
在所述感兴趣区域的二维平面层的集合中估计界标的稀疏集合。
23、如权利要求22所述的方法，还包括：
执行患者间图像对准，以基于所识别的界标限定公共坐标系统中动脉空间位置的具体变换。
24、如权利要求15所述的方法，其中，所述对准步骤还包括：
从所述第一诊断图像中提取界标；
在所述感兴趣区域的二维平面层的集合中估计界标的稀疏集合；以及
基于所述界标对解剖结构的模型进行定位，所述定位步骤包括：
将所述模型的参数调配到成像中的对象的解剖结构；以及
基于所述模型的最终定位在所述当前对象的解剖结构中限定界标。
25、如权利要求15所述的方法，其中，所述诊断步骤还包括：
向知识维护引擎(70)查询来自以前成像扫描和诊断的数据；
根据来自所述知识维护引擎(70)的数据分析所述诊断图像。
26、如权利要求25所述的方法，其中，所述知识维护引擎(70)包括采集方案数据库(72)、几何参考数据库(78)、对照集合数据库(76)和疾病模板数据库(80)，以及确保所述知识维护引擎(70)的内部一致性的质量控制处理器(82)。
27、如权利要求25所述的方法，其中，所述查询的步骤还包括：
向所述知识维护引擎(70)应用数据过滤器(74)，以将参考材料限制到与当前研究相关的那些。
28、如权利要求25所述的方法，还包括：
向所述诊断图像分配诊断分数，其指示了至少一种诊断和所述诊断是正确的概率。
29、一种包含程序的计算机可读介质，所述程序控制诊断成像装置(10)的一个或多个处理器，以执行如权利要求15所述的方法。
30、一种诊断成像系统，包括用于执行权利要求15的步骤的模块(22，102，50，62，70)。
31、一种双模态扫描装置，包括：
磁共振成像部分，其能够生成成像区域(14)中的对象的至少一个部分的磁共振图像；
磁共振图像存储器(24)，其用于存储重建后的磁共振图像；
发射断层摄影部分，其能够生成所述对象的所述一部分的正电子发射断层摄影图像；
发射断层图像存储器(44)，其用于存储重建后的发射断层摄影图像；
图像配准处理器(50)，其用于配准所述磁共振图像和所述发射断层摄影图像，形成一对共配准图像；
共配准图像存储器(52)，其用于存储所述共配准图像；
分析处理器(60)，其分析所述共配准图像并分配指示诊断的分数；
知识维护引擎(70)，其向所述分析处理器(60)提供先前收集的数据，以辅助所述分析处理器(60)的分析；
过滤器(74)，其将来自所述知识维护引擎(70)的信息限制在与当前研究最相关的信息。
32、一种诊断成像装置，包括：
图像存储器(44)，其存储表示健康和疾病患者的感兴趣区域的多个重建后的图像，其中，健康和疾病的图像已经对准到模板；
图像重建处理单元(22，42，59)，其生成待诊断的患者的对准后的代谢和结构图像；
图像配准处理器(90)，其用于将从所述结构图像中提取的界标配准到所述模板中相应的界标，以确定用于将所述结构图像对准到所述模板的变换；以及
利用所述变换在所述至少一个所述代谢图像上进行操作，以将其对准到所述模板。
33、如权利要求32所述的诊断成像装置，还包括：
分析器(60)，其将所述对准后的代谢图像与所述对准后的健康和疾病图像进行比较。
34、一种确定对象的感兴趣区域中示踪剂的摄取量的方法，包括：
将界标有示踪剂的放射性同位素引入对象；
利用第一图像模态产生感兴趣区域中或其附近的所述对象的第一诊断图像；
利用第二图像模态产生所述感兴趣区域的第二诊断图像，所述第二模态与所述第一模态不同；
根据所述第一诊断图像，利用磁共振扫描仪确定进入所述感兴趣区域的血流量；以及
计算所述感兴趣区域中示踪剂的摄取量。
35、如权利要求34所述的方法，其中，所述计算步骤还包括：
确定流入常数。
36、如权利要求34所述的方法，其中，所述确定步骤还包括：
应用以下关系式
C t ( t ) C a ( t ) = k i ∫ 0 t C a ( τ ) dτ C a ( t ) + B
以确定所述感兴趣区域中所述示踪剂的摄取量，其中，Ct(t)是组织浓度，Ca(t)是动脉浓度，ki是流入常数，B表示游离示踪剂成份。
37、如权利要求34所述的方法，其中，所述第一图像模态为磁共振成像，其测量进入所述感兴趣区域的血流，所述第二图像模态为正电子发射断层摄影和单光子发射计算机断层摄影之一，其测量有关所述感兴趣区域中所述示踪剂的代谢活动。
38、一种双模态扫描装置，包括：
磁共振成像部分，其能够测量进入成像区域(14)中的对象的至少一部分的血流；
发射断层摄影部分，其能够生成所述对象的所述一部分的代谢图像；
发射断层摄影的图像存储器(44)，其用于存储所述代谢图像；
摄取处理器(102)，其计算在所述对象的所述一部分中的示踪剂摄取。
39、一种如权利要求38所述的双模态扫描装置，其中，所述摄取处理器(102)通过应用以下关系式，计算所述对象的所述一部分中的所述示踪剂摄取
C t ( t ) C a ( t ) = k i ∫ 0 t C a ( τ ) dτ C a ( t ) + B
其中，Ct(t)是组织浓度，Ca(t)是动脉浓度，ki是流入常数，B表示游离示踪剂成份。
CN2008800070420A 2007-03-06 2008-02-14 附加有pet/mr流动估计的自动诊断和对准 Active CN101626727B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US89324107P 2007-03-06 2007-03-06
US60/893,241 2007-03-06
PCT/IB2008/050545 WO2008107809A2 (en) 2007-03-06 2008-02-14 Automated diagnosis and alignment supplemented with pet/mr flow estimation

Publications (2)

Publication Number Publication Date
CN101626727A true CN101626727A (zh) 2010-01-13
CN101626727B CN101626727B (zh) 2012-02-15

Family

ID=39580009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2008800070420A Active CN101626727B (zh) 2007-03-06 2008-02-14 附加有pet/mr流动估计的自动诊断和对准

Country Status (5)

Country Link
US (1) US8488857B2 (zh)
EP (1) EP2120702B1 (zh)
JP (1) JP5424902B2 (zh)
CN (1) CN101626727B (zh)
WO (1) WO2008107809A2 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103260522A (zh) * 2010-12-16 2013-08-21 皇家飞利浦电子股份有限公司 用于ct-mri和核混合成像、交叉校准以及性能评估的设备
CN103501701A (zh) * 2011-04-26 2014-01-08 皇家飞利浦有限公司 诊断性脑成像
CN103800076A (zh) * 2014-01-14 2014-05-21 中国科学院自动化研究所 一种结构-光学-核素多模态成像系统与方法
CN103919554A (zh) * 2013-01-16 2014-07-16 李茗 内耳淋巴液的磁共振新技术
CN104160424A (zh) * 2012-03-08 2014-11-19 皇家飞利浦有限公司 用于改进多模态图像融合中的配准准确度的智能标志选择
CN110337272A (zh) * 2017-02-24 2019-10-15 拜耳医药保健有限公司 用于生成模拟计算机断层扫描(ct)图像的系统和方法
CN110477941A (zh) * 2019-08-19 2019-11-22 上海联影医疗科技有限公司 摄取值的校正方法、装置、计算机设备和可读存储介质
CN110544252A (zh) * 2019-09-05 2019-12-06 重庆邮电大学 基于多模态磁共振脑影像的帕金森病辅助诊断系统
CN110692087A (zh) * 2017-03-31 2020-01-14 皇家飞利浦有限公司 用于素描模板的生成或调整的设备和方法

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007023657B4 (de) * 2007-05-22 2014-03-20 Siemens Aktiengesellschaft Verfahren zur Datenaufnahme bei einer funktionellen Gehirnuntersuchung mit einem kombinierten Magnetresonanz-PET-Gerät
US8218905B2 (en) * 2007-10-12 2012-07-10 Claron Technology Inc. Method, system and software product for providing efficient registration of 3D image data
EP2408374B1 (en) * 2009-03-19 2017-08-30 Koninklijke Philips N.V. Functional imaging
US9020216B2 (en) 2010-07-28 2015-04-28 Varian Medical Systems, Inc. Knowledge-based automatic image segmentation
US9454823B2 (en) 2010-07-28 2016-09-27 arian Medical Systems, Inc. Knowledge-based automatic image segmentation
US8934685B2 (en) * 2010-09-21 2015-01-13 General Electric Company System and method for analyzing and visualizing local clinical features
KR20140074969A (ko) * 2011-09-26 2014-06-18 아쿠이타스 메디컬 리미티드 기관 섬유증 특징의 검출방법
EP2790575B1 (en) * 2011-12-15 2017-06-14 Commonwealth Scientific and Industrial Research Organisation Method and apparatus for the assessment of medical images
BR112014019162A8 (pt) 2012-02-07 2017-07-11 Koninklijke Philips Nv Sistema de obtenção de imagem que gera um conjunto de imagem do paciente, método para geração de um conjunto de imagem do paciente, e meio legível em computador não-transiente
US9554707B2 (en) 2012-06-29 2017-01-31 General Electric Company Concurrent acquisition of PET fields during acquisition of a MRI field of view
AU2014208382A1 (en) * 2013-01-24 2015-07-23 Tylerton International Holdings Inc. Body structure imaging
JP2016508769A (ja) * 2013-01-28 2016-03-24 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 医用画像処理
US9332954B2 (en) * 2013-03-15 2016-05-10 Jacqueline K. Vestevich Systems and methods for evaluating a brain scan
US9741131B2 (en) * 2013-07-17 2017-08-22 Siemens Medical Solutions Usa, Inc. Anatomy aware articulated registration for image segmentation
US10269115B2 (en) 2014-07-15 2019-04-23 Koninklijke Philips N.V. Imaging data statistical testing including a stereotactical normalization with a personalized template image
KR101696061B1 (ko) * 2015-03-05 2017-01-13 재단법인 아산사회복지재단 퇴행성 뇌질환 진단에 적합한 이미지 바이오 마커를 획득하는 방법, 장치 및 이를 이용하여 퇴행성 뇌질환을 진단하는 방법
US9606245B1 (en) 2015-03-24 2017-03-28 The Research Foundation For The State University Of New York Autonomous gamma, X-ray, and particle detector
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
US10403010B2 (en) * 2017-09-19 2019-09-03 General Electric Company Methods and systems for reconstructing images
CL2018001428A1 (es) * 2018-05-28 2018-08-24 Univ Del Desarrollo Un método para procesar imágenes cerebrales.
CN109166108B (zh) * 2018-08-14 2022-04-08 上海融达信息科技有限公司 一种ct影像肺部异常组织的自动识别方法
DK180231B1 (en) 2018-10-31 2020-08-28 Synaptic Aps Method of establishing a brain status indication parameter and system therefor
US11462315B2 (en) * 2019-11-26 2022-10-04 Enlitic, Inc. Medical scan co-registration and methods for use therewith
US20230169648A1 (en) * 2020-04-28 2023-06-01 Splink, Inc. System, Control Method, Information Providing Method, and Recording Medium
JPWO2022054711A1 (zh) * 2020-09-10 2022-03-17

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3890959A (en) * 1971-03-22 1975-06-24 Univ New York Method for determining discrete localized blood flow in a large volume of tissue
US5300886A (en) 1992-02-28 1994-04-05 The United States Of America As Represented By The Department Of Health & Human Services Method to enhance the sensitivity of MRI for magnetic susceptibility effects
JPH07204170A (ja) * 1994-01-25 1995-08-08 Hitachi Ltd 活性化領域抽出方法
IL139655A0 (en) * 2000-11-14 2002-02-10 Hillman Yitzchak A method and a system for combining automated medical and psychiatric profiling from combined input images of brain scans with observed expert and automated interpreter using a neural network
US20040092809A1 (en) * 2002-07-26 2004-05-13 Neurion Inc. Methods for measurement and analysis of brain activity
US7433540B1 (en) * 2002-10-25 2008-10-07 Adobe Systems Incorporated Decomposing natural image sequences
US7458936B2 (en) * 2003-03-12 2008-12-02 Siemens Medical Solutions Usa, Inc. System and method for performing probabilistic classification and decision support using multidimensional medical image databases
US7912528B2 (en) * 2003-06-25 2011-03-22 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for heart related diseases and conditions
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
US20060030769A1 (en) * 2004-06-18 2006-02-09 Ramamurthy Venkat R System and method for loading timepoints for analysis of disease progression or response to therapy
JP2006167289A (ja) 2004-12-17 2006-06-29 Toshiba Corp 複合画像診断支援システム、複合画像診断支援装置、及び医用画像データベース作成方法
JP4824321B2 (ja) * 2005-01-28 2011-11-30 富士フイルムＲｉファーマ株式会社 画像データの解析システム、方法及びコンピュータプログラム
DE102005015070B4 (de) * 2005-04-01 2017-02-02 Siemens Healthcare Gmbh Kombiniertes Positronen-Emissions-Tomographie-und Magnetresonanz-Tomographie-Gerät
US7835782B2 (en) 2005-04-29 2010-11-16 The Regents Of The University Of California Integrated PET-MRI scanner
JP4581088B2 (ja) * 2005-05-17 2010-11-17 国立大学法人 筑波大学 計算機支援診断装置および方法
WO2007019190A2 (en) * 2005-08-03 2007-02-15 Socratech L.L.C. Role of gax in alzheimer neurovascular dysfunction
AU2007269608A1 (en) * 2006-07-06 2008-01-10 Regents Of The University Of Minnesota Analysis of brain patterns using temporal measures
WO2010052731A1 (en) * 2008-11-07 2010-05-14 Department Of Biotechnology A ready automated screening, diagnosis & classification technique for alzheimer's disease using magnetic resonance imaging signal from ventricular zone contour of brain
CA2709621A1 (en) * 2009-09-11 2011-03-11 Electrophoretics Limited Markers and methods relating to the assessment of alzheimer's disease

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103260522A (zh) * 2010-12-16 2013-08-21 皇家飞利浦电子股份有限公司 用于ct-mri和核混合成像、交叉校准以及性能评估的设备
CN103501701A (zh) * 2011-04-26 2014-01-08 皇家飞利浦有限公司 诊断性脑成像
CN104160424A (zh) * 2012-03-08 2014-11-19 皇家飞利浦有限公司 用于改进多模态图像融合中的配准准确度的智能标志选择
CN104160424B (zh) * 2012-03-08 2017-09-19 皇家飞利浦有限公司 用于改进多模态图像融合中的配准准确度的智能标志选择
CN103919554A (zh) * 2013-01-16 2014-07-16 李茗 内耳淋巴液的磁共振新技术
CN103800076A (zh) * 2014-01-14 2014-05-21 中国科学院自动化研究所 一种结构-光学-核素多模态成像系统与方法
CN110337272A (zh) * 2017-02-24 2019-10-15 拜耳医药保健有限公司 用于生成模拟计算机断层扫描(ct)图像的系统和方法
CN110337272B (zh) * 2017-02-24 2023-11-07 拜耳医药保健有限公司 用于生成模拟计算机断层扫描(ct)图像的系统和方法
CN110692087A (zh) * 2017-03-31 2020-01-14 皇家飞利浦有限公司 用于素描模板的生成或调整的设备和方法
CN110477941A (zh) * 2019-08-19 2019-11-22 上海联影医疗科技有限公司 摄取值的校正方法、装置、计算机设备和可读存储介质
CN110544252A (zh) * 2019-09-05 2019-12-06 重庆邮电大学 基于多模态磁共振脑影像的帕金森病辅助诊断系统

Also Published As

Publication number Publication date
EP2120702A2 (en) 2009-11-25
US20100152577A1 (en) 2010-06-17
WO2008107809A2 (en) 2008-09-12
JP2010520478A (ja) 2010-06-10
US8488857B2 (en) 2013-07-16
WO2008107809A3 (en) 2008-12-04
EP2120702B1 (en) 2014-04-09
JP5424902B2 (ja) 2014-02-26
CN101626727B (zh) 2012-02-15

Similar Documents

Publication Publication Date Title
CN101626727B (zh) 附加有pet/mr流动估计的自动诊断和对准
Ladefoged et al. A multi-centre evaluation of eleven clinically feasible brain PET/MRI attenuation correction techniques using a large cohort of patients
US9424644B2 (en) Methods and systems for evaluating bone lesions
Kubicki et al. Voxel-based morphometric analysis of gray matter in first episode schizophrenia
Nie et al. A rat brain MRI template with digital stereotaxic atlas of fine anatomical delineations in paxinos space and its automated application in voxel‐wise analysis
US8593142B2 (en) Automated fiber tracking of human brain white matter using diffusion tensor imaging
CN107111867B (zh) 多模态成像系统及方法
CN103607954B (zh) 用于混合式扫描器上ac和定位的剂量优化方案
CN101006465B (zh) 横跨时间点链接vois以分析疾病进展或者对治疗的响应的系统和方法
US20080135769A1 (en) Attenuation correction of pet image using image data acquired with an mri system
JP2010517030A (ja) 神経変性疾患の診断を支援するためのツール
DE102010037037A1 (de) Bewegungskorrektur in tomographischen Bildern
CN111312373B (zh) 一种pet/ct图像融合自动标注方法
CN104094314A (zh) 使用定量t1映射进行风险区域的自动探测
US20130004049A1 (en) Systems and methods for improved tractographic processing
Schilling et al. Patch2self denoising of diffusion mri in the cervical spinal cord improves repeatability and feature conspicuity
EP2711738A1 (en) A method and a device to generate virtual X-ray computed tomographic image data
JP2022040534A (ja) 磁気共鳴イメージング装置、画像処理装置、および、画像処理方法
CN113057662A (zh) 用于混合pet-mr成像中的运动补偿的方法和系统
CN114494251B (zh) Spect图像处理方法以及相关设备
Teixeira Automation of co-registration of pre-clinical RPC-PET images with animal MRI
LEGGIO A novel tomographic approach for an early detection of multiple myeloma progression
Pietrzyk Positron Emission Tomography: Physical Background and Applications
Simon et al. A Software Tool to automatically evaluate and quantify Diffusion Weighted Images
Oehr et al. Image Fusion

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