CN102436539A - 用于分析和可视化局部临床特征的系统和方法 - Google Patents

用于分析和可视化局部临床特征的系统和方法 Download PDF

Info

Publication number
CN102436539A
CN102436539A CN2011102577344A CN201110257734A CN102436539A CN 102436539 A CN102436539 A CN 102436539A CN 2011102577344 A CN2011102577344 A CN 2011102577344A CN 201110257734 A CN201110257734 A CN 201110257734A CN 102436539 A CN102436539 A CN 102436539A
Authority
CN
China
Prior art keywords
roi
data
computer
data set
computing machine
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.)
Pending
Application number
CN2011102577344A
Other languages
English (en)
Inventor
G·B·阿维纳什
A·P·莫罕
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.)
General Electric Co
Original Assignee
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 General Electric Co filed Critical General Electric Co
Publication of CN102436539A publication Critical patent/CN102436539A/zh
Pending legal-status Critical Current

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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及用于分析和可视化局部临床特征的系统和方法。用于分析和可视化局部临床特征的系统和方法包括：第一感兴趣区域(ROI)从从患者采集(32)的医学图像数据集的识别(34)和代表对于该ROI特有的感兴趣特征的特征数据集的提取(36)。该系统还包括：第二ROI从该医学图像数据集的识别(38)、包括代表该感兴趣特征的预期行为的参考数据的参考数据集的提取(40)、该特征数据集与该参考数据集的比较(44)、代表该感兴趣特征的偏差的偏差度量基于该比较的产生(44)以及该偏差度量的可视表示的形成(46)。

Description

用于分析和可视化局部临床特征的系统和方法
技术领域
本发明的实施例大体上涉及诊断成像，并且更具体地涉及用于分析和可视化局部临床特征的系统和方法。
背景技术
例如阿尔茨海默病或肺癌等复杂的医学状况和疾病例如难以在早期状态检测和监测。这些复杂疾病也难以采用标准化方式量化以便与例如从标准化的参考群体采集的数据等基准比较。
响应于这些困难，调查者已经开发出从正常患者群体确定统计偏差的方法。例如，神经变性病症(NDD)的检测的一个要素是年龄和示踪者(tracer)分离的正常数据库的开发。与这些常态的比较可以仅在标准化域中发生，例如Talairach域或蒙特利尔神经学研究所(MNI)域。MNI通过在正常控制上使用巨大的系列磁共振成像(MRI)扫描限定标准脑。Talairach域引用对Talairach和Tournoux图例集解剖并且拍照的脑。在Talairach域和MNI域两者中，数据必须使用配准技术映射到相应标准域。使用上文的方法的变化形式的当前方法包括示踪剂
Figure BSA00000566822800011
统计参数匹配(SPM)、3D立体定向表面投影(3D-SSP)等等。
一旦已经做出比较，显示代表解剖结构的统计偏差的图像，允许观察者基于该图像做出诊断。做出这样的诊断是非常专业的任务，并且典型地由高度训练的医学图像专家进行。然而，甚至这样的专家仅可以做出关于基本的严重程度的主观说法。由于该内在的主观性，诊断趋于为不一致和非标准化的。
当前研究文献越来越清楚地表明临床医师必须能够采用高效方式观察并且分析很多种多样的临床上得到的参数使得他们可以做出有根据的决策。然而，传统的方法使临床医师难以分析采集的越来越巨大的数量的临床数据和采用有意义的方式解释它。尽管已经开发出自动化算法和决策支持软件应用程序来帮助图像分析，来自这些算法和应用程序的输出的准确度在实践中难以证实。此外，这些自动化的算法典型地牵涉“黑箱”方式来制定决策，其中图像数据是到算法的输入并且最终决策是输出。从而，这些算法向临床医师提供很少的机会来与算法的内部运转交互并且理解该内部运转。
因此，存在对一种方法的需要，其使图像的感兴趣区域的临床上得到的特性关于参考数据集可视化，使得临床医师可以容易地马上吸收相关信息。
因此，设计克服前面提到的缺点的分析并且可视化图像数据中的局部特征的特性的系统和方法将是可取的。
发明内容
根据本发明的一个方面，计算机可读存储介质在其上存储计算机程序，其包括当由计算机执行时引起计算机访问从患者采集的医学图像数据集并且从该医学图像数据集识别第一感兴趣区域(ROI)的指令。该指令还引起该计算机提取代表对于该ROI特有的感兴趣特征的特征数据集，从医学图像数据集识别第二感兴趣区域(ROI)，并且提取包括代表该感兴趣特征的预期行为的参考数据的参考数据集。此外，该指令引起该计算机比较该特征数据集与该参考数据集，基于该比较产生代表该感兴趣特征的偏差的偏差度量，并且形成该偏差度量的可视表示。
根据本发明的另一个方面，方法包括下列步骤：访问包括从患者采集的图像数据的临床图像数据集，从该临床图像数据集识别第一ROI，并且限定包括对应于该第一ROI的图像数据的第一ROI数据集。该方法还包括下列步骤：从该第一ROI数据集提取对应于该第一ROI的至少一个得到的感兴趣特性，限定包括代表该至少一个得到的感兴趣特性的图像数据的特性数据集，并且从该临床图像数据集识别第二ROI。该方法进一步包括下列步骤：限定包括对应于该第二ROI的图像数据的第二ROI数据集，从该第二ROI数据集提取参考数据集，该参考数据集包括用于该至少一个得到的感兴趣特性的参考数据。该方法还包括比较该特性数据集与该参考数据集，从该比较计算至少一个偏差度量，并且输出该至少一个偏差度量的可视化。
根据本发明的另一个方面，用于分析临床图像数据的系统包括：在其上存储从患者采集的临床图像数据的数据库和程序化来从该数据库访问一组数据的处理器。该处理器还程序化来从该组数据识别目标ROI，从该组患者数据提取对应于该目标ROI的至少一个局部特征，并且限定代表该至少一个局部特征的特征数据集。此外，该处理器程序化来从该组数据识别参考ROI，从该组数据提取对应于该参考ROI的参考数据集，计算该至少一个局部特征的至少一个偏差度量，该至少一个偏差度量代表该特征数据集与该参考数据集的偏差，并且输出该至少一个偏差度量的可视化。该系统进一步包括图形用户界面(GUI)，其配置成显示该至少一个局部特征的该至少一个偏差度量。
从下列详细说明和附图将使各种其他特征和优势明显。
附图说明
附图图示目前考虑用于执行本发明的优选实施例。
在附图中：
图1是根据本发明的一个实施例的示范性数据采集和处理系统的框图。
图2是图示根据本发明的一个实施例的用于与临床图像数据集关联的局部特征的可视化和分析的技术的流程图。
图3图示根据本发明的一个实施例的从公用临床数据集得到的感兴趣局部特征的偏差数据的示范性可视表示。
图4图示根据本发明的另一个实施例的来自多个数据点的分析的感兴趣局部特征的偏差数据的示范性可视表示。
图5是图示根据本发明的另一个实施例的用于与临床图像数据集关联的局部特征的可视化和分析的技术的流程图。
图6是图示根据本发明的另一个实施例的用于与临床图像数据集关联的局部特征的可视化和分析的技术的流程图。
图7图示根据本发明的一个实施例的用于显示偏差数据的可视化的GUI的示范性可视表示。
具体实施方式
一般，示范性基于处理器的系统10包括微控制器或微处理器12，例如中央处理单元(CPU)等，其执行系统10的各种例程和处理功能。例如，该微处理器12可执行各种操作系统指令以及软件例程，其配置成实现存储在包括计算机可读存储介质制造品中或由其提供的某些处理，该存储介质例如存储器14(例如，个人计算机的随机存取存储器(RAM))或一个或多个大容量存储装置16(例如，内部或外部硬盘驱动器、固态存储装置、CD-ROM、DVD或其他存储装置)等。另外，微处理器12处理提供为各种例程或软件程序的输入的数据，例如在基于计算机的实现中与本技术结合提供的数据等。
根据各种实施例，系统10访问从患者的感兴趣区域采集和/或对应于其的一组临床数据以及一组参考临床数据，如下文更详细描述的。该临床数据可包括从各种形态的一个或多个成像系统采集的图像数据，例如X射线系统、超声成像系统、计算机断层摄影(CT)成像系统、磁共振(MR)成像系统、正电子发射断层摄影(PET)成像系统和单光子发射计算机断层摄影(SPECT)成像系统。该临床数据还可包括与临床测试有关的数据，如关于图5详细描述的。系统10还可包括一个或多个数据库，例如用于存储包括患者数据和参考数据的数据的可选数据库18和20(虚线示出)等，该数据例如由可选的数据采集系统22(虚线示出)收集的数据和由微处理器12使用或从其产生的数据，如在下文更详细地论述的。另外，数据处理系统10可直接从可选的数据采集系统22、从数据库18和20或采用任何其他适合的方式接收数据。
备选地，这样的数据可存储在存储器14或大容量存储装置16中或由其提供，或可经由一个或多个输入装置24提供给微处理器12。如将由本领域内技术人员意识到的，输入装置24可包括手动输入装置，例如键盘、鼠标或其类似物等。另外，输入装置24可包括网络装置，例如有线或无线以太网卡、无线网络适配器或配置成便于经由任何适合的通信网络(例如局域网或互联网等)与其他装置通信的各种端口或装置中的任何端口或装置。通过这样的网络装置，系统10可与其他联网电子系统交换数据和通信，而不管其接近还是远离系统10。将意识到网络可包括便于通信的各种部件，其包括交换机、路由器、服务器或其他计算机、网络适配器、通信电缆等等。
由微处理器12产生的结果，例如通过根据一个或多个存储的例程处理数据获得的结果等，可存储在例如存储器14或大容量存储装置16等存储器装置中，可经历另外的处理，或可经由例如显示器26和/或打印机28等一个或多个输出装置提供给操作者。同样，基于显示或打印的输出，操作者可请求另外或备选的处理或提供另外或备选的数据(例如经由输入装置24等)。如将由本领域内技术人员意识到的，基于处理器的系统10的各种部件之间的通信可典型地经由芯片组和电连接系统10的部件的一个或多个总线或互连完成。明显地，在本技术的某些实施例中，基于处理器的系统10可配置成便于患者诊断，如下文更详细论述的。
参照图2，根据本发明的实施例阐述用于医学图像数据集内的目标临床感兴趣区域(ROI)的可视化和分析的技术30。如本文使用的，ROI意思是任何多维感兴趣区，例如面积或体积等。在步骤32，技术30访问从患者采集的医学图像数据。该医学数据可包括在患者的单个扫描期间或在一系列患者扫描期间使用任何数目的数据采集系统(例如X射线系统、超声系统、CT系统、MR系统、PET系统和/或SPECT系统等)采集的图像数据。
技术30在步骤34从医学图像数据选择一个或多个ROI。每个ROI可根据各种实施例使用例如ROI选择、配准、分段、轮廓修整(contouring)等可用图像操纵工具的任何组合手动、半自动或自动选择。例如，临床医师可使用输入装置(例如，图1的输入装置24)通过绕显示器(例如，图1的显示器26)上患者的图像中的ROI绘制轮廓来选择ROI。作为另一个示例，ROI可使用自动化或半自动化算法识别。
在步骤36，识别一个或多个局部感兴趣特征或特性，并且从每个临床ROI提取对应于该局部感兴趣特征的数据。这样的数据通过对图像数据进行定量分析提取。局部特征代表对应于该临床ROI的医学图像数据集的不同参数。例如，对于给定ROI，局部特征可包括任何数目基于形状的参数(例如，角、圆度、对称性、取向、离心率、质心、边界、矩等)、基于大小的参数(例如，周长、面积、最大/最小半径等)和/或基于物质或肌理的参数(例如，边缘性(edge-ness)、同质性、邻接性、边缘密度、极端密度、肌理变换等)。此外，局部特征可对应于图像数据内存在的任何解剖结构特征或功能特征。局部特征可根据各种实施例从临床ROI手动、半自动或自动提取。
在步骤38，参考区域由用户从患者图像作为数据分析处理的一部分来选择。正如ROI，参考区域可手动、半自动或自动选择。参考区域可对应于来自选择ROI的相同组患者医学图像数据的图像数据中的一个或若干子部分。根据一个实施例，从公用图像选择参照区域和ROI，如关于图3描述的。备选地，参考区域可从与选择ROI的图像不同的图像(其与选择ROI的图像在相同的一系列患者扫描期间采集)选择。在这样的实施例中，选择参考区域来覆盖不与对应于ROI的解剖结构重叠的患者的解剖结构的区域。即，ROI和参考区域是互斥的。在任一个实施例中，选择参考区域来对应于局部特征并且代表每个局部特征的基准信息。例如，可选择参考区域来代表健康或正常的解剖结构。
技术30采用与关于步骤36描述的相似方式在步骤40从参考区域提取对应于感兴趣特征的参考数据。可选地，在步骤42(虚线示出)对应于ROI的特征数据按照参考数据来标准化和规格化。
在步骤44，技术30计算一个或多个偏差度量来代表患者数据和参考数据之间的变差。该偏差度量捕捉提取的局部特征关于参考数据的偏差的程度。该分析可对患者数据集内的单个ROI进行或对每个提取的局部特征的多个ROI进行。在该单个ROI示例中，提取的对应于ROI的局部特征相对于参考数据集比较。计算从基于参考的预期行为偏差的程度。在多ROI示例中，对应于从两个ROI提取的局部特征的数据相对于一个或多个参考数据集比较。例如，分析可比较代表若干感兴趣囊肿的ROI的提取的局部特征与从许多参考囊肿采集的数据集的对应局部特征来确定感兴趣的囊肿是否由与参考囊肿不同的物质构成。
可应用任何数目的技术来计算表示提取的局部特征关于参考数据集的偏差的度量。例如，根据一个实施例，感兴趣的局部特性的z评分偏差关于一组参考结果值计算如下：
z i = x i - μ n σ n 方程1
其中z代表z评分，x代表要标准化的原始患者数据，μ代表参考数据的平均数，并且σ代表参考数据的标准偏差。
在步骤46，技术30输出提取的局部特征的偏差的可视化，如关于图3、4和7更详细描述的。
用于选择ROI和对应参考数据并且可视化提取的局部特征的偏差的实施例在图3和4中图示。图3图示根据一个实施例从感兴趣的患者采集的图像48。图像48可是从根据各种实施例的任何类型的数据采集系统(例如图1的数据采集系统22等)采集的二维、三维或四维图像。ROI 50在图像48内选择。如示出的，ROI 50加亮图像的区域，例如包括在癌症患者的治疗中监测的脑肿瘤的区域等。备选地，ROI 50可对应于临床医师基于图像的可视检查认为可能包括异常解剖结构的图像中的区域。许多局部特征与ROI 50关联，例如基于形状的参数和/或基于肌理的参数等。
参考区域52在具有与ROI 50内存在的那些局部特征相似的局部特征的图像48内选择。作为示例，参考区域52可包含与ROI 50相似的组织并且可从具有对于临床医师表现正常的局部特征的组织区域选择。备选地，参考区域52可从与ROI50相似的解剖结构选择。例如，ROI50和参考区域52两者都对应于脑的区域，如在图3中示出的。
图3中还示出患者偏差图54，其代表ROI50的局部特征和参考区域52的对应局部特征之间的偏差。图54内的每个单元56对应于ROI50的不同局部特征并且基于与参考数据的局部特征的偏差来编码。根据一个实施例，公用色标58应用于图54内的局部特征数据来将定标值互相之间规格化使得偏差可在局部特征之间进行比较。从而，大大偏离参考数据的局部特征以色标58的第一端60显示而与参考数据紧密关联的局部特征以色标58的第二端62(在第一端60对端)显示。
现在参照图4，图示本发明的备选实施例，其中多个感兴趣区域(ROI)64、66、68、70、72、74、76在图像78内选择。作为一个示例，ROI 64-74限定为代表支气管的三维圆柱体并且ROI 76限定为代表在患者的肺的图像中识别的小结的球体。ROI 64-76可根据备选实施例由临床医师选择或可使用自动化或半自动化的算法选择。
图4还图示组合偏差图80，其包括对应于每个ROI 64-76的偏差图82、84、86、88、90、92、94。偏差图82-94代表相应ROI 64-76的局部特征关于参考数据的对应局部特征的偏差。这些局部特征的偏差可基于对应于ROI 64-76的图像数据与一组参考数据(其包括代表从患者采集的支气管和小结的局部特征的图像数据)的比较来计算。例如，参考数据可对应于代表患者的对侧肺中的区域的图像数据，或可对应于代表连续采集的图像中的非重叠解剖结构的数据。备选地，参考数据可代表与图3的区域52相似的图像78中的区域。
局部特征的偏差在图82-94中采用与关于图3描述的相似的方式代表。即，图82-94的个体单元(每个代表相应局部特征的偏差)使用公用色标96编码。编码以对应于色标96的一个极端98的单元代表与参考的最小偏差，而编码以对应于色标96的另一个极端100的单元代表与参考的显著偏差。
作为示例，假设图82代表选择作为ROI 64的支气管的局部特征关于患者中健康的支气管的对应局部特征的偏差。图82的单元102、104、106编码以对应于色标96的极端100。因此，单元102-106指示与这些单元关联的局部特征显著偏离参考群体的对应局部特征。在另一方面，单元108、110、112编码以对应于色标96的极端98。因此，单元108-112指示与这些单元关联的局部特征具有与参考数据相似的值。
通过将偏差图82-94结合进入一个公用显示器，临床医师能够快速视觉识别许多ROI来更详细地调查。例如，分别对应于ROI66、68、74、76的偏差图84、86、92、94图示相应ROI和参考数据之间的最小偏差。在另一方面，偏差图82、88、90图示许多感兴趣特征的相应ROI64、70、72和参考数据之间的显著偏差。这样的偏差可指示ROI 64、70、72内的异常。
尽管在图3和4中图示的实施例参考涉及脑和肺的ROI论述，本领域内技术人员将认识到本文阐述的技术可分析和可视化任何类型的解剖结构。
因此，阐述的技术提供用于分析从图像数据集内的一个或多个选择的ROI得到的局部特征的可视方法，该分析通过比较来自该ROI的局部特征与参考数据集中的对应局部特征进行。这样的技术向临床医师提供对图像中的ROI进行各种各样数字活组织检查的机会。本领域内技术人员将认识到该技术的实施例还可应用于关于多个参考数据集分析感兴趣局部特征来识别ROI和相应参考数据集之间的相似和差别。例如，对应于患者的脑的图像中的ROI的基于肌理的参数的局部特征可与患者内的“健康”组织的对应局部特征比较。所得的偏差图然后可用作患者诊断中的助手。
图5图示本发明的备选实施例，其包括将给定ROI与对应于该给定ROI的从一个或多个临床测试采集的结果进行关联的技术114。在步骤116，技术114访问从患者采集的医学数据，其包括图像数据和临床测试数据。该图像数据可包括在患者的单个扫描期间或在一系列患者扫描期间使用任何数目的数据采集系统(例如X射线系统、超声系统、CT系统、MR系统、PET系统和/或SPECT系统等)采集的数据。该临床测试数据包括代表临床测试的结果的患者特有的数据，例如验血、心率、痴呆评级、机能评估问卷、神经学测试和精神状态检查。
在访问患者医学数据后，技术114沿第一路径118和第二路径120中的任一个来识别至少一个ROI和与该ROI关联的临床测试结果数据集。在第一路径118中，临床测试结果数据集基于在医学图像数据中识别的ROI识别。具体地，在步骤122，从医学图像数据选择ROI。该ROI可根据各种实施例手动、半自动或自动地选择。在步骤124，技术114基于选择的ROI识别临床测试结果数据库。在这样的实施例中，预先限定的图可应用于临床测试结果来识别对应于与ROI关联的临床测试的临床测试结果。例如，某些临床测试基于脑区域的机能特性已知对应于脑的不同区域。因此，如果ROI选择为患者的脑的特定区域(例如，顶叶)，那么技术可过滤临床测试结果以从对于具有ROI的该区域特有的临床测试(例如，临床痴呆评级)识别结果。
在另一方面，在第二路径120中，ROI基于选择的或可用的临床测试结果数据集从医学图像数据识别。在步骤126识别临床测试结果数据库并且在步骤128基于该选择的临床测试结果数据库识别对应于医学图像数据的ROI。例如，该ROI可识别为一般对应于关联于该临床测试结果数据集的临床测试的类型的区域。备选地，该ROI可识别来代表与该临床测试结果数据集内显著偏离正常行为或预期结果的临床测试结果关联的解剖结构的区域。作为一个示例，技术114可识别比其他临床测试中的任何测试更偏离参考的患者的临床测试结果为热临床测试，并且将该ROI限定为与该热临床测试关联的解剖结构的区域。
在步骤130，识别测试结果偏差图，其指示临床测试结果数据集和临床测试结果的参考数据集之间的一个或多个偏差。临床测试结果的该参考数据集包括与从参考群体采集的预期测试结果关联的测试结果(例如代表正常或异常行为的测试结果等)和/或已知临床值。根据一个实施例，该测试结果偏差图是预先计算的图，其存储在数据库或大容量存储装置上，例如图1的装置16、18或20中任何装置等。备选地，该测试结果偏差图可采用与关于图2的步骤44描述的相似的方式作为技术114的部分基于患者特有的临床测试结果数据库和存储的临床测试结果参考数据之间的比较来计算。
在步骤132，技术114采用与关于图3和4描述的相似的方式输出患者的临床测试结果与参考结果的偏差的可视化。根据一个实施例，该可视化包括在患者的解剖结构的合成表示上加亮的该一个或多个ROI。
本文阐述的本发明的实施例还可应用于由用于临床决策支持的数据挖掘或学习机算法产生的中间结果，如关于图6的技术134阐述的。技术134通过采用与关于图2的步骤32描述的相似方式在步骤136访问从患者采集的医学图像数据开始。在步骤138，识别目标ROI或ROI数据集。根据各种实施例，ROI可例如由用户在图像上绘制轮廓手动地、例如通过与算法的制定决策步骤进行用户交互自动地或通过自动化算法的使用自动地识别。例如，自动化算法可用于识别疾病检测的目标ROI。
自动化算法在步骤140分析对应于ROI的图像数据并且提取许多中间结果。中间结果可以是例如在如特征减少的步骤之前从学习算法得到的参数。这些中间结果可代表例如用于疾病分期或鉴别诊断的参数。或在自动化算法用于识别ROI的实施例中，这些中间结果可代表由自动化算法使用来识别ROI的中间计算的输入或输出。在这样的情况下，来自将自动化算法应用于患者数据集中的ROI的这些中间结果采用与关于技术30论述的提取的局部特征相似的方式来处理。
技术134在步骤142访问对应于ROI的参考数据。根据一个实施例，技术134访问对应于一组预先计算的参考数据的参考数据，例如从正常或异常解剖结果(从参考群体采集)采集的已知值等。备选地，技术134通过采用与关于图2的步骤38描述的相似的方式限定来自患者的医学图像数据的参考ROI而访问参考数据。可选地，在步骤144(虚线示出)，对应于ROI的数据按照参考数据来标准化和规格化。
在步骤146，技术134基于患者的医学图像数据和参考数据之间的比较计算偏差度量。从而，从对ROI运行学习算法得到的中间结果可相对于从对参考数据集运行该学习算法得到的关联的一组中间结果来比较。偏差度量采用与关于图2描述的相似的方式从每个中间结果的比较得到并且在步骤148向用户显示为一个或多个偏差图，与偏差图54(图3)和图82-94(图4)相似。
所得偏差图向用户提供在内部查看由学习算法杠杆调节的参数并且允许用户洞察并且与算法的内部运转交互，基本上实现基于可视的数据挖掘方式。这样的方式向常常牵涉可观的验证工作的决策支持提供超过典型的“黑箱”自动化方式的关键优势。此外，与特别的中间结果关联的偏差度量的了解可用于“调谐”在自动化算法中使用的不同参数。例如，可调节给定算法参数使得从已知正常和已知异常数据之间的比较计算的偏差度量指示期望的偏差量。备选地，一个或多个偏差度量的了解可用于修改自动化算法使得中间结果接近参考参数。
例如，再次参照图4，假设ROI 64、70、72由自动化算法识别为对应于异常解剖结构，而ROI 66、68、74、76由该自动化算法识别为对应于正常解剖结构。用户可应用技术134来产生偏差图82-94来代表算法的中间结果。通过比较指示为正常的ROI(例如，ROI 66)的给定中间结果与由算法指示为“异常”的ROI(例如，ROI64)的对应中间结果的偏差，用户可以一点点地洞察算法的内部运转并且获得关于算法的制定决策过程的理解。
在一些实施例中，在步骤46(图2)、步骤132(图5)和步骤148(图6)的可视表示输出可如在图7中图示的在图形用户界面(GUI)150上显示。GUI 150包括用于例如偏差图54(图3)等偏差图的可视化的区域152。还提供与标尺58(图3)和标尺96(图4)相似的公用色标154来向偏差图中的单元的编码提供含义。GUI 150还包括用于例如图像48(图3)、图像78(图4)或合成表示等患者图像数据或模型图例集(作为示例)的可视化的区域156。许多数据区域158、160、162、164也包括在GUI 50中来显示数值和文本数据(根据各种实施例)，其包括患者图像数据、参考图像数据、偏差评分、临床测试、患者特有的数据、参考特有数据(作为示例)。可选地，区域158-164中的一个或多个可配置为控制面板来允许用户通过输入信息组(inputfield)、下拉菜单等输入和/或选择数据。注意GUI 150的设置仅提供用于说明性目的，并且其他GUI设置、信息组名称和可视输出可采取不同的形式。另外的显示技术还可包括温度计、图表、刻度盘、字体变化、注释等。
公开的方法和设备的技术贡献是提供用于分析和可视化局部临床特征的计算机实现的系统和方法。
本领域内技术人员将意识到本发明的实施例可由在其上存储计算机程序的计算机可读存储介质联接和控制。该计算机可读存储介质包括例如电子部件、硬件部件和/或计算机软件部件中的一个或多个等多个部件。这些部件可包括一个或多个计算机可读存储介质，其一般存储用于进行序列的一个或多个实现或实施例的一个或多个部分的例如软件、固件和/或汇编语言等指令。这些计算机可读存储介质一般是非暂时的和/或有形的。这样的计算机可读存储介质的示例包括计算机和/或存储装置的可记录数据存储介质。该计算机可读存储介质可采用例如磁、电、光、生物和/或原子数据存储介质中的一个或多个。此外，这样的介质可采取例如软盘、磁带、CD-ROMs、DVD-ROMs、硬盘驱动器和/或电子存储器的形式。没有列出的非暂时的和/或有形的计算机可读存储介质的其他形式可与本发明的实施例一起采用。
在系统的实现中可以组合或分开许多这样的部件。此外，这样的部件可包括采用许多编程语言中的任何语言编写或用该任何语言实现的一组和/或一系列计算机指令，如将由本领域内技术人员意识到的。另外，可采用例如载波等其他形式的计算机可读介质来体现代表指令序列的计算机数据信号，其当由一个或多个计算机执行时引起该一个或多个计算机进行序列的一个或多个实现或实施例的一个或多个部分。
因此，根据一个实施例，计算机可读存储介质在其上存储计算机程序，其包括当由计算机执行时引起计算机访问从患者采集的医学图像数据集并且从该医学图像数据集识别第一ROI的指令。该指令还引起该计算机提取代表对于该ROI特有的感兴趣特征的特征数据集，从医学图像数据集识别第二ROI，并且提取包括代表该感兴趣特征的预期行为的参考数据的参考数据集。此外，该指令引起该计算机比较该特征数据集与该参考数据集，基于该比较产生代表该感兴趣特征的偏差的偏差度量，并且形成该偏差度量的可视表示。
根据另一个实施例，方法包括下列步骤：访问包括从患者采集的图像数据的临床图像数据集，从该临床图像数据集识别第一ROI，并且限定包括对应于该第一ROI的图像数据的第一ROI数据集。该方法还包括下列步骤：从该第一ROI数据集提取对应于该第一ROI的至少一个得到的感兴趣特性，限定包括代表该至少一个得到的感兴趣特性的图像数据的特性数据集，并且从该临床图像数据集识别第二ROI。该方法进一步包括下列步骤：限定包括对应于该第二ROI的图像数据的第二ROI数据集，从该第二ROI数据集提取参考数据集，该参考数据集包括该至少一个得到的感兴趣特性的参考数据。该方法还包括比较该特性数据集与该参考数据集，从该比较计算至少一个偏差度量，并且输出该至少一个偏差度量的可视化。
根据再另一个实施例，用于分析临床图像数据的系统包括在其上存储从患者采集的临床图像数据的数据库和程序化来从该数据库访问一组数据的处理器。该处理器还程序化来从该组数据识别目标ROI，从该组患者数据提取对应于该目标ROI的至少一个局部特征，并且限定代表该至少一个局部特征的特征数据集。此外，该处理器程序化来从该组数据识别参考ROI，从该组数据提取对应于该参考ROI的参考数据集，计算该至少一个局部特征的至少一个偏差度量，该至少一个偏差度量代表该特征数据集与该参考数据集的偏差，并且输出该至少一个偏差度量的可视化。该系统进一步包括GUI，其配置成显示该至少一个局部特征的该至少一个偏差度量。
该书面说明使用示例来公开本发明，其包括最佳模式，并且也使本领域内技术人员能够实践本发明，包括制作和使用任何装置或系统并且执行任何包含的方法。本发明的专利范围由权利要求限定，并且可包括本领域内技术人员想到的其他示例。这样的其他示例如果它们具有不与权利要求的书面语言不同的结构元件，或者如果它们包括与权利要求的书面语言无实质区别的等同结构元件则规定在权利要求的范围内。

Claims (10)

1.一种计算机可读存储介质，其上存储包括指令的计算机程序，所述指令当由计算机执行时引起所述计算机：
访问(32)从患者采集的医学图像数据集；
从所述医学图像数据集识别(34)第一感兴趣区域(ROI)；
提取(36)代表对于所述ROI特有的感兴趣特征的特征数据集；
从所述医学图像数据集识别(38)第二ROI；
提取(40)包括代表所述第二ROI的感兴趣特征的预期行为的参考数据的参考数据集；
比较(44)所述特征数据集与所述参考数据集；
基于所述比较产生(44)代表所述感兴趣特征的偏差的偏差度量；以及
形成(46)所述偏差度量的可视表示。
2.如权利要求1所述的计算机可读存储介质，其中所述指令引起所述计算机从代表公用图像的图像数据识别所述第一和第二ROI。
3.如权利要求1所述的计算机可读存储介质，其中所述指令引起所述计算机：
识别所述第一ROI来对应于所述患者的第一解剖结构区域；以及
识别所述第二ROI来对应于所述患者的第二解剖结构区域，所述第二解剖结构区域不包括所述第一解剖结构区域的任何部分。
4.如权利要求1所述的计算机可读存储介质，其中所述指令进一步引起所述计算机提取所述特征数据集来代表基于形状的参数、基于大小的参数、基于肌理的参数和基于物质的参数中的一个。
5.如权利要求1所述的计算机可读存储介质，其中所述指令进一步引起所述计算机提取所述特征数据集来代表所述第一ROI的解剖结构特征和机能特征中的一个。
6.如权利要求1所述的计算机可读存储介质，其中所述指令进一步引起所述计算机将所述特征数据集按所述参考数据集标准化和规格化。
7.如权利要求1所述的计算机可读存储介质，其中所述指令进一步引起所述计算机：
识别对应于异常的感兴趣特性的图像数据；以及
从对应于正常的感兴趣特性的图像数据识别所述第二ROI。
8.如权利要求1所述的计算机可读存储介质，其中所述指令进一步引起所述计算机将所述偏差度量的可视化显示为颜色编码网格。
9.如权利要求1所述的计算机可读存储介质，其中所述指令进一步引起所述计算机将所述第一和第二ROI显示为所述患者的图像上的重叠。
10.如权利要求1所述的计算机可读存储介质，其中所述指令进一步引起所述计算机将对应于所述第一ROI的图像数据规格化。
CN2011102577344A 2010-08-27 2011-08-26 用于分析和可视化局部临床特征的系统和方法 Pending CN102436539A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US12/870,314 US20120051608A1 (en) 2010-08-27 2010-08-27 System and method for analyzing and visualizing local clinical features
US12/870314 2010-08-27

Publications (1)

Publication Number Publication Date
CN102436539A true CN102436539A (zh) 2012-05-02

Family

ID=45566344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011102577344A Pending CN102436539A (zh) 2010-08-27 2011-08-26 用于分析和可视化局部临床特征的系统和方法

Country Status (4)

Country Link
US (1) US20120051608A1 (zh)
JP (1) JP2012045387A (zh)
CN (1) CN102436539A (zh)
DE (1) DE102011053044A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945169A (zh) * 2017-12-01 2018-04-20 中国人民解放军第三军医大学 一种冠状动脉影像分析方法及数据结构
CN109646033A (zh) * 2017-10-12 2019-04-19 日本医事物理股份有限公司 图像处理装置、图像处理方法及存储介质
CN109983502A (zh) * 2016-10-25 2019-07-05 皇家飞利浦有限公司 用于医学图像数据集的质量评估的设备和方法
CN110889005A (zh) * 2018-08-15 2020-03-17 西门子医疗有限公司 搜索医学参考图像
CN111028228A (zh) * 2019-12-19 2020-04-17 江苏医药职业学院 一种基于大数据的医学影像系统的匹配处理方法
CN111492372A (zh) * 2017-10-19 2020-08-04 通用电气公司 使用与正常数据的偏差进行图像分析
CN112863625A (zh) * 2019-11-28 2021-05-28 西门子医疗有限公司 患者后续分析
US11314984B2 (en) 2019-08-20 2022-04-26 International Business Machines Corporation Intelligent generation of image-like representations of ordered and heterogenous data to enable explainability of artificial intelligence results

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120051609A1 (en) * 2010-08-27 2012-03-01 Gopal Biligeri Avinash System and method for analyzing and visualizing local clinical features
CN104303184B (zh) * 2012-03-21 2018-05-15 皇家飞利浦有限公司 整合医疗成像和活检数据的临床工作站以及使用其的方法
CN105659296A (zh) * 2013-10-22 2016-06-08 皇家飞利浦有限公司 图像可视化
RU2691931C1 (ru) * 2013-11-26 2019-06-18 Конинклейке Филипс Н.В. Система и способ определения отсутствующей информации об интервальных изменениях в рентгенологических отчетах
US20160321427A1 (en) * 2015-04-28 2016-11-03 Siemens Medical Solutions Usa, Inc. Patient-Specific Therapy Planning Support Using Patient Matching
JP6565399B2 (ja) 2015-07-09 2019-08-28 株式会社ジェイテクト 歯車加工装置
JP6771109B2 (ja) 2017-08-29 2020-10-21 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
US10460440B2 (en) 2017-10-24 2019-10-29 General Electric Company Deep convolutional neural network with self-transfer learning
JP7175682B2 (ja) * 2018-09-06 2022-11-21 キヤノンメディカルシステムズ株式会社 診断支援装置、診断支援システム、診断支援方法、及び診断支援プログラム
EP3712844B1 (en) 2019-03-20 2023-08-09 Siemens Healthcare GmbH Method and system for fast assessment of brain change normality
US11646121B2 (en) * 2021-05-04 2023-05-09 Flatiron Health, Inc. Systems and methods for analyzing and validating patient information trends

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050010097A1 (en) * 2003-06-26 2005-01-13 Cline Harvey E. System and method for measuring fluid volumes in brain images
CN1639675A (zh) * 2001-07-06 2005-07-13 皇家菲利浦电子有限公司 与三维图像中表示的三维表面互动的图像处理方法
WO2010004851A1 (ja) * 2008-07-07 2010-01-14 浜松ホトニクス株式会社 脳疾患診断システム
US20100021031A1 (en) * 2005-04-08 2010-01-28 361º Systems, Inc. Method of Selecting and Visualizing Findings Within Medical Images

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7616799B2 (en) * 2004-06-18 2009-11-10 Siemens Medical Solutions Usa, Inc. System and method for monitoring disease progression or response to therapy using multi-modal visualization
RU2011118457A (ru) * 2008-10-10 2012-11-20 Конинклейке Филипс Электроникс, Н.В. (Nl) Определение и/или представление показателя риска для здоровья
US20110200227A1 (en) * 2010-02-17 2011-08-18 Siemens Medical Solutions Usa, Inc. Analysis of data from multiple time-points

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1639675A (zh) * 2001-07-06 2005-07-13 皇家菲利浦电子有限公司 与三维图像中表示的三维表面互动的图像处理方法
US20050010097A1 (en) * 2003-06-26 2005-01-13 Cline Harvey E. System and method for measuring fluid volumes in brain images
US20100021031A1 (en) * 2005-04-08 2010-01-28 361º Systems, Inc. Method of Selecting and Visualizing Findings Within Medical Images
WO2010004851A1 (ja) * 2008-07-07 2010-01-14 浜松ホトニクス株式会社 脳疾患診断システム

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109983502A (zh) * 2016-10-25 2019-07-05 皇家飞利浦有限公司 用于医学图像数据集的质量评估的设备和方法
CN109983502B (zh) * 2016-10-25 2023-06-13 皇家飞利浦有限公司 用于医学图像数据集的质量评估的设备和方法
CN109646033A (zh) * 2017-10-12 2019-04-19 日本医事物理股份有限公司 图像处理装置、图像处理方法及存储介质
CN111492372A (zh) * 2017-10-19 2020-08-04 通用电气公司 使用与正常数据的偏差进行图像分析
CN111492372B (zh) * 2017-10-19 2024-04-26 通用电气公司 使用与正常数据的偏差进行图像分析
CN107945169A (zh) * 2017-12-01 2018-04-20 中国人民解放军第三军医大学 一种冠状动脉影像分析方法及数据结构
CN107945169B (zh) * 2017-12-01 2022-02-15 中国人民解放军第三军医大学 一种冠状动脉影像分析方法
CN110889005A (zh) * 2018-08-15 2020-03-17 西门子医疗有限公司 搜索医学参考图像
CN110889005B (zh) * 2018-08-15 2024-04-16 西门子医疗有限公司 搜索医学参考图像
US11314984B2 (en) 2019-08-20 2022-04-26 International Business Machines Corporation Intelligent generation of image-like representations of ordered and heterogenous data to enable explainability of artificial intelligence results
CN112863625A (zh) * 2019-11-28 2021-05-28 西门子医疗有限公司 患者后续分析
CN111028228A (zh) * 2019-12-19 2020-04-17 江苏医药职业学院 一种基于大数据的医学影像系统的匹配处理方法

Also Published As

Publication number Publication date
DE102011053044A1 (de) 2012-03-01
US20120051608A1 (en) 2012-03-01
JP2012045387A (ja) 2012-03-08

Similar Documents

Publication Publication Date Title
CN102436539A (zh) 用于分析和可视化局部临床特征的系统和方法
CN101600973B (zh) 用于辅助诊断神经退行性疾病的工具
US20110046451A1 (en) Method and automated system for assisting in the prognosis of alzheimer's disease, and method for training such a system
US20220319008A1 (en) Automated tumor identification and segmentation with medical images
US9424644B2 (en) Methods and systems for evaluating bone lesions
KR101993716B1 (ko) 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법
US8934685B2 (en) System and method for analyzing and visualizing local clinical features
JP6559707B2 (ja) 症例の難しさに基づくコンピュータ支援患者層別化のためのシステムの作動方法及びシステム
JP5506912B2 (ja) 臨床決定支援システム及び方法
US20070127793A1 (en) Real-time interactive data analysis management tool
CN107767962B (zh) 基于来自不同测量的医学测量数据确定结果数据
US11430119B2 (en) Spatial distribution of pathological image patterns in 3D image data
US20080021301A1 (en) Methods and Apparatus for Volume Computer Assisted Reading Management and Review
CN105359161A (zh) 用于医学图像分析和概率诊断的系统和方法
CN109791804B (zh) 对cad系统个性化以提供cad系统推荐的置信水平指示的方法和部件
DE102007003260A1 (de) System und Verfahren zum Markieren und Identifizieren von Lymphknoten in medizinischen Bildern
WO2010115885A1 (en) Predictive classifier score for cancer patient outcome
GB2451416A (en) ROI-based assessment of abnormality using transformation invariant features
US20140341452A1 (en) System and method for efficient assessment of lesion development
Junior et al. Evaluating margin sharpness analysis on similar pulmonary nodule retrieval
Dhalia Sweetlin et al. Patient-Specific Model Based Segmentation of Lung Computed Tomographic Images.
US20220375077A1 (en) Method for generating models to automatically classify medical or veterinary images derived from original images into at least one class of interest
US20120051610A1 (en) System and method for analyzing and visualizing local clinical features
JP7155274B2 (ja) 加速化された臨床ワークフローのためのシステムおよび方法
US20120051609A1 (en) System and method for analyzing and visualizing local clinical features

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20120502

RJ01 Rejection of invention patent application after publication