CN102473302A - 用于感兴趣肿瘤区域定义的解剖结构建模 - Google Patents
用于感兴趣肿瘤区域定义的解剖结构建模 Download PDFInfo
- Publication number
- CN102473302A CN102473302A CN2010800331470A CN201080033147A CN102473302A CN 102473302 A CN102473302 A CN 102473302A CN 2010800331470 A CN2010800331470 A CN 2010800331470A CN 201080033147 A CN201080033147 A CN 201080033147A CN 102473302 A CN102473302 A CN 102473302A
- Authority
- CN
- China
- Prior art keywords
- graphical representation
- hot spot
- unit
- functional
- detection system
- 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
Links
- 210000003484 anatomy Anatomy 0.000 title claims abstract description 38
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 12
- 239000000700 radioactive tracer Substances 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000002503 metabolic effect Effects 0.000 claims abstract description 13
- 230000007170 pathology Effects 0.000 claims description 27
- 238000010521 absorption reaction Methods 0.000 claims description 26
- 239000003795 chemical substances by application Substances 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 13
- 238000012636 positron electron tomography Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 210000004185 liver Anatomy 0.000 claims description 8
- 210000001165 lymph node Anatomy 0.000 claims description 8
- 239000000523 sample Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000002224 dissection Methods 0.000 claims description 5
- 206010020674 Hypermetabolism Diseases 0.000 claims description 4
- 238000002059 diagnostic imaging Methods 0.000 claims description 3
- 230000034659 glycolysis Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000012879 PET imaging Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims 1
- 230000009897 systematic effect Effects 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 19
- 210000000056 organ Anatomy 0.000 abstract description 7
- 230000003902 lesion Effects 0.000 abstract description 6
- 231100001261 hazardous Toxicity 0.000 abstract 1
- 230000005741 malignant process Effects 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 230000001629 suppression Effects 0.000 abstract 1
- 230000005855 radiation Effects 0.000 description 13
- 238000002591 computed tomography Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000012217 radiopharmaceutical Substances 0.000 description 6
- 229940121896 radiopharmaceutical Drugs 0.000 description 6
- 230000002799 radiopharmaceutical effect Effects 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 210000002216 heart Anatomy 0.000 description 5
- 238000011002 quantification Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000002603 single-photon emission computed tomography Methods 0.000 description 4
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000003079 salivary gland Anatomy 0.000 description 3
- 210000003932 urinary bladder Anatomy 0.000 description 3
- 238000010176 18-FDG-positron emission tomography Methods 0.000 description 2
- 210000005228 liver tissue Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001613 neoplastic effect Effects 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 230000000505 pernicious effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000007488 abnormal function Effects 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000005015 mediastinal lymph node Anatomy 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000004797 therapeutic response Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种用于自动分割和量化功能性图像中的热斑的热斑探测系统包括分割单元(76)以将解剖图像表示(72)分割成对应于受检者的解剖结构的区域。热斑探测单元(90)从功能性第二图像表示(74)中探测高吸收区域。高示踪剂吸收区域指示可能由潜在危险的肿瘤病变或其他恶性过程导致的高代谢活性。然而,许多正常机能器官吸收大量成像示踪剂,特别是FDG。因此,抑制单元(102)基于分类单元(101)的结果抑制功能性第二图像表示中的高示踪剂吸收区域。该分类单元根据高示踪剂吸收区域相对于从解剖第一图像表示中分割的解剖结构的位置对高示踪剂吸收区域进行分类。剩余的未抑制的高吸收区域被识别单元(106)识别为潜在病变和非潜在病变之一。
Description
本申请涉及诊断成像系统和方法。它特别适用于结合正电子发射断层摄影(PET)多模态成像系统并且将特别参考多焦点疾病的热斑探测和病变量化进行描述。
核医学成像采用放射性源来对患者进行成像。通常,放射性药物被注射到患者体内。放射性药物化合物包含以可预测速率经历衰变并且发射或导致发射具有特征能量的伽马(γ)射线的放射性同位素。一个或多个辐射探测器被邻近患者放置以监测和记录所发射的辐射。有时,探测器围绕患者旋转或变址以监测从多个方向发射的辐射。基于诸如所探测的位置和能量的信息,确定身体中的放射性药物分布,并且重建该分布的图像以研究循环系统、选定器官或组织中的放射性药物吸收等。
核医学成像由于示踪剂[18F]-氟代脱氧葡萄糖(FDG)的成功而已经被越来越多地用于癌症成像。具有反常增加的FDG吸收的焦点区域被称为热斑并且在PET图像中被显示为高局部强度区域。这些热斑指示具有高代谢活性的区域,其可能是肿瘤病变或其他恶性过程的结果。PET图像中病变活性的精确和可靠量化对于患者分期以及监测很多癌症类型的治疗反应是至关重要的。
为了评估图像,在当前临床实践中临床医生手动标记和分割病变,这些病变被假定为指示整体疾病。但是,对于诸如淋巴瘤和具有淋巴结受累和转移的其他疾病的多焦点疾病来说,焦点的数量可能是非常大的。由于时间约束,通常定义三个先导病变。但是,正常解剖结构的非病理示踪剂吸收经常使得指示性病变不明显。在FDG-PET的情况下,具有高代谢活性的正常机能器官,诸如心脏、脑、膀胱、肝脏、肾脏等,经常显示出与癌症无关的FDG吸收。另外,局部体积效应(PVE)造成识别PET图像中的肿瘤病变的另一问题。
通常,PET图像与同一解剖区域的计算机断层摄影(CT)图像、磁共振(MR)图像或其他图像组合在一起。
本申请提供克服上述及其他问题的新的改进的PET成像系统和方法。
根据一个方面,一种热斑探测系统包括分割单元和热斑探测单元,该分割单元将解剖第一图像表示分割成对应于受检者的解剖结构的区域,该热斑探测单元从功能性第二图像表示中探测高吸收区域。分类单元根据高示踪剂吸收区域相对于从解剖第一图像表示中分割的解剖结构的位置对高示踪剂吸收区域进行分类。抑制单元基于分类单元的结果抑制功能性第二图像表示中的高示踪剂吸收区域。识别单元将未抑制的高吸收区域识别为潜在病变和非潜在病变之一。
根据另一方面,一种用于诊断成像的方法包括将解剖第一图像表示分割成对应于解剖结构的区域,并且从功能性第二图像表示中探测多个高示踪剂吸收区域。功能性第二图像表示中与经分割的解剖第一图像表示的一个或多个分割区域相对应的高吸收区域被抑制。并且,未抑制的高吸收区域被识别为潜在病变和非潜在病变之一。
根据第三方面,在解剖第一图像表示中识别的解剖区域可以被带到功能性第二图像表示之上以便在此描绘解剖结构。这些结构中的示踪剂吸收可以被用作对热斑的量化的参考,例如可以计算热斑与正常肝脏组织相比的相对活性。
一个优点在于病变的自动探测和量化被改进。
另一优点在于病变的识别时间被改进。
本领域普通技术人员在阅读和理解以下详细描述之后将认识到本发明的更多优点。
本发明可以体现为各种部件和部件布置以及各种步骤和步骤布置。附图仅用于图示说明优选实施例而不应被解读为限制本发明。
图1示意性显示采用热斑探测系统的诊断成像系统;
图2示意性显示热斑探测系统;
图3A图示说明功能性图像表示中的高强度区域;
图3B图示说明在解剖图像表示中分割的解剖结构;
图3C图示说明在抑制解剖结构之后的高强度区域;
图4图示说明分水岭算法;以及
图5是绘示用于探测高吸收区域的方法的流程图。
参考图1,诊断系统10包括第一成像系统,即诊断成像扫描器12,诸如计算机断层摄影(CT)成像扫描器、MRI扫描器或用于获得解剖诊断图像的类似仪器。在图示的实施例中,诊断成像扫描器12包括安装在旋转扫描架16上的X射线源14。X射线源14产生穿过检查区域18的X射线,在该检查区域内X射线与由支架20支撑的受检者(未图示)的靶区相互作用,该支架将靶区定位在检查区域18内。X射线探测器阵列22被布置成接收穿过检查区域18之后的X射线束,在该检查区域内X射线束与受检者相关作用并且被受检者部分吸收。因此所探测的X射线包括与受检者相关的吸收信息。
通过控制器30操作CT扫描器12以执行选定靶区的选定成像序列。这些成像序列采集靶区的诊断成像数据。诊断成像数据被存储在数据缓存器32中。重建处理器34根据所采集的成像数据重建3D图像表示,并且所重建的图像表示被存储在诊断解剖图像存储器36中。
诊断系统10包括第二成像系统,特别是功能性成像扫描器40,诸如PET扫描器、SPECT扫描器或用于获得功能性图像的类似仪器。在图示的实施例,图示为PET扫描器的功能性成像扫描器40包括定向成接收来自成像区域44的γ辐射的多个辐射探测器模块42。如图所示,辐射探测器模块42沿着轴向方向布置成若干相邻环;但是,也可以使用辐射探测器模块的其他布置。辐射探测器模块42通常被容纳在断层摄影扫描器40的外壳46内并且因此从外部是不可见的。通常,每个环包括数百个或数千个辐射探测器模块42。功能性成像扫描器40包括用于将对象或人类患者定位在成像区域44中的受检者支架48。支架48在大致横穿辐射探测器模块42的环的轴向方向上可线性移动,以便于在延伸的轴向距离上采集三维成像数据。
通过控制器50操作PET扫描器40以执行选定靶区的选定成像序列。通常,要成像的对象或患者被注射一种或多种放射性药物或放射性同位素示踪剂并且被放置在由支架48支撑的检查区域44中。此类示踪剂的示例是18F FDG、C-11、Tc-99m、Ga67和In-111。示踪剂在对象内的存在将产生来自对象的发射辐射。辐射事件被检查区域44周围的探测器模块42探测。通过时间戳电路52将时间戳与每个所探测的辐射事件相关联。符合探测器54基于γ射线符合对的探测时间差和视场的已知直径确定γ射线符合对以及由每个γ射线符合对定义的响应线(LOR)。重建处理器56将所有LOR重建成存储在功能性图像存储器58中的图像表示。可选地,飞行时间处理器60通过从每个LOR的时间戳推导出飞行时间信息来定位每个辐射事件。工作站或图形用户界面62包括显示设备64和用户输入设备66,临床医生可以使用其来选择扫描序列和协议、显示图像数据等。
虽然解剖扫描器和功能性扫描器被图示为分离的,但应认识到它们可以组合在一起。在一个实施例中,解剖扫描器和功能性扫描器被彼此邻近地连接,使得它们的成像区域的中心轴对齐。公共支架移动对象或患者顺序地穿过成像区域。在另一实施例中,解剖扫描器和功能性扫描器共享公共外壳和公共成像区域。例如,PET探测器可以围绕成像体积,并且MRI磁体和梯度磁场线圈以及RF发射和/或接收线圈可以被设置为围绕PET探测器的环、在环内部以及处于环的上游或下游。类似的组合式PET/CT、SPECT/CT、SPECT/MRI、PET/超声等扫描器也是可预期的。
继续参考图1并且进一步参考图2和图3B,诊断系统10包括热斑探测系统70,该热斑探测系统用于基于来自解剖图像存储器36的解剖图像72和来自功能性图像存储器58的功能性图像74自动探测属于病变的感兴趣区域(ROI)并且自动量化所探测的病变中的代谢活性。分割单元76将解剖第一图像表示72分割成对应于解剖结构——特别是可能使感兴趣的潜在病变不明显的具有高放射性药物示踪剂吸收的解剖结构的区域。在FDG-PET的情况下,脑78、心脏80和膀胱82是图3B中的器官,其在机能正常时为经常显示出与癌症无关的高吸收的解剖结构的示例。其他具有高吸收的器官包括对于经分割的解剖结构来说也可预期的肾脏和肝脏。分割对于精确地确定与患者的解剖结构相关的热斑的位置来说也是有用的。
虽然目前为止解剖图像表示72和功能性图像表示74被例示为不同类型的图像表示,但是它们可以假设是相同的。它们可以都是PET、SPECT、CT、MR等图像表示。
分割单元76能够采用不同类型的分割方法。例如,分割单元76可以采用基于模型的分割,其中中心假设是感兴趣解剖结构在患者之间在一定程度上具有相对一致的几何形式和位置。在分割之前在解剖数据库84中定义解释形状、几何位置、尺寸及其变化的三维解剖结构模型的库。在分割过程中,这些模型起到模板的作用以识别86并定义感兴趣结构的边界。但是,应该认识到诸如聚类、边缘探测、区域生长、主成分分析、神经网络等的其他分割方法也是可预期的。
分割单元76也可以采用被映射到实际解剖图像的正常解剖结构图集。在这种实施例中,该图集包括解剖数据库84。
继续参考图2并进一步参考图3A和图4,热斑探测单元90从功能性第二图像表示74中探测高强度区域92,如图3A所示。一般被称为热斑的高强度区域92是功能性第二图像表示中指示高代谢活性的区域,其潜在地可能由肿瘤生长或其他恶性过程导致。这些高强度区域还包括正常机能结构/器官,诸如心脏、膀胱、肾脏、肝脏和脑。例如,通过分水岭算法来探测高强度区域92。面元排序单元、处理器或算法94根据灰度值对第二图像表示74的所有体素进行排序。具有最高灰度值的内湾(basin)被有效地填充,如图4所示。对于每个内湾,计算内湾区域的紧凑性和内湾内最高和最低灰度值之间的幅值的度量。超过特定阈值96的内湾被突显为具有颜色覆盖的高强度区域92。识别单元、处理器或算法98使用诸如来自解剖数据库84的尺寸、形状、位置等的解剖信息来识别具有高示踪剂吸收的区域,例如唾液腺。应该认识到用于探测高强度区域的其他探测算法也是可预期的。
继续参考图2,吸收单元、处理器或算法100检查第一图像表示的分割区域78、80、82以基于例如均匀性和吸收中的至少一个确定解剖结构是机能正常还是异常。吸收单元100使来自功能性图像表示74的代谢活性与解剖图像表示72的分割区域对应相关以确定吸收值,特别是标准吸收值(SUV),即放射性药物示踪剂的浓度的度量。在整个分割区域中具有一致吸收值以及与预定水平一致的平均吸收值的分割区域被视为是正常的。
分类单元、处理器或算法101根据高示踪剂吸收区域相对于从解剖第一图像表示中分割的解剖结构的位置对高示踪剂吸收区域进行分类。抑制单元、处理器或算法102使用分类单元的结果来抑制功能性第二图像表示74中的高强度区域92。如前所述,对应于正常机能解剖结构的高强度区域可能使得潜在危险的病变不明显。为了改进对潜在病变的探测,正常机能解剖结构被从功能性第二图像表示中抑制,而图3C中所示的未抑制的高强度区域104被进一步分析以确定它们是否是可疑的病变。还应该注意到抑制异常功能的解剖结构也是可预期的。
识别单元、处理器或算法106被配置成计算对应于未抑制的区域的度量。所述度量包括但不限于总肿瘤负荷、糖酵解量、SUV、平均活性、最大活性、最小活性、均匀性等。除了计算度量,量化单元包括许多模块,这些模块对未抑制的区域104执行各种核查以确定它们是否是病变。例如,对称性单元、处理器或算法108确定对应于成对的解剖结构的第二和/或第一图像表示的高强度区域的对称对。例如,如果高强度区域被识别单元98识别为唾液腺,则对称性单元搜索患者的另一侧上的对应唾液腺。由活性单元、处理器或算法110确定对称对之间的活性模式。如果对称对之间存在不对称的代谢活性,则未抑制的高强度区域104被识别为潜在病变。
在另一实施例中,识别单元106的结果在显示设备64上被可视化。在生成总结报告之前请求用户使用输入设备66确认或编辑所选择的热斑,即高吸收区域。
量化单元还包括概率单元、处理器或算法112,其确定对于第二图像表示中的高强度区域是否存在淋巴结的概率。评估诸如腋生淋巴结或纵隔淋巴结的淋巴结是确定肿瘤是否有可能已经转移的关键部分,其规定癌症患者的治疗选项。归一化单元、处理器或算法114比较未抑制的高强度区域和例如由吸收单元100识别的那些结构的正常机能结构的代谢活性。例如,潜在病变的代谢活性一般与由标称活性单元、处理器或算法116确定的标准吸收值进行比较。标称活性单元还能够确定总肿瘤负荷、总糖酵解量等。肝脏的代谢活性可以被用作比较的参考。由于肝脏被分割单元76分割和识别,未抑制的高强度区域可以很容易地与肝脏中的吸收进行比较。以前,临床医生必须在工作站上手动描绘肝脏的区域,这是耗时的和非常主观的。在解剖第一图像表示72中识别的解剖区域可以被带到功能性第二图像表示74之上以便描绘第二图像表示74中的解剖结构。在这些结构中的示踪剂吸收可以被用作对热斑的量化的参考,例如可以计算热斑与正常肝脏组织相比的相对活性。
量化单元还包括接近性单元118,该接近性单元基于存储在解剖数据库84中的模型识别与被抑制的区域具有紧密接近性的高强度区域。所述接近性单元使用由解剖数据库84提供的解剖信息来确定高强度区域在何处容易出现和不出现。这可以被转到抑制单元和/或分割单元以调整被抑制的区域包括或排除区域。例如,如果淋巴结位于心脏附近,则心脏模型和淋巴结模型的先验知识被用于确保淋巴结尚未被包括在经分割的心脏中并由此在第二图像表示被抑制。
经分割的和未分割的解剖图像、功能图像、高吸收器官被抑制的功能性图像、具有量化的热斑的图像或图以及这些图像的叠加组合被存储在工作站或图形用户界面62的探测图像存储器120中。
重新参考图1,可选的图像组合器130将解剖第一图像表示和功能性第二图像表示组合成用于同时显示的组合图像。例如,这些图像可以以不同的颜色叠加,功能性第二图像表示的热斑的轮廓可以叠加在第一图像表示上,解剖第一图像表示的经分割的解剖结构的轮廓可以叠加在功能性第二图像表示上,第一和第二图像表示可以以公共比例并排显示,等等。
参考图5,一种用于诊断成像的方法包括将解剖第一图像表示分割140成对应于解剖结构的区域以及从功能性第二图像表示中探测142多个高示踪剂吸收区域。功能性第二图像表示中对应于经分割的解剖第一图像表示的一个或多个分割区域的高吸收区域被抑制144。并且,未抑制的高吸收区域被识别146为潜在病变和非潜在病变之一。
已经参考优选实施例描述了本发明。在阅读和理解之前的详细描述之后其他人员容易想到各种修改和变化。意在将本发明解读为包括所有这种修改和变化,只要它们落在随附的权利要求及其等价物的范围内。
Claims (19)
1.一种热斑探测系统(70),其包括:
分割单元(76),其将解剖第一图像表示(72)分割成对应于受检者的解剖结构的区域;
热斑探测单元(90),其从功能性第二图像表示(74)中探测高示踪剂吸收区域;
分类单元(101),其根据所述高示踪剂吸收区域相对于从所述解剖第一图像表示中分割的解剖结构的位置对所述高示踪剂吸收区域进行分类;
抑制单元(102),其基于所述分类单元的结果抑制所述功能性第二图像表示中的高示踪剂吸收区域;以及
识别单元(106),其将未抑制的高吸收区域识别为潜在病变和非潜在病变之一。
2.如权利要求1所述的热斑探测系统(70),其中,所述分割单元(76)根据所述解剖结构的形状、尺寸和几何位置中的至少一个基于先验信息识别并分割所述解剖结构。
3.如权利要求1和2中任一项所述的热斑探测系统(70),其还包括:
吸收单元(100),其针对均匀性和吸收中至少一个检查第一图像表示的分割区域以识别正常区域和异常区域。
4.如权利要求3所述的热斑探测系统(70),其中,所述抑制单元(102)抑制对应于被识别为正常的解剖结构的所述功能性图像(74)表示的区域。
5.如权利要求1-4中任一项所述的热斑探测系统(70),其还包括:
概率单元(112),其确定所述功能性图像表示的所述高吸收区域对应于淋巴结的概率。
6.如权利要求1-5中任一项所述的热斑探测系统(70),其还包括:
对称性单元(108),其确定对应于成对的解剖结构的所述功能性图像表示(74)的所述高吸收区域的对称对;以及
活性单元(110),其比较所确定的高吸收区域的对称对之间的代谢活性以识别代谢活性的不对称性。
7.如权利要求1-6中任一项所述的热斑探测系统(70),其还包括:
标称活性单元(116)其基于总肿瘤负荷、总糖酵解量和标准吸收值中的任一个确定所述未抑制的高强度区域的度量。
8.如权利要求7所述的热斑探测系统(70),其中,所述标称活性单元(116)确定选定分割区域的标称代谢活性。
9.如权利要求8所述的热斑探测系统(70),其中,所述选定分割区域对应于肝脏。
10.如权利要求1-9中任一项所述的热斑探测系统(70),其中,所述热斑探测单元(98)利用分水岭变换来探测高吸收区域。
11.如权利要求1-10中任一项所述的热斑探测系统(70),其还包括:
工作站(62),其利用颜色覆盖来描绘所探测的高吸收区域并且在显示设备(64)上显示所探测的高吸收区域。
12.如权利要求1-11中任一项所述的热斑探测系统(70),其中,所述高吸收区域指示高代谢活性。
13.一种诊断成像系统(10),其包括:
解剖图像扫描器(12),其被配置为生成解剖第一图像表示;
正电子发射断层摄影(PET)扫描器(40),其被配置为生成功能性第二图像表示;以及
如权利要求1-12中任一项所述的热斑探测系统(70)。
14.一种用于诊断成像的方法,其包括:
将解剖第一图像表示(72)分割成对应于解剖结构的区域;
从功能性第二图像表示(74)中探测多个高示踪剂吸收区域;
根据所述高示踪剂吸收区域相对于从所述解剖第一图像表示中分割的解剖结构的位置对所述高示踪剂吸收区域进行分类;
基于所述高示踪剂吸收区域的所述分类抑制所述功能性第二图像表示中的高吸收区域;以及
将未抑制的高吸收区域识别为潜在病变和非潜在病变之一。
15.如权利要求14所述的方法,其还包括:
基于解剖信息确定对应于成对的解剖结构的所述第二图像表示的所述高吸收区域的对称对;以及
比较所确定的高吸收区域的对称对之间的代谢活性以识别代谢活性的不对称性。
16.如权利要求14和15中任一项所述的方法,其还包括:
利用选定分割区域中的标称强度归一化所述未抑制的高吸收区域的代谢活性水平。
17.如权利要求14-16中任一项所述的方法,其中,分割所述解剖结构是根据所述解剖结构的形状、尺寸和几何位置中的至少一个基于先验信息的。
18.如权利要求14-17中任一项所述的方法,其中,所述功能性图像表示(74)是由PET成像扫描器(40)生成的。
19.如权利要求14-18中任一项所述的方法,其中,所述未抑制的高吸收区域被显示。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US22693909P | 2009-07-20 | 2009-07-20 | |
US61/226,939 | 2009-07-20 | ||
PCT/IB2010/052689 WO2011010231A1 (en) | 2009-07-20 | 2010-06-15 | Anatomy modeling for tumor region of interest defiinition |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102473302A true CN102473302A (zh) | 2012-05-23 |
CN102473302B CN102473302B (zh) | 2015-08-19 |
Family
ID=42697167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080033147.0A Active CN102473302B (zh) | 2009-07-20 | 2010-06-15 | 用于感兴趣肿瘤区域定义的解剖结构建模 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP2457216B1 (zh) |
JP (1) | JP5613235B2 (zh) |
CN (1) | CN102473302B (zh) |
RU (1) | RU2544479C2 (zh) |
WO (1) | WO2011010231A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103282940A (zh) * | 2011-01-05 | 2013-09-04 | 皇家飞利浦电子股份有限公司 | 不对称性的自动量化 |
CN107067464A (zh) * | 2017-04-07 | 2017-08-18 | 河南大学淮河医院 | 一种核医学成像方法及核医学成像装置 |
CN108280835A (zh) * | 2018-01-23 | 2018-07-13 | 研靖信息科技(上海)有限公司 | 一种基于显像剂浓度确定病灶性质的方法与设备 |
CN109932370A (zh) * | 2017-12-15 | 2019-06-25 | 三星显示有限公司 | 利用改善的预处理的用于白色点斑检测的系统和方法 |
CN113196340A (zh) * | 2018-11-13 | 2021-07-30 | 皇家飞利浦有限公司 | 用于正电子发射断层摄影(pet)的基于人工智能(ai)的标准化摄取值(suv)校正和变化评估 |
CN113349809A (zh) * | 2020-03-05 | 2021-09-07 | 高健 | 一种多模态成像系统图像重建方法 |
CN114533102A (zh) * | 2022-01-28 | 2022-05-27 | 深圳先进技术研究院 | 一种使用全身suv图像调查个体水平的全身代谢异常的方法 |
CN114581397A (zh) * | 2022-02-28 | 2022-06-03 | 广州医科大学附属肿瘤医院 | 造血活性骨髓识别方法、系统、装置及存储介质 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103298406B (zh) * | 2011-01-06 | 2017-06-09 | 美国医软科技公司 | 用于在功能和解剖级对器官疾病进行治疗规划的系统和方法 |
JP6026089B2 (ja) * | 2011-08-23 | 2016-11-16 | 東芝メディカルシステムズ株式会社 | 医用画像診断装置、画像情報表示装置及び制御プログラム |
GB201117808D0 (en) * | 2011-10-14 | 2011-11-30 | Siemens Medical Solutions | SUV correction following dose infiltration |
CN104114091B (zh) * | 2012-02-16 | 2017-10-10 | 皇家飞利浦有限公司 | 空间校正核图像重建 |
US8897532B2 (en) * | 2012-07-11 | 2014-11-25 | General Electric Company | Systems and methods for performing image type recognition |
JP6548393B2 (ja) * | 2014-04-10 | 2019-07-24 | キヤノンメディカルシステムズ株式会社 | 医用画像表示装置および医用画像表示システム |
JP6501796B2 (ja) * | 2014-05-14 | 2019-04-17 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 超音波画像のモデル・ベースのセグメンテーションのための取得方位依存特徴 |
US9633482B2 (en) * | 2014-08-12 | 2017-04-25 | Toshiba Medical Systems Corporation | Apparatus and method for restricting image data visualization |
JP6761128B2 (ja) | 2016-09-06 | 2020-09-23 | エレクタ、インク.Elekta, Inc. | 合成医療画像を生成するためのニューラルネットワーク |
US11138739B2 (en) * | 2016-11-29 | 2021-10-05 | Koninklijke Philips N.V. | Heart segmentation methodology for cardiac motion correction |
WO2019128660A1 (zh) * | 2017-12-29 | 2019-07-04 | 清华大学 | 训练神经网络的方法和设备、图像处理方法和设备以及存储介质 |
US11576628B2 (en) * | 2018-01-03 | 2023-02-14 | Koninklijke Philips N.V. | Full dose PET image estimation from low-dose PET imaging using deep learning |
JP7270917B2 (ja) * | 2018-03-20 | 2023-05-11 | Pdrファーマ株式会社 | コンピュータプログラム、及び画像処理装置 |
US11234893B2 (en) | 2019-02-27 | 2022-02-01 | Steven A. Shubin, Sr. | Method and system of creating a replica of an anatomical structure |
EP4330971A1 (en) * | 2022-06-24 | 2024-03-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1452089A (zh) * | 2002-04-15 | 2003-10-29 | 通用电气公司 | Pet肿瘤图像的半自动分割算法 |
US20070081712A1 (en) * | 2005-10-06 | 2007-04-12 | Xiaolei Huang | System and method for whole body landmark detection, segmentation and change quantification in digital images |
US20080050000A1 (en) * | 2006-05-17 | 2008-02-28 | Koninklijke Philips Electronics N.V. | Hot spot detection, segmentation and identification in pet and spect images |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5694933A (en) * | 1995-04-28 | 1997-12-09 | Care Wise Medical Products Corporation | Apparatus and methods for determining spatial coordinates of radiolabelled tissue using gamma-rays and associated characteristic X-rays |
RU2190959C2 (ru) * | 2000-05-10 | 2002-10-20 | Научный центр реконструктивной и восстановительной хирургии Восточно-Сибирского научного центра СО РАМН | Способ диагностики очаговых поражений селезенки |
JP2006346094A (ja) * | 2005-06-15 | 2006-12-28 | Konica Minolta Medical & Graphic Inc | 検出情報の出力方法及び医用画像処理システム |
JP2008545468A (ja) * | 2005-05-26 | 2008-12-18 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 機能イメージング情報を組み込んだ放射線治療計画 |
RU2297793C2 (ru) * | 2005-06-07 | 2007-04-27 | Государственное учреждение научно-исследовательский институт онкологии Томского научного центра Сибирского отделения Российской академии медицинских наук | Способ компьютерно-томографической диагностики аномалий развития печени |
JP2008546441A (ja) * | 2005-06-15 | 2008-12-25 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 第1及び第2画像を比較するためのモデルに基づく弾性画像登録方法 |
US20070081699A1 (en) * | 2005-09-29 | 2007-04-12 | General Electric Company | Systems, methods and apparatus for diagnosis of disease from categorical indices |
-
2010
- 2010-06-15 RU RU2012105930/14A patent/RU2544479C2/ru not_active IP Right Cessation
- 2010-06-15 JP JP2012521121A patent/JP5613235B2/ja active Active
- 2010-06-15 EP EP10731582.2A patent/EP2457216B1/en active Active
- 2010-06-15 WO PCT/IB2010/052689 patent/WO2011010231A1/en active Application Filing
- 2010-06-15 CN CN201080033147.0A patent/CN102473302B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1452089A (zh) * | 2002-04-15 | 2003-10-29 | 通用电气公司 | Pet肿瘤图像的半自动分割算法 |
US20070081712A1 (en) * | 2005-10-06 | 2007-04-12 | Xiaolei Huang | System and method for whole body landmark detection, segmentation and change quantification in digital images |
US20080050000A1 (en) * | 2006-05-17 | 2008-02-28 | Koninklijke Philips Electronics N.V. | Hot spot detection, segmentation and identification in pet and spect images |
Non-Patent Citations (1)
Title |
---|
JINGFENG HAN等: "Computer-aided evaluation of anatomical accuracy of image fusion between X-ray CT and SPECT", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103282940A (zh) * | 2011-01-05 | 2013-09-04 | 皇家飞利浦电子股份有限公司 | 不对称性的自动量化 |
CN103282940B (zh) * | 2011-01-05 | 2016-12-07 | 皇家飞利浦电子股份有限公司 | 不对称性的自动量化 |
CN107067464A (zh) * | 2017-04-07 | 2017-08-18 | 河南大学淮河医院 | 一种核医学成像方法及核医学成像装置 |
CN109932370A (zh) * | 2017-12-15 | 2019-06-25 | 三星显示有限公司 | 利用改善的预处理的用于白色点斑检测的系统和方法 |
CN109932370B (zh) * | 2017-12-15 | 2023-12-15 | 三星显示有限公司 | 利用改善的预处理的用于白色点斑检测的系统和方法 |
CN108280835A (zh) * | 2018-01-23 | 2018-07-13 | 研靖信息科技(上海)有限公司 | 一种基于显像剂浓度确定病灶性质的方法与设备 |
CN113196340A (zh) * | 2018-11-13 | 2021-07-30 | 皇家飞利浦有限公司 | 用于正电子发射断层摄影(pet)的基于人工智能(ai)的标准化摄取值(suv)校正和变化评估 |
CN113349809A (zh) * | 2020-03-05 | 2021-09-07 | 高健 | 一种多模态成像系统图像重建方法 |
CN114533102A (zh) * | 2022-01-28 | 2022-05-27 | 深圳先进技术研究院 | 一种使用全身suv图像调查个体水平的全身代谢异常的方法 |
CN114533102B (zh) * | 2022-01-28 | 2022-10-25 | 深圳先进技术研究院 | 一种使用全身suv图像调查个体水平的全身代谢异常的方法 |
CN114581397A (zh) * | 2022-02-28 | 2022-06-03 | 广州医科大学附属肿瘤医院 | 造血活性骨髓识别方法、系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP5613235B2 (ja) | 2014-10-22 |
CN102473302B (zh) | 2015-08-19 |
EP2457216B1 (en) | 2017-11-08 |
RU2012105930A (ru) | 2013-08-27 |
JP2012533384A (ja) | 2012-12-27 |
RU2544479C2 (ru) | 2015-03-20 |
EP2457216A1 (en) | 2012-05-30 |
WO2011010231A1 (en) | 2011-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102473302B (zh) | 用于感兴趣肿瘤区域定义的解剖结构建模 | |
US8467856B2 (en) | Anatomy modeling for tumor region of interest definition | |
CN109961834B (zh) | 影像诊断报告的生成方法及设备 | |
CN102812492B (zh) | 用于心脏成像的方法及系统 | |
US7813783B2 (en) | Methods and systems for attenuation correction in medical imaging | |
JP2022525198A (ja) | 陽電子放射断層撮影を用いた腫瘍セグメンテーションのための深層畳み込みニューラルネットワーク | |
US8989845B2 (en) | Model-based extension of field-of-view in nuclear imaging | |
US8045778B2 (en) | Hot spot detection, segmentation and identification in pet and spect images | |
US7729467B2 (en) | Methods and systems for attentuation correction in medical imaging | |
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 | |
US8897532B2 (en) | Systems and methods for performing image type recognition | |
US20140010428A1 (en) | Method for extraction of a dataset from a medical image dataset and also medical imaging device | |
CN108242068A (zh) | 用于正电子发射断层成像中的散射校正的方法和系统 | |
CN103607954A (zh) | 用于混合式扫描器上ac和定位的剂量优化方案 | |
JP2006320387A (ja) | 計算機支援診断装置および方法 | |
US8526701B2 (en) | Image analysis method and system | |
US7756310B2 (en) | System and method for segmentation | |
US20230410313A1 (en) | Image data processing to increase follow-up analysis fidelity | |
US20200261032A1 (en) | Automatic identification and segmentation of target regions in pet imaging using dynamic protocol and modeling | |
Chauvie et al. | Automatic liver detection and standardised uptake value evaluation in whole-body positron emission tomography/computed tomography scans | |
EP2711738A1 (en) | A method and a device to generate virtual X-ray computed tomographic image data | |
Giv et al. | Evaluation of the prostate cancer and its metastases in the 68-Ga-PSMA PET/CT images: deep learning method vs. conventional PET/CT processing | |
Libório | Development of co-registration techniques for comparison of whole-body PET/CT studies | |
Inbakaran | Liver detection and segmentation in positron emission tomography/computed tomography image data | |
Misch et al. | Clinical hybrid imaging: image co-registration and hardware combination for PET/CT and SPECT/CT |
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 |