CN104093354B - 用于评估医学图像的方法和设备 - Google Patents

用于评估医学图像的方法和设备 Download PDF

Info

Publication number
CN104093354B
CN104093354B CN201280067975.5A CN201280067975A CN104093354B CN 104093354 B CN104093354 B CN 104093354B CN 201280067975 A CN201280067975 A CN 201280067975A CN 104093354 B CN104093354 B CN 104093354B
Authority
CN
China
Prior art keywords
scan
template
candidate
pet
mark
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
Application number
CN201280067975.5A
Other languages
English (en)
Other versions
CN104093354A (zh
Inventor
V·多勒
O·萨尔瓦多
N·D·H·道森
J·梅扬-弗里普
C·罗
V·维拉马涅
L·周
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.)
Commonwealth Scientific and Industrial Research Organization CSIRO
Original Assignee
Commonwealth Scientific and Industrial Research Organization CSIRO
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
Priority claimed from AU2011905242A external-priority patent/AU2011905242A0/en
Application filed by Commonwealth Scientific and Industrial Research Organization CSIRO filed Critical Commonwealth Scientific and Industrial Research Organization CSIRO
Publication of CN104093354A publication Critical patent/CN104093354A/zh
Application granted granted Critical
Publication of CN104093354B publication Critical patent/CN104093354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/7425—Displaying combinations of multiple images regardless of image source, e.g. displaying a reference anatomical image with a live image
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/037—Emission tomography
    • 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
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04C—ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT PUMPS
    • F04C2270/00—Control; Monitoring or safety arrangements
    • F04C2270/04—Force
    • F04C2270/041—Controlled or regulated
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/20216—Image averaging
    • 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
    • G06T2207/30016—Brain

Abstract

一种用于在个体候选PET扫描中确定PET标记的摄取程度的方法，该方法包括以下步骤：(a)计算一系列具代表性的匹配控制的PET和MRI模板以用于个体的一系列控制的样本扫描；(b)从匹配的模板计算一系列的大脑表面；(c)采用候选模板对准个别候选PET扫描；(d)采用所述候选PET图像对准所述一系列大脑表面；(e)基于候选PET值与相应控制的PET扫描之间的相似度测量来为每个表面位置选择预先确定的(M个)最佳候选模板；(f)利用相应的MRI组织映射图，针对每个表面位置计算M个权重；(g)利用所述M个权重来将来自相应的MRI模板的相应的M个模板组织指标结合至平均大脑表面指标中。

Description

用于评估医学图像的方法和设备
技术领域
本发明涉及解读和处理医学图像的领域，且特别地公开了用于解读在诸如正电子发射断层造影术(PET)图像或单光子发射计算机断层扫描图像(SPECT)的图像中出现的标记，以用于检测异常现象。
背景技术
在说明书中对背景技术的任何论述不应当被认为此类技术是被广泛了解或形成本领域公知常识的一部分。
利用诸如PET或SPECT成像的成像在体外诊断疾病是一个重要工作。特别是对于诸如老年痴呆症(AD)这样的神经变性疾病的情况。对适当影像的解读对于提高对疾病治疗的了解和鉴别方面是重要的。
现有技术包括许多用于获得并分析PET和其他成像模式的系统。例如，Liljat等在PCT公开WO2008/093057中公开了一种这样的在调查AD中用于分析PET和其他影像的系统。Chen Kewei等在美国专利申请公开号.2006/074290中公开了另一系统。在所有这种系统中，理想的是能够快速地提供关于影像状态的诊断信息。
β-淀粉样蛋白(Aβ)斑块是在老年痴呆症(AD)的病理特征中最普遍的，这种斑块可能在痴呆被诊断出来之前的许多年前就出现了。功能显像剂的近期发展使其可以评估在活体中的淀粉样蛋白沉积。一种有前景的已知的放射性示踪剂是B-型匹兹堡复合物(11C-PiB)，这种物质可以以高亲和性和高特异性与Aβ淀粉样蛋白结合在一起。已经显示出AD患者比正常对照趋向于在皮质区域具有更高的PiB。其他重要的淀粉样蛋白成像化合物正在被发展(诸如Florbetapir)，并且也可以在本发明中使用。
评估PiB在皮质区域中用不同组织类型(灰质、白质和CSF)的摄取可以便于诊断和监控痴呆。然而，由于PET图像的低分辨率及缺少结构信息，现在的方法通常依赖并行的MRI图像来确定组织区域。进一步地，标记的结合模式往往与潜在的组织结构无关并且可能是高度可变的。诸如那些在Lilja等中公开的一般过程包括在MRI图像上同时的组织分割(segmentation)以及用于每个主体的MRI与PET图像之间的多模配准(multi-modularregistration)。
虽然此类估计相对精确，但是由于临床情况及因为各种原因(如，幽闭恐怖症、金属植入，等)而缺少MRI扫描，因此独立于MRI的评估方法是理想的。
发明内容
本发明的目的是提供在诸如PET或SPECT图像的医学图像中的标记摄取的评估的一个改进形式。
根据本发明的第一方面，提供了一种用于在个别候选PET扫描中确定PET标记的摄取程度的方法，该方法包括以下步骤：(a)计算一系列具代表性的匹配控制的PET和MRI模板以用于个体的一系列控制的样本扫描；(b)从匹配的模板计算一系列的大脑表面；(c)采用候选模板对准个别候选PET扫描；(d)采用候选PET图像对准所述一系列的大脑表面；(e)基于候选PET值与相应控制的PET扫描之间的相似度测量来为每个表面位置选择预先确定的(M个)最佳候选模板；(f)利用相应的MRI组织映射图和候选PET和PET模板之间的相似度测量，针对每个表面位置计算M个权重；(g)利用所述M个权重来将相应的M个模板组织指标相结合以估计平均大脑表面指标的每个位置的候选PET的摄取。
该方法优选地还包括以下步骤：(h)结合平均大脑表面与候选PET扫描数据来创建用于显示的结合的平均大脑表面。在一些实施方式中，步骤(c)可以包括在采用所述一系列候选模板对准候选PET图像中利用候选CT或X-射线扫描数据。
根据本发明的另一方面，提供了一种用于在个别候选成像标记扫描中确定成像标记的摄取程度的方法，该方法包括以下步骤：(a)计算一系列具代表性的匹配控制的成像标记扫描和组织标记模板以用于个体的一系列控制的样本扫描；(b)根据匹配的模板计算一系列的体内划定表面；(c)采用候选模板对准个别候选成像标记扫描；(d)采用所述一系列的体内划定表面对准所述个别候选成像标记扫描；(e)基于候选成像标记值与相应的控制的成像标记扫描之间的相似度测量来为每个表面位置选择预先确定的(M个)最佳候选模板；(f)利用相应的组织标记映射图和相似度测量，针对每个表面位置计算M个权重；(g)利用所述M个权重来将来自相应的组织模板的相应的M个模板组织指标结合至平均大脑表面指标中。
成像标记扫描可以包括正电子发射断层造影术(PET)扫描或单光子发射计算机断层扫描图像(SPECT)扫描。每个组织标记模板可以是根据具有已知图像属性的不同主体的图像而被计算的。多个组织模板可以根据具有已知图像属性的候选和主体的相似特征来从从较广的模板集合中选择。模板和候选图像优选是被分割的。
根据本发明的另一方面，提供了一种在主体图像中确定大脑摄取成像标记的方法，该方法包括以下步骤：根据控制的样本图像制备一系列大脑模板，该模板包括共同配准一系列控制的样本图像，并创建概率映射图(mapping)，该映射图包含特定图谱(atlas)体素含有灰质的可能性的估计；从所属大脑模板中确定灰质界面与白质界面之间的相应表面；对于候选主体图像，将所述候选图像映射至相应的大脑模板；以及针对所述大脑模板的灰色区域部分，映射所述主体图像进行灰质摄取的对应关系。控制的样本图像可以包括PET和MR图像二者。
对应关系是在相对于灰质与白质之间的表面的预先确定的方向或者体积进行测量。映射可以发生于多个模板。利用贝叶斯网络或加权求和或表决规则或其他融合技术来优选地结合多个映射。
附图说明
本发明的优选实施方式将参照附图仅以示例的方式进行描述，其中：
图1示意性地示出了执行优选实施方式的操作环境的一种形式；
图2示出了优选实施方式的步骤的流程图的第一部分；
图3示出了优选实施方式的步骤的流程图的第二部分；
图4示出了模板配准的过程；
图5至图8是将主体映射至模板的映射结果或图谱值的图示；其中图5显示了利用依赖MRI的方法基于平均相关系数的多图谱方法和单图谱方法的对照。该多图谱方法显示出对于几乎所有的104个测试主体始终产生较高的相关性。
图6示出了基于PET与依赖MRI的方法之间的每个顶点的平均误差的多图谱方法和单图谱方法的对照。对于几乎所有104个测试主体该多图谱方法始终产生较低的误差。
图7示出了基于PET与依赖MRI的方法之间的平均ROI定点误差的多图谱方法和单图谱方法的对照。对于几乎所有ROI该多图谱方法始终产生较的低误差。
图9示出了对AD患者进行映射的示例；以及
图10示出了对正常患者进行映射的示例。
具体实施方式
在本发明的实施方式中，提供了“仅PET图像”的方法，该方法将感兴趣区域(ROI)图谱配准至主体的PET图像并在ROI范围内对PiB摄取值求平均。其中在仅包括单图谱的情况下，该方法的估计精度可能取决于图谱的选择及配准误差。已经发现通过利用多图谱可获得改进的结果。实施方式提供了更高鲁棒性的“仅PET”方法，该方法改进了评估的后验概率。为了达到这个目的，采用了以下三种主要的策略：
1.组织概率映射图(map)被引入以指导PiB值的测量，来代替从单个扭曲的ROI图谱复制的硬ROI分区。概率映射图为根据训练集学习的先验知识，因此结合了种群变异并比简单地从单个图谱图像获得的ROI具有更强的鲁棒性。
2.多个图谱被用于抵消来自单个图谱的配准误差。多图谱的利用还允许每个PET图像来自不同的PET图谱。多个PET图谱的使用允许在数据库中的主体的每个位置的选择相类似。换句话说，第二个示例性实施方式的方法能够用于给定的患者，针对大脑额叶中的一个像素的模板A、B、C及针对颞叶上的一个像素的模板C、D、E。
主体特定的图谱的最优子集可以从大量图谱中选择，并结合贝叶斯(Bayesian)框架来改进估计的后验概率。结合不同模板的权重可以逐个像素地变化。PiB摄取值接着直接被估计，这避免了对灰质分割的明显需要。因此，使用多个图谱在统计学上减少了出现在每个独立图谱中的配准和采样误差。
3.除了从图谱获得的基于群体的概率映射图，主体特定的概率映射图也可以通过使用主体PET图像的非局部均值分割而被利用。这也提供了用于计算每个像素的权重的方法。利用多个图谱，这种分割基于群体信息导出了特别用于特定主体的概率映射图，并因而进一步改善了先验和后验的估计。
与现有技术方法相比较(现有技术通常需要MRI和PET图像来用于精确估计在灰质内的PiB摄取)，本发明的实施方式能够仅利用PET图像，但仍然还提供相当准确的估计，该估计仅有很小的估计误差并且具有与基于MRI的方法具有高的相关性。虽然提出的方法对于基于体积和基于表面的PiB评估来说具有一般性的应用，但是基于表面的测量首先被描述。基于体积的测量相对较简单并且可以在不使用表面模型的情况下进行。
本发明的实施方式提供的方法可以被用作临床检查工具以用于诊断和监控老年痴呆症。然而，该方法可以被应用于淀粉样蛋白(AV1)的其他PET的标记，并且具有足够的一般性被应用于任何病理的任何其他PET标记和任何病理的其他SPECT标记。
首先转到图1，该图显示了用于实施优选实施方式的操作环境1。在该环境中，PET图像被扫描2以被储存在数据库3中进行处理。图像分析系统4执行优选实施方式的图像分析方法并输出包括多个测量的图像报告5。
优选实施方式可以继续进行以下的步骤，如最初在图2和图3中所示：
最初，一连串的N(其中N在一个实施方式中等于20)表示性模板被形成，以用于具有已知AD程度的测试主体。对于每个测试主体，PET和相应的MRI图像被获取和对准。并且，在CT扫描可用的情况下，这些图像还可以被匹配用于测试主体。根据每个PET和可选的CT扫描，相应的大脑表面被计算。
模板被储存在数据库21中。
新的主体接着以PET扫描和可选的CT扫描(如可用)的形式24呈现。
优选实施方式接着进行以下步骤：
步骤1：基于PET扫描并利用可选的CT扫描(在可用的情况下)，新的主体PET与N个模板对准。
步骤2：N个模板大脑表面的位置相对于主体PET定位。N个模板表面中的每一者被视为表面网格。对于表面网格上的每个点，在新的主体PET值26与在每个模板处对应的PET值27、28之间进行对比，并且获得差值测量。
步骤3：对于每个表面位置，M个最佳模板匹配基于新的主体PET与对应的模板PET之间的相似度而被储存。
步骤4：M个最佳模板匹配被用于导出针对每个表面位置的M个权重。利用模板组织映射图，M个权重被用于融合或加权相应的PET值以产生总体PET值。融合以逐个位置为基础而发生。
步骤5：结果被显示在“平均大脑表面”上，其中平均大脑表面通过加权模板表面而导出。并且PET值被显示在所获得的平均大脑表面36上。由于所有大脑模板表面被共同配准，因此候选PET能够显示在模板表面的任意一者上或在平均表面上以代表种群。
可选的CT成像的利用
在以上实施方式的另一可选的细化中，应当注意的是当前的医疗实践常常促进在结合的PET/CT扫描仪中一起产生CT类型扫描以及PET扫描。在这些扫描可用的情况下，他们理想地可被用于配准过程。虽然CT扫描未提供良好的组织划定，但是它提供了非常好的液体和骨骼的划定。在CT扫描可用于新的主体的情况下，CT扫描能够以以下多种方式被利用：
1.最初，在步骤1中，CT扫描可以被结合在将相应的PET扫描与模板的对准中。CT扫描可以提供清楚的新的主体的骨骼划定并且因此能够被用于对准过程。
此外，在步骤4中，假定患者的CT可用，由于CT划定了大脑表面的边界情况，因此可以用于估计灰质界限的位置。CT因此能够被用于在边界区域中修正当前PET扫描的灰质计算，并因而改进总体估计。
虽然在之前描述了优选实施方式的操作，但是当实施以下描述的发明时，多个处理细化和改变对本领域技术人员来说是可用的。
1.最初的图形预处理模板创建：所有捕获的PET成像可以首先进行预处理。这包括所有PiB PET图像的亮度归一化，以及大脑模板的制备。MRI扫描被假定仅可用于模板。
对于模板数据集，有必要预处理MRI图像、PET图像和灰质与白质之间的交界的表面，或者可替换地灰质与CSF之间的表面。
首先，每个MRI图像在空间上被标准化为图谱(在示例性实施方式中，所使用的图谱为Collins图谱：Collins,D.,Zijdenbos,A.,Kollokian,V.,Sled,J.,Kabani,N.,Holmes,C.,Evans,A,1998.Design and construction of a realistic digital brainphantom.IEEE Trans.Med.Imag.17(3),463-468)。与图谱相关联的主要组织(GM、WM和CSF)的先验概率映射图也被利用(在我们的例子中提供了部分具有图谱的SPM，Ashburner,J.,Friston,K.,1999“Nonlinear spatial normalization using basis functions”Hum.Brain Mapp.7(4),254-26,)。图谱与相关联的先验可替换地从任意图像数据库容易地计算出来。
MRI图像和PET图像通过局部刚性变换而被共同配准。所使用的方法可以是公开于Ourselin,S.,Roche,A,Subsol,G.,Pennec,X.,Ayache,N.,2001.Reconstructing a3Dstructure from serial histological sections.Image Vis.Comput.19(1),25-31。
配准之后，PET图像的亮度值由标准的摄取值比率(SUVR)进行标准化(LoprestiBJ,Klunk WE,Mathis CA,Hoge JA,Ziolko SK.Lu X等,“Simplified quantification ofpittsburgh compound B amyloid imaging PET studies:a comparative analysis”,JNucl Med2005；46:1959-72Lopresti等,2005)被用于保障主体之间的比较及主体内部的比较。SUVR被定义为包含特异性结合的区域相对于未包含特异性结合的区域的值。因为小脑灰质被认为没有老年斑，因此小脑灰质常常被用作参考的未包含特异性结合的区域(Joachim,C.,Morris,J.,Selkoe,D.,1989.Diffuse senile plaques occur commonly inthecerebellum in Alzheimer's disease.American J.Pathol.l35(2),309-319)。来自MRI的小脑掩模(cerebellum mask)被用于使PET图像中的区域局部化以用于标准化。最终，灰质与白质之间的界面表面从分割的MRI图像中提取以用于每个图谱。
该预处理步骤可以如陈述于以下的那样：Fripp J.,Bourgeat P.,Acosta0.,Raniga P.,Modat M.,Pike E.,Jones G.,O'Keefe G.,Masters L.,Ames D.,Ellis A.,Maruff P.,Currie J.,Villemagne L.,Rowe C.,Salvado O.,Ourselin S.,2008.Appearance modeling of11C PiB PET images:characterizing amyloiddeposition in Alzheimer's disease,mild cognitive impairment and healthyaging.Neuroimage43(3),430-439。
模板制备以基础图像起始集继续进行，该起始集可以包括用于一批主体的一系列相应的MRI和PET扫描图像。
一系列单独的模板可以被创建。对于每个模板，它们的MRI和PET图像被刚性地共同配准(对准)。组织在模板MRI图像上被分割，并且接着，灰质/白质界面被确定。为了使用户能够检查内部皮质区域，灰质/白质界面的表面被分离为左半球和右半球。并且，每个模板创建有灰质概率映射图，该灰质概率映射图指示了图像体素属于灰质的可能性。
灰质概率映射图可以通过使用在之前引用的Fripp等的描述的高斯混合模型(Gaussian Mixture Model)标准基于亮度的分割方法来创建。
2.模板表面配准：多分辨率EM-ICP方法被应用于在灰质/白质界面的不同模板表面中建立对应关系。在表面配准之后，模板表面被重新采样以拥有相同数量的相应顶点。EM-ICP方法可以如陈述于以下的那样：Granger,S.,&Pennec,X.(2002),“Multi-scale EM-ICP:A Fast and Robust Approach for Surface Registration”,Computer Vision-ECCV2002,2353,418-432Springer,and Combes,B.and Prima,S.,2010“An efficient EM-ICP algorithm forsymmetric consistent non-linear registration of point sets”Medical Image Computing and Computer-Assisted Intervention(MICCAI),594-601。
3.对PET图像的配准：在特定主体的PET图像与相应模板之间的仿射/轻度变形配准被执行以将表面及概率映射图从模板空间带到主体空间。
仿射配准的过程通过图3示出。
可替换地，在替代了使用来自模板的变换的概率映射图的情况下，主体空间中的概率映射图可以通过主体PET图像上的非局部均值分割产生。
4.通过多模板融合进行的基于表面的测量：均值灰质PIB摄取沿着转化的图谱表面的标准方向通过独立地由相应的转化的组织概率映射图引导而被测量。接着，根据基于转化的图谱PET图像与主体PET图像之间的局部相似度的局部加权方案，结合贝叶斯网络进行测量。相似度可以通过标准化的共同信息或其他指标来测量。
其他加权方案可以被使用。例如，M个权重可以在结合相应模板组织指标的情况下被用于加权平均。另一可替代技术为由表决算法所提供的用于确定相应模板组织指标。
作为进一步的替代，为了融合从所选的多个模板获得的结果，贝叶斯框架可以如下所述被利用。
给定PET图像I(x)，其中x表示图像体素，目标是沿着转化的图谱表面ST的标准方向测量灰质中的均值PiB摄取。这等于估计期望值Ex∈Δ[δ(I，x，l)]，其中δ(I，x，l)为指标函数，其定义如下：
符号Δ表示沿着表面顶点ν和PET图像I的标准方向的线的交叉。符号l为组织标签，分别用值1、2、3表示GM、WM和CSF。期望值可以被估算如下：
考虑离散概率，得到以下结果：
假定x均匀地从Δ采样，概率其中|Δ|为Δ的长度。通过边缘化联合概率后验标记概率P(l|I，x)从转化的模板(i＝1…n，其中n为所选模板的数量)估计：
这里表示在转化的模板中，体素x作为GM的概率，该模板可以从转化的模板概率映射图中获取。概率测量体素x可以很好地对准在图像I与转化的模板之间的概率。在我们的方法中，被设置为与在x的邻近N(x)内局部估计的标准化的共同信息的测量的倒数成比例。也就是，由于PET图像的低分辨率，N(x)的大小不应该太小，否则得到的共同信息将拟合噪声。在进行了的测量中，N(x)被设置为30×30×30，这覆盖了沿着线Δ的所有体素。因此，相对于变量x(x∈Δ)，为常数。
结合(2)和(3)，得到：
方程式(4)显示了在每个表面顶点处对于估计均值PiB保留的附加属性：根据多个图谱的估计可以通过根据每个单个图谱的独立估计来实现并然后以加权的方式进行线性结合。结合权重反映了测试图像I与转化的模板之间的对准。由于对准由局部度量进行评估，因此该结合对于整个表面来说是非线性的。该附加属性有助于在模板集需要被动态确定时所采用的方法。通过将变化仅限制于受影响的模板，这使得容易转换所选的模板。
在根据单个模板进行个体估计时，PiB值I(x)通过其作为灰质体素的概率被加权，也就是，这隐含定义了具有软边界的灰质区域，该软边界反映了训练种群中所观察到的变化。因此，相对于现有技术公开的硬灰质分割，所提出的估计可以改善配准误差的鲁棒性。
使用多个模板被发现可以改进根据个体模板进行的估计。在测试过程中获得的改进的示例如图5至图8所示。
5.表面可视化：一旦基于表面的测量被执行，那么，对于每个主体，左半球和右半球组合在一起并从八个角度显现。可以自动进行抓屏，这有利于视觉检测或产生进一步的报告。
一个AD和一个正常对照的示例性结果分别在图9和图10中示出。
解释
以下描述和附图利用参考数字来辅助理解实施方式的结构和功能。相同的参考数字被用于不同的实施方式来指定具有相同或相似功能和/或结构的特征。
附图需要被视为一个整体并与本说明中相关的文本结合。特别地，一些附图选择性地忽略了所有实例中的所有特征以更加清楚地提供描述的特定特征。虽然这有助于读者，但是其不应当被认为是这些特征未公开或者对于相关的实施方式的操作不需要。
在整个说明书中，“一个实施方式”或“实施方式”意为与包括在本发明的至少一个实施方式中的实施方式有关的特定特征、结构或特性。因而，在整个说明书的各个位置出现短语“在一个实施方式中”或“在实施方式中”不一定涉及相同的实施方式，但当然这也是也可以的。此外，特定特征、结构或特性可以在一个或多个实施方式中以任何合适的方式结合，如根据本公开对本领域技术人员显而易见的。
类似地，应当理解的是在以上本发明的示例性实施方式的描述中，本发明的各个特征同时被组合在单个实施方式、附图或其说明中，以达到使本公开流畅的目的及达到辅助理解各个发明方面中的一者或多者的目的。然而，公开的方法并不能被解释为反映所要求的发明需要比每个权利要求中所清楚描述的具有更多的特征的意向。相反，如以下权利要求所反映的，创新的方面比以上单独公开的实施方式的所有特征要少。因而，随着具体说明的权利要求据此与该具体说明相结合，并且每个权利要求自身作为本发明的独立实施方式。
此外，虽然在此描述的一些实施方式包括一些(但非其他)包括在其他实施方式中的特征，但不同实施方式的特征的结合应该被理解为在本发明的范围之内，并且本领域技术人员应当理解这形成了不同的实施方式。例如，在以下权利要求中，所要求的实施方式中的任意实施方式可以被用于任何结合中。
此外，一些实施方式于此被描述为方法或方法要素的结合，这可以通过计算机系统的处理器或通过执行功能的其他装置来实现。因而，具有执行此类方法或方法的要素的必要指令的处理器形成了用于执行该方法或方法要求的手段。此外，设备实施方式的于此描述的要素为用于执行由要素执行的功能的装置的示例，以达到执行本发明的目的。
在此提供的说明中，许多特定细节被描述。然而，应当理解的是本发明的实施方式可以在没有这些特定细节的情况下被实行。在其他实例中，为了避免混淆本发明的理解，已知的方法、结构和技术未被具体示出。
类似地，应当知道的是，在权利要求中所使用的耦合的术语不应当被解释为仅限于直接连接。术语“耦合”和“连接”以及衍生术语可以被使用。应当理解的是这些术语相互间并非是同义词。因而，表达设备A耦合至设备B的范围不应当被限于其中设备A的输出直接连接至设备B的输入的设备或系统。其意为存在A的输出与B的输入之间的路径，该路径可以为包括其他设备或装置的路径。“耦合”可以意为两个或多个元素直接物理接触或电接触，或者两个或多个元素相互间未直接接触但仍相互共同操作或相互影响。
因而，虽然已经描述了哪些被认为是本发明的优选实施方式，本领域技术人员应当理解，在不背离本发明的精神的情况下，可以对其进行其他及进一步的修改，并且应当理解，所有改变和修改都落在本发明的范围之内。例如，以上给出的公式仅表示了可以使用的过程。可以从框图中增加或删除功能，并且可以在功能模块之间交换操作。可以从本发明范围内所描述的方法增加或删除步骤。

Claims (11)

1.一种用于在个别候选PET扫描中确定PET标记的摄取程度的方法，该方法包括以下步骤：
(a)计算一系列具代表性的匹配控制的PET模板和MRI模板以用于个体的一系列控制的样本扫描；
(b)根据匹配的模板计算一系列的大脑表面；
(c)采用所述匹配的模板对准个别候选PET扫描；
(d)采用所述候选PET扫描对准所述一系列的大脑表面，其中与所述候选PET扫描对准的所述大脑表面的每一个大脑表面包括多个表面位置；
(e)基于所述候选PET扫描与相应控制的PET模板之间的相似度测量来为所述多个表面位置的每一个表面位置选择M个最佳模板；
(f)利用相应的MRI模板和所述候选PET扫描与所述相应控制的PET模板之间的所述相似度测量来计算针对所述多个表面位置的每一个表面位置的M个权重；
(g)利用所述M个权重来将针对所述多个表面位置的每一个表面位置的M个最佳模板相结合以产生总体PET值，从而估计在平均大脑表面指标的每个位置的所述候选PET的摄取。
2.根据权利要求1所述的方法，进一步包括以下步骤：
(h)结合所述一系列的大脑表面来创建用于显示的平均大脑表面。
3.根据以上任意权利要求所述的方法，其中步骤(c)进一步包括在采用所述一系列匹配的模板对准候选PET扫描中利用候选CT或X-射线扫描数据。
4.一种用于在个别候选成像标记扫描中确定成像标记的摄取程度的方法，该方法包括以下步骤：
(a)计算一系列具代表性的匹配控制的成像标记扫描模板和组织标记模板以用于个体的一系列控制的样本扫描；
(b)根据匹配的模板计算一系列的体内划定表面；
(c)采用所述匹配的模板对准个别候选成像标记扫描；
(d)采用所述一系列的体内划定表面对准所述个别候选成像标记扫描，其中与所述个别候选成像标记扫描对准的所述体内划定表面的每一个体内划定表面包括多个表面位置；
(e)基于候选成像标记扫描与相应的控制的成像标记扫描模板之间的相似度测量来为所述多个表面位置的每一个表面位置选择M个最佳模板；
(f)利用相应的组织标记模板和所述候选成像标记扫描与所述相应的控制的成像标记扫描模板之间的所述相似度测量来计算针对所述多个表面位置的每一个表面位置的M个权重；
(g)利用所述M个权重来将针对所述多个表面位置的每一个表面位置的M个最佳模板相结合以产生总体成像标记值，从而估计在平均体内划定表面的每个位置的所述候选成像标记的摄取。
5.根据权利要求4所述的方法，其中所述成像标记扫描模板包括正电子发射断层造影术PET扫描模板或单光子发射计算机断层扫描图像SPECT扫描模板。
6.根据权利要求4所述的方法，其中每个组织标记模板是根据具有已知图像属性的不同主体的图像而被计算的。
7.根据权利要求6所述的方法，其中所述组织标记模板是根据具有已知图像属性的候选和主体的相似特征来从较广的模板集合中选择的。
8.根据权利要求1或2或4至7中任意一项权利要求所述的方法，其中所述匹配的模板和候选扫描是被分割的。
9.根据权利要求1或4所述的方法，其中所述步骤(g)包括将所述M个权重用作加权平均以用于结合所述M个最佳模板。
10.根据权利要求1或4所述的方法，其中所述步骤(g)包括将所述M个权重用于表决算法以确定相应的模板组织指标。
11.一种用于在个别候选成像标记扫描中确定成像标记的摄取程度的设备，该设备包括：
用于计算一系列具代表性的匹配控制的成像标记扫描模板和组织标记模板以用于个体的一系列控制的样本扫描的装置；
用于根据匹配的模板计算一系列的体内划定表面的装置；
用于采用所述匹配的模板对准个别候选成像标记扫描的装置；
用于采用所述一系列的体内划定表面对准所述个别候选成像标记扫描的装置，其中与所述个别候选成像标记扫描对准的所述体内划定表面的每一个体内划定表面包括多个表面位置；
用于基于候选成像标记扫描与相应的控制的成像标记扫描模板之间的相似度测量来为所述多个表面位置的每一个表面位置选择M个最佳模板的装置；
用于利用相应的组织标记模板和所述候选成像标记扫描与所述相应的控制的成像标记扫描模板之间的所述相似度测量来计算针对所述多个表面位置的每一个表面位置的M个权重的装置；以及
用于利用所述M个权重来将针对所述多个表面位置的每一个表面位置的M个最佳模板相结合以产生总体成像标记值从而估计在平均体内划定表面的每个位置的所述候选成像标记的摄取的装置。
CN201280067975.5A 2011-12-15 2012-12-14 用于评估医学图像的方法和设备 Active CN104093354B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
AU2011905242 2011-12-15
AU2011905242A AU2011905242A0 (en) 2011-12-15 Method and apparatus for the assessment of medical images
PCT/AU2012/001536 WO2013086580A1 (en) 2011-12-15 2012-12-14 Method and apparatus for the assessment of medical images

Publications (2)

Publication Number Publication Date
CN104093354A CN104093354A (zh) 2014-10-08
CN104093354B true CN104093354B (zh) 2017-06-09

Family

ID=48611723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280067975.5A Active CN104093354B (zh) 2011-12-15 2012-12-14 用于评估医学图像的方法和设备

Country Status (5)

Country Link
US (1) US9361686B2 (zh)
EP (1) EP2790575B1 (zh)
CN (1) CN104093354B (zh)
AU (1) AU2012350363B2 (zh)
WO (1) WO2013086580A1 (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977029B2 (en) * 2012-08-24 2015-03-10 Siemens Aktiengesellschaft Method and system for multi-atlas segmentation of brain computed tomography image data
US9943281B2 (en) * 2013-07-25 2018-04-17 Hitachi, Ltd. X-ray CT apparatus
EP2937039B1 (en) 2014-04-25 2022-04-20 AMRA Medical AB Lean tissue water concentration quantification
EP3170145B1 (en) * 2014-07-15 2020-03-25 Koninklijke Philips N.V. Imaging data statistical testing including a stereotactical normalization with a personalized template image
JP6703323B2 (ja) * 2015-09-17 2020-06-03 公益財団法人神戸医療産業都市推進機構 生体の画像検査のためのｒｏｉの設定技術
CN105205538B (zh) * 2015-10-14 2018-08-28 清华大学 基于重要性采样的推理算法及神经电路
CN105426958A (zh) * 2015-11-02 2016-03-23 清华大学 通过神经电路实现因果推理的方法和神经电路
WO2018001099A1 (zh) * 2016-06-30 2018-01-04 上海联影医疗科技有限公司 一种血管提取方法与系统
DE102016219496A1 (de) 2016-10-07 2018-04-26 Siemens Healthcare Gmbh Verfahren zur Unterstützung einer Planung einer Bestrahlung eines Patienten
CL2018001428A1 (es) * 2018-05-28 2018-08-24 Univ Del Desarrollo Un método para procesar imágenes cerebrales.
US10945685B2 (en) * 2018-07-25 2021-03-16 New York University System and method for normalizing standardized uptake values in brain positron emission tomography (PET) images
CN109300124B (zh) * 2018-09-19 2022-04-12 暨南大学 一种基于非人灵长类动物的立体定位pet-mri脑模板建立的方法
TWI697686B (zh) * 2019-06-20 2020-07-01 臺北榮民總醫院 基於磁振造影分析腦組織成分的系統與方法
CN110288641A (zh) * 2019-07-03 2019-09-27 武汉瑞福宁科技有限公司 Pet/ct与mri脑部图像异机配准方法、装置、计算机设备及存储介质
CN113409272B (zh) * 2021-06-21 2023-04-28 上海联影医疗科技股份有限公司 数据分析方法、装置、计算机设备以及可读存储介质
CN115330775B (zh) * 2022-10-13 2023-01-17 佛山科学技术学院 一种脑卒中ct和mri影像征象定量评估方法及系统
CN117689966A (zh) * 2024-02-04 2024-03-12 中国科学院深圳先进技术研究院 一种基于量子贝叶斯神经网络的磁共振图像分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101068498A (zh) * 2004-10-04 2007-11-07 旗帜健康公司 链接来自多模态数据集的图案的方法
CN101600973A (zh) * 2007-01-30 2009-12-09 通用电气健康护理有限公司 用于辅助诊断神经退行性疾病的工具
CN102132321A (zh) * 2008-08-04 2011-07-20 皇家飞利浦电子股份有限公司 用于医学图像的配准的自动预对准

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6740883B1 (en) * 1998-08-14 2004-05-25 Robert Z. Stodilka Application of scatter and attenuation correction to emission tomography images using inferred anatomy from atlas
US7324842B2 (en) * 2002-01-22 2008-01-29 Cortechs Labs, Inc. Atlas and methods for segmentation and alignment of anatomical data
WO2004040437A1 (en) * 2002-10-28 2004-05-13 The General Hospital Corporation Tissue disorder imaging analysis
US7873405B2 (en) * 2004-06-02 2011-01-18 Siemens Medical Solutions Usa, Inc. Automated detection of Alzheimer's disease by statistical analysis with positron emission tomography images
US9471978B2 (en) * 2004-10-04 2016-10-18 Banner Health Methodologies linking patterns from multi-modality datasets
KR20080081005A (ko) * 2005-11-30 2008-09-05 니혼 메디피직스 가부시키가이샤 두부 변성 질환의 검출 방법, 검출 프로그램, 및 검출 장치
US8488857B2 (en) * 2007-03-06 2013-07-16 Koninklijke Philips Electronics N.V. Automated diagnosis and alignment supplemented with positron emission tomography (PET) and magnetic resonance (MR) flow estimation
CN101681515A (zh) * 2007-06-21 2010-03-24 皇家飞利浦电子股份有限公司 基于模型的痴呆的辨别诊断和显著性水平的交互设置
JP5404633B2 (ja) * 2008-09-22 2014-02-05 日本メジフィジックス株式会社 代替正常脳データベース生成装置、代替正常脳データベース生成プログラムおよび代替正常脳データベース生成方法
US20100074480A1 (en) * 2008-09-22 2010-03-25 University Of Washington Device for generating alternative of normal brain database
US9788753B2 (en) * 2009-02-26 2017-10-17 Ramot At Tel-Aviv University Ltd. Method and system for characterizing cortical structures
US20110129129A1 (en) * 2009-11-30 2011-06-02 General Electric Company System and method for integrated quantifiable detection, diagnosis and monitoring of disease using population related data for determining a disease signature

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101068498A (zh) * 2004-10-04 2007-11-07 旗帜健康公司 链接来自多模态数据集的图案的方法
CN101600973A (zh) * 2007-01-30 2009-12-09 通用电气健康护理有限公司 用于辅助诊断神经退行性疾病的工具
CN102132321A (zh) * 2008-08-04 2011-07-20 皇家飞利浦电子股份有限公司 用于医学图像的配准的自动预对准

Also Published As

Publication number Publication date
US20140307936A1 (en) 2014-10-16
WO2013086580A1 (en) 2013-06-20
US9361686B2 (en) 2016-06-07
EP2790575A1 (en) 2014-10-22
EP2790575B1 (en) 2017-06-14
EP2790575A4 (en) 2015-12-30
AU2012350363A1 (en) 2014-07-03
AU2012350363B2 (en) 2018-01-18
CN104093354A (zh) 2014-10-08

Similar Documents

Publication Publication Date Title
CN104093354B (zh) 用于评估医学图像的方法和设备
JP5468905B2 (ja) 神経変性疾患の診断を支援するためのツール
CN102855618B (zh) 用于图像产生和图像分析的方法
JP5424902B2 (ja) Ｐｅｔ／ｍｒフロー推定を用いて補われる自動診断及び自動整列
Ashton et al. Accuracy and reproducibility of manual and semiautomated quantification of MS lesions by MRI
CN103249358B (zh) 医用图像处理装置
WO2011040473A1 (ja) 医用画像処理方法、装置およびプログラム
US8682051B2 (en) Smoothing of dynamic data sets
Zhang et al. Can signal-to-noise ratio perform as a baseline indicator for medical image quality assessment
US20070160276A1 (en) Cross-time inspection method for medical image diagnosis
Al-Saleh et al. Three-dimensional assessment of temporomandibular joint using MRI-CBCT image registration
Piętka et al. Role of radiologists in CAD life-cycle
CN111312373A (zh) 一种pet/ct图像融合自动标注方法
Avants et al. Spatiotemporal normalization for longitudinal analysis of gray matter atrophy in frontotemporal dementia
CN116152235A (zh) 一种肺癌ct到pet的医学图像跨模态合成方法
CN110598561A (zh) 基于机器学习的细胞玻片分析方法、装置及存储介质
US11369268B2 (en) Brain-function image data augmentation method
Lee et al. Computer-aided evaluation system for Parkinson's disease using image registration and labeling
Tustison et al. The ANTsX Ecosystem for Mapping the Mouse Brain
CN114066798A (zh) 一种基于深度学习的脑肿瘤核磁共振影像数据合成方法
Guo et al. A one-stage deep learning architecture for the detection of key points in peri-implant alveolar bone
Goto et al. Accuracy of skull stripping in a single-contrast convolutional neural network model using eight-contrast magnetic resonance images
Götz Variability-Aware and Weakly Supervised Learning for Semantic Tissue Segmentation
Linh et al. IBK–A new tool for medical image processing
Lu et al. Partial volume correction of magnetic resonance spectroscopic imaging

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
GR01 Patent grant