CN104094314A - 使用定量t1映射进行风险区域的自动探测 - Google Patents

使用定量t1映射进行风险区域的自动探测 Download PDF

Info

Publication number
CN104094314A
CN104094314A CN201380006573.9A CN201380006573A CN104094314A CN 104094314 A CN104094314 A CN 104094314A CN 201380006573 A CN201380006573 A CN 201380006573A CN 104094314 A CN104094314 A CN 104094314A
Authority
CN
China
Prior art keywords
image
organization type
measured value
cluster
medical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201380006573.9A
Other languages
English (en)
Other versions
CN104094314B (zh
Inventor
T·R·福格特
A·J·维特霍夫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN104094314A publication Critical patent/CN104094314A/zh
Application granted granted Critical
Publication of CN104094314B publication Critical patent/CN104094314B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2012—Colour editing, changing, or manipulating; Use of colour codes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种医学成像系统(5)包括数据存储器(12)、聚类模块(22)以及显示设备(32)。数据存储器(12)包括第一成像数据集和第二成像数据集，利用相同的成像设备(10)和相同的测量值创建每个数据集。第一组织类型和第二组织类型的测量值重叠在第一成像数据集中。第二组织类型和第三组织类型的测量值重叠在第二数据集中。对数据集进行共配准，并且外部事件改变第二数据集的测量值。基于针对每个位置的第一数据集的测量值与第二数据集的测量值的模糊聚类，聚类模块(22)对组织类型进行分类。显示设备(32)显示使每个经分类的组织类型形成对比的医学图像。

Description

使用定量T1映射进行风险区域的自动探测
技术领域
本申请总体涉及医学成像。本申请具体应用于与识别特定身体组织的结合，并且将具体参考其进行描述。然而，应当理解，本申请还应用于其他使用情景，并且不必被限制在前述应用。
背景技术
在若干临床应用中灰色区定量是重要的。最近的医学文献报告不健康的组织类型(诸如梗死和灰色区)的尺寸是心肌梗死(MI)的预测指标。例如，“[i]n patients with a prior MI,the extent of the peri-infarct zonecharacterized by C[ardiac]M[agnetic]R[esonance]provides incrementalprognostic value beyond left ventriclar systolic volume index or ejection fraction.Infarct characteristics by CMR may prove to be unique and valuable noninvasisepredictor of post-MI mortality.”[Circulation2006；114：32-29]。灰色区包括周围梗死和异质性梗死。而且，“Tissue heterogeneity is present andquantifiable within human infarcts.More extensive tissue heterogeneitycorrelates with increased ventricular irritability by programmed electricalstimulation.These findings support the hypothesis that anatomic tissueheterogeneity increases suspectibility to ventricular arrhythmias in patients withprior myocardial infarction and L[eft]V[entricular]dysfunction.”[Circulation2007；115：2006-2014]。最后，“[i]nfarct tissue heterogeneity oncontrast-enhanced MRI is the strongest predictor of spontaneous ventriculararrhythmia with subsequent I[mplantable]C[ardioverter]D[efibrillator]therapy(as surrogate of sudden cardiac death)among other clinical and MRI variables,that is,total infarct size and left ventricular function and volumes,in patientswith previous myocardial infarction.”[Circulation2009；2：183-190]。
先前的努力集中于对图像中的不健康组织进行对比度增强，以及通过手动勾画以测量体积或通过基于单个图像的信号强度的半自动分割来分割区域。由于涉及多个组织类型，并且在健康组织和不健康组织(诸如梗死和灰色区)的类型的对比度中具有重叠，对比度增强缺乏准确度。多个对比度设置是必要的，其手动勾勒用于测量的特定组织类型，使分割或识别不健康组织的任务乏味。
额外地，多幅图像包括多个模态、机械、线圈校准、设置等等。在一幅图像与另一幅图像之间使用不同的技术以对区域进行对比度增强引入来自诸如线圈校准、特定设置等差异的误差。例如，一个方法使用基于信号强度图像和T1图的定量结果。用该方法的图像受线圈灵敏度的影响，并且不展示对T1图的补充对比度。
通常磁共振技术使用诸如反转恢复梯度回波(IR-GE)的传统MR延迟增强扫描序列来评估区域。序列易受心脏运动的影响，并且要求精确的反转时间(T1)，以便单独地识别瘢痕或梗死、灰色区以及健康心肌。多种组织类型的精确识别很耗时。最优T1在患者之间存在变化，并且也随着在造影剂的注射与图像采集之间的经过时间而变化。最优反转时间发生在来自健康心肌的信号为空并且显现黑色，并且梗死区域是亮的(显现白色)，在其间存在灰色区时。手动勾画心内膜和血液，在心内膜-血液边界处的瘢痕发生的地方，所述心内膜和血液会是不清楚的。用于基于信号强度的分割的图像分析将在瘢痕与健康心肌之间的灰色区进行分类。由于造影剂的分布，来自血池的信号强度非常接近梗死组织。心肌中的噪声能够对分割具有显著影响，并且能够与灰色区混淆。
发明内容
本申请公开了一种新的改进的对风险区域的自动探测，其解决了以上提到的问题和其他问题。
根据一个方面，医学成像系统包括数据存储器、聚类模块以及显示设备。数据存储器包括第一成像数据集和第二成像数据集，利用相同的成像设备和相同的测量值创建每个数据集。第一组织类型和第二组织类型的测量值重叠在第一成像数据集中。第二组织类型的测量值和第三组织类型的测量值重叠在第二数据集中。对数据集进行共配准，并且外部事件改变第二数据集的测量值。基于针对每个位置的第一数据集的测量值与第二数据集的测量值的模糊聚类，聚类模块对组织类型进行分类。显示设备显示使每个分类组织类型形成对比的医学图像。
根据另一方面，医学成像的方法包括采集第一医学图像，并且在外部事件之后，采集第二医学图像，所述第二医学图像包括来自与第一医学图像相同的医学成像设备的相同的测量值。外部事件改变测量值。对图像进行共配准。利用基于第一医学图像的测量值与第二医学图像的测量值的模糊聚类，在每个位置处对组织类型进行分类。利用指示经分类的组织类型的对比度显示诊断医学图像。
根据另一方面，医学成像系统包括数据存储器、聚类模块以及分割器。数据存储器包括第一成像数据集和第二成像数据集，利用相同的设备和相同的测量值创建每个数据集。对数据集进行共配准，并且外部事件改变第二数据集的测量值。基于针对每个位置的第一数据集的测量值与第二数据集的测量值的模糊聚类，聚类模块对组织类型进行分类。分割器计算针对每个经分类的风险组织的体积测量。
一个优点包括灰色区组织的识别和测量。
另一优点包括独立于线圈灵敏度。
另一优点在于减少对对比度给予的精确定时的依赖。
另一优点在于组织类型的自动分类。
另一优点包括将组织类型进行分类以及计算体积的简易性和速度。
本领域的普通技术人员在阅读和理解以下详细描述的基础上将理解本申请的其他优点。
附图说明
本发明可以采用多种部件和部件的布置，以及多种步骤和步骤布置的形式。附图仅出于图示优选实施例的目的，并且不应被解读为对本发明的限制。
图1示意性地图示了医学成像系统的实施例。
图2图形性地图示了利用T1测量值在心脏分析磁共振标绘图中的期望组织聚类的范例。
图3A-图3D示出了具有一个对象的左心室心脏分析的系统的范例结果。
图4以流程图示了使用医学成像系统的实施例的一个方法。
具体实施方式
参考图1，示意性地图示了医学成像系统的实施例。医学成像设备10(诸如磁共振(MR)、X射线计算机断层摄影(CT)、正电子发射断层摄影(PET)、单光子发射断层摄影(SPECT)、组合或混合等等)创建被存储在数据存储器12中的医学成像数据集。数据存储器能够是服务器中的本地内存、本地磁盘上的存储器、网络附加存储设备的存储器等等。数据存储器或内存设备12包括利用生成具有第一对比度的图像的技术采集的第一成像数据14和利用生成第二对比度的技术采集的第二成像数据16。在一个实施例中，对比度的差异基于造影剂的给予。MR中的测量值的范例包括T1加权图像、T2加权图像等等。测量值能够包括直接测量结果(诸如，测量的T1值)或间接测量结果(诸如，归一化为灰度的T1值)等等。针对至少三个不同组织类型(诸如，血液、健康心肌、梗死以及灰色区)中的每个，测量的图像具有不同的相对对比度。在其他实施例中，也预期多于两个成像数据集，其中额外的成像数据集包括在给予造影剂之后的各种时间间隔。
如果不是已经进行或固有地进行共配准，配准器18对第一成像数据和第二成像数据进行共配准。配准器18针对任何运动校正第一成像数据和第二成像数据。配准器经由网络20连接到数据存储器12和/或医学成像设备。网络能够是有线或无线、内部或外部、私有或公共(诸如，因特网)或任何组合。
分类模块22生成来自对应体素的第一成像数据和第二成像数据的测量值对。生成的测量值对包括第一图像和第二图像的对应体素、像素或其他区域(下文一般为“体素”)的测量对比度值的对。例如，如果在T1加权图像中，体素在第一图像或第二图像中是高强度的，则包括测量值对。如果在任一图像中体素未被对比，则其能够被省略。测量值对能够被表示为值的散射网格、阵列或列表，所述值包括在对应体素位置处的两个测量值。分类模块将测量值对聚类成聚类或组，并且将每个聚类分类为组织类型。分类模块22经由网络20连接到配准器18和/或数据存储器12。分类模块22能够与配准器18共享一个或多个处理器或是分离的。在其他实施例中，预期来自n个成像数据集的n元测量值，其中，n是复数值。从提供对比度分离的每个n元中能够选择要被聚类的n个对应的测量值。能够采用在时间间隔上的n个成像数据集，所述时间间隔不要求准确的校准。
在一个实施例中，用户界面23能够利用图表(诸如，散点图或轮廓绘图)使被聚类的测量值对可视化。每个轴表示一幅图像的测量值。每个测量值对被标绘为点，其中，点被表示为经分类的组织类型。例如，在散点图中，通过聚类算法，每个点被绘制和指定指示聚类成员的符号和/或颜色。在图例中，聚类被标识为经分类的组织类型。在轮廓绘图的范例中，轮廓的高度表示发生的频率。
分割器24(诸如，实施分割算法的处理器)基于测量值对的对应体素利用聚类算法将经分类的组织类型进行分割或聚类。例如，如果基于聚类成员将测量值对分类为梗死，则将测量值对的对应体素分类为梗死。对应体积或者第一图像或第二图像，能够用于将组织类型分类指定给体素。
解析单元25将解析(诸如体积测量结果)应用到经分割的组织类型或经分类的区域。例如，基于被分类为灰色区和梗死的区域分别计算灰色区的体积和梗死的体积。分割器24和解析单元25连接到网络20，并且能够与配准器18和/或分类模块22共享一个或多个处理器或是分离的。
工作站26包括一个或多个输入设备28、一个或多个处理器30以及显示设备32。工作站28包括台式计算机、便携式计算机、平板计算机、智能手机等等。一个或多个输入设备28输入来自保健医生的命令，选择图像等等。显示设备32显示图像、菜单、表格、面板、图表、绘图等等。显示设备包括对数据的显示，诸如由分割器计算的解析。显示设备显示诊断图像，所述诊断图像包括针对每个经分类的组织类型的不同的颜色或对比度。诊断图像能够被存储在存储管理系统34中，诸如PACS、RIS等等。
图2图形性图示了利用测量的T1值在心脏分析的磁共振绘图中的期望组织聚类的范例。在造影剂(诸如延迟镓增强剂)的给予之前，对于血液测量的T1值更高，但是对于梗死、灰色区以及健康心肌重叠。在给予造影剂之后，对于健康心肌测量的T1值更高，但是对于血液、梗死和灰色区重叠。健康组织包括血液和健康心肌。风险组织类型包括灰色区和梗死。绘图绘制针对每个位置的来自造影前图像或图的Y轴上的体素对的测量的T1值以及来自造影后图像的X轴上的测量的T1值，作为对应体素的坐标对。
两个图像或图映射对应常见体素的灰度或对比度值。在范例中，由于相同的序列用于两幅图像(诸如标准-反转恢复梯度回波)，因此不需要校准T1。由于测量值是利用相同的校准、相同的患者、相同的参数、相同的算法等测量的，聚类模块不需要考虑机械差异、序列差异、患者差异等。潜在误差的许多来源被排除。
通过将具有和不具有造影剂或其他对比度修正的对应体素的灰度或对比度值对进行分组，聚类对组织类型进行分类。对于一个健康组织类型和风险组织类型，在一幅图像中的测量值重叠，并且对于不同的健康组织类型和风险组织类型，在其他图像中的测量值重叠。例如，在造影前T1中，健康组织包括健康心肌，而不是血液，与包括梗死和灰色区的风险区域重叠。在造影后T1中，健康组织包括血液，而不是健康心肌，与风险区域重叠。每个造影剂提供在时间点处的值的最优分离，但是由于环境和其他因素，时间随对象并且也潜在地在对象内部变化。最优时间提供最好的差异，但是不需要被精确测量，这是因为其不是被测量的造影剂的定量，而是由被给予的造影剂的影响的位置的分类。能够采用多个成像数据集来选择针对患者的造影的最优时间点，而不是依赖于测量的预定义点。
在一个实施例中，分割模块24使用模糊c-均值算法，诸如Gustafson-Kessel(FCGK)修正。FCGK使以下函数最小化：
J GK ( U , V ) = Σ i = 1 K Σ k = 1 n u ik m · d i 2 ( x k , v i ) ,
其中， v i = Σ k = 1 n u ik m · x k Σ k = 1 n u ik m ,
d i ( x k , v i ) = ( x k - v i ) T A i ( x k - v i ) ,
A i = det ( S i ) p S i - 1 , 以及
S i = 1 Σ k = 1 n u ik m · Σ k = 1 n u ik m ( x k - v i ) ( x k - v i ) T .
U表示模糊c-划分，V表示中心的向量，m是加权指数，xk是测量值对，并且vi是聚类i的中心。在算法开始之前固定聚类的数量。例如，当k＝2(诸如当聚类表示血液和健康心肌时)时，具有属于血液的概率Pi<.75和属于健康心肌的概率Pj<.45的位置定义梗死。具有属于血液的概率Pi<.75和属于健康心肌的概率.45<Pj<.65的位置定义灰色区。备选地k＝3(诸如当聚类表示血液、健康心肌以及梗死时)，灰色区被定义为属于梗死的概率Pi<.75和属于健康心肌的概率Pj<.65。利用更大的患者同期组群或更大的样本空间能够精炼概率界限。模糊c-均值(FCM)算法将点的成员(诸如，测量值对)分配给模糊聚类。
在图3A-图3D中，示出了具有一个对象的左心室的(LV)心脏分析的系统的范例。在图3A中，在短轴视图中示出了LV区域的无对比度增强的T1图或图像。利用重叠的健康心肌、梗死以及灰色区来使血液形成对比。血液在图像中占主要地位。
在图3B中，示出了给予造影剂之后的LV的共配准T1图。利用重叠的血液、梗死以及灰色区来使健康心肌形成对比。健康心肌形成环形区域。
图3C图示了具有在图3A和图3B中的每个对应体素的灰度或对比度值的散射绘图的聚类的可视化。利用聚类算法识别点与聚类中心的距离，并且诸如使用代价函数使距离最小化，以生成对应每个组织类型的聚类。在该情况下，具有FCGK修正的FCM算法分配来自图3A和图3B的T1值对的成员。在其他实施例中，其他FCM技术将图3C的点划分成聚类。
由小方格(左上角)表示在血液聚类中的图3C的点。由小加号(右下角)表示被聚类在健康心肌中的点。由小“X”(在血液聚类的下面并且在健康心肌的左边)表示在梗死聚类中的点。由小圆(在梗死的右边并且在血液之下)表示在灰色区聚类中的点。在图2中图形性地描绘聚类。
图3D示出了具有按照经分类的组织类型形成对比的位置的LV图像。表示的组织类型包括血液、健康心肌、梗死和灰色区。分割器使用来自图3A和图3B的对应体素的测量值对的位置，以确定每个体素的组织类型。向每个体素给定被指定为确定的组织类型的对比度或颜色，以生成图3D的LV图像。在该范例中由分割器分割和由解析单元测量的体积包括85mm2的灰色区和154mm2的梗死。从健康心肌的大环形区域的边缘处能够区分梗死。当比较图3D的图像与图3A和/或图3B的图像时，能够看出利用其他方法手动测量梗死和灰色区的困难。
在图4中，用流程图表示医学成像的方法的实施例。在步骤40中，第一图像被采集并且被存储在数据存储器中。能够从成像设备中直接采集图像或通过来存储内存(诸如，磁盘存储器)检索间接地采集图像。给予造影剂之后，在步骤42中采集第二图像。在其他实施例中，在各种时间间隔进行重复采集，以确保最优对比度。在步骤44中，由配准器针对运动共配准和/或校正图像。
在步骤46中，分类模块创建或生成测量值对。测量值对包括来自第一图像和第二图像的对应体素的测量值，在所述测量值中，至少一个测量值超过阈值或在指示被对比的组织类型的测量值的范围内。测量值对和相关联的体素位置能够被表示为值的矩阵，诸如(测量值1，测量值2，体素位置)。
在步骤48中，分类模块将测量值对的成员分配给聚类。每个聚类被分类为组织类型。成员的分配基于模糊c-均值(FCM)算法，诸如具有FCGK修正的FCM。
在步骤50中，分割器将每个测量值对的经分类的组织类型指定给对应于第一图像和第二图像的体积。备选地，第一图像和第二图像中的一幅能够用于显示经分类的组织类型，诸如将体素的强度和或颜色设置为指示经分类的组织类型的值。
在步骤52中，用户界面构建测量值对和聚类成员的可视化，诸如散点图或轮廓绘图。可视化能够用于比较在不同时间间隔处，和/或不同聚类算法或参数得到的图像之间的聚类。
在步骤54中，构建诊断图像。诊断图像包括被标记以指出每个经分类的组织类型的成像区域的显示。在一个范例中，诊断图像能够包括第一图像或第二图像，其示出了被加色以指明组织类型的其他解剖参考或空间关系。
在步骤56中，解析单元分析诊断图像，诸如计算被分割的组织类型的体积测量。计算风险组织类型，并且任选地计算健康组织类型。应用的其他解析能够包括比较诸如被分割的体积之间的比率，与各种患者群体的比较等等。解析也能够包括其他统计数字，诸如长度、平均密度、最大深度等等。
在步骤58中，显示设备显示诊断图像，所述诊断图像使不同组织类型形成对比和/或测量风险组织类型(诸如梗死和灰色区)的体积。任选地，在步骤60中，诊断图像、解析和/或聚类可视化能够被存储在患者数据管理系统中。
应当理解，与本文提出的具体的范例性实施例有关的某些结构特征和/或功能特征是作为并入定义的元件和/或部件来描述的。然而，预期这些特征也可以同样地被并入其他恰当的元件和/或部件中，得到相同或类似的益处。还应当理解，可以以恰当的方式有选择地采用范例性实施例的不同方面，以获得适合所期望的应用的其他备选实施例，从而其他备选实施例实现并入其中的方面的相应优点。
还应当理解，本文描述的具体元件或部件可以经由硬件、软件、固件或其组合来适当地实施其功能。额外地，应当理解，本文描述的一起并入的某些元件在适当的境况下可以是独立元件或以其他方式分开的。类似地，描述的由一个具体元件执行的多个具体功能可以由独立作用以执行个体功能的多个不同元件来执行，或者某些个体功能可以被拆分并且由协同作用的多个不同元件来执行。备选地，本文中以其他方式描述和/或示出为彼此不同的一些元件或部件可以在适当的地方被物理地或功能地组合。
简言之，已经参考优选实施例描述了本说明书。在阅读和理解本说明书的情况下对于其他人可能想到修改或替代变型。本文意图将本发明解释为包括所有这种修改和替代变型，只要它们落入所附权利要求及其等价方案的范围之内。亦即，应当理解，各种以上公开的特征和功能以及其他特征和功能，或其备选，可以被合意地组合到许多其他不同的系统或应用中，并且，本领域技术人员随后也可以做出其中多种目前未预见或未预料的替代、修改、变型或改进，权利要求同样意图涵盖它们。

Claims (20)

1.一种医学成像系统(5)，包括：
数据存储器(12)，其保存第一图像和第二图像，每个图像被共配准并且具有不同的对比度；
分类模块(22)，其基于所述第一图像和所述第二图像的对应体素的测量值对的聚类，对组织类型进行分类；
分割器，其基于经分类的测量值对，将组织类型指定给所述第一图像和所述第二图像的对应成像区域的诊断图像的每个体素；以及
显示设备(32)，其显示诊断图像，所述诊断图像包括经分类的组织类型的体积，每个经分类的组织类型以不同的对比度颜色来描绘。
2.根据权利要求1所述的医学成像系统(5)，其中，所述分类模块包括处理器，所述处理器被编程为：
基于模糊c-均值(FCM)算法将每个测量值对的成员分配给聚类，每个聚类对应于所述组织类型中的一个。
3.根据权利要求1和2中的任一项所述的医学成像系统(5)，其中，在相同的成像设备(10)上创建所述第一图像和所述第二图像。
4.根据权利要求1-3中的任一项所述的医学成像系统(5)，其中，所述成像设备(10)包括以下中的至少一个：磁共振(MR)；单光子发射断层摄影(SPECT)；正电子发射断层摄影(PET)；以及，X射线计算机断层摄影(CT)。
5.根据权利要求1-4中的任一项所述的医学成像系统(5)，其中，所述第一图像使第一健康组织类型与包括风险组织类型的第二健康组织类型形成对比，并且所述第二图像使包括风险组织类型的第一健康组织组织类型与第二健康组织类型形成对比。
6.根据权利要求5所述的医学成像系统(5)，其中，被对比的健康组织包括血液和健康心肌中的一个。
7.根据权利要求1-6中的任一项所述的医学成像系统(5)，其中，所述分类模块对三个或更多组织类型进行分类。
8.根据权利要求1-7中的任一项所述的医学成像系统(5)，其中，所述分类模块(22)对包括血液、健康心肌、梗死以及灰色区的组织进行分类。
9.根据权利要求1-8中的任一项所述的医学成像系统(5)，还包括：
解析单元(24)，其计算至少一个经分类的组织类型的所述体积；并且
其中，所述显示设备显示针对所述经分类的组织类型而计算的所述体积。
10.根据权利要求1-9中的任一项所述的医学成像系统(5)，其中，所述显示器(32)包括显示风险组织类型的测量体积。
11.一种医学成像的方法，包括：
采集(40)第一图像；
采集(42)第二图像，所述第二图像具有不同于所述第一图像的对比度；
对所述图像进行共配准(44)；
创建(46)来自所述第一图像和所述第二图像的对应体素的测量对比度值对；
将测量值对的成员分配(48)给聚类，每个所述聚类对组织类型进行分类；
基于每个被聚类的测量值对的经分类的组织类型，利用所述第一图像和所述第二图像将所述经分类的组织类型指定给对应成像区域的诊断图像的每个体素；
显示(50)所述诊断图像，在所述诊断图像中，每个经分类的组织类型以不同的对比度或颜色来描绘。
12.根据权利要求11所述的医学成像的方法，其中，将测量值对的成员分配(48)给聚类使用模糊c-均值(FCM)算法。
13.根据权利要求11和12中的任一项所述的医学成像的方法，其中，所述第一图像和所述第二图像在相同的成像设备上生成并且被固有地共配准。
14.根据权利要求11-13中的任一项所述的医学成像的方法，其中，所述成像设备(10)包括以下中的至少一个：磁共振(MR)；单光子发射断层摄影(SPECT)；正电子发射断层摄影(PET)；以及，X射线计算机断层摄影(CT)。
15.根据权利要求11-14中的任一项所述的医学成像的方法，还包括：
在测量值对的散点图中显示(52)所述被聚类的测量值对，每个测量值对按照聚类成员形成对比。
16.根据权利要求11-15中的任一项所述的医学成像的方法，其中，所述经分类的组织类型包括血液、健康心肌、梗死以及灰色区。
17.根据权利要求11-18中的任一项所述的医学成像的方法，还包括：
在所述诊断图像中计算(48)选择的经分类的组织类型的体积；并且其中，所述显示还包括：
显示所计算的所述选择的经分类的组织类型的体积。
18.一种非暂态计算机可读介质，其承载控制一个或多个处理器执行权利要求1-17中的任一项的软件。
19.一种系统，包括：
一个或多个处理器，其被编程为执行根据权利要求11-19中的任一项所述的方法。
20.一种图像处理系统，包括：
处理器，其被编程为：
生成来自具有不同对比度特征的第一图像和第二图像的对应体素的对比度值对；
将所述对比度值对分组到对应多个组织类型中的每个的聚类；以及
基于每个体素被分组到的所述聚类来确定所述每个体素的组织类型。
CN201380006573.9A 2012-01-27 2013-01-22 使用定量t1映射进行风险区域的自动探测 Active CN104094314B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201261591412P 2012-01-27 2012-01-27
US61/591,412 2012-01-27
PCT/IB2013/050543 WO2013111051A1 (en) 2012-01-27 2013-01-22 Automated detection of area at risk using quantitative t1 mapping

Publications (2)

Publication Number Publication Date
CN104094314A true CN104094314A (zh) 2014-10-08
CN104094314B CN104094314B (zh) 2018-06-08

Family

ID=47747731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380006573.9A Active CN104094314B (zh) 2012-01-27 2013-01-22 使用定量t1映射进行风险区域的自动探测

Country Status (7)

Country Link
US (1) US9547942B2 (zh)
EP (1) EP2807633B1 (zh)
JP (1) JP6214563B2 (zh)
CN (1) CN104094314B (zh)
BR (1) BR112014018076A8 (zh)
RU (1) RU2626869C2 (zh)
WO (1) WO2013111051A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108140117A (zh) * 2015-08-25 2018-06-08 皇家飞利浦有限公司 组织微阵列分析

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6132653B2 (ja) * 2013-05-08 2017-05-24 東芝メディカルシステムズ株式会社 画像処理装置及び磁気共鳴イメージング装置
CN106030608A (zh) * 2013-11-06 2016-10-12 理海大学 生物组织分析诊断系统与方法
CN104881865B (zh) * 2015-04-29 2017-11-24 北京林业大学 基于无人机图像分析的森林病虫害监测预警方法及其系统
WO2016187052A1 (en) * 2015-05-15 2016-11-24 Stc.Unm Quantitative [fe]-mri (femri) of anti-psma-conjugated spions based on psma expression levels
JP6326034B2 (ja) * 2015-12-11 2018-05-16 安西メディカル株式会社 キセノンｃｔ装置
WO2017134830A1 (ja) * 2016-02-05 2017-08-10 株式会社日立製作所 医用画像診断支援装置、および、磁気共鳴イメージング装置
US10695134B2 (en) * 2016-08-25 2020-06-30 Verily Life Sciences Llc Motion execution of a robotic system
EP3373247A1 (en) * 2017-03-09 2018-09-12 Koninklijke Philips N.V. Image segmentation and prediction of segmentation
EP3379281A1 (en) * 2017-03-20 2018-09-26 Koninklijke Philips N.V. Image segmentation using reference gray scale values
EP3477324A1 (en) * 2017-10-31 2019-05-01 Pie Medical Imaging BV Improving left ventricle segmentation in contrast-enhanced cine mri datasets
US11344374B2 (en) * 2018-08-13 2022-05-31 Verily Life Sciences Llc Detection of unintentional movement of a user interface device
TWI758950B (zh) * 2020-11-13 2022-03-21 大陸商昆山瑞創芯電子有限公司 應用於顯示面板的校準方法及校準裝置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050141765A1 (en) * 2003-12-16 2005-06-30 Jianming Liang Toboggan-based shape characterization
CN101916443A (zh) * 2010-08-19 2010-12-15 中国科学院深圳先进技术研究院 Ct图像的处理方法及系统
CN102004917A (zh) * 2010-12-17 2011-04-06 南方医科大学 一种图像边缘近邻描述特征算子的提取方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60165945A (ja) * 1984-02-10 1985-08-29 株式会社日立製作所 画像処理方式
JP2001527456A (ja) * 1997-05-23 2001-12-25 ザ・カロライナス・ハート・インスティテュート 電磁式画像処理装置及び診断装置
US6205349B1 (en) 1998-09-29 2001-03-20 Siemens Medical Systems, Inc. Differentiating normal living myocardial tissue, injured living myocardial tissue, and infarcted myocardial tissue in vivo using magnetic resonance imaging
US6842638B1 (en) * 2001-11-13 2005-01-11 Koninklijke Philips Electronics N.V. Angiography method and apparatus
US20040218794A1 (en) * 2003-05-01 2004-11-04 Yi-Hsuan Kao Method for processing perfusion images
CN101490709A (zh) 2006-03-17 2009-07-22 皇家飞利浦电子股份有限公司 组合磁共振图像
US10098563B2 (en) 2006-11-22 2018-10-16 Toshiba Medical Systems Corporation Magnetic resonance imaging apparatus
US8086297B2 (en) 2007-01-31 2011-12-27 Duke University Dark blood delayed enhancement magnetic resonance viability imaging techniques for assessing subendocardial infarcts
US9395431B2 (en) * 2008-05-01 2016-07-19 Sunnybrook Health Sciences Center Multi-contrast delayed enhancement cardiac magnetic resonance imaging

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050141765A1 (en) * 2003-12-16 2005-06-30 Jianming Liang Toboggan-based shape characterization
CN101916443A (zh) * 2010-08-19 2010-12-15 中国科学院深圳先进技术研究院 Ct图像的处理方法及系统
CN102004917A (zh) * 2010-12-17 2011-04-06 南方医科大学 一种图像边缘近邻描述特征算子的提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JAY S.DETSKY ET AL.: "Reproducible Classification of Infarct Heterogeneity Using Fuzzy Clustering on Multicontrast Delayed Enhancement Magnetic Resonance Images", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
许琴 等: "CT增强扫描中造影剂副反应的防治与护理", 《护士进修杂志》 *
谢富强: "X线造影技术简介", 《2005年学术年会》 *
龚素茹 等: "碘造影剂的临床应用及副反应的预防与护理", 《中国肿瘤微创治疗研讨会暨中国抗癌协会肿瘤微创治疗专业委员会成立大会》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108140117A (zh) * 2015-08-25 2018-06-08 皇家飞利浦有限公司 组织微阵列分析

Also Published As

Publication number Publication date
RU2626869C2 (ru) 2017-08-02
CN104094314B (zh) 2018-06-08
BR112014018076A2 (zh) 2017-06-20
EP2807633B1 (en) 2018-08-22
RU2014134899A (ru) 2016-03-20
US9547942B2 (en) 2017-01-17
WO2013111051A1 (en) 2013-08-01
EP2807633A1 (en) 2014-12-03
JP6214563B2 (ja) 2017-10-18
US20150213652A1 (en) 2015-07-30
BR112014018076A8 (pt) 2017-07-11
JP2015510412A (ja) 2015-04-09

Similar Documents

Publication Publication Date Title
CN104094314A (zh) 使用定量t1映射进行风险区域的自动探测
CN102301393B (zh) 将生物结构中的时变参数可视化
US9424644B2 (en) Methods and systems for evaluating bone lesions
CN101032423B (zh) 实时交互式数据分析管理工具
CN101626727B (zh) 附加有pet/mr流动估计的自动诊断和对准
US20200219262A1 (en) Automated selection of an optimal image from a series of images
US8355553B2 (en) Systems, apparatus and processes for automated medical image segmentation using a statistical model
US10311571B2 (en) Image analysis method supporting illness development prediction for a neoplasm in a human or animal body
CN106462662A (zh) 用于基于病例难度的计算机辅助患者分层的方法和系统
CN104346821A (zh) 用于医学成像的自动规划
CN107077211A (zh) 视线跟踪驱动的感兴趣区域分割
Lu et al. Automatic functional analysis of left ventricle in cardiac cine MRI
CN103514597A (zh) 图像处理装置
Castiglioni et al. AI-based applications in hybrid imaging: how to build smart and truly multi-parametric decision models for radiomics
CN103228216A (zh) 医用图像处理装置、x射线ct装置以及医用图像处理程序
CN111080584A (zh) 医学图像的质控方法、计算机设备和可读存储介质
CN104750951A (zh) 一种医疗图像数据的分析处理方法及装置
CN109416835B (zh) 医学图像中的变化检测
US20140153795A1 (en) Parametric imaging for the evaluation of biological condition
Yazdan-Panah et al. Automatic segmentation of the choroid plexuses: Method and validation in controls and patients with multiple sclerosis
US11776125B2 (en) Image data processing to increase follow-up analysis fidelity
Le et al. FLAIR2 improves LesionTOADS automatic segmentation of multiple sclerosis lesions in non-homogenized, multi-center, 2D clinical magnetic resonance images
CN114521914A (zh) 超声参数测量方法和超声参数测量系统
Todd Assessment of Global Longitudinal Strain and Global Circumferential Strain Using Cardiovascular Magnetic Resonance in Cancer Patients Receiving Chemotherapy
Mohapatra et al. Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions

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