CN102460506B - 参数图像的自动定标 - Google Patents
参数图像的自动定标 Download PDFInfo
- Publication number
- CN102460506B CN102460506B CN201080025290.5A CN201080025290A CN102460506B CN 102460506 B CN102460506 B CN 102460506B CN 201080025290 A CN201080025290 A CN 201080025290A CN 102460506 B CN102460506 B CN 102460506B
- Authority
- CN
- China
- Prior art keywords
- value
- sample
- auto
- scaling
- parameter
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000003672 processing method Methods 0.000 claims abstract description 8
- 239000002872 contrast media Substances 0.000 claims description 27
- 230000010412 perfusion Effects 0.000 claims description 20
- 239000002131 composite material Substances 0.000 claims description 17
- 238000009825 accumulation Methods 0.000 claims description 16
- 238000007619 statistical method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 210000000746 body region Anatomy 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 115
- 230000006870 function Effects 0.000 description 102
- 230000000875 corresponding effect Effects 0.000 description 68
- 238000002604 ultrasonography Methods 0.000 description 24
- 230000009471 action Effects 0.000 description 23
- 210000002307 prostate Anatomy 0.000 description 22
- 238000005406 washing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 206010060862 Prostate cancer Diseases 0.000 description 13
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 230000003902 lesion Effects 0.000 description 12
- 239000006185 dispersion Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 230000001575 pathological effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000013256 coordination polymer Substances 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 201000007094 prostatitis Diseases 0.000 description 6
- 206010018338 Glioma Diseases 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 239000002609 medium Substances 0.000 description 5
- 208000032612 Glial tumor Diseases 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000003211 malignant effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000002490 cerebral effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 229920000642 polymer Polymers 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 238000002607 contrast-enhanced ultrasound Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000001951 hemoperfusion Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000011343 solid material Substances 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000003200 Adenoma Diseases 0.000 description 1
- 206010001233 Adenoma benign Diseases 0.000 description 1
- 206010004446 Benign prostatic hyperplasia Diseases 0.000 description 1
- 241001116459 Sequoia Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000012736 aqueous medium Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000004945 emulsification Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000005017 glioblastoma Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 238000001361 intraarterial administration Methods 0.000 description 1
- 238000010255 intramuscular injection Methods 0.000 description 1
- 239000007927 intramuscular injection Substances 0.000 description 1
- 238000007912 intraperitoneal administration Methods 0.000 description 1
- 238000007913 intrathecal administration Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003094 microcapsule Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 210000004248 oligodendroglia Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 239000006187 pill Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000010244 region-of-interest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002562 thickening agent Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000004218 vascular function Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/481—Diagnostic techniques involving the use of contrast agent, e.g. microbubbles introduced into the bloodstream
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
-
- 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
- G06T2207/10132—Ultrasound image
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Hematology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
提出一种用于分析身体部位的方案。一种对应的数据处理方法(A1‑A14a;A1‑A14b)包括下述步骤:提供(A1‑A4)包括多个参数值的参数图,每一个参数值表征身体部位的对应位置;以及确定(A5‑A11a‑A5‑A11b)对应于所选分析位置的多个分析参数值的至少一种分布的至少一个统计指标,每一个统计指标指示由分析位置限定的身体部位的分析区域的状况。在根据本发明实施例的方案中,确定至少一个统计指标的步骤包括:针对分析参数值的每一种分布,确定(A5)将对应于至少包括分析位置的所选处理位置的处理参数值的有序序列分割为第一子集和第二子集的饱和值,这些子集由根据预定义自动定标百分比确定的多个处理参数值构成;产生(A6)包括用于每一个测量位置的自动定标值的自动定标图,如果对应的处理参数值包括在第二子集中,则所述自动定标值等于该对应的处理参数值,或者,如果对应的处理参数值包括在第一子集中,则自动定标值等于饱和值;以及从对应于分析位置的自动定标值确定(A8a‑A11a;A8b‑A11b)至少一个统计指标。
Description
技术领域
根据本发明实施例的方案涉及医疗设备的领域。更具体地说,本方案涉及对参数图像的分析。
背景技术
参数图像通常用于图形化表示诊断应用中的定量分析的结果。特别地,本技术可以用于评价对比增强超声成像中的血液灌注。出于这一目的,给患者施用超声造影剂(UCA)(例如,由磷脂稳定的充气微泡的悬浮液组成)。该造影剂充当有效的超声反射器,并且通过应用超声波并测量对其响应而返回的回声信号,可以容易地检测该造影剂。由于造影剂以与患者体内的红血球相同的速度流动,因此对其的检测和跟踪提供了关于正在分析的身体部位中的血液灌注的信息。特别地,将针对身体部位的每一个位置随着时间而记录的回声信号与数学模型函数相关联;该模型函数用于计算任何想要的灌注参数(例如,洗入速率(wash-in rate)),这些灌注参数表征身体部位的位置。然后,通过给表示身体部位的位置的每一个像素分配灌注参数的对应值(简称,“灌注参数值”)来产生参数图像。参数图像示出整个身体部位的灌注参数值的空间分布,从而便于对其异常灌注(例如,由于病态状况导致)的可能位置的识别。
参数图像还可以用于基于直方图执行统计分析。例如,“Histogram Analysisversus Region of Interest Analysis of Dynamic Susceptibility ContrastPerfusion MR Imaging Data in the Grading of Cerebral Gliomas,M.Law et al.,AJNR Am J Neuroradiol 28:761-66,Apr 2007”描述了在对比增强磁共振(MR)成像应用中使用本技术。特别地,创建了脑血容量(CBV)图(被限制在需要保持适当的色标的最小值和最大值之间)。然后,CBV图被归一化到未受影响的组织的值(典型的,正常的对侧脑白质)。现在计算CBV图的关注区域(ROI)中的值的直方图。该直方图用于评价对应的神经胶质瘤的等级-例如,基于其标准差或多种度量来评价(借助于二元逻辑回归来识别)。
同样地,“Glioma Grading by Using Histogram Analysis of Blood VolumeHeterogeneity from MR-derived Cerebral Blood Volume Maps,Kyrre E.Emblem etal.,Radiology:Volume 247:Number 3-June 2008,pages 808-817”描述了从归一化的CBV图计算直方图;然后,将得到的曲线归一化为1的值。可以通过确定直方图分布的峰值高度(使用可以进一步使用直方图形状的分析来改善的结果)来评价恶性神经胶质瘤。
此外,为了识别神经胶质瘤等级和低等级少突胶质细胞亚型,“HistogramAnalysis of MR Imaging-Derived Cerebra1 Blood Volume Maps:Combined GliomaGrading and Identification of Low-Grade Oligodendroglia1 Subtypes,K.E.Emblemet al.,AJNR Am J Neuroradiol 29:1664-70,Oct 2008”描述了在使用用于峰值高度的截止值的情况下的本技术(即使作者自己认识到在实践中难以定义截止值,因此固有地减小了其可转移性)。
作为最后一个例子,“Assessing tumour response to treatment:Histogramanalysis of parametric maps of tumour vascular function derived from dynamiccontrast-enhanced MR images,C.Hayes et al.,Proceedings of ISMRM 2000,Denver,Col.,USA,April 2000”描述了在对比增强MR应用(例如,基于渗透性)中使用参数图像的统计分析来评价肿瘤对治疗的响应。特别地,本文献提出了使用中间数(median)、范围(range)或偏斜度(skewness)的值(如通过对应的直方图定性地示出的)。
但是,当应用于对比增强超声成像的情况时,上述统计分析产生强烈地依赖于用来记录回声信号(根据回声信号产生参数图像)的设备的结果;此外,即使当使用给定设备时,通过改变其设置(例如,增益、对数压缩等)也会获得不同的结果。因此,这些结果不适合于绝对的定量评估。此外,这些结果不能在使用不同设备或设置的研究者之间进行比较。
发明内容
一般来说,根据本发明实施例的方案是基于应用自动定标过程的想法。
特别地,本发明的一个方面提出用于分析身体部位的数据处理方法(例如,通过软件实现)。该方法包括提供参数图(例如,身体部位的参数图像)的步骤;该参数图包括多个参数值,每一个参数值表征身体部位的对应位置(例如,指示其洗入速率)。该方法通过确定对应于所选分析位置(包括在所述位置中-例如,身体部位的关注区域的位置)的多个分析参数值(包括在所述参数值中)的至少一种分布的至少一个统计指标来继续;每一个统计指标指示由分析位置限定的身体部位的分析区域的状况。在根据本发明实施例的方案中,确定至少一个统计指标的步骤包括针对分析参数值的每一种分布确定饱和值。饱和值将对应于至少包括分析位置(例如,由所有位置构成)的所选处理位置(包括在所述位置中)的处理参数值(包括在所述参数值中)的有序序列分割为第一子集和第二子集;这些子集由根据预定义的自动定标百分比(例如,在参数图像的累积直方图中)确定的多个处理参数值构成。然后产生自动定标图(例如,由自动定标图像构成)。自动定标图包括用于每一个处理位置的自动定标值;如果对应的处理参数值包括在第二子集中,则自动定标值等于该对应的处理参数值,或者,如果对应的处理参数值包括在第一子集中,则自动定标值等于饱和值。然后,从对应于分析位置的自动定标值(例如,通过计算其直方图、对应的概率函数和/或该概率函数的一个或多个统计参数)确定至少一个统计指标。
在本发明实施例中,每一个参数值指示用预先施用的造影剂灌注的身体部位的对应位置的灌注。
在本发明实施例中,第一子集的处理参数值高于(或等于)饱和值。
在本发明实施例中,确定饱和值的步骤包括:计算处理参数值的累积直方图,以及将饱和值设置为与累积直方图中的自动定标百分比相关联的处理参数值。
在本发明实施例中,自动定标百分比的范围是从80%到99.99%。
在本发明实施例中,确定至少一个统计指标的步骤还包括将自动定标值归一化为预定义的归一化范围。
在本发明实施例中,确定至少一个统计指标的步骤包括计算对应于分析位置的自动定标值的直方图。
在本发明实施例中,确定至少一个统计指标的步骤还包括通过将该直方图与参数函数(例如,对数正态分布函数)进行拟合来计算直方图的概率函数。
在本发明实施例中,确定至少一个统计指标的步骤包括计算对应于分析位置的分析参数值的分布的至少一个统计参数的值。
在本发明实施例中,计算至少一个统计参数的值的步骤包括从概率函数计算至少一个统计参数的值。
在本发明实施例中,处理位置由所有的位置构成,并且分析位置由这些位置的子集构成。
在本发明实施例中,至少一个统计参数是多个统计参数(例如,众数(mode)和标准差);在本发明实施例中,该方法还包括将统计参数的各个值的指示显示在图中的步骤,该图对于每一个统计参数具有可视化尺度。
在本发明实施例中,提供知识库,用于存储用于统计参数的各个参考范围的至少一个集合的指示(例如,通过将其预载入大容量存储器中);参考范围的每一个集合指示身体部位的对应的评估状况。该方法还包括下述步骤:从知识库检索参考范围的至少一个集合,以及在图中显示所述参考范围的至少一个集合的表示。
在本发明实施例中,对应于分析位置的分析参数值的至少一种分布由对应于分析位置的分析参数值的多种分布构成,每一个分布用于所选合成位置(包含在所述位置中);每一个合成位置的分析位置由包括分析位置的位置的子集构成。在本发明实施例中,该方法还包括创建合成图像的步骤;对于每一个合成位置,合成图像包括基于对应的至少一个统计指标的合成值。
在本发明实施例中,每一个合成位置的分析位置由以合成位置周围为中心的预定义的正常数目的位置。
在本发明实施例中,每一个合成位置的至少一个统计指标是分析参数值的对应分布的多个统计参数的各个值(例如,众数的值和标准差的值)。提供知识库,用于存储用于统计参数的各个参考范围的至少一个集合的指示;参考范围的每一个集合指示身体部位的对应的评估状况。创建合成图像的步骤包括从知识库中检索参考范围的至少一个集合,以及根据合成位置的统计参数的值与参考范围的至少一个集合的比较设置每一个合成位置的合成值。
在本发明实施例中,知识库还适合存储参考范围的至少一个集合的不同参考值的指示;创建合成图像的步骤包括:从知识库检索至少一个参考值,以及将每一个合成位置的合成值设置为包括合成位置的各个统计参数的值的参考范围集合的参考值,或者,将每一个合成位置的合成值设置为默认值。
在本发明实施例中,合成位置由所有的位置构成。
本发明的一个不同方面提出了计算机程序,其包括用于当在数据处理系统(例如,计算机)上执行该计算机程序时使该系统执行上述的数据处理方法的步骤的代码装置。
本发明的另一个方面提出了对应的诊断系统(例如,基于超声扫描仪),其包括具体地配置为执行上述的数据处理方法的步骤的装置。
根据本发明实施例的方案的另一个方面提出用于配置该诊断系统的配置方法。该配置方法开始于提供多个样品参数图的步骤,这些样品参数图是用不同的扫描仪和/或其设置来获取的;每一个样品参数图包括多个样品参数值,每一个样品参数值表征样品身体部位(对应于所述身体部位)的对应的样品位置。该方法通过根据样品参数图确定自动定标百分比来继续。
在本发明实施例中,样品参数图包括样品参数图的多个子集,每一个子集用于样品身体部位的不同的评估状况。该方法还包括确定用于每一个样品参数图的样品饱和值的步骤。该样品饱和值将样品参数图的样品参数值的有序序列分割为第一样品子集和第二样品子集,这些样品子集由根据自动定标百分比确定的多个样品参数值构成。然后,从对应的样品参数图产生多个样品自动定标图中的每一个。样品自动定标图包括用于样品身体部位的每一个样品位置的样品自动定标值;如果样品参数图的对应的样品参数值包括在第二样品子集中,则该样品自动定标值等于该对应的样品参数值,或者,如果样品参数图的对应的样品参数值包括在第一样品子集中,则该样品自动定标值等于样品饱和值。该方法通过计算每一个自动定标样品图的样品自动定标值的分布的多个样品统计参数值(例如,如上所述,通过计算其直方图和概率函数)来继续。现在可以从样品参数图的对应子集的样品统计参数值来计算每一个评估状况的参考范围集合。
在本发明实施例中,该方法还包括从样品统计参数或其组合选择统计参数以优化评估状况的差别的步骤。
本发明的一个不同的方面提出了计算机程序,其包括用于当在数据处理系统(例如,计算机)上执行该计算机程序时使该系统执行上述的配置方法的步骤的代码装置。
本发明的另一个方面提出了计算机程序产品;该产品包括非暂态计算机可读介质,其实现计算机程序。该计算机程序包括代码装置,其可直接载入数据处理系统的工作存储器中,从而配置数据处理系统以执行上述数据处理方法和/或配置方法的步骤。
本发明的一个不同的方面提出了用于分析患者的身体部位的诊断方法。该诊断方法包括给患者施用造影剂的步骤。然后,对身体部位施加询问信号。该方法通过获取一序列的输入图(每一个输入图包括多个输入值,每一个输入图指示身体部位的对应位置对询问信号的响应)来继续,其中,参数函数于是与每一个位置的输入值的序列相关联,通过根据对应的参数函数设置每一个参数值来计算包括多个参数值的参数图,每一个参数值表征身体部位的对应位置,并且,根据上述数据处理方法处理参数图,以获得至少一个分析区域的至少一个统计指标。此时,根据所述至少一个分析区域的至少一个统计指标来评估身体部位的状况。
附图说明
参考下面的要结合附图(其中,对应元件用相同或相似的附图标记表示,为了简化说明而不重复其描述)阅读的纯粹以非限制性的方式给出的详细描述,将最好理解根据本发明实施例的方案及其进一步的特征和优点。特别地:
图1是可应用根据本发明实施例的方案的诊断系统的图形表示,
图2A-2E示出根据本发明实施例的自动定标的例子,
图3A-3C示出根据本发明的另一个实施例的自动定标的例子,
图4A-4H是根据本发明实施例的方案的体内(in-vivo)应用的说明例,
图5A-5E示出根据本发明实施例的统计分析的例子,
图6A-6B示出根据本发明实施例的这些统计分析的应用的例子,
图7A示出表示可以用来实现根据本发明实施例的方案的主要部件的角色的示图,
图7B示出表示可以用来实现根据本发明的另一个实施例的方案的主要部件的角色的示图,以及
图8是描述与可以用来配置根据本发明实施例的系统的处理相关联的活动的流程的示图。
具体实施方式
特别地参考图1,示出了由超声扫描仪100构成的诊断系统(例如,医学成像系统);在根据本发明实施例的方案中,扫描仪100可以用于分析患者103的身体部位102。超声扫描仪100包括中央单元105和(例如,阵列类型的)手持收发成像探针110。成像探针110发送由脉冲序列(例如,具有1和50MHz之间的中心频率)构成的超声波,并接收由于身体部位102对超声脉冲的反射导致的射频(RF)回声信号;出于这个目的,成像探针110设置有发送/接收复用器,其允许在上述脉冲-回声模式下使用成像探针110。
中央单元105容纳母板115,在母板115上安装控制超声扫描仪100的操作的电子电路(例如,微处理器、工作存储器和硬盘驱动器)。此外,一个或多个子板(总体上用120表示)被插入母板115中;子板120提供用于驱动成像探针110和用于处理接收到的回声信号的电子电路。超声扫描仪110还可以配备有用于访问可移动盘130(诸如CD或DVD)的驱动器125。监视器135显示与正在进行中的分析处理相关的图像。超声扫描仪100的操作通过键盘140控制,键盘140以传统方式连接到中央单元105;优选地,键盘140设置有用来操纵监视器135的屏幕上的指针(在图中未示出)的位置的轨迹球145。
在身体部位102的分析期间,对患者103施用造影剂(充当有效的超声发射器)。例如,造影剂由液体载体中的气泡的悬浮液构成;典型地,气泡具有0.1至5μm量级的直径,以便允许它们通过患者的毛细管。这些气泡通常通过将气体或其前体带入或封闭在包括乳化剂、油、增稠剂、糖、蛋白质或聚合物的各种系统中而被稳定;稳定的气泡通常称为充气微泡。这些微泡包括分散在水介质中并通过包含表面活性剂(即,两性分子材料)的非常薄的膜约束在气体/液体界面的气泡(也称为微气泡)。或者,微泡包括由固体材料膜包围的气泡,该固体材料膜由脂类形成或者由自然的或合成的聚合物形成(也称为微球或微囊)。另一种类型的造影剂包括聚合物或其他固体的多孔微粒的悬浮液,其承载陷入在微粒的孔内的气泡。适当的微泡的水悬浮液(特别是微气泡和微球)及其制备的例子在EP-A-0458745、WO-A-91/15b244、EP-A-0554213、WO-A-94/09829和WO-A-95/16467(其全部公开以引用的方式并入本文)中被描述了。包含充气微泡的商用造影剂的例子包括Bracco InternationalBV的
优选地,该造影剂作为药丸以静脉注入的方式给患者103施用-即,在短时间(2至20秒的量级)内使用注射器用手提供的单剂量。该造影剂在患者103的血管系统内循环,以便灌注身体部位102。同时,成像探针110被置于与身体部位102的区域中患者103的皮肤接触。对身体部位102施加一系列具有低声波能量(诸如具有机械指数MI=0.01至0.1)的超声脉冲,以便涉及造影剂的可以忽略不计的破坏(诸如小于连续超声脉冲之间的其局部浓度的5%,优选地小于连续超声脉冲之间的其局部浓度的1%)。响应于随着时间的对应获取时刻(例如,以每秒10至30次获取的速率)的超声脉冲,针对所选扫描平面中的身体部位102的每一个位置记录的回声信号的序列,在分析处理期间提供其切片中的身体部位的位置的表示。回声信号是通过由造影剂(如果存在)和周围组织产生的不同贡献的叠加而导致的。优选地,超声扫描仪100在造影剂特异性成像模式(contrast-specific imaging mode)下操作,以便相对于造影剂的(非线性)贡献基本上去除或者至少减少回声信号中的组织的占主导地位(线性)的贡献;造影剂特异性成像模式的例子包括谐波成像(HI)、脉冲反演(PI)、功率调制(PM)和对比脉冲序列(CPS)的技术,例如,在“Rafter et al.,Imagingtechnologies and techniques,Cardiology Clinics 22(2004),pp.181-197”(其全部公开以引用的方式并入本文)中描述的。
然后从记录的回声信号产生一个或多个参数图像。每一个参数图像由各可视化元素(即,基本图片元素(像素))的值的矩阵(例如,具有M=512行和N=512列)定义,每一个值对应于身体部位102的位置(简单地说,“像素值”)。每一个像素表示灌注参数的值(简单地说,“灌注参数值”),从对应的回声信号序列针对身体部位的位置计算该灌注参数的值(例如,其洗入速率的值(简单地说,“洗入速率值”))。
例如,如EP08169794.8(其全部公开以引用的方式并入本文)所描述的,可以实时地产生参数图像的序列。简言之,通过应用最大强度投影(MIP)算法对回声信号的每一个序列进行滤波,其中随着时间将回声信号保持在其最大值。然后,为了检测其峰值,(一旦滤波的回声信号对于预定义的稳定时间窗口保持恒定不变就)监视滤波的回声信号的序列。现在,身体部位的对应位置的洗入速率值可以作为峰值处的滤波的回声的值与洗入持续时间(作为峰值的时刻和造影剂到达的时刻之间的差来确定)之间的比值来计算。然后,通过将其身体部位的位置的洗入速率值分配给每一个像素来产生参数图像。
移到图2A,针对由参数图像205中的空间坐标x,y(分别为行号和列号)识别的像素的洗入速率值WR(x,y)(简单地说,“WR”),示出普通参数图像(用205表示)。这样的参数图像可以用于执行身体部位的所选关注区域210的统计分析。
出于这个目的,如图2B所示,针对关注区域内部的像素的洗入速率值WR计算直方图。详细地说,洗入速率值WR的有序序列(范围从最小值WRmin=0到最大值WRmax=17)被分割成预定数量的相邻的不重叠的区间(bin)(例如,每一个区间具有1和5之间的宽度)。在关注区域中的每一个像素被分配到包括其洗入速率值WR的区间;然后,每个区间与洗入速率值WR的相对频率相关联,该相对频率通过将区间的计数除以整个关注区域210中的总计数来定义-以便使其独立于关注区域210的尺寸。直方图通常用图215o表示,该图在横轴上绘制区间,在纵轴上绘制相对频率。每一个区间用一个柱表示,该柱具有与其相对频率成比例的高度-所有柱的总的相对频率总等于1。于是,直方图(用相同的附图标记215o表示)表示在关注区域中的洗入速率值WR的分布。
优选地,然后,将洗入速率值WR的概率函数F(WR)与直方图215o相关联。例如,这通过将直方图215o与对数正态分布函数logn(WR)(即,独立变量WR的自然对数的概率正态分布函数)进行拟合来实现,即:
其中,(拟合)参数m和s分别是变量ln(WR)的中数(mean)和标准差,并且WRwidth是区间宽度。更详细地说,概率函数F(WR)由对数正态分布函数logn(WR)的实际实例(由其拟合参数m和s的对应值(简单地说,“拟合参数值”m和s)限定)构成-其通过选择提供直方图215o的最佳拟合的参数值m和s的优化处理来确定。概率函数F(WR)用近似直方图215o的曲线220o表示。然后,概率函数F(WR)(用相同的附图标记220o表示)使关注区域中的洗入速率值WR的分布变平滑,以便于分析。此外,现在可以保持直方图250o的任意高数量的区间,以便提高分析的精度(其中,使对应的更大噪声通过上述平滑处理滤波掉)。
现在参考图2C,在根据本发明实施例的方案中,在计算直方图之前自动定标参数图像。出于这一目的,针对参数图像中的所有像素的洗入速率值WR计算累积直方图;在这种情况下,每一个区间与所有区间的洗入速率值WR的累积相对频率相关联。累积直方图类似地用图225表示,该图在横轴上绘制区间,在纵轴上绘制累积相对频率(以百分比表达)(其中,每一个柱的高度现在与其累积相对频率成比例,直到最后一个柱具有等于100%的累积相对频率)。累积直方图(用相同的附图标记225表示)用于确定洗入速率值WR的饱和值WRsat;饱和值WRsat等于与累积直方图225中的累积相对频率的预定义的自动定标百分比Ps相关联的洗入速率值WR。自动定标百分比Ps优选地设置为80%和99.99%之间的值,并且更优选地设置为90%和99.9%之间的值(例如,等于95%)。例如,在该图中,饱和值为WRsat=8.5(由具有至少等于自动定标百分比Ps的累积相对频率的最后一个区间的中心洗入速率值WR确定-即,由在其值处的水平线截取)。
因此,通过将高于饱和值WRsat的所有洗入速率值WR设置为等于该饱和值来自动定标参数图像。因此,如图2D所示,(自动定标)参数图像的相同的关注区域的直方图215a被限幅为饱和值WRsat-在饱和值WRsat处引入相对频率的峰值(对应于自动定标百分比Ps)。如上所述,于是,概率函数220a与直方图215a相关联。
移到图2E,洗入速率值WR被归一化(如果需要)到公共的归一化范围。特别地,每一个(原始的)洗入速率值WR(其范围从(原始的)最小值WRmin到饱和值WRsat)由归一化值代替(其范围从归一化的最小值WRmin(n)到归一化的最大值WRmax(n))(例如,从0到1)-由下式给出:
然后(当WRmin=WRmin(n=0时):
通过这种方式,获得直方图215n(针对自动定标且归一化的参数图像的相同的关注区域),其与概率函数220n相关联。
参数图像的自动定标(和可选的归一化)有效地导致从其任何关注区域获得的直方图的均等(equalization),并且从而导致对应的概率函数的均等。发明人已经惊奇地预料到,该均等显著地减小了对用来产生参数图像的超声扫描仪(和其设置,诸如增益)的依赖。因此,概率函数现在可以用于执行基本上独立于超声扫描仪及其设置的统计分析(以便提供绝对的定量评价)。以这种方式,获得的结果可以在使用不同超声扫描仪或设置的研究者之间进行比较。
强调的是,本结果以完全动态的方式实现。的确,饱和值WRsat不是预先固定的,但是,其根据自动定标百分比Ps针对每一个参数图像重新计算(以便依赖于其实际的洗入速率值WR)。
例如,图3A示出直方图315o和对应的概率函数320o,其是从另一个参数图像(未在图中示出)针对上述的相同的关注区域获得的。在这种情况下,参数图像是使用具有较低灵敏度的超声扫描仪或者使用设置为低增益的相同的超声扫描仪产生的。因此,洗入速率值WR更低,从而使得直方图315o和概率函数320o与前面的直方图和概率函数(参见图2B)非常不同;特别地,它们具有偏移到左边(即,向更低的洗入速率值WR)的峰值的位置并且它们更窄(即,洗入速率值WR的变化较低-其范围从如上所述的最小值WRmin’=0到远低于上述最大值WRmax=17的最大值WRmax’=9)。
因此,如图3B所示,现在,针对相同的自动定标百分比Ps=95%从对应的累积直方图325确定的饱和值WRsat’比以前的饱和值低(即WRsat’=4.3而不是WRsat=8.5)。
现在参考图3C,然后从其自动定标(根据该饱和值WRsat’)和归一化(从相同的归一化最小值WRmin(n)到相同的归一化最大值WRmax(n))后的参数图像获得的直方图315n和对应的概率函数320n具有其向右(即,向更高的洗入速率值WR)偏移的峰值并且它们更宽(即,其洗入速率值WR的变化更大);结果,直方图315n和概率函数320n变得与以前的直方图和概率函数(参见图2E)基本上相同。
在图4A-4H中示出上述技术的体内应用的不同例子。特别地,考虑到图4A,示出健康的前列腺(具有正常组织)的参数图像405。在参数图像405中选择四个关注区域;特别地,为前列腺的左侧和右侧外围区(PZ)分别选择关注区域410pl和关注区域410pr,并且为前列腺的左侧和右侧过渡区(TZ)分别选择关注区域410tl和关注区域410tr。参数图像405是自动定标和归一化的,并且为关注区域410pl、410pr、410tl和410tr计算四个直方图(在图中未示出)。
移到图4B,接着通过从这些直方图的曲线拟合来确定四个概率函数,以便获得用于左侧PZ的概率函数420pl、用于右侧PZ的概率函数420pr、用于左侧TZ的概率函数420tl和用于右侧TZ的概率函数420tr。可以看出,用于前列腺两侧上的PZ的两个概率函数420pl和420pr非常相似并且几乎重叠;而且,用于前列腺两侧上的TZ的两个概率函数420tl、420tr非常相似并且几乎重叠。相反地,概率函数420pl、420pr和420tl、420tr(分别用于PZ和TZ)显著地不同。
现在参考图4C,示出在病态状况中的前列腺的参数图像405’。在参数图像405’中选择了三个关注区域。特别地,在具有由前列腺癌(PCa)构成的恶性病变的右侧PZ中选择关注区域410pr’;分别在具有正常组织的左侧PZ和右侧TZ中选择关注区域410pl’和关注区域410tr’。参数图像405’是自动定标和归一化的,并且针对关注区域410pr’、410pl’和410tr’计算三个直方图(在图中未示出)。
移到图4D,接着通过从这些直方图的曲线拟合来确定三个概率函数,以便获得用于右侧PZ的概率函数420pr’、用于左侧PZ的概率函数420pl’和用于右侧TZ的概率函数420tr’。可以看出,概率函数420pl’和420tr’(分别用于PZ和TZ中的正常组织)与从健康的前列腺中的相同区获得的对应的概率函数(如图4B所示,并且被重复在右上角的插图中)非常类似。相反地,用于PCa的概率函数420pr’与在图4B中从健康的前列腺(代表正常组织)中的相同区获得的概率函数相比在形状上非常不同;特别地,概率函数420pr’具有较低的峰值,具有向右偏移的峰值的位置,并且更宽。因此,基于对概率函数420pr’的分析,可以容易地将PZ中的对应的恶性病变与PZ中的正常组织区分开。
考虑图4E,示出另一种病态状况中的前列腺的参数图像405”。在参数图像405”中选择了三个关注区域。特别地,在具有由腺瘤(良性前列腺增生症,或BPH)构成的良性病变的左侧TZ中选择关注区域410tl”;在具有正常组织的左侧PZ和右侧TZ中分别选择关注区域410pl”和关注区域410tr”。参数图像405”是自动定标和归一化的,并且为关注区域410tl”、410pl”和410tr”计算三个直方图(在图中未示出)。
移到图4F,接着通过从这些直方图的曲线拟合来确定三个概率函数,以便获得用于左侧TZ的概率函数420tl”、用于左侧PZ的概率函数420pl”和用于右侧TZ的概率函数420tr”。可以看出,概率函数420pl”和420tr”(用于正常组织)再次与从健康的前列腺中的相同区获得的对应的概率函数(如图4B所示,并且被重复在右上角的插图中)非常类似。相反地,用于BPH的概率函数420tl”与在图4B中从健康的前列腺(代表正常组织)中的相同区获得的概率函数相比在形状上非常不同;特别地,概率函数420tl”具有向左偏移的峰值的位置并且更宽。因此,基于对概率函数420tl”的分析,可以容易地将TZ中的对应的良性病变与TZ中的正常组织区分开;同时,用于BPH的概率函数420tl”也不同于图4D的用于PCa的概率函数(因为其更向右偏斜);这样的差异可以用于TZ中的病变表征-即,将良性病变与恶性病变区分开。
最后,考虑图4G,示出在不同的病态状况中的前列腺的参数图像405”’。在参数图像405”’中选择了三个关注区域。特别地,在具有由前列腺炎构成的良性病变的左侧和右侧PZ中分别选择关注区域410pl”’和关注区域410pr”’;而在具有正常组织的中心PZ中选择关注区域410pc”’。参数图像405”’是自动定标和归一化的,并且针对关注区域410pl”’、410pr”’和410pc”’计算三个直方图(在图中未示出)。
移到图4H,接着通过从这些直方图的曲线拟合来确定三个概率函数,以便获得用于左侧PZ的概率函数420pl”’、用于右侧PZ的概率函数420pr”’和用于中心PZ的概率函数420pc”’。可以看出,概率函数420pc”’(用于正常组织)再次与从健康的前列腺获得的对应的概率函数(如图4B所示,并且被重复在右上角的插图中)非常类似。相反地,用于前列腺炎的概率函数420pl”’和420pr”’与概率函数420pc”’相比在形状上非常地不同。因此,基于对概率函数420pl”’和420pr”’的分析,可以容易地将PZ中的对应的良性病变与PZ中的正常组织区分开;同时,用于前列腺炎的概率函数420pl”’和420pr”’也不同于图4D的用于PCa的概率函数;并且在这种情况下,这样的差异也可以用于PZ中的病变表征(将良性病变与恶性病变区分开)。
提出的方案(不考虑用来产生参数图像的超声扫描仪或其设置如何,都可以执行上述的概率函数的定性比较)明显有助于医师完成任务。
每一个概率函数还可以用于执行对应的关注区域中的洗入速率值WR的分布的(定量的)统计分析。出于这一目的,可以计算概率函数F(WR)的不同统计参数的各个值(简单地说,“统计参数值”)。这样的统计参数的例子是中数mean(WR)(表示洗入速率值WR的分布的重心)、众数mod(WR)(表示在概率函数F(WR)的峰值处的洗入速率值WR-即,最经常出现的洗入速率值WR)、中间数med(WR)(表示洗入速率值WR的中间值-即,使得相等数量的洗入速率值WR大于和小于它的洗入速率值WR)、标准差σ(WR)(表示在其中数周围的洗入速率值WR的可变性或离散度)和偏斜度γ(WR)(表示洗入速率值WR的分布的不对称性)。这些统计参数值可以通过下面的公式从概率函数F(WR)的拟合参数值m和s计算:
med(WR)=em,
以及
统计参数值对于识别正在分析的身体部位的关注区域中的病态状况很有用;特别地,其允许将正常组织与病变区分开,以及将恶性病变与良性病变区分开。此外,还可以通过随着时间连续地测量身体部位的相同的关注区域的相同统计参数来监视病态状况的演变或者对治疗的响应。这进一步有助于医师完成任务。
在本发明实施例中,可以使用两个或更多统计参数(例如,众数mod(WR)和标准差σ(WR))的组合。例如,使用不同超声扫描仪对23名患者进行分析;更具体地,使用PhilipsiU22分析18名患者,使用Siemens Sequoia分析4名患者,并使用Toshiba Aplio分析1名患者。对于每一名患者,产生其前列腺的参数图像(然后自动定标并归一化)针对这些参数图像中的83个关注区域确定对应的直方图和概率函数F(WR)。这些关注区域属于身体部位的不同类别或者其区域(由其位置和/或状况限定);特别地,在用于26个具有正常组织的关注区域、2个具有前列腺炎的关注区域和31个具有Pca的关注区域的PZ中确定概率函数,并且在用于21个具有正常组织的关注区域和2个具有BPH的关注区域的TZ中确定概率函数。对于每一个概率函数F(WR),计算众数mod(WR)和标准差σ(WR)的对应值(简单地说,“众数值”mod(WR)和“标准差值”σ(WR))。
如对于PZ的图5A和对于TZ的图5B所示,统计参数值mod(WR)和σ(WR)分别以2D图500p和500t表示,该2D图在横轴上绘制众数mod(WR)并在纵轴上绘制标准差σ(WR)。出于这一目的,对于每一个概率函数F(WR),存在关联的组合点CP(mod(WR),σ(WR)),其坐标为:横轴为它的众数值mod(WR),纵轴为它的标准差值σ(WR)。
可以看出,对于身体部位的每一类别的组合点CP属于图500p和500t中的不同区域。特别地,在图5A中,用于PZ的组合点CP以用于正常组织(黑色)的附图标记CP(PZ-Nor)、用于PCa(深灰色)的附图标记CP(PZ-PCa)和用于前列腺炎(浅灰色)的附图标记CP(PZ-Pro)表示;同样地,在图5B中,用于TZ的组合点CP以用于正常组织(非常浅的灰色)的附图标记CP(TZ-Nor)和用于BPH(白色)的附图标记CP(TZ-PBH)表示。
更正式地,对于身体部位的每一类别,可以计算两个中数值mean(mod)和mean(σ)(分别表示众数值mod(WR)和标准差值σ(WR)的分布的重心)以及两个标准差值σ(mod)和σ(σ)(分别表示在其中数值周围的众数值mod(WR)和标准差值σ(WR)的离散度)。对于身体部位的不同类别(特别地,对于相同的身体部位中的不同状况)的这些值显著地不同。例如,对于在具有正常组织的PZ和具有PCa的PZ之间以及具有正常组织的PZ和TZ之间的中数值mean(mod)、mean(σ),发现了统计上的显著的差异(p<0.01),并且,对于在具有PCa的PZ和具有正常组织的TZ之间的中数值mean(σ),发现了统计上的显著的差异(p<0.05)(通过使用单向ANOVA分析+事后t测试(post-doc t test))。
移到图5C和图5D,身体部位的不同类别被集中在用于PZ的另一个图500pc和用于TZ的另一个图500tc中(再次在横轴上绘制众数mod(WR)并在纵轴上绘制标准差σ(WR))。出于这一目的,身体部位的每一类别与参考点(其坐标是:横轴为其中数值mean(mod),纵轴为其中数值mean(σ))和参考离散度(在参考点周围的扩展沿着横轴等于其标准差值σ(mod),沿着纵轴等于其标准差值σ(σ))相关联。特别地,在用于PZ的图5C中,为正常组织获得参考点RP(PZ-Nor)和参考离散度RR(PZ-Nor),为PCa获得参考点RP(PZ-PCa)和参考离散度RR(PZ-PCa),并且为前列腺炎获得参考点RP(PZ-Pro)(在这种情况下由于只有两个观测可行,因此没有确定参考离散度)。同样地,在用于TZ的图5D中,为正常组织获得参考点RP(TZ-Nor)和参考离散度RR(TZ-Nor),并且为BPH获得参考点RP(PZ-BPH)(在这种情况下由于只有两个观测可行,因此再次没有确定参考离散度)。
因此,可以为身体部位的每一类别定义参考区域;该参考区域由矩形构成,其在对应参考点周围以等于对应参考离散度的尺寸扩展。特别地,仅仅考虑PZ(由于80%的癌症是在前列腺中查出的,因此在对前列腺的分析期间这是通常要考虑的区域),在图5E中,示出了其参考区域的图500pa。可以看出,为正常组织定义参考区域RA(PZ-Nor),为PCa定义参考区域RA(PZ-PCa)。这确认了,PZ的不同状况定义了图500pa中很不同的区域。
在图6A中示出根据本发明实施例的上述统计分析的应用的例子。特别地,无论普通患者的前列腺何时必须被分析,都产生对应的参数图像;然后,该参数图像被自动定标和归一化。计算从该参数图像的PZ中的关注区域获得的直方图,并且确定对应的概率函数615。此时,可以计算概率函数615的众数值mod(WR)和标准差值σ(WR)。
移到图6B,然后在上面定义的图500pa(对应于正在分析的前列腺的区)上绘出表示该概率函数(具有由众数值mod(WR)和标准差值σ(WR)定义的坐标)的组合点CP。组合点CP相对于(预定义的)参考区域RA(PZ-Nor)和RA(PZ-PCa)的位置明显有助于对正在分析的前列腺的状况的评价。特别地,在例子中,在争论中,组合点CP落入参考区域RA(PZ-PCa)内,这意味着前列腺可能感染了癌症(当然,最终诊断总是由医师执行)。
在图7A中示出表示可以用来实现根据本发明实施例的方案的主要软件和/或硬件部件的协作图。这些部件总体上用附图标记700a表示;特别地,信息(程序和数据)与操作系统和其他应用程序(在图中未示出)一起通常存储在硬盘上并且当程序运行时载入(至少部分地)数据处理系统(例如,超声扫描仪或不同的个人计算机)的工作存储器中。例如,程序最初从DVD-ROM安装到硬盘上。更具体地说,该图描述了系统的静态结构(借助于对应部件)和其动态行为(借助于一系列交换消息,每一个消息表示对应的动作,该动作用前面带符号“A”的序列号表示)。
特别地,输入模块703包括控制成像探针的控制的驱动器。例如,该成像探针驱动器设置有用于产生要应用到正在分析的身体部位的超声脉冲的发送束形成器和脉冲器;然后,成像探针接收由在所选扫描平面中的身体部位的每一个位置反射的回声波形。得到的模拟RF回声信号被供应给接收处理器,其预放大该模拟RF回声信号并应用初步的时间增益补偿(TGC);然后,模拟RF回声信号由模数转换器(ADC)转换为数字值,并通过接收束形成器组合为聚焦束信号。这样获得的数字信号优选地通过进一步的数字算法和其它线性或非线性信号调节器(例如,束后形成TGC)被处理。特别地,接收处理器应用对比度特定算法来抑制组织的贡献(诸如基于上述HI、PI、PM或CPS技术)。然后,将数字信号解调、对数压缩(为了获得具有良好平衡的对比度的图像)和扫描转换为视频格式。该处理产生存储在对应贮藏室706中的(对比度特定的)一系列视频图像-在下文中,为了简便起见,不同的存储器结构及其内容将使用相同的附图标记表示。每一个视频图像706由每一个都对应于身体部位的位置的各个像素的值的矩阵定义。每一个像素值由定义像素的亮度的信号电平(例如,以8比特编码)构成;例如,在灰度级视频图像中,像素值作为对应回声信号(表示在身体部位的对应位置处的声学响应)的强度的函数从0(黑)增加到255(白)。
在分析处理的开始,扫描仪的操作人员致动成像探针并将其在要分析的身体部位周围移动(在施用任何造影剂之前)。对应的视频图像706只要被获取就连续地提供给显示模块709,以便实时地获得它们的显示(动作“A1.初始化”)。操作人员选择表示要被分析的身体部位的区(优选地包括怀疑区域)的扫描平面并将成像探针保持在固定位置。
然后给患者施用造影剂,并且超声扫描仪获取表示身体部位的所选扫描平面中的灌注处理的一系列进一步的视频图像706(动作“A2.获取”)。由处理器712访问视频图像706的贮藏室;处理器712产生对应的一系列参数图像,其存储在贮藏室715中(动作“A3.产生”)。每一个参数图像715由像素值的矩阵定义,每一个像素值表示针对身体部位的对应位置计算的灌注参数的值;参数图像715可以具有与视频图像706相同的尺寸(当在像素级别计算灌注参数值时)或者更低的尺寸(当应用空间子采样以计算用于相邻像素组的灌注参数值时)。例如,每一个参数图像715是实时获得的,如上述文献EP08169794.8中描述的。在这种情况下,对于每一个像素,参数图像715包括身体部位的对应位置的洗入速率值WR,只要针对目前为止可用的视频图像706中的对应像素值检测到峰值,就计算该洗入速率值WR(在它们在稳定时间窗口期间保持恒定不变后);否则,将对应像素值保持在值0。优选地,参数图像715还通过重新设置(设置为值0)低于预定阈值(例如,从0到参数图像715中的最大允许像素值的5%)的每一个像素值来滤波,以便忽略非显著的洗入速率值WR(例如,由于移动伪影)。
由操作人员使用选择器718来从贮藏室715提取所选参数图像(动作“A4.选择”);例如,该被选图像715是在分析处理(提供随着时间针对身体部位计算的所有洗入速率值WR的汇总)结束时获得的。饱和器721访问所选图像715和(预定义的)知识库724。知识库724存储自动定标百分比Ps(对于要分析的身体部位的对应类别或其区域,每一个自动定标百分比均是特定的)的集合。饱和器721从知识库724中提取用于正在分析的身体部位的类别的自动定标百分比Ps;饱和器721计算所选图像715的(全部)洗入速率值的累积直方图,并确定饱和值WRsat(对应于与累积直方图中的自动定标百分比Ps相关联的洗入速率值WR);该饱和值WRsat存储在对应的寄存器727(动作“A5.饱和”)。自动定标器730从寄存器727中提取饱和值WRsat;然后,自动定标器730从所选图像715产生自动定标图像,该自动定标图像存储在对应文件739中(动作“A6.自动定标”);通过将高于饱和值WRsat的所有洗入速率值WR设置为等于该饱和值WRsat来从所选图像715获得自动定标图像739。
归一化器742访问自动定标图像739。归一化器742将自动定标图像739的像素值归一化为预定义的归一化范围(例如,从0到1);这提供了归一化图像745,其存储在对应的文件中(动作“A7.归一化”)。
定界器(delimiter)747检索所选图像715,并通过显示模块709将其显示。操作人员在所选图像715中选择关注区域(例如,通过轨迹球的帮助在其周围画线)。然后,定界器747在归一化图像745上确定对应的关注区域(例如,具有相同的坐标)。定界器747据此产生存储在对应文件749中的定界限图像(动作“A8a.定界限”);通过将关注区域以外的所有像素设置为值0来从归一化图像745获得定界限图像749。
由计算器751访问定界限图像749。计算器751计算定界限图像749的关注区域(即,仅对于不等于0的像素值)中的洗入速率值WR的直方图;该直方图的表示(例如,由单元阵列构成,每一个单元指示对应区间的扩展及其相对频率)存储在文件745中(动作“A9a.计算”)。
拟合器757从文件754中提取直方图。拟合器757通过将直方图754与对数正态函数进行拟合来确定对应的概率函数F(WR)。该概率函数f(WR)(由其拟合参数值m和s定义)的表示存储在表格760中(动作“A10a.拟合”)。
然后,分析器763从表格760提取拟合参数值m、s。分析器763从拟合参数计算对应概率函数F(WR)的两个或多个统计参数的值。要计算的统计参数的类型(例如,众数mod(WR)标准差σ(WR))由分析器763从知识库724提取。将这样获得的统计参数(定义对应的组合点)存储在表格766中(动作“A11a.分析”)。
同时,提取器769进一步访问知识库724。对于要分析的身体部位的每一个类别或者其区域,知识库724还存储参考区域的集合的定义,每一个参考区域用于其对应的可能的状况;每一个参考区域均由一对参考参数(例如,用于统计参数的参考点和参考离散度)的对应值来定义。对于正在分析的身体部位的类别(由操作人员指示的),提取器769从知识库724中提取用于其每一个可能状况的参考区域定义,并将这些参考区域定义存储到对应表格772中(动作“A12.提取”)。组合器775访问组合点定义766和参考区域定义772。组合器775使用正在分析的身体部位的关注区域的概率函数F(WR)的组合点的表示(由来自表格766的统计参数值定义)和用于其不同的可能状况的参考区域的表示(由来自表格772的对应的参考参数值对定义)创建2D图(在横轴上绘制众数mod(WR)并在纵轴上绘制σ(WR))。这样获得的图的表示存储在对应表格778中(动作“A13.组合”)。然后,该图778被提供给显示模块709以便其显示(动作“A14a.显示”)。
移到图7B,示出表示可以用来实现根据本发明的另一个实施例的方案的主要软件和/或硬件部件700b的协作图。
如上所述,归一化图像745通过自动定标和归一化所选图像715来产生。但是,在这种情况下,归一化图像745由采样器783访问。采样器783产生采样图(具有与归一化图像745相同的尺寸),该采样图保存在文件786中(动作“A8b.采样”)。采样图786的每一个条目均存储包括归一化图像745的对应像素的单元的坐标;该单元具有预定义的尺寸(例如,10至50x10至50个像素),并且其以对应像素周围为中心。
上述的同一计算器751访问归一化图像745和采样图786。计算器751产生直方图(具有与采样图786相同的尺寸),该直方图保存在文件789中(动作“A9b.计算”);直方图789的每一个条目均包括用于归一化图像745的其单元的洗入速率值WR的直方图的表示,如在采样图786的对应条目中所定义的。
上述的同一拟合器757访问直方图789。拟合器757产生函数图(具有与直方图789相同的尺寸),该函数图保存在文件792中(动作“A10b.拟合”);函数图792的每一个条目均包括拟合直方图789中的对应直方图的概率函数F(WR)的表示。
上述的同一分析器763访问函数图792(和知识库724)。分析器763产生合成图(具有与函数图792相同的尺寸),该合成图保存在文件795中(动作“A11b.分析”);合成图795的每一个条目均包括从对应概率函数F(WR)计算的在知识库724中指示的统计参数的值(例如,再次是众数mod(WR)和标准差σ(WR))。
如上所述,提取器769从知识库724中提取用于正在分析的身体部位的类别的可能状况的参考区域的定义(即,其参考参数值对),并将其存储到表格772中;在这种情况下,对于每一个参考区域,知识库724还存储不同颜色的表示(例如,由用于颜色查找表格的对应索引构成),该颜色表示类似地从知识库724中提取并存储到表格772中(相同的动作“A12.提取”)。
评估器797访问合成图795和参考区域定义772(由其参考参数值对和其颜色表示构成)。然后,评估器797产生合成图像(具有与合成图795相同的尺寸),该合成图像存储在文件799中(动作“A13b.评估”)。对于每一个像素,合成图像799包括参考区域的颜色表示(由来自表772的对应参考参数值对定义),其中,对应组合点(由来自合成图796的对应条目的统计参数值定义)落入合成图像799的像素内,当组合点不落入任何参考区域内时该合成图像799的像素包括不同默认颜色的表示。例如,对于前列腺的PZ的分析,可以将绿颜色与用于正常组织的参考区域相关联,并将红颜色与用于PCa的参考区域相关联(默认颜色等于黑色)。此外,还可以将合成图像799覆盖到所选视频图像706上(例如,通过将所选视频图像706在像素值等于合成图像799的黑色的背景中显示)。然后,合成图像799被提供给显示模块709以便其显示(动作“A14b.显示”)。
合成图像示出整个身体部位的统计参数值的空间分布,每一个统计参数值均指示在身体部位的对应位置的附近的(自动定标和归一化)参数值的分布的对应特征。特别地,上述颜色表示(基于每一个组合点与参考区域的比较)提供对整个身体部位的概况,从其可以容易地识别和表征可能的病变(在不需要预先选择任何可疑的关注区域的情况下)。的确,参考上述例子,完全以绿色(或黑色)着色的合成图像指示整个前列腺的健康状况,而以红色着色的合成图像的显著区域用其尺寸和位置指示可疑的PCa(当然,最终诊断总是要由医师来执行)。
现在考虑图8,与可以用来配置根据本发明实施例的上述系统的处理相关的活动的流程用方法800表示。
方法800开始于黑色开始圆圈803,然后进入块806,其中,选择样品身体部位的类别或其区域;选择样品身体部位的类别,以便在不管其位置(例如,用于前列腺的PZ和TZ)如何都提供用于在相同状况下的其每一个部分的上述统计分析的一致结果。
然后针对样品身体部位的类别的每一个可能的样品状况(例如,具有正常组织、PCa、前列腺炎和BPH)执行循环。该循环开始于块809,其中选择样品状况之一。继续前进到块812,产生在该样品状况下的(该类别的)特定样品身体部位的参数图像;该操作通过使用具有样品设置的样品扫描仪在样品患者上执行。然后,在块815进行测试以检验针对样品状况下的样品身体部位是否获取了足够数量的参数图像(例如,10至200)。如果没有,方法800进入块818,其中,选择另一个样品扫描仪和/或另一个样品设置。然后,活动流程返回到块812,以使用具有该样品设置的该样品扫描仪产生在相同样品状况下的样品身体部位(在相同的样品身体部位或在不同的样品患者的样品身体部位上)的相同类别的另一个样品参数图像。一旦在块815满足上述循环的退出条件,方法800就下移到块821。在这个阶段,进行进一步的测试以检验是否已经处理了样品身体部位的类别的所有可能的样品状况。如果没有,方法800返回块809去执行对样品身体部位(对不同的样品患者)的相同类别的下一个样品状况执行相同的操作。
相反地,在块824确定用于样品身体部位的类别的自动定标百分比Ps。选择自动定标百分比Ps以便确保样品身体部位的类别的所有样品参数图像(作为实践中可以产生的每一个可能的参数图像的表示)的直方图的显著的均等(由于自动定标导致)。出于这一目的,自动定标百分比Ps应当尽可能地低,并且至少低于每一个样品参数图像的累积直方图中的最高洗入速率值WR的百分比-例如,低于其倒数第二个区间(由于否则根本没有洗入速率值WR的饱和发生)。相反地,自动定标百分比Ps应当保持尽可能高,以最小化由于自动定标导致的信息的丢失(由于洗入速率值WR的饱和度涉及直方图的对应尾部的切除)。然后,将自动定标百分比Ps选择为这些相反要求的折衷;例如,自动定标百分比Ps设置为所有样品参数图像的累积直方图中倒数第二个区间的最高百分比,从而减少预定值(例如,0至5%)。
前进到块827,每一个样品参数图像均被自动定标(通过使用这样确定的自动定标百分比Ps)。然后在块830计算每一个(自动定标)样品参数图像的直方图。该方法继续进行到块833,其中,样品概率函数F(WR)通过从每一个样品直方图的曲线拟合确定。现在参考块836,为每一个样品概率函数计算一组样品统计参数的值(例如,中数mean(WR)、众数mod(WR)、中间数med(WR)、标准差σ(WR)和偏斜度γ(WR))。继续进行到块839,在样品统计参数或任何其组合中确定用于样品身体部位的类别的统计分析的两个(或更多)统计参数;这些统计参数被选择作为最大化识别样品身体部位的类别的不同的样品状况的能力的统计参数-例如,通过主成份分析来选择。
然后,针对样品身体部位的类别的每一个样品状况执行循环。该循环开始于块842,其中选择样品状况之一。进行进行到块845,计算从用于该样品状况的样品概率函数这样确定的每一个统计参数的值的中数值和标准差,以便定义对应的参考区域。然后,在块848进行测试以检验是否已经处理了样品身体部位的类别的所有样品状况。如果没有,方法800返回块842,以执行对样品身体部位的相同类别的下一个样品状况执行相同的操作。
相反地,活动的流程下移到块851中;在这个阶段,针对样品身体部位的类别(即,自动定标百分比Ps)和其样品状况(即,对应参考区域的定义)这样获得的信息被用于对提出的系统的知识库进行增殖。然后,在块854进行测试以检验是否要处理样品身体部位的另一类别。如果是,活动的流程返回块806以对样品身体部位的下一类别执行相同的操作。相反地,方法800在白/黑同心圆停止圆857处结束。
变型例
自然地,为了满足局部的具体的要求,本领域技术人员可以将上述方案应用到很多逻辑的和/或物理的变型和替换。更具体地说,尽管已经参考其优选实施例对本方案进行了一定的特定程度的描述,但是应当理解在形式和细节上的各种省略、替换和改变,以及其它实施例都是可能的。特别地,相同的方案甚至可以在没有前面的描述中阐述的具体细节(例如,数值例子)的情况下实践,以提供对其更透彻的理解;相反地,为了不使不必要的细节妨碍描述,可以省略或简化众所周知的特征。此外,很明确地希望结合公开的方案的任何实施例描述的具体元件和/或方法步骤可以作为普通设计选择并入任何其它实施例。
特别地,提出的方案适合于使用等同的方法(通过使用类似的步骤、去除某些非必要步骤或者进一步添加可选步骤)付诸实践;此外,这些步骤可以以不同的顺序、同步或交错的方式(至少部分)执行。
应当注意,提出的方法可以独立于与患者的任何交互(并且特别地对于造影剂,其可以在执行方法之前对患者预先施用)而实现。此外,造影剂还可以以非侵入性的方式给患者施用,或者在没有要求专业医学专家或者对患者遗留任何健康风险的其任何实质的身体上的介入的任何情况下施用。尽管提出的方法有利于医师完成任务,但是其通常仅提供可以在检查身体部位中帮助他/她的中间结果-例如,用于诊断目的(即使出于狭义的治疗目的的诊断也总是由医师自己做出)。
如果每一个参数图像均基于另一个灌注参数(例如,血量、平均速度、最大强度、到峰值的时间、洗入时间、到达时间、峰值的平方根除以洗入持续时间的平方、或者其任何组合),则进行类似的考虑。此外,参数图像可以以任何其它方式产生-例如,通过将在整个灌注处理期间针对每个像素已经记录的回声信号与数学模型函数拟合(甚至在像素组的级别而不是单个像素)的离线方式产生。此外,将相同方案应用到3-D参数图像也是没问题的。更普遍地,参数图像和自动定标图像可以由等同的图来代替,每一个图不管怎样均包括表征身体部位的对应位置的参数值(分别为最初计算的和自动定标的);这些参数值还可以不是视频格式(由于这些图不是必须显示的)。
提出的方案适合于通过不管怎样都计算(并以任何方式显示-例如,在监视器上或打印输出)关注区域中的自动定标参数值的分布的统计指标或统计指标的组合来付诸实践;例如,可以仅提供其直方图、对应的概率函数和/或任何其它统计参数(例如,其偏斜度)的值。另外,还可以显示自动定标参数图像;自动定标参数图像还可以被覆盖在背景中的所选滤波图像上、被覆盖在关注区域之外的(原始的)视频图像上或者甚至与非对比度特定图像组合(例如,从回声信号直接获得的基础的B模式图像)。
提出的方案适合于通过使用等同的造影剂来付诸实践。在任何情况下,即使没有施用任何造影剂,也不排除将提出的方案应用到任何其它医学成像系统(例如,基于磁共振成像(MRI)或X射线计算机断层扫描(CT))的可能性。
将相同方法以反向逻辑应用也是没问题的。在这种情况下,自动定标百分比Ps是指0%(例如,范围从0.01%到20%);因此,一旦确定如上所述的饱和值WRsat,则通过将低于饱和值WRsat的洗入速率值WR设置为等于该饱和值WRsat来自动定标参数图像。
同样地,饱和值WRsat可以以任何其它等同方式来确定,甚至在不计算任何累积直方图的情况下。例如,可以通过以递减顺序布置像素值并对其扫描,直到到达自动定标百分比的余数(100%-Ps),或者更普遍地,使用任何其它合适的算法将洗入速率值WR的有序序列分割为两个子集来实现相同的结果-每一个子集由对应于(例如,最靠近)洗入速率值WR的预定百分比的多个(整数个)洗入速率值WR构成;例如,可以确定饱和值WRsat具有低于(或等于)在自动定标百分比Ps中的饱和值的洗入速率值WR。
提出的自动定标百分比Ps的值仅仅是例证性的,并且它们不能以限制性的方式解释;例如,可以使用自动定标百分比Ps的不同的值,或者反过来,对所有身体部位使用相同的值。
自动定标参数图像可以以任何其它方式归一化到任何归一化范围(即使该操作不是严格必须的-例如,当统计分析仅仅基于对应概率函数的形状指标时)。
如果每一个直方图均具有不同的结构(例如,具有不同数量的区间,从而,具备不同宽度的区间),则进行类似的考虑。
或者,可以使用等同的技术确定每一个概率函数-即使在没有对其性质(例如,通过神经网络)进行任何假定的情况下。同样地,可以通过将对应直方图与任何其它函数(例如,伽玛变量函数、局部密度随机走动函数等)进行拟合来确定概率函数。
自然地,提出的统计参数仅仅是例证性的,并且它们不能以限制性的方式解释。更普遍地,可以使用任意数量的统计参数或其组合(低到单独一个)。
另外,统计参数值还可以直接从自动定标值获得,甚至在不计算对应直方图和/或概率函数的情况下。
将自动定标和/或统计分析应用到不同组的参数值也是没问题的;例如,可以将自动定标仅仅应用于关注区域,或者相反地,将统计分析应用于整个身体部位。此外,关注区域还可以在身体部位的任何其它图像(例如,自动定标图像本身、原始的视频图像之一或滤波的图像之一)上选择。
在任何情况下,统计参数值可以以任何其它方式显示(即使使用简单的表格)。另一方面,可以使用具有3个或更多维度的图(例如,具有3个轴和用于表示由4个统计参数定义的组合点的着色所定义的另一个维度)。
对参考区域应用类似的考虑。例如,其可以由不同的参考参数(例如,在中数值mean(mod)、mean(σ)附近)和/或不同的形状(例如,在由等于标准差值σ(mod),σ(σ)的预定倍数的半径定义的其中心附近的范围)定义。在任何情况下,该特征在提出的方案的基本实施方式中可以省略。
在任何情况下,强调即使在没有提出的参数图像的自动定标的情况下,基于多个统计参数值(及其在对应图中的显示)的使用的上述技术也适用(即,通过直接在原始参数图像上计算它们)。
可以以任何方式(例如,在监视器上或打印输出)显示合成图;此外,可以将合成图像覆盖到所选滤波图像或对比度特定图像上,或者将其单独显示(背景中没有任何其它图像)。
用来计算在合成图像中的每一个像素的统计参数值的单元可以具有任何尺寸(足够大,以提供统计学意义的结果,即使在整个(归一化的)自动定标图像中改变)和/或形状(例如,圆形)。此外,不排除将自动定标参数图像简单地分割成固定单元,以为每一个单元的所有像素获得具有相同统计参数值的合成图像(具有棋盘效应)的可能性。
只为(归一化的)自动定标图像的关注区域创建合成图像也是没问题的。
更普遍地,基于对应统计参数值,合成图像的每一个像素可以表示任何值。例如,在本发明的可替换实施例中,可以将合成图像的每一个像素简单地设置为对应的统计参数值。特别地,当为每一个像素计算单个统计参数的值(例如,偏斜度)时,可以使用不同颜色表示,其随着统计参数值的增大优选地变得更亮;或者,当为每一个像素计算两个统计参数的值(例如,如上所述的众数和标准差)时,可以使用不同的颜色表示众数,用不同的亮度(颜色表示对应的众数值)表示标准差值。
此外,可以以不同方式设置合成图像的每一个像素(根据其组合点和可用参考区域的比较);例如,像素可以被设置为随组合点在不同参考区域间移动而逐渐地改变的颜色。
在任何情况下,强调的是,即使没有提出的对参数图像的自动定标的情况下,用于创建合成图像的上述技术也都适用(即,通过直接在原始参数图像上操作)。
可以以任何其它方式配置提出的系统。例如,每一个身体部位(或其区)的自动定标百分比Ps可以基于样品参数图像设置为不同值;或者,还可以使用仿真技术确定自动定标百分比Ps的最佳值,或者反过来,对所有身体部位使用相同的预定义的自动定标百分比Ps。
任何其它过程适用于对提出的相同的知识库进行增殖。例如,可以实现自制系统,其中知识库在使用期间连续地更新(根据由医师使用对应系统提供的输入)。
可替换地,用于概率函数的统计分析的统计参数可以使用其它技术确定,或者它们可以被预定义(甚至对于所有身体部位的相同的类型)。
该方案可以作为直接在相同的控制程序中的用于超声扫描仪的预先存在的控制程序的插件、或者作为标准的独立应用程序(即使在不同的计算机上运行或作为网络服务提供)来实现。如果程序(可以用来实现本发明的每一个实施例)以不同方式构造或者如果提供额外的模块或功能,则进行类似的考虑;同样地,存储器结构可以是其它类型,或者可以用等同的实体(不必一定由物理存储介质构成)替代。在任何情况下,程序可以采用适用于数据处理系统使用或与其结合使用的任何形式(例如,在虚拟机内);特别地,程序可以为外部或驻留软件、固件或微码(对象代码或源码-例如,被编译或解释)的形式。此外,可以在任何计算机可用的介质上提供程序;该介质可以是任何适合于容纳、存储、通信、传播或传输该程序的元件。例如,该介质可以是电子的、磁的、光的、电磁的、红外的或半导体类型;这样的介质的例子是固定盘(其中程序可以被预载入)、可移动盘、带、卡、导线、光纤、无线连接、网络、电磁波等。在任何情况下,即使使用硬件结构(例如,集成到半导体材料的芯片中)或者使用软件和硬件的结合,根据本发明实施例的方案也适合于实现。
如果超声扫描仪具有不同的结构或者包括其它单元(例如,具有用于线性、凸起、定相的或矩阵阵列类型的成像探针),则进行类似的考虑。或者,提出的方案应用于由超声扫描仪和不同的计算机(或任何等同的数据处理系统)构成的诊断系统中;在这种情况下,记录的信息由超声扫描仪传输到用于其处理的计算机(例如,通过数字、模拟或者网络连接)。
上述方案及其任何变型可以有利地用于传统的诊断方法中(其包括施用造影剂的上述步骤、从正在分析的身体部位获取需要的数据和对其进行如上所述的处理以便获得允许评估身体部位的状况的信息)。特别地,造影剂可以以动脉内、淋巴内、皮下、肌肉注射、皮内、腹腔内、间质、鞘内或瘤内的方式注射,作为连续的灌注(使用或不使用破坏性猛灌),口服(例如,用于对胃肠道进行成像),经由喷雾器进入气道等。此外,即使在前面的描述中已经提到了对前列腺的分析,这也不应当是以限制性的方式-相同的方案同样地可以在其它身体部位(例如,肺部、胸部等)的任何类型的分析中找到应用。更普遍地,术语诊断方法必须以最广泛的涵义来解释(例如,识别和/或表征关注区域中的病态状况,监视病态状况的演变或者对治疗的响应等)。
Claims (21)
1.一种用于执行身体部位的统计分析的数据处理方法(A1-A14a;A1-A14b),该方法包括下述步骤:
提供(A1-A4)包括多个参数值的参数图,每一个参数值表征身体部位的对应位置,
确定(A5-A10a;A5-A10b)统计分布和/或计算(A11a;A11b)至少一个分析集合的至少一个统计参数的值,每一个分析集合包括对应于所选分析位置的多个分析参数值,其中每一个统计分布和统计参数的值指示由分析位置限定的身体部位的分析区域的状况,
显示(A12-A14a;A12-A14b)统计分布的表示和/或所述至少一个统计参数的值的表示,
其特征在于,
确定统计分布和/或计算至少一个统计参数的值的步骤包括:针对每一分析集合:
确定(A5)将与至少包括分析位置的所选处理位置相对应的处理参数值的有序序列分割为第一子集和第二子集的饱和值,所述第一子集和第二子集由根据预定义的自动定标百分比确定的多个处理参数值构成,
产生(A6)包括用于每一个处理位置的自动定标值的自动定标图:
a)如果对应的处理参数值包括在第二子集中,则自动定标值等于该对应的处理参数值,或者
b)如果对应的处理参数值包括在第一子集中,则自动定标值等于饱和值,以及
从对应于分析位置的自动定标值确定(A8a-A10a;A8b-A10b)统计分布和/或计算(A11a;A11b)所述至少一个统计参数的值。
2.根据权利要求1所述的方法(A1-A14a;A1-A14b),其中,每一个参数值通过用预先施用的造影剂灌注的身体部位的位置的灌注参数的值来表征该身体部位的对应位置。
3.根据权利要求1或2所述的方法(A1-A14a;A1-A14b),其中,第一子集的处理参数值高于或等于饱和值。
4.根据权利要求1所述的方法(A1-A14a;A1-A14b),其中,确定(A5)饱和值的步骤包括:
计算(A5)处理参数值的累积直方图,以及
将饱和值设置(A5)为与累积直方图中的自动定标百分比相关联的处理参数值。
5.根据权利要求1所述的方法(A1-A14a;A1-A14b),其中,自动定标百分比的范围从80%到99.99%。
6.根据权利要求1所述的方法(A1-A14a;A1-A14b),其中,确定(A5-A10a;A5-A10b)统计分布和/或计算(A11a;A11b)至少一个统计参数的值的步骤还包括:
将自动定标值归一化(A7)为预定义的归一化范围。
7.根据权利要求1所述的方法(A1-A14a;A1-A14b),其中,确定(A8a-A10a;A8b-A10b)统计分布的步骤包括:
计算(A9a;A9b)对应于分析位置的自动定标值的直方图。
8.根据权利要求7所述的方法(A1-A14a;A1-A14b),其中,确定(A8a-A10a;A8b-A10b)统计分布的步骤还包括:
通过将该直方图与参数函数进行拟合来计算(A10a;A10b)直方图的概率函数。
9.根据权利要求1所述的方法(A1-A14a;A1-A14b),其中,计算(A11a;A11b)至少一个统计参数的值的步骤包括:
从概率函数计算(A11a;A11b)至少一个统计参数的值。
10.根据权利要求1所述的方法(A1-A14a;A1-A14b),其中,处理位置由所有的位置构成,并且,分析位置由这些位置的子集构成。
11.根据权利要求9所述的方法(A1-A14a),其中,所述至少一个统计参数是多个统计参数,显示(A12-A14a;A12-A14b)统计分布的表示和/或所述至少一个统计参数的值的表示的步骤包括:
将统计参数的各个值的指示显示(A12-A14a)在图中,该图对于每一个统计参数具有可视化尺度。
12.根据权利要求11所述的方法(A1-A14a),其中,提供知识库(724),用于存储用于统计参数的各个参考范围的至少一个集合的指示,参考范围的每一个集合指示身体部位的对应的评估状况,显示(A12-A14a;A12-A14b)统计分布的表示和/或所述至少一个统计参数的值的表示的步骤包括:
从知识库检索(A12)所述参考范围的至少一个集合,以及
在图中显示(A13)所述参考范围的至少一个集合的表示。
13.根据权利要求1所述的方法(A1-A14b),其中,所述至少一个分析集合由多个分析集合构成,每一个分析集合用于所选合成位置,每一个合成位置的分析位置由包括合成位置的位置的子集构成,并且,其中,该方法还包括下述步骤:
针对每一个合成位置创建(A12,A13b)合成图像,所述合成图像包括基于对应的统计分布和/或至少一个统计参数的值的合成值。
14.根据权利要求13所述的方法(A1-A14b),其中,每一个合成位置的分析位置由以合成位置周围为中心的预定义的正常数目的位置构成。
15.根据权利要求13所述的方法(A1-A14b),其中,为每个合成位置计算多个统计参数的值,并且,其中,提供知识库(724),用于存储用于统计参数的各个参考范围的至少一个集合的指示,参考范围的每一个集合指示身体部位的对应的评估状况,创建(A12,A13b)合成图像的步骤包括:
从知识库中检索(A12)所述参考范围的至少一个集合,以及
根据合成位置的统计参数的值与所述参考范围的至少一个集合的比较,设置(A13b)每一个合成位置的合成值。
16.根据权利要求15所述的方法(A1-A14b),其中,知识库(724)还适合存储参考范围的每一集合的不同参考值的指示,创建(A12,A13b)合成图像的步骤包括:
从知识库检索(A12)至少一个参考值,以及
将每一个合成位置的合成值设置(A13b)为包括合成位置的各个统计参数的值的参考范围集合的参考值,或者将每一个合成位置的合成值设置为默认值。
17.根据权利要求13所述的方法(A1-A14b),其中,合成位置由所有的位置构成。
18.一种诊断系统(100),包括用于执行根据权利要求1到17中的任一项所述的数据处理方法(A1-A14a;A1-A14b)的步骤的装置(700a;700b)。
19.一种配置方法(800),用于配置根据权利要求18所述的诊断系统(100),该配置方法包括下述步骤:
提供(806-821)多个样品参数图,所述多个样品参数图是用不同的扫描仪和/或其设置来获取的,每一个样品参数图包括多个样品参数值,每一个样品参数值表征对应于所述身体部位的样品身体部位的对应样品位置,以及
根据样品参数图确定(824)自动定标百分比。
20.根据权利要求19所述的方法(800),用于配置包括用于执行根据权利要求12所述的数据处理方法的步骤的装置的诊断系统(100),其中,样品参数图包括样品参数图的多个子集,每一个子集用于样品身体部位的不同的评估状况,该方法还包括下述步骤:
确定(827)每一个样品参数图的样品饱和值,该样品饱和值将样品参数图的样品参数值的有序序列分割为第一样品子集和第二样品子集,这些样品子集由根据自动定标百分比确定的多个样品参数值构成,
从对应的样品参数图产生(827)多个样品自动定标图中的每一个,样品自动定标图包括用于样品身体部位的每一个样品位置的样品自动定标值:
a)如果样品参数图的对应的样品参数值包括在第二样品子集中,则该样品自动定标值等于该样品参数值,或者,
b)如果样品参数图的对应的样品参数值包括在第一样品子集中,则该样品自动定标值等于样品饱和值,
计算(830-842)每一个自动定标样品图的样品自动定标值的分布的多个样品统计参数值,以及
从样品参数图的对应子集的样品统计参数值计算(845)每一个评估状况的参考范围集合。
21.根据权利要求20所述的方法(800),还包括下述步骤:
从样品统计参数或其组合选择(839)统计参数,以优化评估状况的差别。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP09162171 | 2009-06-08 | ||
EP09162171.4 | 2009-06-08 | ||
PCT/EP2010/058031 WO2010142694A1 (en) | 2009-06-08 | 2010-06-08 | Auto-scaling of parametric images |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102460506A CN102460506A (zh) | 2012-05-16 |
CN102460506B true CN102460506B (zh) | 2017-07-21 |
Family
ID=41124249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080025290.5A Active CN102460506B (zh) | 2009-06-08 | 2010-06-08 | 参数图像的自动定标 |
Country Status (7)
Country | Link |
---|---|
US (1) | US9307957B2 (zh) |
EP (1) | EP2441044B8 (zh) |
JP (1) | JP5593382B2 (zh) |
CN (1) | CN102460506B (zh) |
AU (1) | AU2010257547B2 (zh) |
CA (1) | CA2761596C (zh) |
WO (1) | WO2010142694A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10130342B2 (en) | 2007-12-28 | 2018-11-20 | Bracco Suisse Sa | Initialization of fitting parameters for perfusion assessment based on bolus administration |
CA2769164C (en) | 2009-09-01 | 2017-11-07 | Bracco Suisse Sa | Parametric images based on dynamic behavior over time |
JP6081139B2 (ja) * | 2011-12-26 | 2017-02-15 | 東芝メディカルシステムズ株式会社 | 超音波診断装置、医用画像処理装置、及び医用画像処理方法 |
WO2014024453A1 (ja) * | 2012-08-07 | 2014-02-13 | パナソニック株式会社 | 医用データ処理装置、医用データ処理方法、及び超音波診断装置 |
JP6222829B2 (ja) * | 2012-12-18 | 2017-11-01 | 東芝メディカルシステムズ株式会社 | 超音波診断装置、画像処理装置及び画像処理方法 |
US9734584B2 (en) | 2012-12-21 | 2017-08-15 | Bracco Suisse Sa | Segmentation in diagnostic imaging applications based on statistical analysis over time |
WO2014124215A2 (en) * | 2013-02-07 | 2014-08-14 | Services Petroliers Schlumberger | Borehole image compression |
US9305351B2 (en) * | 2013-06-16 | 2016-04-05 | Larry D. Partain | Method of determining the probabilities of suspect nodules being malignant |
EP3022670B1 (en) * | 2013-07-15 | 2020-08-12 | Koninklijke Philips N.V. | Imaging based response classification of a tissue of interest to a therapy treatment |
KR102245189B1 (ko) | 2014-03-06 | 2021-04-28 | 삼성메디슨 주식회사 | 의료 영상 처리 장치 및 그에 따른 의료 영상 처리 방법 |
US10368842B2 (en) | 2014-04-07 | 2019-08-06 | Bracco Suisse S.A. | Estimation of acoustic level in-situ with non-fundamental analysis |
WO2016097320A1 (en) * | 2014-12-18 | 2016-06-23 | Koninklijke Philips N.V. | Ultrasound imaging system and method |
CN105982674B (zh) * | 2015-01-27 | 2019-09-20 | 中慧医学成像有限公司 | 一种测量脊柱弯曲角度的方法 |
WO2017097738A1 (en) | 2015-12-10 | 2017-06-15 | Bracco Suisse Sa | Detection of immobilized contrast agent with dynamic thresholding |
JP7099901B2 (ja) * | 2018-08-06 | 2022-07-12 | 富士フイルムヘルスケア株式会社 | 超音波画像処理装置およびプログラム |
CN110613480B (zh) * | 2019-01-14 | 2022-04-26 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声动态影像检测方法及系统 |
JP7301724B2 (ja) | 2019-11-29 | 2023-07-03 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、方法及びプログラム |
CN112381786A (zh) * | 2020-11-12 | 2021-02-19 | 深圳先进技术研究院 | 定量参数值获取方法和装置、可读存储介质、计算机设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101160097A (zh) * | 2005-04-14 | 2008-04-09 | 伯拉考开发股份有限公司 | 基于动画灌注成像的灌注评价 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5445813A (en) | 1992-11-02 | 1995-08-29 | Bracco International B.V. | Stable microbubble suspensions as enhancement agents for ultrasound echography |
IN172208B (zh) | 1990-04-02 | 1993-05-01 | Sint Sa | |
AU636481B2 (en) | 1990-05-18 | 1993-04-29 | Bracco International B.V. | Polymeric gas or air filled microballoons usable as suspensions in liquid carriers for ultrasonic echography |
IL104084A (en) | 1992-01-24 | 1996-09-12 | Bracco Int Bv | Sustainable aqueous suspensions of pressure-resistant and gas-filled blisters, their preparation, and contrast agents containing them |
CA2154867C (en) | 1993-12-15 | 2007-05-29 | Feng Yan | Gas mixtures useful as ultrasound contrast media |
US6579239B1 (en) | 2002-04-05 | 2003-06-17 | Ge Medical Systems Global Technology Company, Llc | System and method for automatic adjustment of brightness and contrast in images |
JP2006325746A (ja) | 2005-05-24 | 2006-12-07 | Olympus Medical Systems Corp | 超音波診断装置 |
US20070232909A1 (en) * | 2006-03-28 | 2007-10-04 | Washington University | Ultrasonic Characterization of Internal Body Conditions Using Information Theoretic Signal Receivers |
US7881554B2 (en) | 2006-06-05 | 2011-02-01 | Stmicroelectronics S.R.L. | Method for correcting a digital image |
JP3928978B1 (ja) | 2006-09-22 | 2007-06-13 | 国立大学法人岐阜大学 | 医用画像処理装置、医用画像処理方法及びプログラム |
EP2151194A4 (en) | 2007-04-27 | 2015-02-25 | Hitachi Medical Corp | ULTRASONIC DIAGNOSTIC APPARATUS |
EP2321664A1 (en) * | 2008-07-29 | 2011-05-18 | Board of Trustees of Michigan State University | System and method for differentiating benign from malignant contrast-enhanced lesions |
EP2189112A1 (en) | 2008-11-24 | 2010-05-26 | Bracco Research S.A. | Real-time perfusion imaging and quantification |
-
2010
- 2010-06-08 AU AU2010257547A patent/AU2010257547B2/en active Active
- 2010-06-08 US US13/377,143 patent/US9307957B2/en active Active
- 2010-06-08 CN CN201080025290.5A patent/CN102460506B/zh active Active
- 2010-06-08 CA CA2761596A patent/CA2761596C/en active Active
- 2010-06-08 EP EP10724824.7A patent/EP2441044B8/en active Active
- 2010-06-08 JP JP2012514452A patent/JP5593382B2/ja active Active
- 2010-06-08 WO PCT/EP2010/058031 patent/WO2010142694A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101160097A (zh) * | 2005-04-14 | 2008-04-09 | 伯拉考开发股份有限公司 | 基于动画灌注成像的灌注评价 |
Non-Patent Citations (2)
Title |
---|
A novel model for contrast enhanced ultrasound video and its applications;J. Zhang et al.;《2006 IEEE Ultrasonics Symposium》;20061231;第1726-1729页 * |
基于平台直方图的红外图像自适应增强算法;王炳健等;《光子学报》;20050228;第34卷(第2期);第1.1节 * |
Also Published As
Publication number | Publication date |
---|---|
AU2010257547A1 (en) | 2011-12-01 |
EP2441044B8 (en) | 2019-03-27 |
WO2010142694A1 (en) | 2010-12-16 |
EP2441044B1 (en) | 2019-02-13 |
US9307957B2 (en) | 2016-04-12 |
CA2761596A1 (en) | 2010-12-16 |
JP2012529320A (ja) | 2012-11-22 |
EP2441044A1 (en) | 2012-04-18 |
CN102460506A (zh) | 2012-05-16 |
AU2010257547B2 (en) | 2016-07-07 |
US20120082359A1 (en) | 2012-04-05 |
CA2761596C (en) | 2017-11-07 |
JP5593382B2 (ja) | 2014-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102460506B (zh) | 参数图像的自动定标 | |
Mann et al. | Novel approaches to screening for breast cancer | |
CN103228216B (zh) | 医用图像处理装置以及x射线ct装置 | |
CN104885121B (zh) | 诊断成像应用中的基于随着时间的统计分析的分割 | |
CN103930041B (zh) | 超声波诊断装置以及图像处理方法 | |
CN101721226B (zh) | 超声波图像取得装置、医用图像处理装置、显示装置及方法 | |
CN101917908B (zh) | 医学成像应用中对固定造影剂的量化分析 | |
CN102483847B (zh) | 基于随着时间的动态行为的参数图像 | |
CN102301394B (zh) | 透壁灌注梯度图像分析 | |
Eisenbrey et al. | Three-dimensional subharmonic ultrasound imaging in vitro and in vivo | |
CN102223841A (zh) | 实时灌注成像和量化 | |
JP5770821B2 (ja) | 画像化アプリケーションの造影剤濃度の即時の可視化 | |
CN101305399A (zh) | 成像应用中造影剂浓度的瞬时可视化 | |
Vaughan | Novel imaging approaches to screen for breast cancer: Recent advances and future prospects | |
Gaitini et al. | Ultrasound imaging: Basic principles and terminology | |
US20230214999A1 (en) | System and method for estimating an indicator of the tissue activity of an organ | |
TWM547954U (zh) | 病變程度判斷系統 | |
Liang et al. | Development of contrast-enhanced rodent imaging using functional CT | |
TW201843608A (zh) | 病變程度判斷系統及其方法 | |
Series | Kristen M. Meiburger |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |