CN105378737A - 感兴趣组织对治疗处置的基于成像的响应分类 - Google Patents

感兴趣组织对治疗处置的基于成像的响应分类 Download PDF

Info

Publication number
CN105378737A
CN105378737A CN201480040309.1A CN201480040309A CN105378737A CN 105378737 A CN105378737 A CN 105378737A CN 201480040309 A CN201480040309 A CN 201480040309A CN 105378737 A CN105378737 A CN 105378737A
Authority
CN
China
Prior art keywords
response
probability
classification
tissue
interest
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
CN201480040309.1A
Other languages
English (en)
Other versions
CN105378737B (zh
Inventor
R·卡尔米
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 CN105378737A publication Critical patent/CN105378737A/zh
Application granted granted Critical
Publication of CN105378737B publication Critical patent/CN105378737B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种用于确定感兴趣组织对治疗处置的最终响应类别的方法，包括获得响应类别的概率的第一集合和所述响应类别的概率的至少第二集合。所述方法还包括组合所述响应类别的概率的所述第一集合和所述至少第二集合，由此生成所述响应类别的概率的组合集合。所述方法还包括基于所述响应类别的所述概率的组合集合，根据多个预定义响应类别确定所述感兴趣组织对所述治疗处置的所述最终响应类别。所述方法还包括生成指示所述最终响应类别的信号。

Description

感兴趣组织对治疗处置的基于成像的响应分类
技术领域
以下总体上涉及成像并且更具体而言涉及感兴趣组织针对治疗处置的基于成像的响应分类，所述治疗处置例如肿瘤治疗处置、阿茨海默症治疗处置和/或其他治疗处置。
背景技术
监测对象的感兴趣组织对治疗处置的响应能够有助于对感兴趣组织的有效处置。例如，针对一个或多个对象，将对特定处置做出响应的感兴趣组织与不对该特定处置做出响应的感兴趣组织区分开，能够帮助使对感兴趣组织的处置的效率最大化。例如，对于具有对特定处置做出响应的感兴趣组织的对象，能够继续该处置，并且对于具有不对特定处置做出响应的感兴趣组织的对象，能够改变或中断该处置。
对治疗处置的基于成像的评估能够提供对处置的有效性的指示，并且已被用于治疗管理中。诸如计算机断层摄影(CT)和磁共振成像(MRI)的解剖成像模态实现了对肿瘤大小在疗程中的改变的准确评估。世界卫生组织(WHO)准则和实体瘤中的响应评价准则(RECIST)已提供了用于评估处置响应的方法。
这些方法导致了在药品研发和注册审批(在其中可再现的量化结果尤其重要)中确定处置针对实体瘤的有效性时，对解剖成像模态的采用。已建立了针对完全响应(CR)、部分响应(PR)、稳定疾病(SD)和进行性疾病(PD)的形态学准则用于RECIST指引。类似的分析方案被频繁地应用于对个体对象的肿瘤跟踪流程。
随着在对多种癌症的首次分级和随访中，对利用正电子断层摄影(PET)或PET/CT，尤其是利用氟代脱氧葡萄糖(18F)或氟脱氧葡萄糖(18F)(也被称作18F-FDG或FDG)进行代谢成像的越来越多的采用，已提出了针对RECIST准则的改进，已使它们不仅基于如通过形态学成像模态(如CT)测量的肿瘤大小，而且还基于如通过PET测量的肿瘤代谢参数，如标准化摄入值(SUV)。
针对PET，治疗响应评估准则包括实体瘤中的PET响应准则(PERCIST)和针对在淋巴瘤中的响应准则的国际协调计划，它们是基于PET代谢准则提出的。由于许多较新的癌症治疗可能在处置期间对肿瘤形态具有不同影响，因此良好的肿瘤响应可能主要与代谢或其他功能参数(例如血液灌注)的减小相关联，即使没有肿瘤大小的大幅减小。
RECIST指引在实践中通过评估可测量目标病变，以及，任选的额外的一组非目标或新病变的集合，来评价响应。这是在基线和在随访成像研究中执行的，并且评价不同时间的随访结果之间的关系或改变。遗憾的是，例如由于在诸如肿瘤科医师和放射科医师的医师中的观察者间变化性，以及由于在对目标病变的选择和测量(其是手动地或使用自动软件来实现的)中固有的不确定性，一致地应用RECIST是有挑战的。
尤其地，肿瘤病变可能具有非常不规则和复杂的形状和/或代谢分布，这可能在提取病变特性和参数时引入固有的不确定性。在自动病变分割与分析算法及对应软件中的改进已被开发，并且包括改进的报告、跟踪和比较方案。这样的不确定性和不准确性的其他来源包括由用户对被跟踪病变选择的选取、成像模态和协议、造影剂注射、图像质量、噪声、患者位置、评价工具等等。
对在非癌性疾病的中的治疗响应的成像指示包括，例如，与痴呆和老年痴呆症相关联的β淀粉样斑块在脑部的量和分布，其能够利用PET或MRI被成像。
然而，即使最新的跟踪临床应用工具也并未彻底地评价总体诊断的不确定性和不准确度。这包括当前的计算机化方法，其实现了更为自动且可靠的肿瘤跟踪工作流程。遗憾的是，不确定性和不准确性可能导致错误的诊断和疗程选择。
发明内容
本文中描述的各方面解决上述问题及其他问题。
以下描述了一种用于评估感兴趣组织对治疗处置的响应的途径。在一个实例中，所述评估基于参数测量结果不确定性和/或响应类别的概率的集合。所述评估包括组合响应类别的概率的集合，并且基于所述组合来确定针对所述治疗处置的总体响应类别。
在一个方面，一种用于确定感兴趣组织对治疗处置的最终响应类别的方法，包括获得响应类别的概率的第一集合以及至少所述响应类别的概率的第二集合。所述方法还包括组合所述响应类别的所述概率的第一集合和所述至少第二集合，由此生成所述响应类别的概率的组合集合。所述方法还包括基于所述响应类别的所述概率的组合集合，从多个预定义响应类别确定所述感兴趣组织对所述治疗处置的所述最终响应类别。所述方法还包括生成指示所述最终响应类别的信号。
在另一方面中，一种治疗响应分类器，包括：组合响应类别概率确定器，其组合感兴趣组织对治疗处置的响应类别的概率的第一集合和概率的至少第二集合，生成所述响应类别的概率的组合集合；以及响应类别确定器，所述响应类别确定器基于所述响应类别的所述概率的组合集合，根据所述响应类别确定所述感兴趣组织对所述治疗处置的最终响应类别。
在另一方面，一种编码有计算机可读指令的计算机可读存储介质，所述计算机可读指令在由处理器运行时，令所述处理器：获得响应类别的概率的至少两个集合，其中，所述响应类别包括指示感兴趣组织对治疗处置的两种不同响应的至少两个类别；组合所述概率的至少两个集合；并且基于所组合的概率的至少两个集合来确定所述感兴趣组织对所述治疗处置的最终响应类别。
附图说明
本发明可以采取各种部件和各部件的布置，以及各个步骤和各步骤的安排的形式。附图仅出于图示优选的实施例的目的，并且不应被解释为对本发明的限制。
图1示意性地图示至少包括治疗响应分类器104和(一个或多个)成像系统106的范例系统102。
图2示意性地图示图1的治疗响应分类器的范例。
图3图示在一个时间点对感兴趣组织的单个参数的不同测量结果以及对应的不确定性的范例。
图4图示可视化在多个时间点对感兴趣组织的不同测量结果以及在每个时间点的不确定性的范例。
图5图示用于确定针对参数测量结果的响应类别的概率的集合的途径。
图6图示用于组合响应类别的概率的集合的途径。
图7图示根据本文中的实施例的范例方法。
具体实施方式
以下描述一种用于基于成像数据来确定感兴趣组织对治疗处置的响应类别的途径。
图1图示了包括治疗响应分类器104的系统102，其与包括成像系统1061、...、106N的N个成像系统106(其中N为大于或等于一的正数)以及数据储存库108相连，数据储存库108能够被单独的存储部件(如所示)、成像系统106的部分。N个成像系统106包括计算机断层摄影(CT)扫描器、磁共振成像(MRI)扫描器、正电子发射断层摄影(PET)扫描器、混合型或多模态(例如PET/CT)扫描器、和/或其他成像系统(一种或多种)中的一种或更多种。
能够在相同的扫描器和/或不同的扫描器上执行一种或更多种不同的成像技术。例如，能够利用相同的CT扫描器执行解剖CT和功能动态对比增强CT。N个成像系统也能够包括相同技术的不同成像实例。
数据储存库108能够被用于存储由N个成像系统106生成的成像数据。数据储存库108能够包括在N个成像系统106中的一个或多个本地的存储装置和/或远离N个成像系统106中的一个或多个的存储装置。数据储存库108能够包括放射科信息系统(RIS)、医院信息系统(HIS)、图片存档及通信系统(PACS)、电子病历(EMR)、服务器、数据库、和/或其他数据存储设备。
数据储存库108中存储的成像数据至少包括在治疗处置(例如辐射治疗、化疗、疾病靶向用药等等)期间的两个不同时间点采集的成像数据。例如，成像数据可以包括在治疗处置前和后、在治疗处置的每个部分之后，在治疗处置之后的两个不同时间点，等等采集的数据。这样的数据能够来自成像系统106中相同或不同的成像系统。
治疗响应分类器104将感兴趣组织对治疗处置的响应进行分类。如以下更详细地描述的，这包括：获得针对多个参数测量结果中的每个的不确定性，基于预定分类准则来评价参数和它们的不确定性，确定针对每个不同的可能类别的概率，基于预定组合准则来组合针对不同成像系统、感兴趣组织的组、不同响应点等等的概率，并且基于所组合的概率确定响应的最终分类。
任选地，最终分类也基于针对其他组织(即，除感兴趣组织以外的组织)的响应类别的概率和/或针对感兴趣组织的响应类别的已经确定的概率。合适的分类的范例包括，但不限于实体瘤中的响应评价准则(RECIST)和实体瘤中的PET响应准则(PERCIST)。RECIST响应类别包括，例如，完全响应(CR)、部分响应(PR)、稳定疾病(SD)和进行性疾病(PD)。本文中也预期其他响应类别。例如，其他分类包括不存在或存在，新的感兴趣组织，等等。
使用如本文中描述的不确定性和概率可以相对于治疗响应分类器104不考虑不确定性和概率的配置，降低响应类别不准确度。这样，所描述的方法非常适合用于监测肿瘤、老年痴呆症等等对治疗的响应，以确定治疗的有效性以及验证和/或调节处置。例如，当治疗响应分类器104的治疗响应分类指示感兴趣组织如所期望地对治疗处置做出响应时，能够继续该治疗处置。然而，当治疗响应分类器104的治疗响应分类指示感兴趣组织未如所期望的对治疗处置做出响应时，能够将该治疗处置改变为不同的治疗处置或中断该治疗处置。
要认识到，治疗响应分类器104能够经由一个或多个计算机处理器来实施(例如中央处理单元(CPU)、微处理器等等)，该计算机处理器运行被嵌入或编码在计算机可读存储介质上的一个或多个计算机可执行指令，该计算机可读介质例如为物理存储器并且排除非暂态介质。计算机可执行指令中的至少一个能够备选地由载波、信号以及其他暂态介质承载。
图2图示治疗响应分类器104的范例。如本文中讨论，并在图2中示出的，治疗响应分类器104，在一个实例中，接收(例如来自数据储存库108、成像系统106中的一个或多个、和/或其他设备的)成像数据，以及任选的其他组织(或除感兴趣组织以外的组织)的响应类别的概率，作为输入。
不确定性确定器202基于所输入的成像数据，确定针对参数测量结果中的每个的不确定性。
不确定性确定器202包括感兴趣组织(TOI)识别器204，感兴趣组织(TOI)识别器204基于感兴趣组织(TOI)206和感兴趣组织(TOI)算法208，在成像数据中识别一个或多个感兴趣组织。TOI206能够为，例如，利用治疗处置正被处置的一个或多个肿瘤，其中，使用TOI算法208中的两个或更多个来识别每个肿瘤。TOI识别器204能够基于自动分割算法和/或联系用户交互，例如基于指示用户在成像数据中识别的轮廓的输入，识别(一个或多个)感兴趣组织。
不确定性确定器202还包括参数测量结果确定器210，参数测量结果确定器210基于一种或更多种预定参数类型212，确定所识别的感兴趣组织的一个或多个参数测量结果。这包括对相同参数的多个测量结果，其中，每个测量结果基于针对相同的TOI206的不同的识别出的感兴趣组织，该相同的TOI206是使用TOI算法208中的不同算法来识别的。参数类型的范例包括解剖结构大小(例如，体积、最长长度、最短长度)、平均、最大和/或其他强度值(例如PET中的SUV、CT中的HU、造影剂增强)等等。
不确定性确定器202还包括不确定性估计器214，不确定性估计器214基于对参数中的每个的测量结果和不确定性模型216，来估计针对参数中的每个的不确定性，不确定性模型216能够为高斯和/或其他分布。例如，如果参数类型为感兴趣组织的长度，则不确定性能够为概率分布宽度，并且不确定性模型216能够为高斯分布函数。
例如，在图3示出的范例中，TOI算法208中的三种不同算法被用于识别感兴趣组织的三种不同边界302、304和306。例如，三种不同算法可以与三种不同图像强度阈值相关联。不确定性估计器214估计具有不确定性310的长度308，其在该范例中是关于高斯概率分布的宽度的。不确定性估计能够，例如通过使代价函数最小化的自动算法，来完成。
不确定性确定器202输出针对参数测量结果中的每个的不确定性。图4示出了用于可视化不确定性的非限制性范例。图像402、404和406是在三个不同时刻采集的。图像402、404和406中的每个都包括三种轮廓408、410和412，它们全部是针对相同的感兴趣组织，但使用TOI算法208中不同的TOI算法来确定的。
曲线图414包括针对轮廓408、410和412的曲线。在曲线图414中，y轴416表示感兴趣组织体积并且x轴418表示时间。第一曲线420表示基于第一算法感兴趣组织的体积随时间的改变，第二曲线422表示基于第二算法感兴趣组织的体积随时间的改变，并且第三曲线424表示基于第三算法感兴趣组织的体积随时间的改变。
第四曲线425表示三条曲线420、422和424。要认识到，不同的技术能够被用于生成第四曲线425，并且从每种技术得到的曲线可以不用于从另一技术得到的曲线。曲线图414还包括针对三个不同图像402、404和406中的每个的不确定性426、428和430。
返回图2，个体参数响应类别概率确定器218基于预定分类准则220评价参数测量的不确定性。这样的评价能够基于图像模态、感兴趣组织的组，和/或其他分组。个体参数响应类别概率确定器218根据预定义准则，针对每个参数测量结果，或针对每组参数测量结果，来输出响应类别的概率的集合(例如，根据注入RECIST的预定义准则，CR、PR、SD和PD)。
以下描述针对每组参数测量结果确定响应类别的概率的非限制性范例。
在该范例中，xi表示对时间、感兴趣组织与参数类型的每种组合的参数测量结果，其中i为运算指数，dxi表示全部对应的估计不确定性，mdxi表示全部对应的不确定性模型类型，并且v1＝v(t1)＝针对在时间点t1评价的全部i′s参数的xi参数值的集合(即组)。v0为参考或基线参数的集合。
此外，函数F(v)表示对特定值的参数的集合(例如感兴趣长度的和，或者长度与平均强度的组合)起作用的函数。在一个实例中，在时间点t1和t0评价全部相同的感兴趣组织。在另一实例中，不在时间点t1和t0评价全部相同的感兴趣组织；可以不在一些时间点评价一些感兴趣组织。
函数G(F1(v1),F0(v0))表示响应准则函数。函数G能够为线性或非线性(或非连续)函数，或为规则的集合(例如RECIST规则)。在一个实例中，F1的函数定义与F0的相同。在另一实例中，F1的函数定义与F0的不同。响应准则定义响应类别：s＝G(F1(v1),F0(v0))，其中s为响应类别。任选地，G能够为几个时间点的函数，即s＝G(F1(v1),F2(v2),...F0(v0))。
利用由不确定性确定器202确定的不确定性，个体参数响应类别概率确定器218确定传播方案。其中F为简单和，例如＝x1+x2+x3+...，则 在这样的情况中，dX1,dX2,...限定F1(v1),F0(v0),...的概率分布，并且不确定性传播能够被应用于函数G，以计算对类别s得到的概率分布。
如果不确定性dX或全部dxi表示正态分布概率(或任意其他限定分布)的准则偏差，则s的概率能够通过蒙特卡洛模拟过程、直接数值计算(并且其中G能够为任意函数)和/或其他途径来计算。针对一般计算描述，ri表示取决于对函数结果已估计的分布，Fi的特定选择的可能值。该值pj(ri)的概率取决于Fj的已知分布模型，其限定pj的函数。
如果ri的概率已知(例如，如高斯模型中的)，其中，n被用于归一化)，则个体类别概率确定器210能够选择r1,r0,...的集合(带有指数k)，其对应于所评价的参数(例如以随机选择的方式，或作为串行序列中的实例)，并计算：Pk(s)＝(p1(r1)·p0(r0)2...)2G(r1,r0,...)。
针对具有不同r′s的若干或许多不同集合k，重复该方案，同时根据恰当的方案选择集合(有效地在全部可能的组合上均匀跨度)。由于F1(v1)和F0(v0)的不确定性能够被计算一次(即dF1和dF0)(尤其是在F为诸如求和的线性函数时)，在该情况中，r为在F的已知分布中的选择。
该方案包括重复对Pk(s)(每个限定的s的概率)的计算，以及针对每个s，对全部所计算到概率求和(以获得每个可能的s的最终概率)。这在图5中得到图示，其中F1为(例如)在当前评价时间点全部被跟踪病变的可能总长度和的概率分布，并且F0为(例如)在参考(基线)评价时间点全部被跟踪病变的可能总长度和的概率分布。
在图5中，r1和r0为在计算的一次迭代中的这些分布内所选择的值。利用输入r1和r0应用分类函数G，给出类别s2作为结果。概率p1与p0的乘积给出s2在该单次迭代中的概率。利用针对能够随机地和/或以其他方式选择的r1和r0的不同值重复该过程。在迭代过程结束时归一化分类概率。
在更为一般的情况中，其中F能够为更为复杂的函数，ri表示分布在xi周围的特定选定的可能参数值，以及针对组v中的全部xi的，R1表示r11,r12,r13,...的集合，R0表示r01,r02,r03,...的集合，并且p(ri)取决于所报告的不确定性模型类型mdxi，其限定p的函数。
如果ri的概率已知(例如在高斯模型中)，则能够选择对应于所评价的参数(例如以随机选择的方式，或者作为在串行序列中的实例)的集合(具有指数k)：r1,r2,...，并且能够计算Pk(s)＝(p(r11)·p(r12)·...·p(r01)·p(r02)·...)·G(F1(R1),F0(R0))。
针对不同r′s的不同集合k重复该途径多次，同时根据预定方案选择集合(例如用于有效跨度全部可能的组合)。r能够是针对集合v1和v0，......的全部参数来选择的。
返回图2，组合响应类别概率确定器222评价针对全部模态、成像技术、独立感兴趣组织组、响应时间点等等的响应类别的个体概率。以下描述由组合响应类别概率确定器222执行的评价的非限制性范例。
利用可能的响应类别s1,s2,s3,...(例如CR、PR、SD、PD)，针对分类1，响应类别的概率的集合为[P1(s1),P1(s2),P1(s3),...]，针对分类2，响应类别的概率的集合为：[P2(s1),P2(s2),P2(s3),...]......，sa表示s1,s2,s3,...中选择的对应于亚分类1的一个，sb为s1,s2,s3,...中选择的对应于亚分类2的选定的一个，......，组合响应类别概率确定器212能够采用组合准则标准，例如H＝响应准则(sa，sb，...)，其能够为线性或非线性(或非连续)函数，或规则的集合。
响应类别确定器224确定最终估计总体响应分类。在一个非限制性实例中，响应类别确定器224通过针对选定特定集合sa,sb,...计算P(s)＝(P1(sa)·P2(sb)·...)·H(sa,sb)，确定最终估计总体响应分类。响应类别确定器224针对(sa,sb,...)的一个或多个不同集合重复该过程。该集合被选择为使得根据预定方案选择足够数目的集合(例如，有效地跨越全部组合)。
响应类别确定器224重复对P(s)(每个限定的s的概率)的计算，并针对每个s对全部所计算的概率进行求和。作为最终分类，响应类别确定器224，在一个非限制性实例中，取具有最高总概率(例如最接近所计算的“重心”(COG))的s值。这结合图6得到图示，图6示出响应类别概率评价：P1(s1)为类别s1来自第一模态的概率，并且P2(s3)为类别s3来自第二模态的概率。
利用输入s1和s3应用分类函数H给出类别s3作为结果。概率P1与P2的乘积在该单次迭代中给出s3的概率。针对对s的选择的全部组合重复整个过程。能够在迭代过程结束时归一化最终分类概率。最终类别被视为最接近四个概率的重心的一个。
准则H可以也取决于有关患者状况、成像的准确度等等的外部信息。例如，如果针对某种疾病，已知PET比CT更准确，则PET分类可以得到更高权重。
在以上的变型中，不确定性也能够被用于选择充分合适的目标感兴趣组织作为针对整体响应监测评价的基础，并拒绝具有非常高的参数不确定性的病变。
以下描述三种范例评价，它们基于表1的范例RECIST指引。
针对第一种评价，不评价不确定性。假设目标病变响应为PR，并且非目标病变响应为非CR/非PD。基于该规则，总体响应为PR。针对第二种评价，评价不确定性。在该范例中，所假设的过得的概率分布为：目标病变为0.2*CR+0.5*PR+0.3*SD，并且非目标病变为0.7*非CR非PD+0.3*PD。利用该评价，两个组的独立平均值仍较接近PR和非CR/非PD，它们一起给出在PR以上的原始总体评估。
针对第三种评价，使每种组合的总体响应乘以目标和非目标病变组的联合概率，如本文中讨论的，并且总体响应为0.14*PR+0.06*PD+0.35*PR+0.15*PD+0.21*SD+0.09*PD，其等于0.49*PR+0.21*SD+0.3*PD。分布的重心(COG)为(利用定义：CR＝＝1，PR＝＝2，SD＝＝3，PD＝＝4)：COG＝(0.49*2+0.21*3+0.3*4)/(0.49+0.21+0.3)，或2.81，其四舍五入为SD(四舍五入(2.81)＝3)，因此总体响应为SD。
针对该范例，相比较得到PR的响应类别的其他两种评价，SD的最终响应类别是对感兴趣组织对治疗处置的实际响应的更准确的反映。
图7图示了根据本文中描述的实施例的范例方法。
要认识到，本文中描述的方法中动作的顺序不是限制性的。因此，本文中也预期其他顺序。此外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在702，获得成像数据。
在704，根据成像数据确定针对感兴趣组织的参数测量。
在706，估计针对参数测量中的每个的不确定性。
在708，获得响应分类准则。
在710，基于参数值、它们的不确定性以及响应分类准则，确定针对参数的组中每个参数测量的响应类别的概率。
在712，基于预定组合准则，组合响应类别的概率。
在714，基于所组合的响应类别的概率，确定针对感兴趣组织的最终响应类别。
以上可以通过被编码或嵌入在计算机可读存储介质上的计算机可读指令的方式来实施，所述计算机可读指令在由(一个或多个)计算机处理器运行时，令所述处理器执行所描述的动作。额外地或备选地，所述计算机可读指令中的至少一个由信号、载波或其他暂态介质承载。
已参考优选的实施例描述了本发明。他人在阅读了理解了前面的详细描述后可以想到多种修改和变动。想要的是，本发明被解释为包括所有这样的修改和变动，只要它们落入所附权利要求或其等价方案的范围内。

Claims (20)

1.一种用于确定感兴趣组织对治疗处置的最终响应类别的方法，包括：
获得响应类别的概率的第一集合；
获得所述响应类别的概率的至少第二集合；
组合所述响应类别的所述概率的所述第一集合与所述至少第二集合，由此生成所述响应类别的概率的组合集合，
基于所述响应类别的概率的所述组合集合，根据多个预定义响应类别来确定所述感兴趣组织对所述治疗处置的所述最终响应类别；并且
生成指示所述最终响应类别的信号。
2.如权利要求1所述的方法，其中，所述响应类别至少包括指示所述感兴趣组织对所述治疗处置的第一响应的第一类别和指示所述感兴趣组织对所述治疗处置的第二响应的第二类别，其中，所述第一响应与所述第二响应是不同的。
3.如权利要求1至2中的任一项所述的方法，其中，所述概率的所述第一集合或所述至少第二集合中的至少一个是基于从相同成像模态采集的成像数据来生成的。
4.如权利要求1至2中的任一项所述的方法，其中，所述概率的所述第一集合或所述至少第二集合中的至少一个是基于一组所述感兴趣组织的。
5.如权利要求3至4中的任一项所述的方法，还包括：
基于所述成像数据来确定参数测量结果；
确定所述参数测量结果的不确定性；并且
基于所述不确定性和预定响应准则来确定所述概率的所述第一集合或所述至少第二集合中的至少一个。
6.如权利要求4所述的方法，其中，所述概率的所述第一集合和所述至少第二集合中的至少一个是基于不包括所述感兴趣组织的第二组的组织的。
7.如权利要求1至6中的任一项所述的方法，其中，所述概率的所述第一集合或所述至少第二集合中的至少一个是基于响应时间点的。
8.如权利要求1至7中的任一项所述的方法，其中，确定所述最终响应类别包括选择所述多个所述响应类别中具有最高总概率的响应类别。
9.如权利要求1至8中的任一项所述的方法，其中，所述预定响应分类准则包括来自包括以下项的组的响应类别：完全响应；部分响应；稳定疾病；以及进行性疾病。
10.如权利要求1至9中的任一项所述的方法，其中，确定所述最终响应类别包括：
随机选择所述概率的第一集合的响应类别；
随机选择所述概率的第二集合的响应类别；
基于预定组合准则，组合对应于所选择的所述概率的第一集合的响应类别的概率与对应于所选择的所述概率的第二集合的响应类别的概率；并且
重复以下动作一次或多次：随机选择所述概率的第一集合和所述第二集合的响应类别并且组合所述概率。
11.如权利要求10所述的方法，其中，组合所述概率包括将所述概率相乘。
12.如权利要求10至11中的任一项所述的方法，还包括：
基于所述概率的重心来确定所述最终响应类别，其中，所述最终响应类别最接近所述概率的重心。
13.一种治疗响应分类器(104)，包括：
组合响应类别概率确定器(222)，其组合感兴趣组织对治疗处置的响应类别的概率的第一集合和至少第二集合，生成所述响应类别的概率的组合集合，以及
响应类别确定器(224)，其基于所述响应类别的所述概率的组合集合，根据所述响应类别来确定所述感兴趣组织对所述治疗处置的最终响应类别。
14.如权利要求13所述的治疗响应分类器，其中，所述响应类别至少包括指示所述感兴趣组织对所述治疗处置的第一响应的第一类别和指示所述感兴趣组织对所述治疗处置的第二指示的第二不同类别。
15.如权利要求13至14中的任一项所述的治疗响应分类器，其中，所述概率的所述第一集合或所述至少第二集合中的至少一个是基于以下中的一个或多个来生成的：从相同成像模态采集的成像数据、一组所述感兴趣组织、一组除所述感兴趣组织以外的组织、或响应时间点。
16.如权利要求13至15中的任一项所述的治疗响应分类器，还包括：
测量结果确定器(210)，其基于所述成像数据来确定参数测量结果；
不确定性估计器(214)，其确定所述参数测量结果的不确定性；以及
个体参数响应类别概率确定器(218)，其基于参数值、参数值不确定性和响应分类准则来针对每个参数测量结果或每组参数确定响应类别的概率。
17.如权利要求16所述的治疗响应分类器，其中，所述预定响应准则包括以下中的至少一个：实体瘤中的响应评价准则的准则、或者实体瘤中的PET响应准则的准则。
18.如权利要求13至17中的任一项所述的治疗响应分类器，其中，所述响应类别确定器将最终响应类别确定为具有最高总概率的响应类别。
19.如权利要求13至18中的任一项所述的治疗响应分类器，其中，所述组合响应类别概率确定器基于预定组合准则多次迭代地组合随机选择的所述概率的第一集合的响应类别与随机选择的所述概率的第二集合的响应类别，并且所述响应类别确定器基于所述概率的重心来确定所述最终响应类别。
20.一种编码有计算机可读指令的计算机可读存储介质，所述计算机可读指令在由处理器运行时，令所述处理器：
获得响应类别的概率的至少两个集合，其中，所述响应类别至少包括指示感兴趣组织对治疗处置的两种不同响应的两个类别；
组合所述概率的至少两个集合；并且
基于所组合的概率的至少两个集合，确定所述感兴趣组织对所述治疗处置的最终响应类别。
CN201480040309.1A 2013-07-15 2014-06-26 感兴趣组织对治疗处置响应分类的装置及治疗响应分类器 Expired - Fee Related CN105378737B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201361846242P 2013-07-15 2013-07-15
US61/846,242 2013-07-15
PCT/IB2014/062611 WO2015008178A1 (en) 2013-07-15 2014-06-26 Imaging based response classification of a tissue of interest to a therapy treatment

Publications (2)

Publication Number Publication Date
CN105378737A true CN105378737A (zh) 2016-03-02
CN105378737B CN105378737B (zh) 2019-10-18

Family

ID=51265714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480040309.1A Expired - Fee Related CN105378737B (zh) 2013-07-15 2014-06-26 感兴趣组织对治疗处置响应分类的装置及治疗响应分类器

Country Status (4)

Country Link
US (1) US20160378935A1 (zh)
EP (1) EP3022670B1 (zh)
CN (1) CN105378737B (zh)
WO (1) WO2015008178A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220015698A1 (en) * 2015-09-28 2022-01-20 Lan Jiang Method of identifying tumor drug resistance during treatment
EP3389412A1 (en) * 2015-12-14 2018-10-24 Nestec S.A. Nutritional compositions and infant formulas to promote myelination in the brain
US10478134B2 (en) 2017-09-26 2019-11-19 General Electric Company Systems and methods for improved diagnostics for nuclear medicine imaging

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1861002A (zh) * 2005-03-14 2006-11-15 通用电气公司 监视肿瘤负荷的方法和系统
US20100240087A1 (en) * 2009-03-20 2010-09-23 Simbiosys Biowares, Inc. Method and system for the automatic detection and diagnosis of a cancer stem cell
WO2012155098A1 (en) * 2011-05-12 2012-11-15 Novarx Corporation Predictors of response to immunotherapy
CN102908144A (zh) * 2011-08-03 2013-02-06 西门子公司 用于治疗计划的磁共振成像

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7844560B2 (en) * 2006-04-17 2010-11-30 Siemens Medical Solutions Usa, Inc. Personalized prognosis modeling in medical treatment planning
US20090234628A1 (en) * 2008-03-14 2009-09-17 Siemens Medical Solutions Usa, Inc. Prediction of complete response given treatment data
FR2934698B1 (fr) * 2008-08-01 2011-11-18 Commissariat Energie Atomique Procede de prediction pour le pronostic ou le diagnostic ou la reponse therapeutique d'une maladie et notamment du cancer de la prostate et dispositif permettant la mise en oeuvre du procede.
CN102460506B (zh) * 2009-06-08 2017-07-21 博莱科瑞士股份有限公司 参数图像的自动定标
EP2558599A4 (en) * 2010-04-14 2013-11-13 Nuvera Biosciences Inc METHODS OF ASSESSING ANTICANCER THERAPY RESPONSE
AU2012211964A1 (en) * 2011-02-04 2013-08-22 Bioarray Genetics, Inc. Methods of using gene expression signatures to select a method of treatment, predict prognosis, survival, and/or predict response to treatment
US9370304B2 (en) * 2012-06-06 2016-06-21 The Regents Of The University Of Michigan Subvolume identification for prediction of treatment outcome

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1861002A (zh) * 2005-03-14 2006-11-15 通用电气公司 监视肿瘤负荷的方法和系统
US20100240087A1 (en) * 2009-03-20 2010-09-23 Simbiosys Biowares, Inc. Method and system for the automatic detection and diagnosis of a cancer stem cell
WO2012155098A1 (en) * 2011-05-12 2012-11-15 Novarx Corporation Predictors of response to immunotherapy
CN102908144A (zh) * 2011-08-03 2013-02-06 西门子公司 用于治疗计划的磁共振成像

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
G.R.OXNARD.ET: "Variability of Lung Tumor Measurements on Repeat Computed Tomography Scans Taken Within 15 Minutes", 《JOURNAL OF CLINICAL ONCOLOGY》 *

Also Published As

Publication number Publication date
US20160378935A1 (en) 2016-12-29
EP3022670A1 (en) 2016-05-25
CN105378737B (zh) 2019-10-18
WO2015008178A1 (en) 2015-01-22
EP3022670B1 (en) 2020-08-12

Similar Documents

Publication Publication Date Title
Carass et al. Evaluating white matter lesion segmentations with refined Sørensen-Dice analysis
Altazi et al. Reproducibility of F18‐FDG PET radiomic features for different cervical tumor segmentation methods, gray‐level discretization, and reconstruction algorithms
Apte et al. Extension of CERR for computational radiomics: A comprehensive MATLAB platform for reproducible radiomics research
Soltaninejad et al. Automated brain tumour detection and segmentation using superpixel-based extremely randomized trees in FLAIR MRI
Nyflot et al. Quantitative radiomics: impact of stochastic effects on textural feature analysis implies the need for standards
Hatt et al. PET functional volume delineation: a robustness and repeatability study
Aristophanous et al. A Gaussian mixture model for definition of lung tumor volumes in positron emission tomography
Galavis et al. Variability of textural features in FDG PET images due to different acquisition modes and reconstruction parameters
Nie et al. NCTN assessment on current applications of radiomics in oncology
Montgomery et al. Fully automated segmentation of oncological PET volumes using a combined multiscale and statistical model
Kang et al. Prediction of standard‐dose brain PET image by using MRI and low‐dose brain [18F] FDG PET images
CN104798105B (zh) 采用图像纹理特征的集成表型
Bettinelli et al. An IBEX adaption toward image biomarker standardization
Gallivanone et al. Parameters influencing PET imaging features: a phantom study with irregular and heterogeneous synthetic lesions
CN104871207A (zh) 定量成像
Vallières et al. Enhancement of multimodality texture-based prediction models via optimization of PET and MR image acquisition protocols: a proof of concept
Perdue et al. T1 magnetic resonance imaging head segmentation for diffuse optical tomography and electroencephalography
CN107077731A (zh) 成像不确定性的可视化
Gifford Efficient visual-search model observers for PET
Andersén et al. Deep learning‐based digitization of prostate brachytherapy needles in ultrasound images
Agarwal et al. Lesion segmentation in automated 3D breast ultrasound: volumetric analysis
CN105378737A (zh) 感兴趣组织对治疗处置的基于成像的响应分类
US10702156B2 (en) Systems and methods for improved tractography images
Flaus et al. PET image enhancement using artificial intelligence for better characterization of epilepsy lesions
Martin et al. Challenges in glioblastoma radiomics and the path to clinical implementation

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191018

CF01 Termination of patent right due to non-payment of annual fee