CN105637536B - 脑图像流水线和脑图像区域位置和形状预测的方法和系统 - Google Patents

脑图像流水线和脑图像区域位置和形状预测的方法和系统 Download PDF

Info

Publication number
CN105637536B
CN105637536B CN201480045705.3A CN201480045705A CN105637536B CN 105637536 B CN105637536 B CN 105637536B CN 201480045705 A CN201480045705 A CN 201480045705A CN 105637536 B CN105637536 B CN 105637536B
Authority
CN
China
Prior art keywords
image
brain
brain image
patient
stn
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
CN201480045705.3A
Other languages
English (en)
Other versions
CN105637536A (zh
Inventor
吉列尔莫·萨皮罗
诺姆·哈雷尔
尤瓦尔·达钦
金真英
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.)
Owl Navigation Co Ltd
Original Assignee
Surgical Information Sciences Inc
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 Surgical Information Sciences Inc filed Critical Surgical Information Sciences Inc
Publication of CN105637536A publication Critical patent/CN105637536A/zh
Application granted granted Critical
Publication of CN105637536B publication Critical patent/CN105637536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B6/50—Clinical applications
    • A61B6/501—Clinical applications involving diagnosis of head, e.g. neuroimaging, craniography
    • 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
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • 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
    • G06T7/30—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
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • 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
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/12—Devices for detecting or locating foreign bodies
    • 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
    • A61B6/46—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient
    • A61B6/467—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B6/469—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
    • 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
    • A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
    • A61B6/563—Details of data transmission or power supply, e.g. use of slip rings involving image data transmission via a network
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • 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

公开了用于脑区域分析尤其是但不限于基底核例如丘脑底核(STN)的区域的容积分割方法。这用于基底核的皮质下区域内的可视化和定位，以作为深部脑刺激操作的感兴趣区域的预测的示例。针对STN或者对应的感兴趣区域和从高磁场例如7T MR成像中获得的高质量训练集合上的其预测者的变化模式来应用统计形状模型。偏最小二乘回归(PLSR)方法应被用于引导要预测的区域例如STN和其预测者之间的空间关系。用于确认本发明的预测准确性通过测量形状相似度和手动分割的STN和其预测的一个之间的位置、大小和取向中的误差来评估。

Description

脑图像流水线和脑图像区域位置和形状预测的方法和系统
技术领域
本文所公开的实施例通常涉及医疗成像系统，且尤其涉及支持医疗手术(包括但不限于脑外科且包括深部脑刺激(DBS))的特定患者的多模式脑高质量图谱的生成和使用。
背景技术
引导神经外科手术的医疗图像的使用是普遍的。脑部是复杂器官，充满了同时对患者的生存和幸福至关重要的结构和血管，并且单独通过成像技术难以感知。已经变得可用的三维成像技术(尤其是使用各种对比权重的核磁共振成像技术)已经使脑部的各个内部特征变得容易识别，为精细、安全且更有效的手术做好准备。然而，实际上，即使是一组当前成像技术并且尤其是在常规临床设置中可用的那些，也不足以描绘医生保证最好结果所需的信息。
丘脑底核(STN)为脑部中的小卵形(透镜状的)核，位于丘脑的腹侧。按照解剖学，它是底丘脑的主要部分并且为基底核系统的一部分。通常，诸如对医生可用的目前临床成像方法的灵敏度限制等的问题使获得显示了目标区域(例如用作用于治疗帕金森病的深部脑刺激目标的STN)的图像变得困难。这里，STN通常用作本发明的示例，而本发明也应用其它脑结构，一些对DBS是关键的，并且一些对其它脑操作是关键的。
为了增强患者图像，对(被称为使用存档图像或者图解来创建的图谱的)模型进行匹配并且将其拟合成患者图像。然而，这些图谱通常自身受限，且不是患者特定的并且/或者不适合于特定患者，并且通常不提供足够范围的图像类型以及保证对患者的脑部和特定手术有用匹配所成像的脑部。从尸体解剖采样中获得的图谱虽然可能高分辨率但是通常单个个体获得，且由此未反映当前被评估的患者的脑部的解剖的精确表示。从多个脑部的平均获得的图谱未描绘特定患者的解剖特征，并且因此不是精确的。
基底核的皮质下区域内的STN为用于深部脑刺激(DBS)外科手术(尤其是用于缓解帕金森病(PD)症状)的关键目标结构。这种小且复杂的结构的体积分割在临床MRI协议中是难以捉摸的，因此为用于PD的可靠DBS目标对准的首要过程。虽然利用先进高磁场7T MR成像来促进了STN的直接可视化和定位，但是这种高磁场不总是临床可用的。STN是需要很好定位且在临床设置中不容易可用的感兴趣目标的示例。
如提及的，深部脑刺激(DBS)为用于治疗神经退变性疾病例如帕金森疾病(PD)、特定性震撼以及精神疾病的广泛使用的神经外科干预。特别地，已经报告了STN结构的DBS针对晚期PD具有重要临床效果。电极到STN中的准确定位对成功DBS手术是关键的，因为甚至STN区域内的轻微误放可以导致严重副作用。
针对DBS手术中的STN定位已经报告了各种目标方法。这些方法中的一些引用解剖信息例如缝合处间的距离和心室以基于图谱来定位STN。然而，在这些以基于间接通用图谱为目标的操作中，跨个别主体的STN的位置和尺寸的可变性需要在较大人口的情况下进一步分析，以评估STN当前使用图谱的适应性。
最近研究通过基于跨PD患者的中缝合点(midcommissural point)评估STN的位置和尺寸中的可变性来解决该问题。更可靠目标方法基于个别主体的MRI的STN的直接可视化和定位。
高磁场中的最近进展例如7特斯拉(T)，MR成像技术允许直接识别小且复杂解剖结构，这归因于高级对比和高分辨率。而且，利用7T MRI的益处尤其是利用多对比MR图像例如磁敏加权图像(SWI)和T2加权(T2W)图像的组合来建模基底核和丘脑内的主体特定3D结构和它们连接性。不幸地，使用标准临床1.5T(或者3T)MRI协议，这种高质量可视化不总是可能的。除了定位之外，提供空间信息例如DBS目标结构在三维中的定位、尺寸和取向的准确分割也是最佳电极布置的首要必备。这部分地是因为由DBS电极在STN(针对PD)或者其它疾病的其它区域中的不充分定位导致的潜在较低治疗效果或者副作用而造成。
由于利用临床的通常低磁场的MRI协议而部分地缺少清晰可视化，所以手动分割是耗时的且由解剖主观性主要驱动。STN结构的自动(或者半自动)分割仍然具有挑战性，这是因为它是小的复杂形状，具有与其邻近结构相对不清晰边界，尽管如上面提及的、7T MRI处的高级对比和高分辨率使我们能够直接可视且识别它的位置和形状。其它脑结构具有难以在临床设置中定位的类似特征并且可以由高质量图谱促进。
关于许多自动化分割技术，基于统计形状模式的分割例如主动形状模型显示了它们在医疗成像的各个应用中的效果。这些方法统计地建模了跨主体的目标结构的可变性并且通过最小化组合了形状模型和特定主体信息的标准来搜索最佳拟合。这些分段的准确性取决于实际输入(即主体)数据的初始化和质量。而且，使用统计形状模型来分析跨种群的脑结构的形态变异。
考虑到不同结构形状之间的关系，最近研究已经提议了使用统计形状模型的基于回归的形状预测方法。皮质下脑结构通过组合典型相关分析和偏最小二乘回归(PLSR)来预测。比较用于形状预测的几个回归模型，以考虑标志点的不确定性，并且合并相关预报器以基于它们的稀疏观察而进一步改善股骨和胫骨预测，代替了回归方法，具有基于具有形状预测的各种不确定性的统计形状模型而建立了联合输入输出分布模型。而且，研究了被预测目标形状的置信区域的估计。这些形状预测方法能够甚至基于具有感兴趣区域内的有限信息的数据来估计目标结构。
发明内容
本公开扩展了上述工作，以预测STN的位置和形状，这里用作示例，明确利用与其邻近结构的空间关系。具有与STN的解剖结构接近的且可以使用标准目标过程对7T MRI或者甚至传统1.5T/3T MR成像进行分割的皮质下结构被认为STN的预测者。我们使用统计形状模型来建模从7T MR数据中获得的跨训练集合的STN和其预测者的形状和姿态的变化。然后，STN和其预测者之间的空间依赖关系由PLSR方法提取，而也可以使用利用这种关系的其它方法。给出来自特定主体的关于真实7T或者1.5T MR数据的STN的预先分割的预测者的形状和姿态，我们使用学习到的空间依赖关系来估计关于那个主体的STN的完整形状和姿态。此外，这主要示出用于STN，但是该方法也总体用于其它感兴趣区域。
公开了基底核例如STN和其它脑结构的成分的形状、位置、大小和取向的高分辨率自动估计和预测的方法。该方法基于接收优选高分辨率和高场磁共振(单对比和多对比)图像的训练集合、个别患者数据集合(临床磁共振)和也可能的用于预测分析的CT图像。
该方法也包括：组合来自训练集合和患者的集合的信息以预测患者的集合中的成分，从训练集合中获得基底核结构或者感兴趣区域、变化模式和其预测者。而且，该方法包括将统计形状模型应用于感兴趣脑区域(例如基底核结构)、变化模式和丘脑底核预测者并且将偏最小二乘回归方法或者其它统计分析工具应用于变化模式和其预测者。
此外，该方法包括：提取丘脑底核的形状和位置与预测者的形状和位置之间的关系；利用这种关系来为患者的数据预测有关形状(例如丘脑底核，STN)和STN位置；将预测出的形状和位置并入到患者的临床图像并且经由电子介质将具有被并入的预测的患者的数据转移回到临床设置中。
该方法的变化包括当预测者属于基底核、黑质、红核、内部苍白球和丘脑或者它们的组合时的情况。
根据权利要求1的方法，其中，电子装置包括7特斯拉、3特斯拉或者1.5特斯拉的磁铁中的至少一个以用于数据集合和患者的数据。
在本发明的有关集合中，至少一个额外脑图像包括相同患者的脑部的图像。可替换地，脑图像集合中的至少一个图像包括T1加权磁共振图像。根据一些实施例，脑图像集合中的至少一个图像包括T2加权磁共振图像。根据一些额外的实施例，脑图像集合中的至少一个图像包括磁敏感加权磁共振图像。在另一个实施例中，脑图像集合中的至少一个图像包括弥散加权磁共振图像。在一些实施例中，脑图像集合中的至少一个图像包括功能磁共振图像。在另一个实施例中，脑图像集合中的至少一个图像包括计算机断层扫描图像。在额外的实施例中，脑图像集合中的至少一个图像包括正电子发射断层扫描图像。在另一个实施例中，脑图像集合中的至少一个图像包括以3特斯拉或者更高的场强度获得的磁共振图像。根据另一个实施例，脑图像集合中的至少一个图像包括描绘的脑部中的动脉的血管成像图像。根据另一个实施例，脑图像集合中的至少一个图像包括描绘的脑部中的静脉的静脉成像图像。
另一个实施例涉及由电子装置维持脑图像的数据库，并且从那个数据库中检索至少一个额外脑图像。在有关实施例中，数据库包含属于至少两个图像类型的图像，包括多个模式和对比，并且从数据库中检索脑图像还包括确定至少两个图形类型中的哪一个将产生最好的特定患者的图谱以用于期望临床目的，并且从数据库中检索属于那个图像类型的图像。在另一个实施例中，数据库包含属于至少两个图像类型的图像，并且从数据库中检索脑图像还包括确定至少两个图像类型中的哪一个将产生用于患者脑部的特定部分的最好特定患者的图谱，并且从数据库中检索属于那个图像类型的图像。在另一个实施例中，从数据库中检索脑图像还包括维持关于患者脑图像的患者信息，维持关于在数据库中维持的每个图像的患者信息，并且从具有与关于患者脑图像的患者信息匹配的患者信息的数据库中检索图像。在又一个实施例中，从数据库中检索脑图像还包括定位与患者图像匹配的、数据库中的图像并且检索匹配图像。在另一个实施例中，从数据库中检索脑图像还包括定位与患者图像匹配的、数据库中的超过一个图像并且检索匹配图像。在另一个实施例中，从数据库中检索脑图像还包括由至少一个电子装置接收指定了数据库中的特定图像的指令并且检索该被指定的图像。
可替换地，显示特定患者的图谱还包括识别特定患者的图谱中的感兴趣区域并且强调所显示的图谱中的那个感兴趣区域。另一个实施例涉及识别至少两个感兴趣区域并且组合至少两个感兴趣区域的图像来创建特征患者的图谱。在另一个实施例中，特定患者的图谱用于引导外科手术操作。另一个实施例涉及使用图像来引导植入操作。额外的实施例涉及接收至少一个植入后的图像，其示出在植入物的插入之后的患者的脑部，将植入后的图像与合成图像合并以形成植入后的特定患者的合成图像，并且显示植入后的合成图像。又一个实施例涉及使用特定患者的图谱来引导涉及与患者的脑部无创能量交换的操作。
通常，高分辨率脑图像流水线的系统，该系统包括电子装置、脑图像检索组件(在电子装置上执行并且接收包括患者的脑部的图像和至少一个额外脑图像的脑图像集合)、图谱生成组件(在电子装置上执行并且将患者脑图像与至少一个额外脑图像合并以产生特定患者的图谱)和显示组件(其在电子装置上执行并且显示合成图像)。
当结合附图考虑时，系统和方法的其它方面、实施例和特征将从下面的详细描述中变得显而易见。附件为用于图解目的并且不旨在按比例绘制。在附图中，在各个附图中示出的每个相同或者基本上相似组件由单个标号或者符号表示。为了清楚而见，不是每个组件都在每个附图中标出。也未示出了说明不必允许本领域的那些普通技术人员理解系统和方法中的系统和方法的每个实施例的每个组件。
公开了用于高分辨率脑图像流水线的方法，该方法包括：由电子装置接收包括患者的脑部的图像和至少一个额外脑图像的脑图像集合，由电子装置将患者脑图像与至少一个额外脑图像进行合并来产生特定患者的图谱，并且由电子装置显示特定患者的图谱。
在实施例的有关集合中，至少一个额外脑图像包括相同患者的脑部的图像。在其它实施例中，脑图像集合中的至少一个图像包括T1加权磁共振图像。根据一些实施例，脑图像集合中的至少一个图像包括T2加权磁共振图像。根据一些额外实施例，脑图像集合中的至少一个图像包括磁敏感加权磁共振图像。在另一个实施例中，脑图像集合中的至少一个图像包括弥散加权磁共振图像。在一些实施例中，脑图像集合中的至少一个图像包括功能磁共振图像。在另一个实施例中，脑图像集合中的至少一个图像包括计算机断层扫描图像。在额外的实施例中，脑图像集合中的至少一个图像包括正电子发射断层扫描图像。在另一个实施例中，脑图像集合中的至少一个图像包括以3特斯拉或者更高的场强度获得的磁共振图像。根据另一个实施例，脑图像集合中的至少一个图像包括描绘的脑部中的动脉的血管成像图像。根据另一个实施例，脑图像集合中的至少一个图像包括描绘的脑部中的静脉的静脉成像图像。
另一个实施例涉及由电子装置维持脑图像的数据库，并且从那个数据库中检索至少一个额外脑图像。在有关实施例中，数据库包含属于至少两个图像类型的图像，包括多个模式和对比，并且从数据库中检索脑图像还包括确定至少两个图形类型中的哪一个将产生最好的特定患者的图谱以用于期望临床目的，并且从数据库中检索属于那个图像类型的图像。在另一个实施例中，数据库包含属于至少两个图像类型的图像，并且从数据库中检索脑图像还包括确定至少两个图像类型中的哪一个将产生用于患者脑部的特定部分的最好特定患者的图谱，并且从数据库中检索属于那个图像类型的图像。在另一个实施例中，从数据库中检索脑图像还包括维持关于患者脑图像的患者信息，维持关于在数据库中维持的每个图像的患者信息，并且从具有与关于患者脑图像的患者信息匹配的患者信息的数据库中检索图像。在又一个实施例中，从数据库中检索脑图像还包括定位与患者图像匹配的、数据库中的图像并且检索匹配图像。在另一个实施例中，从数据库中检索脑图像还包括定位与患者图像匹配的、数据库中的超过一个图像并且检索匹配图像。在另一个实施例中，从数据库中检索脑图像还包括由至少一个电子装置接收指定了数据库中的特定图像的指令并且检索该被指定的图像。
根据额外实施例，显示特定患者的图谱还包括识别特定患者的图谱中的感兴趣区域并且强调所显示的图谱中的那个感兴趣区域。另一个实施例涉及识别至少两个感兴趣区域并且组合至少两个感兴趣区域的图像来创建特征患者的图谱。在另一个实施例中，特定患者的图谱用于引导外科手术操作。另一个实施例涉及使用图像来引导植入操作。额外的实施例涉及接收至少一个植入后的图像，其示出在植入物的插入之后的患者的脑部，将植入后的图像与合成图像合并以形成植入后的特定患者的合成图像，并且显示植入后的合成图像。又一个实施例涉及使用特定患者的图谱来引导涉及与患者的脑部无创能量交换的操作。
还要求了高分辨率脑图像流水线的系统，该系统包括电子装置、脑图像检索组件(在电子装置上执行并且接收包括患者的脑部的图像和至少一个额外脑图像脑图像集合)、图谱生成组件(在电子装置上执行并且将患者脑图像与至少一个额外脑图像合并以产生特定患者的图谱)和显示组件(其在电子装置上执行并且显示合成图像)。
当结合附图考虑时，系统和方法的其它方面、实施例和特征将从下面的详细描述中变得显而易见。附件为用于图解目的并且不旨在按比例绘制。在附图中，在各个附图中示出的每个相同或者基本上相似组件由单个标号或者符号表示。为了清楚而见，不是每个组件在每个附图中标出。也未示出了其中说明不必允许本领域的那些普通技术人员理解系统和方法中的系统和方法的每个实施例的每个组件。
当结合附图读取时将更好理解所公开的系统和方法的前述总结以及下面的详细描述。为了示出系统和方法的目的，在附图中示出目前优选实施例。然而，应当理解的是，系统或者方法都不限于示出的精确布置和工具。
附图说明
图1是示出高分辨率脑图像流水线方法的流程图。
图2是STN(或者其它脑结构)预测的概述图。(a)关于高场(例如7T)测试数据的预测的配准过程。(b)关于临床(例如1.5T)测试数据的预测的配准过程。注意到从相同主体扫描关于7T和1.5T的参考数据。(c)预测框架。
图3是描绘如本文所述的电子装置的示例的示意图。
图4是如本文公开的基于网络的平台的示意图。
图5是描绘所公开的系统的一个实施例的框图。
图6描绘用于目标采集的患者的脑部的可能描绘，其中目标解剖结构被强调。
图7描绘用于目标采集的患者的脑部的另一个可能描绘，其中目标解剖结构被强调并且植入路径被描绘。
图8示出DBS电极的植入之后的患者的脑部的可能描绘，强调了受影响的解剖结构和电极自身的位置。
图9示出(来自相同主体的)T2W MRI上的手动分割结构的3D形状。(a)冠状方向中的SN和STN。(b)冠状方向中的Tha和STN。(c)轴向方向中的GPi和STN。(d)轴向方向中的RN和STN。红色表示STN结构。蓝色、金色、绿色和灰色分别表示SN、Tha、GPi和RN结构。将箭头朝向前面方向。
图10示出坐标空间中的从训练数据1(a)到5(e)的RN(红核)、SN(黑质)、STN(丘脑底核)、GPi(内部苍白球)和Tha(丘脑)响应地3D表面和其路标点。灰色、蓝色、红色、绿色和黄色分别表示RN、SN、STN、GPi和Tha结构。沿着每个结构的表面而分布的小黑点为表面路标点。
图11示出关于T2W MR成像的1.5T和7T的可视比较。图(a)和(b)示出轴向中分别关于1.5T和7T MR数据的GPe、GPi和Tha区域。在(c)中针对1.5T示出SN、STN和RN区域，并且在(d)中针对轴平面中的7T MR成像示出SN、STN和RN区域。
图12示出关于7T T2W MR训练数据集合的、使用SN作为预测者来预测的STN的3D结构和它们的惯性椭球(与手动分割的那些重叠)。在轴平面((a)和(b))上和在冠状平面((c)和(d))上分别显示预测出的STN的3D形状和对应的惯性椭球(具有形心)。蓝色表示手动分割的3D形状和惯性椭球(具有形心，参见白色箭头)。红色表示预测出的STN的3D形状和惯性椭球(具有形心，参见白色箭头)。将绿色箭头朝向前面方向。该附图有助于示出该公开的实施例中的一个的表现。
图13示出使用RN预测的STN、训练数据集合上的STN的平均形状和关于1.5T T2WMRI的手动分割的STN。针对左结构(a)和右结构(b)在轴平面(顶部)、冠状平面(中间)和矢状平面(底部)上分别示出预测出的STN、STN的平均和手动分割的STN(具有作为蓝点的形心)的2D轮廓。在轴平面上也示出预测出的STN、STN的平均和手动分割的STN的惯性椭球(具有形心，参见白色箭头)(d)的3D表面(c)。蓝色、红色和白色分别表示手动分割、预测出的STN和STN的平均。将绿色箭头朝向前面方向。该附图有助于示出该公开的实施例中的一个的表现。
图14示出使用RN预测的STN、跨训练集合的STN的平均形状以及关于7T T2W MRI的手动分割的STN。该附图有助于示出该公开的实施例中的一个的表现。
具体实施方式
高磁场MRI技术中的最近优势使能直接体内皮质下结构例如STN和GPi的可视化和定位，这对用于运动疾病例如PD的DBS目标对准是关键的。这些区域在三维中的可视化将更可靠且有效地提供外科DBS目标对准和术后编程。然而，它仍然存在挑战性问题：自动描绘例如STN区域，因为它是小且复杂的，在邻近结构例如SN之间存在不清晰分离。具体地，当使用根据标准低场临床协议获得的图像时或者当数据在该区域内具有有限视野时不可以这种直接方式分割STN。
公开了用于STN或者与脑操作相关的其它脑结构的(高分辨率)自动形状预测的方法；STN这里且在整个文档中用作描述性示例。该方法利用STN与其邻近结构的空间依赖关系作为预测者，其中的一些容易使用标准临床操作定位。
首先，针对从高场例如7T MR成像或者其它高场数据获得的一组高质量训练集合上的STN和其预测者的变化模式而公开了统计形状模型。
其次，公开了偏最小二乘回归(PLSR)方法以引出STN和其预测者之间的空间关系。其它方法可以用于引出这种关系，并且STN这里用作脑手术尤其是深部脑刺激的重要区域的示例。
训练时间的预测准确性可以通过测量手动分割结构(例如STN)和其预测出的一个之间的形状相似性和位置、形状和取向中的错误来评估。这可以用于限定针对给定感兴趣结构的预测者。
定义，如在该说明书和附图中使用的，下面的术语应当具有指出的意义，除非上下文另有规定之外。
“电子装置”被定义为包括个体计算机、膝上型计算机、智能电话和能够支持如本文所述的应用的任何其它电子装置。
如果与那个装置如此有关以致于产品或者模块和装置可以一起操作为一个机器，则装置或者组件“耦接”到电子装置。具体地，一块电子设备被并入电子装置(例如智能电话中的内置相机)，如果其由能够在设备和装置(例如通过插入到计算机的端口中的一个的导线连接到私人计算机的鼠标)传播信号的导线附接到装置，由替代传播信号的导线能力的无线技术(例如用于移动电话的无线耳机)约束到装置，或者由在包括多个机器之间的无线连接和有线连接的一些网络中的共享成员关系而与该电子装置有关(例如向计算机打印文档的办公室中的打印机属于那个办公室，无论它们是在哪里，只要它们和打印机可以连接到互联网)的话。
“数据输入装置”为耦接到电子装置的、能够用于将数据输入到电子装置的所有设备的通用术语。该定义包括但不限于键盘、计算机鼠标、触摸屏、数字相机、数字视频相机、无线天线、全球定位系统装置、音频输入输出装置、回转取向传感器、近距离传感器、圆规、扫描器、专业读取装置例如指纹或者视网膜扫描器、和能够感测电磁辐射、电磁场、重力、电磁力、温度、振动或者压力的任何硬件装置。
电子装置的“手动数据输入装置”为允许用户使用手动操作将数据输入到电子装置的、耦合到电子装置的所有数据输入装置集合。手动输入装置包括但不限于键盘、键区、触摸屏、轨迹球、计算机鼠标、按钮和其它类似组件。
电子装置的“显示器”为耦接到电子装置的装置，借由其，电子装置可以显示图像和来自分析的结果。显示器包括但不限于监视器、屏幕、电视装置、印刷材料和投影机。在电子装置的存储器中“维护”数据意味着以便于由讨论中的算法按需检索的形式存储那个数据到那个存储器中并且按需检索、更新或者删除数据。
所公开的方法解决预测问题，并且在用于STN的特定示例中，通过利用STN和其预测者(黑质(SN)、红核(RN)、内部苍白球(GPi)和丘脑(Tha))之间的学习到的空间信息使用从高场(例如7T)MR训练数据中获得的高度详细信息来解决该预测问题。与STN高度有关并且能够容易在个别主体数据(来自7T或者甚至临床1.5T磁)上描绘的邻近结构被利用为预测者并且然后它们之间的空间依赖性用于预测STN的全部形状。因此，SN、RN、GPi和Tha结构(其在7T MR成像上与STN邻近且完全可视)被利用为预测者，以预测7T MR数据上的STN。然而，在1.5T MR(临床)成像上，由于难以识别SN、GPi和Tha，所以仍然可视的RN被选择为STN的预测者。
在提议的公开中，使用统计形状模型和PLSR方法作为示例来解决STN预测问题。跨训练集合的对应的表面点坐标向量表示STN和其预测者。用于STN和其预测者的表面点坐标的广义普鲁克(Procrustes)分析给出姿势参数，以跨训练集合局部地校正每个结构。然后，对跨训练集合的STN和其预测者的被对齐的表面点坐标执行核主成分分析，表示出低维度空间中的每个形状参数。
然后，PLSR确定跨训练集合的STN和其预测者的姿态和形状参数之间的关系。给定形状参数和STN在实际数据集合(7T或者甚至1.5T MRI)上的预测者的姿态，STN的那些使用其学习到的关系来预测。最后，STN的完整形状被估计，映射预测出的形状参数到原空间上并且使用预测出的姿态变换它们。STN这里在文档的剩余部分中用作展示示例。
图1示出能够结合本公开使用的高分辨率脑图像流水线技术100。因此，该方法100包括：由电子装置接收包括患者脑部的图像和至少一个额外脑图像(在一个实施例中可能相同主体；并且在另一个实施例中来自数据库)的脑图像集合(101)。此外，该方法100包括：由电子装置将患者脑图像与至少一个额外脑图像合并以产生特定患者的图谱(102)。该方法100也包括：由电子装置显示特定患者的图谱(103)。
该方法100包括：由电子装置接收包括患者脑部的图像和至少一个额外脑图像的脑图像集合(101)。在一些实施例中，脑图像检索组件402执行该步骤。在一些实施例中，至少一个额外脑图像包括相同患者的脑部的图像。根据一些实施例，脑图像集合中的至少一个图像包括T1加权磁共振图像。在一些实施例中，T1加权MR图像具有1x1x1mm3的分辨率或者更好，其中，更好指示更高分辨率或者改善信噪比。在一些实施例中，脑图像集合中的至少一个图像包括T2加权磁共振图像。在一些实施例中的T2加权图像具有0.4x0.4x1mm3的分辨率或者更好。在一些实施例中，脑图像集合中的至少一个图像包括磁敏感加权(SWI)磁共振图像。在一些实施例中的SWI具有0.4x0.4x0.8mm3的分辨率或者更好。在一些实施例中，脑图像集合中的至少一个图像包括弥散加权磁共振图像(DWI)。在一些实施例中的DWI图像具有的1.5x1.5x1.5mm3分辨率或者更好。DWI图像也可以使用纤维束成像来增强以示出感兴趣的神经路径。在一些实施例中，这种纤维束成像在整个数据集合中完成。在一些实施例中，纤维束成像在感兴趣区域之间完成。在一些实施例中，纤维束成像从DBS电极的位置到整个脑部或者特定感兴趣区域完成。在一些实施例中，使用大数量弥散梯度轨迹来获得DWI图像，创建了更准确纤维束成像。在一些实施例中，使用55个不同梯度轨迹来获得DWI图像。在一些实施例中，使用超过55个不同梯度轨迹来获得DWI图像。在一些实施例中，脑图像集合中的至少一个图像包括功能磁共振图像(fMRI)。根据一些实施例的fMRI具有1.5x1.5x1.5mm3的分辨率或者更好。在一些实施例中，上述分辨率在获得MR图像中通过使用更高强度磁场来实现。在一些实施例中，脑图像集合中的至少一个图像包括使用3特斯拉或者更高的场强度来获得的磁共振图像。在一些实施例中，磁场为大于7特斯拉，占用6.5特斯拉和7.5特斯拉之间的范围。在一些实施例中，磁场强于7特斯拉；例如，磁场可以为11.7特斯拉。磁场可以强于11.7特斯拉。
在图2中呈现了预测框架的概述(STN这里用作说明性示例)。本公开提议使用MRI的训练数据集合(其使用高场(7T)MRI(Magnex科学UK)来获得)的MRI数据采集。对于每个数据集合，T2W(T2加权)图像和SWI被利用以获得对STN和其邻近结构的手动分割作为跨训练集合(其包括STN、SN、RN和所有相关结构)的基底核和丘脑区域内的预测者。此外，也以1.5T或者临床MRI(T1W(T1加权)和T2W图像)和(也针对确认的)7T MRI扫描另一个主体集合。(针对确认)也利用7T MRI冠状T2W图像和SWI以手动分割STN和其邻近结构。然后，将7T MR图像配准到针对STN预测和其确认的相同主体的T1W 1.5T或者临床MR数据上。
针对每个7T MRI的采集协议包括：i)使用以下参数具有2D快速自旋回波序列的T2W图像采集：视场(FOV)＝205×205×36mm3，具有0.4×0.4×2.0mm3的分辨率、重复时间/回波时间(TR/TE)＝5000/57msec、反转角＝120°、带宽＝220Hz/像素，具有沿相位编码方向的2加速因子(一般性自动校准部分并行采集(GRAPPA))。针对一个平均，总采集时间为大约7分钟。该协议重复两次，以获得中脑的轴向图像和冠状图像。ii)使用以下参数具有3D流动补偿梯度回波序列的SWI采集：FOV＝180×180×60mm3，具有0.4×0.4×1.0mm3的分辨率、TR/TE＝28/20msec、反转角＝15°、带宽＝120Hz/pixel，具有沿相位编码方向的2加速因子(GRAPPA)。一个平均被用于大约7分钟的总采集时间。该协议也重复两次，以获得中脑的轴向图像和冠状图像。
其它协议也可以与本公开的其它实施例组合。
使用以下标准临床协议来获得1.5T MRI：i)T1W图像使用具有以下图像参数的商业西门子T1W AX T1MPR临床协议来获得：FOV＝192×256×176mm3，具有0.98×0.98×1mm分辨率、TR＝1650ms；TE＝3.02ms,15°的标准反转角、179Hz/pixel的带宽。ii)T2W使用具有以下图像参数的商业西门子T2W AX T2 3D SPC(自旋回波)临床协议来获得：FOV＝172×230×192mm3，具有0.72×0.72×2.0mm3分辨率、TR/TE 2500/249msec、反转角120deg、539Hz/pixel的带宽和2个平均。
高分辨率脑图像流水线技术。可以通常根据关于支持所公开应用的电子装置以及关于应用的性质的以下观察来更好理解本文所公开的系统和方法。图3示出了示例性电子装置。处理器200可以为专用处理器装置或者通用处理器装置。如由有关领域中的技术人员将明白的，处理器装置200也可以为多核/多处理器系统中的单个处理器，这种系统单独操作或者操作在簇或者服务器群中操作的计算机装置簇中。处理器200连接到通信基础设施201例如总线、消息队列、网络或者多核消息传递机制。
电子装置也包括主存储器202例如随机存取存储器(RAM)，也可以包括次级存储器203。次级存储器203可以包括例如硬盘驱动器204、连接到可移除存储单元206的可移除存储驱动器或者接口205、或者其它类似装置。如由有关领域的技术人员明白的，可移除存储单元206包括其中存储计算机软件和/或数据的计算机可用存储介质。创建次级存储器203的额外装置的示例可以包括程序盒式存储器(program cartridge)和盒接口(例如在视频游戏装置中找到那些)、可移除存储器芯片(例如EPROM或者PROM)和相关联插口和其它可移除存储单元206和接口205(其允许将软件和数据从可移除存储单元206转移到计算机系统)。
电子装置也可以包括通信接口207。通信接口207允许软件和数据在电子装置和外部装置之间转移。通信接口207可以包括调制解调器、网络接口(例如以太网卡)、通信端口、PCMCIA槽和卡、或者将电子装置耦合到外部装置的其它装置。经由通信接口207转移的软件和数据可以为信号的形式(其可以为电子的、电磁的、光的或者能够由通信接口207接收的其它信号)。这些信号可以经由导线或者电缆、光纤、电话线、蜂窝电话链路和射频链路或者其它通信信道提供给通信接口207。本文中讨论的系统实施例中的通信接口促进电子装置与数据输入装置208、该装置的显示器210和网络连接(无论是有线的还是无线的213)耦合。应当注意的是，这些装置中的每一个可以嵌入在装置自身中，经由端口附接或者使用无线技术例如来约束。
计算机程序(也称为计算机控制逻辑)存储在主存储器202和/或次级存储器203中。计算机程序也可以经由通信接口207接收。当执行时，这种计算机程序使处理器装置200能够实现下面讨论的系统实施例。因此，这种计算机程序表示系统的控制器。在实施例使用软件实现的情况下，软件可以存储在计算机程序产品中且使用可移除存储驱动器或者接口205、硬盘驱动器204或者通信接口207加载到电子装置中。
电子装置也可以在数据库212中存储对该装置是可存取的数据。数据库212为数据的任何结构化收集。如本文所用，数据库可以包括“NoSQL”数据存储库，其使用已知键集合(例如阵列索引)以几个键值结构例如迅速检索的阵列来存储数据。另一个可能性为关系数据库，其可以将存储的数据分成表示有用数据类别的字段。因此，存储的数据记录可以通过在数据库212内的那个已知数据的类别内搜索而使用在那个记录中存储的数据的任何已知部分来快速检索，并且可以使用语言例如结构化查询语言由更复杂查询来存取，该结构化查询语言基于传递为正被检索的数据之间的参数和关系的限制值来检索数据。更专业的查询例如图像和元数据匹配查询也可以用于搜索一些元数据库。数据库可以在任何数字存储器中创建。
有关领域的技术人员也将意识到虽然任何装置务必必然包括执行处理器200、通信基础设施201、至少主存储器202和通常通信接口207的功能的设施，但是不是所有的装置将必然单独容纳这些设施。例如，在如上面限定的电子装置的一些形式汇总，处理200和存储器202可以通过相同硬件装置分布，如在神经网络中那样，并且因此通信基础设施201可以为那个特定硬件装置的配置的属性。然而，许多装置确实实践上面给出的任务的物理划分，并且甚至在合并物理组件的情况下本领域的实践者也将理解概念性任务分离(如果适用的话)。
系统可以以许多方式部署，包括在单独电子装置、网络中一起工作的电子装置集合或者网络应用上。本领域的技术人员将网络应用识别为特定类型的计算机程序系统(其被设计为在网络例如互联网上运作)。在图4中提供网络应用平台的示例性说明。网络应用平台通常包括至少一个客户端装置300，其为如上所述的电子装置。客户端装置300经由一些形式的网络连接而连接到网络301例如互联网。网络301可以为任何布置，其一起链接电子装置300,302并且包括但不限于本地有线网络和国际有线网络(包括电话、电缆和光纤网络)、使用电磁辐射的信号来交换信息的无线网络(包括蜂窝通信和数据网络)和这些有线网络和无线网络的任何组合。至少一个服务器装置302也连接到网络301，该服务器装置302也为如上所述的电子装置。当然，有关领域中的技术人员的实践者将认识到网络应用可以(且通常的确)在几个服务器装置302上和大量且连续改变的客户端装置300种群上运行。在客户端装置300和服务器302上的计算机程序配置该两个装置执行网络应用304所要求的功能。网络应用304可以被设计使得大量的它们执行的任务由服务器装置302实现(如被配置为由其网络程序执行那些任务)或者可替换地由客户端装置300实现。然而，网络应用务必须固有地涉及在每个装置上的一些编程。
在一些方面中，本文描述的系统和方法允许创建特定患者的数字脑部图谱。该图谱可以基于当前临床状况由在其构成物中包括的图像的选择而被定制于患者的特定需求。因此，可以包括患者的大脑动脉和静脉的详细图像以保证DBS电极的安全植入。可以包括其它图像，其使识别且瞄准特定解剖特征更容易以用于操作。来自各种其它脑部的所有种类的图像的数据库可以使用有关的结构和功能的图像例如但不限于属于其它患者的大脑的正电子发射断层成像(PET)、功能MRI(fMRI)、单光子发射计算机化断层成像(SPECT)扫描来增强特定患者的图谱，由此增加了患者数据。数据库图像也可以对患者脑部的特定图像的不可用性进行补偿。
图5示出所公开系统400的一些实施例。第一元件为至少一个电子装置401。该电子装置401可以为如上面参照图2和图3公开的电子装置。电子装置401可以为如上面参照图3和图4公开的一起工作的电子装置集合。电子装置被编程或者被配置为执行应用304的任务。应用304可以由如上面参照图3和图4描述的一个或者多个计算机程序组成。应用304执行的任务可以概念性地分成脑图像检索组件402、图谱生成组件403和显示组件404。将任务组织到这三个组件中仅仅反应要执行的任务的类别而未指示系统400的特定实现的架构。
脑图像检索组件402获取要由系统使用的二维和/或三维脑图像。在一些实施例中，脑图像检索组件402与图像采集系统405通信。图像采集系统405为通过扫描患者的脑、获取扫描的结果、将这些结果转换成数字记录并且使那些数字记录对其它装置(例如电子装置401)可用，来采集图像数据的机器。图像采集系统405可以为能够渲染脑的至少一部分的图像的任何系统。在一些实施例中，图像采集系统405包括磁共振(MR)扫描仪。在一些实施例中，图像采集系统405包括计算机化断层成像(CT)扫描仪。在一些实施例中，图像采集系统405包括正电子发射断层成像(PET)扫描仪。在其它实施例中，图像采集系统405包括超声扫描仪。图像采集系统405也可以包括高频超声(HIFU)扫描仪。图像采集系统405可以包括光学相干断层成像(OCT)扫描仪。在一些实施例中，图像采集系统405包括血管内超声系统(IVUS)。根据其它实施例，图像采集系统405包括单个光子发射计算机化断层成像(SPECT)系统。图像采集系统405的其它实施例包括平面伽玛闪烁成像系统。
在一些实施例中，脑图像检索组件402检索来自对电子装置401可存取的存储器的脑图像数据。在一些实施例中，脑图像检索组件402与对电子装置401可存取的数据库213通信。数据库213可以包含由如上述那样的与上面的图像采集系统405相关的任何种类的成像技术和协议所产生的图像。数据库213可以包含如上述那样的与图像采集系统405相关的图像的任何组合。数据库213也可以包含元数据例如性别、年龄和健康记录。
系统400也包括图谱生成组件403，其在电子装置401上执行并且将整个检索到的图像或者检索到的图像的部分结合到一起来创建如下面参照图1更详细给出的特定患者的图谱。
系统400也包括显示组件404，其在电子装置上执行并且显示特定患者的图谱。在一些实施例中，显示组件404与耦合到电子装置的显示器210通信。在一些实施例中，显示器210为监视器。在一些实施例中，显示组件404与计算机辅助外科用户接口系统(例如外科系统)通信，该计算辅助外科用户接口系统允许外科医生使用机器人臂执行外科操作并且在也在外科医生的控制之下的显示器210上观察外科手术的进展。在一些实施例中，显示组件404与用于外科手术方案的临床设施通信。在一些实施例中，显示组件404与用于深部脑刺激中的术后编程的系统通信。
在一些实施例中，除了MR图像之外，脑图像检索组件402还接收其它形式的图像。根据一个实施例，脑图像集合中的至少一个图像包括计算机化断层成像(CT)图像。在其它实施例中，脑图像集合中的至少一个图像包括正电子发射断层成像(PET)图像。仍然根据其它实施例，脑图像集合中的至少一个图像包括被描述的脑中的动脉的图像。在一些实施例中，动脉的图像包括动脉的渡越时间磁共振血管成像。根据一个实施例，脑图像集合中的至少一个图像示出被描述的脑中的静脉。在一个实施例中，静脉的图像包括静脉的T2*梯度回波图像。在另一个实施例中，脑图像集合中的至少一个图像为HIFU图像。在其它实施例中，脑图像集合中的至少一个图像为OCT图像。在其它实施例中，脑图像集合中的至少一个图像为IVUS图像。根据其它实施例，脑图像集合中的至少一个图像为SPECT图像。在一些实施例中，至少一个图像为平面伽玛闪烁成像图像。
一些实施例涉及：由电子装置维持脑图像的数据库，并且从那个数据库检索至少一个额外脑图像。在一些实施例中，数据库中的图像包括如上面所述的任何图像。在一些实施例中，根据它们表示的脑部来组织数据库中的图像。在一些实施例中，将与每个所绘脑部对应的图像进行组合以根据下面更详细描述的方法形成三维图谱。在一些实施例中，数据库包含属于至少两个图像类型的图像，并且从数据库检索脑图像还包括：确定哪个图像类型出于期望临床目的将产生最佳特定患者的图谱并且从数据库检索属于那个图像类型的图像。如本文中使用的“图像类型”为由特定成像技术产生的图像的类别。例如，一个图像类型为fMRI图像，并且另一个图像类型为T1加权图像。在一些实施例中，将每个图像类型的部分进行组合。在一些实施例中，将整个图像类型进行组合。在一些实施例中，如果创建了特定患者的图谱(如下面更详细给出的那样)以包含来自数据库的属于可能强调丢失特征或者区域的特定图像类型的图像，则在患者的脑的图像中不清晰可见的患者的脑的特定特征或者区域将大多可见。上面参照该步骤描述的所有图像类型可以被包括在数据库中，包括但不限于使用高或者低强度磁场获得的T1，T2，SWI，FMRI和DWI图像。也可以包括如下面关于患者的大脑更详细给出的数据库中所绘脑部的植入后的图像。
在一些实施例中，脑图像检索组件402通过保持关于患者脑图像的患者信息、保持关于数据库中保持的每个图像的患者信息、并且从数据库检索具有与关于患者脑图像的患者信息相匹配的患者信息的图像，来从数据库中检索图像。在一些实施例中，关于患者脑图像和数据库图像的患者信息为人口统计信息。人口统计信息可以为其脑位于图像中的人的年龄。人口统计信息可以为其脑位于图像中的人的性别。在一些实施例中，患者信息包括关于所绘脑部的测量数据。在一些实施例中，测量数据描述所绘脑部的大小。在其它实施例中，测量数据描述所绘脑部的特征的尺度。例如，关于特定脑而记录的患者数据可以描述心室的尺寸。在一些实施例中，患者信息为医疗历史数据。医疗历史数据可以包括特定疾病的诊断。所诊断的疾病可以为影响被成像脑的形式。诊断也可以描绘疾病的发展程度。诊断可以描述与疾病对应的被成像脑中的特定特征。医疗历史数据也可以描述治疗历史。治疗历史可以包括在治疗的过程中尝试的操作。治疗历史也可以包括尝试的操作的结果。在一些实施例中，患者信息为关于获得的图像的数据。数据可以包括获得的图像类型；例如，数据可以指示给定的个体的大脑使用几个MR类型和PET扫描来成像。数据可以指示获得的图像的分辨率等级。数据也可以描述在获得图像中使用的采集参数。
在一些实施例中，匹配过程涉及连续地搜索患者信息的几个项目。例如，脑图像检索组件402可以首先搜索与该患者的年龄范围相同的人对应的数据库中的所有图像，并且然后在与该患者遭遇相同疾病的人对应的所有图像的结果集合中进行搜索。那个结果集合继而可以针对可能符合患者的大脑的可用的图像的图像类型而进一步进行搜索。在一些实施例中，搜索包括使用与用于患者的图像的那些相同的类型的数据库中的图像；例如，如果患者数据包括1.5特斯拉(或者3特斯拉)MRI，则搜索可以基于在数据库中寻找匹配的1.5特斯拉(或者3特斯拉)MRI图像。
数据库中的图像可以使用线性方法和非线性方法来配准到坐标系。坐标系可以为患者图像的那个。坐标系可以为数据库图像的那个。坐标系可以由外科手术操作指示。配准可以为线性的，意味着配准过程将待配准的图像屈从于可以使用线性变换系而描述的映射。线性变换可以包括平移。线性变换可以包括整个图像的缩放。线性变换可以包括图像的旋转。线性变换可以包括仿射配准。该配准可以为非刚性的，意味着它不能按照线性等式系统描述，并且它不必保存原始图像的比例。非刚性配准过程可以使图像的不同部分屈从于不同线性变换，其中区域之间的插值维持整个图像完整性。非刚性配准过程可以使图像屈从于弹性变形。非刚性变换可以用于将正被配准的图像中的特征或者地标与其它图像的类似特征对齐。地标可以是用户提供的。地标可以为解剖学的。地标可以为自动发现的；例如，地标可以由自动裂缝检查操作发现。配准可以为线性配准和非刚性配准的组合；例如，线性配准用于最初地放置图像在具有适当取向的坐标系内，并且非刚性配准可以接下来将图像特定特征与标准位置对齐。线性配准也可以用于为未来的非线性配准选择数据库的子集。配准可以为用户引导的。在一些实施例中，用户指导电子装置在坐标系内旋转图像。在一些实施例中，用户指导电子装置改变坐标系内的图像的大小。在一些实施例中，用户指导电子装置将成像的脑部的至少一个特征与另一个成像的脑部的特征对齐。配准可以涉及自动过程和手动过程的组合。例如，一个图像的配准可以被自动地修改为将图像的特定特征与另一个图像的那些特征对齐，此后，用户可以指导电子装置进行进一步线性或者非刚性配准修改以将图像对齐到用户满意。配准可以被完成以使成本例如均方误差或者交互信息最小化。可以用现有算法或者现有裁剪技术来执行配准。
在一些实施例中，脑图像检索组件402通过在数据库中定位与患者图像相匹配图像并且检索匹配图像来从数据库检索图像。在一些实施例中，匹配由数据库中的相同形态和对比的所有图像中使给定成本最小化的数据库中的那些图像来确定。在一些实施例中，仅在感兴趣区域中计算成本。在一些实施例中，针对不同形态和对比独立地计算成本，并且针对每一个，选择最小化的图像。在一些实施例中，图像选择基于线性配准。在一些实施例中，图像选择基于非线性配准。在一些实施例中，图像选择基于线性配准和非线性配准的组合。在一些实施例中，脑图像检索组件402定位以下脑图像，其具有与患者的脑部的类似特征相匹配的特征。例如，脑图像检索组件402可以定位以下图像，其具有与患者的脑部中的心室基本上相同的大小和形状的心室。脑图像检索组件402可以定位以下图像，其具有与患者的脑部中的类似特征基本上相同的几个特征。脑图像检索组件402也可以在针对以下图像的早前搜索的结果集合内执行这个图像匹配搜索，其中该图像的患者信息与患者的图像的患者信息相匹配。脑图像检索组件可以产生超过一个匹配结果。在一些实施例中，数据库中的相同主体对应的所有数据用于特定患者图谱，即使搜索使用它的子集用于匹配也是如此。例如，患者的脑部的T1加权图像可以用于搜索最佳匹配T1加权图像，而患者的脑部的T2加权图像可以用于搜索最佳匹配T2。
在其它实施例中，从数据库检索脑图像还包括：由至少一个电子装置接收指定了数据库中的特定图像的指令并且检索被指定的图像。在一些实施例中，用户通过用户界面输入指令。用户界面可以允许用户在屏幕上观察来自数据库的图像并且选择图像以与患者图像结合。用户界面允许用户组合地观察来自数据库的几个图像，并且选择那个组合来与患者图像结合。用户可以使用用户界面来观察患者信息匹配结果集合中的图像。用户可以使用用户界面来观察图像匹配结果集合中的图像。用户可以使用任何形式的手动数据输入装置来输入这些方向。在一些实施例中，自定义用户界面。在一些实施例中，用户界面为现有外科手术平台中的一个。
此外，方法100包括：由电子装置将患者脑图像与至少一个额外脑图像合并以产生特定患者的图谱(102)。在一些实施例中，在患者图像和至少一个额外脑图像被配准到相同坐标系的情况下，图谱生成组件403可以通过在相同坐标系中一个在一个上地叠置来合并两个图像。在一些实施例中，合并过程涉及修改一个图形的配准来将它匹配到另一个图像。配准修改可以是自动进行的。在一些实施例中，自动配准修改涉及检测两个图像之间的取向的差别并且使一个图像屈从于线性变换来旋转该图像。在一些实施例中，自动配准修改涉及检测两个图像之间的缩放的差别并且使一个图像屈从于线性变换来缩放该图像。在一些实施例中，自动配准修改涉及检测两个图像之间的大小的差别并且使一个图像屈从于线性变换以缩放该图像。在一些实施例中，自动配准修改涉及检测两个图像之间的分辨率的差别并且使一个图像屈从于线性变换以缩放该图像。在一些实施例中，自动配准修改涉及检测两个图像之间的位置的差别并且使一个图像屈从于线性变换以移动该图像。在其它实施例中，自动配准修改涉及检测两个图像之间的取向的差别并且使一个图像屈从于非刚性变换以将其匹配到另一个图像。非刚性变换可以由两个图像中呈现的至少一个解剖特征的检测和匹配来引导。
配准修改可以是手动的。在一些实施例中，用户指导电子装置在坐标系内旋转图像。在一些实施例中，用户引导电子装置改变图像在坐标系内的大小。在一些实施例中，用户指导电子装置将被成像脑部的至少一个特征与另一个被成像脑部的特征对齐。配准修改可以涉及自动过程和手动过程的组合。例如，一个图像的配准可以被自动修改以将该图像的特定特征与另一个图像的那些对齐，此后，用户可以指导电子装置进一步完成线性或者非刚性配准修改以将图像对齐至用户满意。用户可以使用任何形式的手动数据输入装置来输入这些指导。
在一些实施例中，图谱生成组件403识别所绘脑部的特定特征。在一些实施例中，图谱生成组件记录与识别出的特征或者区域对应的体素集合，并且将那个信息并入到特定患者的图谱或者特定患者的临床图像。在一些实施例中，图谱生成组件403通过选择脑图像集合中的至少一个图像、识别至少一个选定图像中的感兴趣区域、并且从至少一个选定图像中移除除了感兴趣区域之外的所有图像数据，来增加特定患者的数据。例如，图谱生成组件403可以在配准来自数据库的图像到患者图像之后从数据库图像消除除了STN或者有关形状之外的所有，并且将如此修改的图像与患者图像组合以产生特定患者的图谱。图6示出通过强调脑部的特定结构而创建的图像。被显示的图像中的脑部的大部分限于感兴趣区域之后和之下的两个横截平面图501。对感兴趣区域进行三维渲染，其包括STN 502、尾状核503和硬膜504。因为脑部的三维结构的剩余部分在该图像中不可见，所以感兴趣从图像的观察角是清晰可见的。
再次参照图1，方法100也包括：由电子装置显示特定患者的图谱(103)。在一些实施例中，显示组件404以关于模拟从特定角度观察所绘脑部的方式将特定患者的图谱投影到对电子装置401可用的二维显示上。根据一些实施例，显示组件404识别特定患者的图谱中的感兴趣区域，并且强调被显示的图谱中的那个感兴趣区域，如图6所示。在一些实施例中，投影提供所绘脑部内的特定结构的视图；例如，由图6表示的二维投影提供来自STN 502的特定角度的视图以作为感兴趣形状的示例。在一些实施例中，投影提供所绘脑部内的超过一个结构的视图。在一些实施例中，描绘的每个解剖特征用不同颜色显示以将其与其它描绘的解剖特征(未示出)进行区别。例如，STN 502或者感兴趣的特定形状可以用黄色显示，而尾状核503可以用于青绿色或者对实践者有用的任何颜色显示。在一些实施例中，用户可以输入指导显示组件404改变由投影示出的视角的指令。在一些实施例中，显示组件404接收指导它显示特征解剖特征的指令。在一些实施例中，显示组件404接收指导它用特定颜色描绘特定解剖特征的指令。在一些实施例中，显示组件404显示外科手术目标。外科手术目标可以用不同颜色显示以与它周围环境对比。在一些实施例中，显示组件404显示到外科手术目标的路径。在一些实施例中，计算该路径以避免损害血管。在一些实施例中，计算该路径以避免损害神经解剖结构。
该方法的一些实施例涉及放置医疗操作的目标。作为示例，图6中的STN502的描绘可以为用于瞄准医疗操作的STN 502的一个视图。在一些实施例中，该操作为外科手术操作。在一些实施例中，在操作之前，显示组件404显示外科手术操作的目标。在一些实施例中，在操作之前，显示组件404显示外科手术操作的路径而随着到达目标。例如，图7中的图像描绘DBS电极插入的解剖目标601以及跟着电极插入的插入的路径602。在一些实施例中，显示组件404在外科手术期间定期显示目标的更新图像。在一些实施例中，显示组件404在外科手术期间定期显示路径的更新图像。在一些实施例中，显示组件404在外科手术期间连续显示目标的更新图像。在一些实施例中，显示组件404在外科手术期间连续显示路径的更新图像。在一些实施例中，显示组件404显示符合用于内窥镜操作中的内窥镜图像的图像。在一些实施例中，显示组件404显示辅助腹腔镜外科手术的图像。在一些实施例中，显示组件404产生辅助血管内图像引导操作的图像。在一些实施例中，显示组件404提供引导机器人外科手术的成像。在一些实施例中，机器人外科手术为以下操作，在该操作中，外科医生通过操控被耦接到直接控制外科手术工具的电子装置的数据输入装置来间接控制一些外科手术工具。在一些实施例中，机器人外科手术包含显示器，其向外科医生示出在操作的位置处且在周围的解剖结构中正在发生什么。
该操作可以涉及将物质植入在患者的脑部内。在一些实施例中，在患者的脑部中植入的物质为活组织。在一些实施例中，在患者的脑部中植入的物质包括一个或者多个活细胞。在一些实施例中，在患者的脑部中植入的物质为基因材料。基因材料可以直接放置在患者的脑部内的细胞中。基因材料可以由中介递送到患者的脑部。中介可以为机器。中介可以为小机器人装置例如“纳米机器人”。中介可以自主地运作。中介可以为活体。中介可以为原核单细胞生物体。中介可以为病毒。中介可以为真核单细胞生物体。中介可以为多细胞生物体。中介可以为化合物。中介可以为蛋白质。中介可以为蛋白质集合。在一些实施例中，植入操作为插入干细胞的操作。在一些实施例中，该操作可以涉及将植入物放置在患者的脑部内。在一些实施例中，显示组件404在植入之前产生示出患者的脑部内的植入目标的图像。在一些实施例中，显示组件404在植入之前产生示出患者的脑部内的植入路径的图像。在一些实施例中，显示组件404在植入期间定期显示植入目标的更新图像。在一些实施例中，显示组件404在植入期间定期显示植入路径的更新图像。在一些实施例中，显示组件404在植入期间连续显示植入目标的更新图像。在一些实施例中，显示组件404在植入期间连续显示植入目标的更新图像。在一些实施例中，显示组件404在植入期间连续显示植入路径的更新图像。在一些实施例中，植入操作为插入DBS电极和引线的操作。
在一些实施例中，该方法还包括：接收示出在植入物插入之后的患者的脑部的至少一个植入后图像，将植入后图像与特定患者构建图谱合并以形成植入后合成图像，并且显示植入后合成图像。植入物可以为整体或者部分插入到脑部的任何外物。植入物可以包括但不限于DBS电极、DBS引线、微芯片、用于与神经元交互的电极、射频发射器、射频接收器、用于感觉替代的神经植入物和听觉脑干植入物。植入后图像可以为CT图像。植入后图像可以为如上面参照图4描述的任何其它医疗图像。在一些实施例中，图谱生成组件403使用上面参照步骤102给出的技术来将植入后图像与特定患者的图谱进行组合。在一些实施例中，图谱生成组件403通过将植入后图像与植入前患者数据中的任一个进行配准来创建组合图像。在一些实施例中，图谱生成组件403通过将植入后图像与对应的特定患者的图谱进行配准来创建组合图像。在一些实施例中，被显示的电极位置用于引导重新定位植入物的努力。在一些实施例中，实时CT成像与特定患者图谱组合以引导初始化插入和植入物的重新定位。在一些实施例中，被显示的电极位置用于辅助对电极进行编程以确定用于DBS的最佳效果的最相关电极一个接触/多个接触。图8描绘能够由一个实施例生成的组合图像，其将DBS电极701和引线702的捕获位置叠加在电极701已被插入到的患者的STN703的图像(或者来自图谱的对应一个)上。
在一些实施例中，显示组件404显示在没有植入的情况下与患者的脑部交换能量的操作的目标。在一些实施例中，显示组件404显示辐射治疗的目标；例如，显示组件404可以显示瞄准的辐射治疗的肿块。在一些实施例中，显示组件404显示用于放射外科的目标。放射外科可以涉及在患者的脑部内的特定目标上立体定位聚焦的少量离散剂量的辐射。在一些实施例中，显示组件404显示聚焦的超声波外科手术的目标。在一些实施例中，聚焦的超声波外科手术使用高强度聚焦的超声波束来破坏目标组织。
所公开的系统和方法的实施例使神经外科医生能够从事于更多复杂的且准确的外科手术和DBS植入操作。特别地，避免血管和重要神经结构且选择更准确初始化目标和用于DBS植入的路径的能力将具有减少DBS植入所要求的时间以及并发症的速率的可能性。所公开的系统和方法将增强从事于自动操作例如机器人外科手术的能力。在这种场景中，特定患者的图谱可以向机器人系统指示目标和整个穿透路径。远程外科手术也将受益于更高质量的更灵活的成像技术的使用。改善难以成像组织例如白质的描述的能力将使神经外科医生能够瞄准之前无法达到的组织。
STN位置预测方法。
预处理。考虑到STN的邻近和分割的可见性，基底核和丘脑区域内的皮质下结构-SN、红核(RN)、内部苍白球(GPi)和丘脑(Tha)被选择为7T MRI上的STN的潜在预测者。关于1.5T(或者临床)MRI数据，仅可检测的RN结构用于STN的预测者(其它结构可以挑战于识别典型临床成像并且如果可识别则可以被使用)。
在高场(7T)MR训练数据集合上的SN、STN、RN、GPi和Tha的左侧和右侧根据特定主体分析流水线由计算机程序或者解剖专家分割。7T MR数据集合的轴向和冠状T2W中的SN、STN、RN、GPi和Tha的3D分割在图9中用Amira软件(Mercury计算机系统)3D可视，商业或者内部GUI和可视工具可以在该步骤使用。由于GPi、RN和Tha在这里在高分辨率SWI和T2W的轴向被分割，而SN和STN在高分辨率SWI和T2W的冠状方向被分割，所以在每个数据集合上的SN和STN使用FSL FLIRT(FMRIB(Oxford Centre for Functional MRI of the Brain，牛津脑功能磁共振成像中心)的线性图像配准工具)来最初配准到轴向SWI上，以变换所有结构到公共坐标空间中。其它商业或者内部软件包可以用于该配准和用于该配准步骤的其它方向。
对于预测测试和它在临床(1.5T)MR数据集合上的验证，RN和STN在对应7T MR数据集合处获得的冠状SWI和T2W的组合上被手动分割并且使用FSL FLIRT(再次可以使用其它配准技术)来配准到轴向T2W数据上。然后，被配准的RN和STN结构使用变换矩阵在1.5T处被配准到T1W数据上，该变换矩阵通过用7T和1.5T MRI之间的公共配准协议将在7T处的轴向T2W配准到1.5T处的轴向T1W上来获得。针对其中7T MR成像是不可用的实际临床情况，RN结构可以在1.5T MR测试数据处获得的轴向T2W上被自动或者手动分割并且然后被配准到1.5T参考数据上，其具有一对对应的7T MR图像(参见图2(b))。
应当注意的是，在高场(7T)处获得每个训练集合的STN和其预测者需要标准化到相同坐标空间作为测试数据(7T或者1.5T)，这是因为在测试数据和7T MR训练数据上的预测者之间的姿态可变性(例如在扫描期间的患者的不同位置和取向以及不同MR形态或者磁场之间的分辨率差异)可能产生不准确预测结果。为此目的，我们标准化坐标空间且使用仿射线性配准和交互信息(MI)相似性度量来将7T MR训练集合的轴向T2W图像对齐到7T MR测试数据的轴向T2W图像上。然后，使用7T MR训练集合和测试集合之间的获得的变换矩阵(M_(i,7T))来将7T MR训练集合上的STN和其预测者配准到7T MR测试数据上(参见图2(a))。
此外，针对1.5T MRI处的预测，使用7T处的轴向T2W图像和1.5T MR测试集合处的T1W图像之间的现有变换矩阵来将在7T MR训练数据的STN和RN(配准到7T MR测试数据上)和在7T MR测试数据处手动分割的STN和RN配准到1.5T处的T1W测试图像上。特别地，当一对7T对应的1.5T MR测试数据不可用时，使用一对7T和1.5T MR参考数据。如图2(b)所示，7TMR训练数据的STN和RN使用ANTS或者任何其它包(商业的或者内部的)用变换矩阵(M_(i,7T))配准到7T MR参考数据上并且然后由两个数据之间的变换矩阵(M_(7T→1.5T))配准到其对应的1.5T MR参考数据上。因此，使用变换矩阵(M_1.5T)配准到1.5T MR参考数据上的来自1.5T MR测试数据(其不具有对应的一对7T MR图像)的STN和RN被标准化并且对齐到与被配准到1.5T MR参考数据上的7T MR训练集合的STN和RN相同的坐标空间。
统计形状模型。统计形状模型使我们能够利用与来自训练形状集合的解剖结构的形状变化有关的先验信息。公共统计形状模型基于点分布模型(PDM)其由沿着其表面分布的界标点(即网格中的顶点)集合表示形状，并且模拟形状变化。特别地，训练形状的界标点中的对应性被需要以捕获每个形状的变化并且建立形状预测的回归模型。基于最小描述长度(MDL)的方法被认知为有效形状对应方法。为了对应获得跨训练形状集合的这种地标，我们利用基于MDL的方法，该方法首先由球面网络参数化到训练形状的保角映射来生成地标，并且然后通过应用梯度下降算法来最优化该对应。在图10中示出了SN、STN、RN、GPi和Tha的3D形状(牢记我们使用这些重要结构作为本发明的示例，该技术也应用于其它区域)和五个7T MR训练集合上对应地沿着它们表面分布的地标点。
在我们的预测框架中，针对N个训练集合的、具有n_“x”地标点集合的STN和n_“y”地标点集合的STN的预测者的三维形状被表示为和列向量和通过连接地标点的所有坐标来获得：
此外，我们指示STN的预测者的形状(这里用作要预测的形状的示例)和关于真实数据的被预测的STN分别作为向量和注意，我们旨在使用训练集合上的STN和其预测者之间的空间关系来根据关于真实数据的STN的预测者x(p)的形状去估计STNy(p)的形状。
在将训练数据集合配准到真实数据上时，关于训练集合和真实数据的STN的预测者被对齐并且由此它们之间的姿态可变性可以降低(图2(a)和图2(b))。而且，我们可以全局地对齐关于训练集合和真实数据的预测者的表面地标点以产生STN的更可靠预测。为此目的，我们将关于训练集合(配准到真实数据上)的STN和其预测者的全部表面点的刚性变换或者仿射变换(例如，其中，i为从2到N)执行到作为参考的训练集合中的一个的那些(例如，)。然后，我们将训练集合的参考上的表面点和真实数据上的之间的变换矩阵应用到跨训练数据集合的STN和其预测者的被对齐的全部表面点。
跨训练集合的STN和其预测者的形状参数和姿态和关于真实数据的预测者从它们被对齐的表面地标点中获得，以在更低维度空间提取它们的空间关系，如下面进一步详细的。更具体地，跨训练集合对STN和STN的每个预测者关于它们的均值形状和执行广义普鲁克分析，以从形状移除姿势。对齐过程产生姿势参数向量和包括变换比例因子和3D旋转矩阵的项目此外，关于来计算关于真实数据的STN的预测者的姿态参数向量
然后，使用形状参数化方法例如主成分分析(PCA)来在更低维度空间建模训练集合中的表面点的被对齐的列向量和在该特定上下文中，我们例如利用内核PCA(KPCA)、PCA的非线性扩展，以通过考虑训练形状之间的非线性关系来增加预测可能性。
在KPCA中，输入空间(例如，)非线性映射到高维度特征空间
特征空间中的协方差矩阵C被定义为
其中，为由给出的中心映射，指示了由的φ映射的平均值。特征空间中的线性PCA涉及求解特征值问题Cvx＝λvx，其中为特征向量并且λ为协方差矩阵C的非零特征值。将协方差矩阵C代入特征值问题，我们获得
因为这暗示所有的特征向量vx处于的范围，vx可以表示为
其中，ai为针对i∈{1，...，N}的系数。然后，等效特征值问题被认为
将(4)和(5)代入(6)并且引入中央内核矩阵与项目其中，针对i，j∈{1，...，N})，我们获得并且然后用以矩阵形式达到其等效特征值问题，
其中，为单位矩阵，其列向量ui＝[ai，1，...，ai，N]T表示特征向量并且为针对i∈{1，...，N}的特征值的对角矩阵。注意，由HKH计算，其中，为由具有单位矩阵的和具有所有1的条目的列向量给出的矩阵，以条目定中心其中，针对i，j∈{1，...，N})，
这里，我们例如选择共用高斯内核参数σ控制内核的宽度。通过求解(7)的内核特征值问题而来自(5)的特征空间的协方差矩阵C的第q个特征向量可以由以下等式获得
其中，q∈{1，...，N}。标准化我们获得特征空间中的协方差矩阵C的第q个标准正交特征向量作为
其中，然后产生的第q个内核主成分可以通过将训练集合中的STN的每个预测者的映射投射到上来计算，其中，中心内核向量可以从中计算。
当特征空间的维度为无限时，关于协方差矩阵C的特征值问题为不可求解的。内核方法使我们能够在没有明确计算φ映射的情况下获得特征空间中的主成分(“内核技术”)。
在提议的预测框架(图2(c))中，以特征空间(即r＜＜N)中的第一r最大特征值排序的特征向量的内核主成分被存储为训练集合中的STN的每个预测者的形状参数向量
同理，训练集合中的每个STN的形状参数向量通过投射到以特征空间中的的协方差矩阵的第一r最大特征值排序的特征向量上来获得，
其中，此外，关于真实数据的STN的预测者的形状参数向量可以通过将预测者向量的映射投射到与的协方差矩阵C的第一r最大特征值对应的特征向量上，
其中，
现在，让我们假设STN的形状参数使用我们预测框架中的训练集合上的和之间的关系来从关于真实数据的预测，并且STN也使用训练集合上的和之间的关系来从关于真实数据的预测。我们需要从特征空间中的预测出的来重建输入空间中的STN的地标点。最后，我们用预测出的姿态参数从以这种方式获得STN y(p)的完整形状。注意，到由与特征空间中的的协方差矩阵的第一r最大特征值对应的特征向量跨越的子空间上的投射由以下等式给出
其中，为的r个预测出的主成分。此外，我们以获得为
(即原始空间中的预先图像估计其中，)的重建问题为不适当的，这是因为φ映射针对非线性内核功能是不可逆转的。已经建议了几个研究来解决该非线性优化问题，KPCA提议迭代方法，其最小化了和之间的平方距离而却遭遇了局部最小化和初始化问题。预先图像可以基于多维标度从在特征空间距离和输入空间中的对应距离之间的关系来估计。然而，它需要高计算成本。近来，提议了在没有迭代的情况下仅利用特征空间的重建方法。此外，基于局部线性插值的方法仅利用估计出的预先图像和最近邻之间的输入空间距离以用于随机输入建模。我们这里公开了更可靠且更快的重建方法，其给出了估计我们预测问题中的
上面公开了使用统计形状模型来提取训练集合上的STN和其预测者的形状参数(即，和)和姿态(即，和)以在更低维度空间中捕获它们变化。
然后，所公开的方法聚焦于从关于真实临床数据的STN的预测者的形状和姿态进行的STN(或者感兴趣的其它脑结构)的形状和姿态的预测问题，这通过使用下面章节中描述的回归模型跨训练集合而分别调查形状参数和姿态之间的关系来完成。
基于偏最小二乘回归的形状预测。所公开的方法进一步解决了找到STN(或者要预测的形状/区域)的形状参数和姿态与训练集合中的其预测者的形状参数和姿态之间的依赖关系的回归方法。因为形状预测欠定的(即低样品尺寸和高维度问题)，所以偏置线性回归是优选的，尽管也可以使用其它预测工具。
在一个可能的实施例中，所公开的方法提议PLSR技术的利用，该PLSR技术甚至已经广泛应用于具有在训练数据中尤其是在欠定系统中的任意向量集合之间的高相关性的多重共线性问题。PLSR扩展了多重线性回归并且找到预测者集合X内的主因子(即本征向量)以预测响应向量集合Y，使得它们之间的协方差是最大的。
在所公开方法的预测问题中，X包含针对STN的预测者的中心形状参数或者姿态的集合，并且Y包含针对训练集合中的STN的中心形状参数或者姿态的集合，其中，和通过对形状参数βi和姿态γi进行集中来获得。当预测者包含多重结构时，我们提取每个预测者的姿态和形状参数并且分别连结多个预测者的姿态和形状参数向量以利用预测框架中的每个预测者的姿态和形状的局部信息。例如，关于训练集合的预测者的左侧和右侧的形状和姿态参数向量被连结为和并且关于真实数据的预测者的左侧和右侧的形状和姿态参数向量也被连结为和
PLSR通过找到本征矩阵(latent matrix)T和F来分解X和Y：X＝TPT，
Y＝FGT，F＝TB+ε， (16)
其中，P为X的载荷矩阵，G为Y的权重矩阵，B为回归权重的对角矩阵，并且ε为回归误差。本征矩阵T和F的本征向量t和f分别通过找到两个权重向量w和g来获得，使得X和Y的列的线性组合具有最大协方差，意味着tTf是最大的：
t＝Xw，f＝Yg with wTw＝1，tTt＝1. (17)
具体地，w和g迭代地更新且然后获得，投影向量t和f由非线性迭代偏最小二乘方法分别从X和Y中减去。该迭代继续直到X变为零矩阵。最后，响应向量Y被预测为
其中，BPLS＝PT+BGT，PT+为PT的穆尔彭罗斯伪逆。
假设和分别地为通过在我们预测问题中执行PLSR获得的训练集合中的STN和其预测者之间的形状参数和姿态的回归系数。给出关于真实数据的STN的预测者的形状参数和姿态则关于真实数据的STN的形状参数和姿态被预测为
近邻结构作为STN的预测者。已经针对所公开的方法得出用于预测形状和姿态的框架。下面进一步公开由预测方法使用的实际形状。
基于回归的模型中的预测准确性受STN和其预测者结构之间的相关程度影响。最近研究已经报告了成对的邻近脑结构是高度相关的。皮下结构中的STN的预测者通过考虑STN的空间邻近性和来自特定主体的关于真实MR数据(1.5T/3T或者7T)的可见性(容易可检测的)来引入。
STN是较小的大约凸结构，其分成后侧区域中的运动地区(例如作为用于帕金森疾病的DBS外壳手术的目标区域)和前内侧区域的边缘地区，并且由几个皮质下区域(未定带、内侧丘系、动眼神经副核、内囊、SN、RN、GPi和Tha)围绕。
虽然STN的自动定位仍然是一个挑战，但是关于高场(7T)MR数据的高级对比和高分辨率能够直接可视化且识别基底核和丘脑内的皮质下结构尤其是STN和其邻近结构。此外，皮质下结构的容积模型已经通过利用在7T磁铁处获得SWI和T2W图像的多重对比来建立，由此提供这些结构的空间信息(位置、维度和取向)。
图9示出轴向或者冠状T2W 7T MRI(来自用于本公开的该研究中的主体中的一个)中的手动分割的STN和其邻近结构(SN、Tha、GPi和RN)的3D结构。应当注意的是，SN、Tha、GPi和RN与STN具有解剖接近度并且比关于高场(7T)MR数据的STN的其它邻近结构更可行的描绘。针对感兴趣的其它结构，应当利用类似关系。因此，我们考虑SN、Tha、GPi和RN作为STN的潜在预测者并且利用在7T MR数据处获得的STN和预测者的3D模型(在该情况下，手动分割，然而也可以使用自动或者半自动)作为训练集合以引起他们之间的空间关系。给出(来自另一个主体的)关于真实7T MR数据分割的SN、Tha、GPi、RN或者甚至他们所有，遵从在之前部分中引入的技术，我们可以自动预测关于7T MR的来自他们的STN。然而，由于7T MR数据不可以广泛用于临床使用，所以需要进一步考虑关于传统MR数据(1.5T)的STN预测。
图11示出分别使用1.5T和7T MR成像而获得的轴向T2W图像中的SN、STN、Tha、GP和RN区域。轴向T2W 7T MR数据被配准到T2W 1.5T MR数据上以用于比较。
我们观察到，难以从SN识别STN、GP区域中的GPi和1.5T(临床)MR成像上的Tha，这是因为这些区域中的弱强度和低SNR，而7T MR成像为这些区域提供清晰可视。此外，在7TMR成像上比在1.5T MR成像上更清楚示出RN区域。然而，注意到，RN比1.5MR成像上的其它结构更容易识别。而且，几个研究已经利用RN(例如STN到RN的相对位置)作为引导来在DBS期间将电极植入到STN中。关于1.5T MR数据，然后，我们选择RN结构作为STN的自动预测者，这是因为它是清晰可视的且处于STN的邻近。然后关于真实1.5T MR数据的STN通过利用关于7T MR训练数据引起的其空间关系而从关于相同数据获得的RN中来自动预测。
在我们预测框架中，关于7T MR成像而获得的训练集合中的针对预测者(SN、RN、GPi或者Tha)的每侧的表面路标点向量被表示为并且关于真实数据的预先分割的预测者的每侧(半球)(即，关于7T MR成像的SN、RN、GPi或者Tha或者关于1.5T MR成像的仅RN)分别被编码为它们的表面路标向量
实验验证。预测测量。为了强调本公开和发明的价值以及这里引入的一些特定实施例，我们现在作为说明形式来描述我们使用如上面描述和示出的那些的实施方式获得的实验结果中的一些。
预测准确性由Dice系数(DC)形状相似性、表面路标点之间的平均距离、以及每个预测出的STN和其地面实况(即手动分割的STN)之间的形心、维度和取向的误差来测量。DC值由计算为形状的相似度测量，其中，VA和VB为比较的结构A和B的相应体积。手动分割的STN和预测的STN之间的表面路标点的均方误差(MSE)∈MSE被测量为其中，和分别为手动分割的STN和预测的STN的表面路标点的3D表示，并且ny为3D中的点的总数。注意，并且比作为
而且，我们分别计算针对预测出的STN的惯性椭球(即从STN的预测出的表面路标点重建的3D形状)和其手动分割的冠状方向、矢状方向和轴向方向的形心g＝(gcor，gsag，gaxi)、三个半轴(半径的长度)l＝(lx，ly，lz)以及取向角度o＝(φ，θ，ψ)来分析它们几何信息的相似度。更具体地，g被计算为路标点的每个坐标的平均值。l根据通过执行ny个中心路标点的PCA所获得的前三个最大特征值来计算。o通过计算来自包含对应特征值的旋转矩阵的欧拉角来获得。最后，计算手动分割的STN的测量结果和其预测的一个之间的误差(作为规范)∈g，∈l，和∈o。
预测者的评估。所公开的方法的STN的预测使用来自7T MR的每个结构(SN、RN、GPi或者Tha)来执行并且评估这些预测者的预测表现。关于每个数据集合的结构的训练集合使用留一法来建立。例如，数据集合1的训练集合由来自数据集合2,3,4和5的每个结构的路标点向量构成，省略了来自数据集合1的那些。虽然5个集合这里用于说明，但是本公开和其组分可以应用于任何数量的训练数据集合。
针对每个数据集合(例如针对数据集合1)，我们从训练集合(从数据集合2到5)的它们手动分割的表面路标点提取了针对STN的每个预测者(即关于7T MR数据的SN、RN、GPi或者Tha)的左(left)结构和右(right)结构的形状参数和姿态以及STN的每侧的形状参数和姿态然后对训练集合中的STN的预测者的形状参数集合和STN的形状参数集合执行PLSR，以产生形状参数的回归系数同理，我们对训练集合中的STN的预测者的姿态参数集合和STN的姿态参数集合执行PLSR，以分别产生姿态参数的回归系数
给定关于真实数据的STN的预测者(即关于7T MR数据的SN、RN、GPi或者Tha)的形状参数和姿态使用学习到的关系和针对关于真实数据(即关于7T MR成像)的STN的每侧来预测形状参数和姿态最后，特征空间中的STN的每侧的预测出的形状参数使用预成像估计方法而被重新构建成输入空间中的表面点并且然后由预测出的姿态参数来变换，产生了STN的完整的预测出的形状
从SN、RN或者SN、RN、GPi和Tha所有中预测的STN的形心与手动分割的一个(即平均∈g＜1.5mm)的那些是可比较的。预测的尺寸误差∈l对所有预测者类似，具有平均值小于1.8mm。此外，从RN预测的STN的取向角度误差比使用其它预测者更小(即平均∈o＜8°)，但是那些跨数据集合是高度可变的。根据全部预测误差，SN和RN可以被认为是针对STN的非常公正的预测者。
在图12中，示出了通过分别使用SN和RN结构作为关于五个数据集合中的一个的预测者而预测的STN的对应形心的3D形状和它们惯性椭球，与对应的手动分割重叠。我们观察到：关于数据集合的预测出的STN的形心、尺寸和取向与手动分割仍然是可比较的，并且该形状比在其它数据集合中的稍稍更准确。
关于1.5T MR数据集合的预测结果。高场(7T)MR成像已经成功可视化STN，分离了其邻近结构SN，归因于其高级对比和更高分辨率。然而，7T MR数据可能不总是可用于标准临床使用。因此，传统临床1.5T(或者3T)MR数据的STN预测可以提供关键信息以用于DBS目标对准和术后编程。关于四个(作为说明性的示例)1.5T MR数据集合的STN的预测仅使用关于临床1.5T MRI的可视RN结构来执行。针对该比较，我们呈现通过使用关于对应的(相同主体)7T MR数据集合的RN以及配准到1.5T和7T MR测试集合上的训练数据集合上的STN的形状的平均而获得的预测结果。
关于1.5T MR数据集合的预测出的STN的平均DC值甚至好于关于对应的7T MR数据集合的那些。然而，它仍然不是与手动分割一样精确。另一方面，我们观察到：关于1.5T和7TMR数据集合的形心距离(左侧和右侧的平均∈g小于2mm)、尺寸(∈l小于1mm)与手动分割的STN是可比较的。
此外，测量参数包括(分别地)预测出的STN的形心、STN的平均形状和手动分割的STN与RN之间的距离以在1.5T和7T MR数据集合上分析STN到RN的相对位置。注意到，我们利用我们预测框架中的RN和STN之间的空间关系。多脑结构之间的这种相对姿态可能为神经变性疾病的诊断提供有用信息。而且，在最近研究中，RN已经用作STN的DBS目标对准的参考。
观察到，预测出的STN被定位在跨1.5T和7T MR数据集合的两侧上的RN的形心的前面5-8mm、侧面3.9-6.7mm和上部0.7-3.5mm(尤其是针对手动分割的STN，前面4-7.4mm、侧面5.2-7.5mm和上部0.2-4.2mm)。关于1.5T MR数据集合的预测出的STN、STN的平均形状和手动分割的STN与RN的相对位置与关于7T MR数据集合的那些类似。此外，关于1.5T和7T MR数据集合，预测出的STN与RN的全部相对位置比STN的平均形状与RN的相对位置更靠近手动分割的STN与RN的相对位置。
关于1.5T MR数据集合的右STN的预测的取向角度的距离误差∈o和∈MSE分别为比关于7T MR数据集合的那些高15°和0.7mm。关于1.5T MR数据集合和7T MR数据集合的STN的左侧的平均预测结果和STN的左侧的平均形状好于右侧的那些。我们观察到，来自一个数据集合的右侧STN的预测结果比其它数据集合的那些更糟糕。例如，∈g为2.98mm和2.87mm，并且DC值为53.5％和49.4％，分别对比于关于1.5T MR和7T MR数据集合的平均∈g(1.89mm和1.74mm)和DC值(60.8％和57.8％)。这示出了关于该数据集合的右STN和RN之间的空间关系可以与从训练集合获得的关系明显不同。该公开包括多个数据集合的使用，由此提高这个的更多数据更多机会找到适当的脑部。
我们也测量STN的测量结果、平均形状和手动分割的真实尺寸的容积(mm3)。关于1.5T和7T MR数据集合的手动分割的容积可以应当类似，这是因为两个数据集合之间的不同容积可能导致DC相似值的不准确比较。在1.5T处的手动分割的STN的平均容积为17mm3(左)和11mm3(右)，其大于在7T MR数据集合的那些(在7T MR数据配准到1.5T MR数据之后的阈值重采样人工产物可能导致两个数据集合之间的容积差)。预测出的STN和平均形状的平均容积大于关于1.5T和7T MR数据集合的手动分割的STN的那些。此外，我们观察到，关于7T MR数据集合的预测的STN的左侧的平均容量为14mm3，其大于1.5T MR数据集合的那个。这解释了为什么关于1.5T MR数据集合的预测出的STN的左侧的DC值高于关于7T MR数据集合的那个7％(尽管类似测量)。换言之，关于7T MR数据集合的左STN的手动分割和预测之间的容积差大于关于1.5T MR数据集合的那些(即，关于7T的60mm3和关于1.5T MR数据集合的30mm3)。两个MR数据集合的预测出的STN的容积与STN的它们平均形状的那些不同。数据集合的大小和多样性(例如对比)越大，越强大预测被期望。
关于1.5T MR和7T MR数据集合的来自RN的全部预测结果比跨训练集合的STN的平均形状更靠近手动分割的STN，证明了我们所公开的框架和发明的预测能力完全基于医疗可行测量。这清楚示出如何从医疗MRI使用所公开的发明，我们可以定位神经外科的关键结构。
图13和图14示出通过使用RN结构预测的STN的轮廓、手动分割的STN和STN在三个正交面中的训练数据集合上的平均、它们的形状和具有来自特定主体的各自的1.5T MR数据集合和7T MR数据集合的形心的对应惯性椭球。此外，与冠状方向、矢状方向和轴向中手动分割的STN的那些比较，我们提供预测出的STN的形心位置和STN的平均形状。然后，我们测量STN的形心与RN的相对位置。
关于该1.5T MR数据，比其它数据集合和对应的7T MR数据更准确预测STN，示出更高DC值和全部低距离误差(例如，在两侧的∈g＜1mm和∈l＜0.5mm)。我们还观察的，关于1.5T MR数据集合的预测出的STN与RN的相对位置比STN与RN的平均形状的相对位置更靠近手动分割的STN与RN的相对位置(尤其是，在STN的右侧)。
而且，关于该1.5T MR数据集合的预测结果比配准到1.5T MR数据集合上的训练集合上的STN的平均形状更好，而关于7T MR数据集合的预测结果与配准到该7T MR数据集合上的训练集合上的STN的平均形状类似。具体地，注意，关于1.5T MR数据集合的右STN的预测结果比关于7T MR数据集合的预测结果更靠近手动分割，尽管关于1.5T MR数据集合的训练集合上的其平均形状是相当不准确的，(参见图13)。这示出关于该1.5T MR数据的右STN的预测比关于其对应的7T MR数据集合的STN的预测更有效。
应当注意，所公开的发明使我们能够可比较地估计它的位置、尺寸和取向，甚至是关于在STN区域内的具有低对比(例如1.5T MR成像)或者闭塞(例如噪声)的数据。这利用从高场(7T)MR训练数据学习到的、STN和其预测者之间的空间依赖性来完成。特别地，针对预测出的STN的惯性椭球的形心、尺寸和取向角度可以为该区域内的更准确DBS目标对准提供非常有用的信息。
根据7T MR训练数据集合的STN预测测试，所公开的发明证明SN和RN结构是比GPi和Tha更好的STN的预测者，具有更高DC相似值和形心、尺寸或者取向中的更低平均误差，指示出那些结构提供了关于STN的形状和姿态的更显著信息。此外，如果SN、RN、GPi和Tha中的所有在7T MR测试数据上可用，则多个结构可以被认为具有它们可比较的测量的STN的公平预测者。虽然Tha为到STN的最邻近结构之一(参见图9(b))，但是我们观察到，使用Tha作为预测者获得的预测出的结果比使用其它预测者稍微糟糕，尤其是针对表面路标点∈MSE的形心误差∈g、取向角度误差∈o和MSE。注意，Tha结构具有相对较大容积并且因此在STN和Tha之间的形心的距离大于其它预测者。此外，Tha的手动分割可能不是与其它预测者的手动分割一样精确。这些因素可以导致预测出的STN的不准确姿态。当应用该发明到这些和其它脑结构时，所有这些应当被考虑在内。
而且，该方法也示出RN结构扮演了关于1.5T MR数据集合的STN的良好预测者的角色。关于1.5T MR成像的来自RN的STN的所有预测出的结果与关于7T MR成像的从RN获得那些类似。虽然预测出的STN的完整形状不如手动分割的STN一样准确，但是预测出的STN的姿态信息(形心和尺寸)与手动分割的STN的那些是可比较的。
虽然关于1.5T MR数据集合的取向角的距离误差较高，但是关于1.5T MR成像的预测出的STN的平均DC值好于关于7T MR成像的那些，这是因为关于1.5T MR成像的预测出的STN的平均容积更靠近STN的手动分割。此外，根据所公开的方法，关于1.5T MR成像预测出的STN的表面路标点的平均数量远小于关于7T MR成像预测出的STN的那个(例如关于1.5TMR数据集合的平均146个点和关于7T MR数据集合的平均436个点)。这可以稍微导致关于1.5T MR数据集合的STN的更准确形状预测，但是产生更高的取向角误差。
然而，应当注意的是，关于7T MR数据集合分割的RN结构被配准到1.5T MR数据集合并且然后在该示例中用作STN的预测者(如果7T MRI不可用于临床使用，则RN可以关于1.5T MRI完全分割并且配准到1.5T MR参考数据)。这里使用的RN被认为关于1.5T MR的STN的更可靠预测者，这是因为可以关于7T MR数据而不是1.5T MR数据更清楚识别RN结构。
关于1.5T和7T MR数据集合的预测出的STN与RN的相对位置比STN和RN的平均形状之间的相对位置更靠近手动分割的STN和RN之间的相对位置。注意，我们在我们预测框架中学习到它们之间的空间关系(尤其是，其可以用于神经退化性疾病的诊断)，而在STN的平均形状中不考虑RN的相对姿态。
而且，当跨训练数据集合的STN的平均形状更靠近STN的手动分割时，关于1.5T和7T MR数据集合的STN的预测示出了更准确结果。具体地，取向角的距离误差主要受跨训练数据集合的平均形状的那些影响。这些发现暗示了STN的预测可以由训练集合上的预测者和STN到测试数据集合上的预测者的全部对齐来改善(由此跨训练集合的STN的平均形状的姿态可以靠近其手动分割)，从而相应地减少训练集合和测试集合上的预测者之间的姿态可变性。
该方法利用从高场(7T)MR训练数据集合获得的STN和RN之间的空间依赖关系以从关于1.5T MR成像的RN预测STN。1.5T(临床)T1W图像和高场7T T2W MR成像具有不同分辨率(例如，分别0.98×0.98×1mm3和0.4×0.4×2mm3)，意味着误对齐，其可以产生预测中的不准确姿态。因此，我们使用通过配准每个7T MR训练数据集合到7T MR测试数据上且然后配准7T MR测试数据到1.5T MR测试数据上获得的变换矩阵将每个7T MR训练数据上的STN和RN结构标准化为1.5T MR测试数据的公共坐标空间。而且，在其中与1.5T MR测试数据对应的7T MR测试集合不可用的情况下，1.5T MR和7T MR参数数据被认为7T MR训练数据集合和1.5T MR测试集合的公共坐标空间，如在图2(b)中。
该方法示出所公开的方法可以直接预测STN的形状和姿态，虽然有时可视，其仍然难以自动分割或者因为有限视场而一点也不可视。而且，甚至关于医疗1.5T MR数据，其也不可以识别STN，我们示出了它可以使用清晰可视且与其邻近的RN结构来预测。
由所公开的方法进行的STN的预测已经使用五个训练集合来示出。这里报告的结果可以使用高场(7T)图像的较大数据集合进一步改善。而且，随着数据库和样本大小的增加，专门情况的子组(例如年龄、性别或者甚至疾病-和/或特定症状)可以证明当将预测模型用于组时增强预测者的准确性。该公开的一个实施例包括基于这种信息的数据的分组。最后，与STN的可变性有关的解剖信息例如跨训练形状集合的第三室宽度和双硬膜距离可以被认为额外的预测者并且合并到所提议的公开。
所公开的系统和方法的实施例使神经外科医生能够从事于更复杂且准确的外科手术和DBS植入操作。特别地，避免血管和重要神经结构并且选择更准确初始目标和用于DBS植入的路径的能力将具有减少DBS植入所要求的时间以及并发症的速率的可能性。所公开的系统和方法将提高从事于自动操作例如机器人外科手术的能力。在这种情景中，特定患者的图谱可以向机器人系统指示目标和整个穿透路径。远程外科手术也将受益于更高质量的更灵活成像技术的使用。改善难以成像组织例如白质的描述的能力将使神经外科医生能够瞄准之前无法达到的组织。
将理解，该系统和方法可以在不脱离本发明的精神或者核心特征的情况下以其它特定形式实现。因此，本示例和实施例在所有方面被认为是说明性的而非限制性的，并且该系统方法不限于本文中给出的细节。

Claims (33)

1.一种用于操作电子装置的脑图像流水线方法，包括：
接收患者的脑图像以及表征脑图像的患者信息，其中，患者的脑图像具有预测者区域和感兴趣区域，并且其中患者信息包括与脑图像相关联的性别、年龄、病史、脑大小、脑维度和成像模式中的一个或者多个；
访问数据库，所述数据库具有与患者的脑图像不同的多个脑图像以及表征与患者的脑图像不同的脑图像中的每个的数据库图像信息，其中所述数据库包括多个不同类型的磁共振成像图像，并且其中所述数据库图像信息包括与脑图像相关联的性别、年龄、病史、脑大小、脑维度和成像模式中的一个或者多个；
从数据库中检索具有与患者的脑图像的患者信息相匹配的数据库图像信息的多个脑图像的特定患者的训练集合，其中，训练集合中的每个脑图像具有预测者区域，其与在解剖学上不同于所述预测者区域的感兴趣区域相关联，并且其中，所述训练集合中的每个脑图像的预测者区域对应于患者的脑图像中的预测者区域，并且所述训练集合中的每个脑图像的感兴趣区域对应于患者的脑图像中的感兴趣区域；
处理脑图像的特定患者的训练集合以基于在脑图像的训练集合中的感兴趣区域的形状、位置和方向相关于在脑图像的训练集合中的预测者区域的形状、位置和方向的关系提取表示具有预测出的形状以及预测出的位置和方向的预测出的感兴趣区域的预测者信息；
使用预测者信息处理患者的脑图像，以将具有预测出的形状、位置和方向的预测出的感兴趣区域相关于患者的脑图像中的预测者区域并入到患者的脑图像中，从而产生特定患者的图谱。
2.根据权利要求1所述的方法，其中，访问数据库包括访问脑图像的数据库，其包括元数据被注释的脑图像，其中元数据包括与脑图像相关联的性别、年龄、病史、脑大小、脑维度和成像模式中的一个或者多个；并且
检索脑图像的特定患者的训练集合包括基于与数据库中的脑图像相关联的元数据来选择脑图像。
3.根据权利要求1所述的方法，其中，检索脑图像的特定患者的训练集合包括：基于脑图像的特性而选择脑图像以为了深度脑刺激电极布置而使由特定患者的图谱的患者的脑解剖学表示的准确性最优化，预测出的感兴趣区域是丘脑底核，并且预测者区域是红核。
4.根据权利要求1所述的方法，其中，
方法还包括：
在处理脑图像的训练集合的步骤之前将脑图像的训练集合中的脑图像配准到坐标系；以及
将患者的脑图像配准到坐标系；并且
处理患者的脑图像包括：将脑图像配准到坐标系。
5.根据权利要求1所述的方法，其中，感兴趣区域是丘脑底核、尾状核、硬膜、内部苍白球、黑质、红核和丘脑中的一个或者多个。
6.根据权利要求4所述的方法，其中，将脑图像的训练集合中的脑图像和患者的脑图像配准到坐标系包括刚性配准和非刚性配准中的一个或者二者。
7.根据权利要求1所述的方法，其中：
接收患者的脑图像包括接收第一成像模式脑图像；并且
检索脑图像的特定患者的训练集合包括选择第二成像模式脑图像，并且其中，第二成像模式为与第一成像模式不同的模式。
8.根据权利要求1所述的方法，其中，检索脑图像的特定患者的训练集合包括选择以7特斯拉或者更高的场强度获得的磁共振图像。
9.根据权利要求8所述的方法，其中，接收患者的脑图像包括接收以3特斯拉或者更低的场强度获得的磁共振图像。
10.根据权利要求9所述的方法，其中，检索脑图像的特定患者的训练集合还包括选择一个或多个计算机断层扫描图像。
11.根据权利要求9所述的方法，其中，检索脑图像的特定患者的训练集合为深度脑刺激电极布置检索图像。
12.根据权利要求1所述的方法，并且还包括：在网络上传输特定患者的图谱和患者的脑图像中的一个或二者。
13.根据权利要求12所述的方法，并且还包括：显示特定患者的图谱的预测出的感兴趣区域。
14.根据权利要求1所述的方法，其中，检索脑图像的特定患者的训练集合包括由临床医生操作用户界面进行的手动选择和由图像检索组件进行的自动选择中的一个或者多个。
15.一种用于操作电子装置的脑图像流水线方法，包括：
接收患者的脑图像和表征所述脑图像的患者信息，其中，所述患者的脑图像具有预测者区域以及感兴趣区域，并且其中，所述患者信息包括与脑图像相关联的性别、年龄、病史、脑大小、脑维度和成像模式中的一个或者多个；
访问具有包括与患者的脑图像不同的图像的多个脑图像的数据库，其中，数据库包括以7特斯拉或者更高的场强度获得的磁共振图像以及以3特斯拉或者更低的场强度获得的磁共振图像，并且其中，数据库包括与每个脑图像相关联的元数据元素，所述元数据元素包括性别、年龄、病史、脑大小、脑维度和成像模式中的一个或者多个；
基于数据库中的图像的元数据元素与患者的信息的匹配，从数据库中检索多个脑图像的特定患者的训练集合，包括以7特斯拉或者更高的场强度获得的磁共振图像，其中，训练集合的每个脑图像具有预测者区域，其与在解剖学上不同于所述预测者区域的感兴趣区域相关联；并且其中，所述训练集合中的每个脑图像的预测者区域对应于患者的脑图像中的预测者区域，并且所述训练集合中的每个脑图像的感兴趣区域对应于患者的脑图像中的感兴趣区域；
处理脑图像的特定患者的训练集合以基于在脑图像的训练集合中的感兴趣区域的形状、位置和方向相关于在脑图像的训练集合中的预测者区域的形状、位置和方向的关系提取表示具有预测出的形状以及预测出的位置和方向的预测出的感兴趣区域的预测者信息；
使用预测者信息处理患者的脑图像，以将具有预测出的形状、位置和方向的预测出的感兴趣区域相关于患者的脑图像中的预测者区域并入到患者的脑图像中，从而产生特定患者的图谱；
在通信网络上传输特定患者的图谱以用于随后显示。
16.根据权利要求15所述的方法，并且还包括：显示特定患者的图谱，其包括被并入的预测出的感兴趣区域。
17.根据权利要求15所述的方法，其中，接收患者的脑图像包括接收以3特斯拉或者更低的场强度获得的磁共振图像。
18.根据权利要求17所述的方法，其中，访问数据库包括访问包括T1加权磁共振图像、T2加权磁共振图像和计算机断层扫描图像的数据库。
19.根据权利要求18所述的方法，其中，
方法还包括：
在处理脑图像的训练集合的步骤之前将脑图像的训练集合中的脑图像配准到坐标系；以及
将患者的脑图像配准到坐标系；并且
处理患者的脑图像还包括将脑图像配准到坐标系。
20.根据权利要求17所述的方法，其中，检索脑图像的特定患者的训练集合包括选择脑图像来产生使被并入的预测出的感兴趣区域的准确性最优化的特定患者的图谱以用于临床目的。
21.根据权利要求20所述的方法，其中，临床目的为深度脑刺激电极布置。
22.根据权利要求21所述的方法，其中，预测出的感兴趣区域为丘脑底核、尾状核、硬膜、内部苍白球、黑质、红核和丘脑中的一个或者多个。
23.根据权利要求17所述的方法，其中，接收患者的脑图像还包括接收计算机断层扫描图像。
24.根据权利要求15所述的方法，其中，
方法还包括：
在处理脑图像的训练集合的步骤之前将脑图像的训练集合中的脑图像配准到坐标系；以及
将患者的脑图像配准到坐标系；并且
处理患者的脑图像包括：使用线性变换和非线性变换中的一个或者二者而将脑图像配准到坐标系。
25.根据权利要求15所述的方法，其中，处理患者的脑图像以产生特定患者的图谱包括：移除患者的脑图像的至少一些。
26.根据权利要求15的方法，其中处理脑图像的特定患者的训练集合的步骤包括：
使用第一算法来处理脑图像的特定患者的训练集合，以生成表示预测出的感兴趣区域的形状、位置和方向的预测者信息；并且
使用不同于第一算法的第二算法来处理脑图像的特定患者的训练集合，以生成表示预测出的感兴趣区域的形状、位置和方向的预测者信息。
27.根据权利要求26的方法，其中处理脑图像的特定患者的训练集合包括：
使用与预测者区域和预测出的感兴趣区域关联的统计形状模型。
28.根据权利要求27的方法，其中使用第二算法处理脑图像的特定患者的训练集合包括使用诸如偏最小二乘回归的回归来处理图像。
29.根据权利要求26的方法，其中使用第二算法处理脑图像的特定患者的训练集合包括使用诸如偏最小二乘回归的回归来处理图像。
30.根据权利要求1的方法，其中处理脑图像的特定患者的训练集合的步骤包括：
使用第一算法来处理脑图像的特定患者的训练集合，以生成表示预测出的感兴趣区域的形状、位置和方向的预测者信息；并且
使用不同于第一算法的第二算法来处理脑图像的特定患者的训练集合，以生成表示预测出的感兴趣区域的形状、位置和方向的预测者信息。
31.根据权利要求30的方法，其中处理脑图像的特定患者的训练集合包括：
使用与预测者区域和预测出的感兴趣区域关联的统计形状模型。
32.根据权利要求31的方法，其中使用第二算法处理脑图像的特定患者的训练集合包括使用诸如偏最小二乘回归的回归来处理图像。
33.根据权利要求30的方法，其中使用第二算法处理脑图像的特定患者的训练集合包括使用诸如偏最小二乘回归的回归来处理图像。
CN201480045705.3A 2013-07-02 2014-06-27 脑图像流水线和脑图像区域位置和形状预测的方法和系统 Active CN105637536B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201361841955P 2013-07-02 2013-07-02
US61/841,955 2013-07-02
US201461929053P 2014-01-18 2014-01-18
US61/929,053 2014-01-18
PCT/US2014/044675 WO2015002846A2 (en) 2013-07-02 2014-06-27 Method and system for a brain image pipeline and brain image region location and shape prediction

Publications (2)

Publication Number Publication Date
CN105637536A CN105637536A (zh) 2016-06-01
CN105637536B true CN105637536B (zh) 2019-08-23

Family

ID=52132864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480045705.3A Active CN105637536B (zh) 2013-07-02 2014-06-27 脑图像流水线和脑图像区域位置和形状预测的方法和系统

Country Status (5)

Country Link
US (5) US9600778B2 (zh)
EP (2) EP3537343B1 (zh)
JP (2) JP6603656B2 (zh)
CN (1) CN105637536B (zh)
WO (1) WO2015002846A2 (zh)

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9600778B2 (en) 2013-07-02 2017-03-21 Surgical Information Sciences, Inc. Method for a brain region location and shape prediction
JP5641629B1 (ja) * 2013-10-31 2014-12-17 株式会社アラヤ・ブレイン・イメージング 個人特性予測システム、個人特性予測方法及びプログラム
US10074173B2 (en) * 2013-12-06 2018-09-11 The Johns Hopkins University Methods and systems for analyzing anatomy from multiple granularity levels
EP3234912B1 (en) * 2014-12-15 2020-08-26 Koninklijke Philips N.V. Quality control of image registration
US20160295126A1 (en) * 2015-04-03 2016-10-06 Capso Vision, Inc. Image Stitching with Local Deformation for in vivo Capsule Images
CA2999804C (en) * 2015-10-06 2024-03-26 Synaptive Medical (Barbados) Inc. Method, system and apparatus for image-guided insertion of implant devices
US10255675B2 (en) * 2016-01-25 2019-04-09 Toshiba Medical Systems Corporation Medical image processing apparatus and analysis region setting method of texture analysis
CN113822960A (zh) 2016-09-06 2021-12-21 医科达有限公司 用于生成合成成像数据的方法、系统及计算机可读介质
CN106530280B (zh) * 2016-10-17 2019-06-11 东软医疗系统股份有限公司 一种图像中器官的定位方法及装置
CN106548480B (zh) * 2016-12-23 2023-05-26 蚌埠学院 一种基于机器视觉的农产品体积快速测量装置及测量方法
US10469159B2 (en) * 2017-02-14 2019-11-05 Qualcomm Incorporated Narrowband time-division duplex frame structure for narrowband communications
TWI651688B (zh) * 2017-03-17 2019-02-21 長庚大學 利用磁振造影影像預測神經疾病的臨床嚴重度的方法
EP3379459A1 (en) 2017-03-24 2018-09-26 Tata Consultancy Services Limited System and method for telecom inventory management
WO2019060298A1 (en) 2017-09-19 2019-03-28 Neuroenhancement Lab, LLC METHOD AND APPARATUS FOR NEURO-ACTIVATION
US11857289B2 (en) 2017-10-24 2024-01-02 Washington University Systems and methods of optimizing functional images of a lesion region using guided diffuse optical tomography
CN108038840B (zh) * 2017-11-24 2020-03-17 深圳先进技术研究院 一种图像处理方法、装置、图像处理设备及存储介质
US11717686B2 (en) 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance
CN108013933B (zh) * 2017-12-14 2019-10-18 复旦大学 基于集成学习的大脑功能影像定位方法
EP3731749A4 (en) 2017-12-31 2022-07-27 Neuroenhancement Lab, LLC NEURO-ACTIVATION SYSTEM AND METHOD FOR ENHANCING EMOTIONAL RESPONSE
EP3526799B1 (en) 2018-01-08 2020-03-04 Brainlab AG Optimizing an atlas
WO2019169251A1 (en) * 2018-03-02 2019-09-06 General Electric Company System and method for an accelerated clinical workflow
US11364361B2 (en) 2018-04-20 2022-06-21 Neuroenhancement Lab, LLC System and method for inducing sleep by transplanting mental states
WO2020025560A1 (en) * 2018-07-30 2020-02-06 Koninklijke Philips N.V. Functional magnetic resonance imaging systems and methods
CA3112564A1 (en) 2018-09-14 2020-03-19 Neuroenhancement Lab, LLC System and method of improving sleep
KR20210076055A (ko) * 2018-10-10 2021-06-23 더 트러스티스 오브 컬럼비아 유니버시티 인 더 시티 오브 뉴욕 인간 뇌에서의 도파민 기능의 비침습적 대리 척도로서의 신경 멜라닌 감지 자기 공명 이미징을 위한 시스템, 방법 및 컴퓨터 액세스가능 매체
CN109509193B (zh) * 2018-10-19 2020-08-25 中南民族大学 一种基于高精度配准的肝脏ct图谱分割方法及系统
CN109859189A (zh) * 2019-01-31 2019-06-07 长安大学 一种基于深度学习的年龄估计方法
CN109830286B (zh) * 2019-02-13 2022-09-30 四川大学 基于非参数统计的脑功能磁共振编码能量成像方法
US11854217B2 (en) 2019-05-03 2023-12-26 Koninklijke Philips N.V. Co-registration of cardiac images
WO2020232124A1 (en) * 2019-05-13 2020-11-19 The General Hospital Corporation System and methods for automated image analysis
CN110188680B (zh) * 2019-05-29 2021-08-24 南京林业大学 基于因子迭代的茶树嫩芽智能识别方法
CN110322408A (zh) * 2019-06-11 2019-10-11 浙江大学 基于云平台的多中心磁共振图像自动质量控制方法
US11733337B2 (en) * 2019-06-25 2023-08-22 Synaptive Medical Inc. Device, system and method for transforming a diffusion-weighted magnetic resonance image to a patient diffusion-weighted magnetic resonance coordinate space
CN110322528B (zh) * 2019-06-26 2021-05-14 浙江大学 基于3t、7t的核磁共振脑部图像血管重建方法
CA3151632A1 (en) * 2019-08-20 2021-02-25 Terran Biosciences, Inc. Neuromelanin-sensitive mri for assessing parkinson's disease
CN110660068B (zh) * 2019-09-10 2022-06-03 华中科技大学苏州脑空间信息研究院 三维细胞构筑图像的半自动脑区分割方法
US11288806B2 (en) 2019-09-30 2022-03-29 Siemens Healthcare Gmbh Protocol-aware tissue segmentation in medical imaging
CN110751112B (zh) * 2019-10-24 2023-10-03 复旦大学 一种基于计算机视觉的小鼠脑图谱绘制辅助系统及方法
US11348230B2 (en) * 2019-10-25 2022-05-31 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for generating and tracking shapes of a target
US20210177295A1 (en) * 2019-12-11 2021-06-17 GE Precision Healthcare LLC Systems and methods for generating diagnostic scan parameters from calibration images
JP2023514834A (ja) * 2020-02-20 2023-04-11 ボード オブ リージェンツ，ザ ユニバーシティ オブ テキサス システム 脳の解剖学的構造のマルチモーダル３ｄ分析を介した脳内のプローブの計画立案および設置を最適化するための方法
KR102097738B1 (ko) * 2020-03-03 2020-04-06 주식회사 휴런 인공지능 기반 파킨슨 병 진단 장치 및 방법
US11699514B2 (en) * 2020-05-27 2023-07-11 International Business Machines Corporation Predictive dual machine translation
CN111870268A (zh) * 2020-07-30 2020-11-03 上海联影医疗科技有限公司 一种限束装置的目标位置信息的确定方法和系统
CN111767323B (zh) * 2020-09-02 2020-12-04 西南石油大学 一种基于核smo算法的地层裂缝长度实时预测方法
US20220398735A1 (en) * 2021-06-11 2022-12-15 Neurosimplicity, Llc Method and system for automated processing, registration, segmentation, analysis, validation, and visualization of structured and unstructured data
US11501437B1 (en) * 2022-04-28 2022-11-15 Qure.Ai Technologies Private Limited Monitoring brain CT scan image
US11636596B1 (en) * 2022-04-28 2023-04-25 Qure.Ai Technologies Private Limited Monitoring brain CT scan image

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520893A (zh) * 2009-02-23 2009-09-02 暨南大学 一种婴幼儿脑医学计算机扫描图像的分析方法及实现系统
CN101681508A (zh) * 2007-05-11 2010-03-24 国家健康与医学研究院 一种用于分析对象的脑图像的方法、用于分析该图像的计算机程序产品以及用于实施该方法的设备
CN101739681A (zh) * 2009-12-14 2010-06-16 西北工业大学 基于相关预测模型的磁共振图像中检测结构形变的方法
CN102663414A (zh) * 2012-03-14 2012-09-12 大连灵动科技发展有限公司 一种基于脑功能成像的识别大脑认知状态的方法

Family Cites Families (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2001215678A1 (en) * 2000-11-24 2002-06-03 Kent Ridge Digital Labs Methods and apparatus for processing medical images
US6873718B2 (en) * 2001-10-12 2005-03-29 Siemens Corporate Research, Inc. System and method for 3D statistical shape model for the left ventricle of the heart
US20030228042A1 (en) * 2002-06-06 2003-12-11 Usha Sinha Method and system for preparation of customized imaging atlas and registration with patient images
US7167760B2 (en) * 2003-04-28 2007-01-23 Vanderbilt University Apparatus and methods of optimal placement of deep brain stimulator
US7313430B2 (en) 2003-08-28 2007-12-25 Medtronic Navigation, Inc. Method and apparatus for performing stereotactic surgery
US20050171558A1 (en) 2003-10-17 2005-08-04 Abovitz Rony A. Neurosurgery targeting and delivery system for brain structures
US7711405B2 (en) * 2004-04-28 2010-05-04 Siemens Corporation Method of registering pre-operative high field closed magnetic resonance images with intra-operative low field open interventional magnetic resonance images
US7346382B2 (en) 2004-07-07 2008-03-18 The Cleveland Clinic Foundation Brain stimulation models, systems, devices, and methods
US8209027B2 (en) 2004-07-07 2012-06-26 The Cleveland Clinic Foundation System and method to design structure for delivering electrical energy to tissue
WO2006014966A2 (en) 2004-07-27 2006-02-09 Surgi-Vision, Inc. Mri systems having mri compatible universal delivery cannulas with cooperating mri antenna probes and related systems and methods
US7460733B2 (en) * 2004-09-02 2008-12-02 Siemens Medical Solutions Usa, Inc. System and method for registration and modeling of deformable shapes by direct factorization
WO2006034305A2 (en) 2004-09-21 2006-03-30 University Of Florida Research Foundation, Inc. Multiple lead method for deep brain stimulation
US7590440B2 (en) * 2005-11-14 2009-09-15 General Electric Company System and method for anatomy labeling on a PACS
WO2007058632A1 (en) * 2005-11-21 2007-05-24 Agency For Science, Technology And Research Superimposing brain atlas images and brain images with delineation of infarct and penumbra for stroke diagnosis
US20090220136A1 (en) 2006-02-03 2009-09-03 University Of Florida Research Foundation Image Guidance System for Deep Brain Stimulation
DE602007008390D1 (de) * 2006-03-24 2010-09-23 Exini Diagnostics Ab Automatische interpretation von medizinischen 3d-bildern des hirns und verfahren zum produzieren von zwischenergebnissen
US8160676B2 (en) 2006-09-08 2012-04-17 Medtronic, Inc. Method for planning a surgical procedure
US8160677B2 (en) * 2006-09-08 2012-04-17 Medtronic, Inc. Method for identification of anatomical landmarks
WO2008065598A2 (en) 2006-11-28 2008-06-05 Koninklijke Philips Electronics N.V. A method, an apparatus and a computer program for data processing
US8175677B2 (en) 2007-06-07 2012-05-08 MRI Interventions, Inc. MRI-guided medical interventional systems and methods
KR100902518B1 (ko) * 2007-06-15 2009-06-15 한국과학기술원 일반급수 병렬영상법을 이용한 고해상도 자기공명영상생성방법 및 그 기록매체
KR100897528B1 (ko) 2007-06-22 2009-05-15 주식회사 사이버메드 디비에스 전극의 위치 판단 방법
US7911208B2 (en) * 2007-10-15 2011-03-22 Siemens Aktiengesellschaft Methods for rectification of B0 inhomogeneity effects in magnetic resonance images
WO2009061942A1 (en) * 2007-11-06 2009-05-14 The Cleveland Clinic Foundation Automated 3d brain atlas fitting using intra-operative neurophysiological data
KR100900862B1 (ko) * 2007-11-22 2009-06-04 가천의과학대학교 산학협력단 자기공명영상 시스템용 ｒｆ 코일 어셈블리
US8189885B2 (en) * 2008-02-15 2012-05-29 The University Of Iowa Research Foundation Apparatus and method for computing regional statistical distribution over a mean anatomic space
CN101969852A (zh) * 2008-03-04 2011-02-09 断层放疗公司 用于改进图像分割的方法和系统
EP2321001A1 (en) 2008-05-15 2011-05-18 Intelect Medical Inc. Clinician programmer system interface for monitoring patient progress
KR20100011118A (ko) * 2008-07-24 2010-02-03 가천의과학대학교 산학협력단 자기공명 영상장치의 라디오 주파수 코일
US9805473B2 (en) 2008-09-19 2017-10-31 Siemens Healthcare Gmbh Method and system for segmentation of brain structures in 3D magnetic resonance images
US8355553B2 (en) * 2008-11-22 2013-01-15 General Electric Company Systems, apparatus and processes for automated medical image segmentation using a statistical model
US8644946B2 (en) * 2008-12-04 2014-02-04 The Cleveland Clinic Foundation System and method to define target volume for stimulation in brain
EP2380140B1 (en) * 2008-12-18 2019-04-03 Koninklijke Philips N.V. Generating views of medical images
US8160357B2 (en) * 2010-07-30 2012-04-17 Kabushiki Kaisha Toshiba Image segmentation
WO2012088321A1 (en) * 2010-12-22 2012-06-28 Viewray Incorporated System and method for image guidance during medical procedures
WO2012135190A2 (en) * 2011-03-29 2012-10-04 Boston Scientific Neuromodulation Corporation System and method for atlas registration
US20130030499A1 (en) * 2011-07-28 2013-01-31 The Regents Of The University Of California Method for deep brain stimulation targeting based on brain connectivity
CA2844072A1 (en) * 2011-08-09 2013-02-14 Boston Scientific Neuromodulation Corporation System and method for weighted atlas generation
US8918183B2 (en) 2011-08-09 2014-12-23 Boston Scientific Neuromodulation Corporation Systems and methods for stimulation-related volume analysis, creation, and sharing
EP2753239B1 (en) 2011-09-09 2019-12-11 The Regents of The University of California Data processing system and method of real-time fmri
US9081488B2 (en) 2011-10-19 2015-07-14 Boston Scientific Neuromodulation Corporation Stimulation leadwire and volume of activation control and display interface
EP2626111B1 (en) * 2012-02-08 2016-08-17 Medtronic Bakken Research Center B.V. Medical system and method for planning a neuromodulation therapy
US20150025548A1 (en) * 2012-03-08 2015-01-22 Neutar, Llc Patient and Procedure Customized Fixation and Targeting Devices for Stereotactic Frames
WO2014153466A2 (en) * 2013-03-20 2014-09-25 Cornell University Methods and tools for analyzing brain images
US9600778B2 (en) 2013-07-02 2017-03-21 Surgical Information Sciences, Inc. Method for a brain region location and shape prediction
US9937347B2 (en) 2013-12-08 2018-04-10 Case Western Reserve University Activation map based individualized planning for deep brain stimulation
US20190117072A1 (en) * 2017-10-24 2019-04-25 Siemens Healthcare Gmbh Decoding patient characteristics and brain state from magnetic resonance imaging data
EP3798971A1 (en) * 2019-09-30 2021-03-31 Siemens Healthcare GmbH Method and data processing system for providing a stroke information
US11263749B1 (en) * 2021-06-04 2022-03-01 In-Med Prognostics Inc. Predictive prognosis based on multimodal analysis

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101681508A (zh) * 2007-05-11 2010-03-24 国家健康与医学研究院 一种用于分析对象的脑图像的方法、用于分析该图像的计算机程序产品以及用于实施该方法的设备
CN101520893A (zh) * 2009-02-23 2009-09-02 暨南大学 一种婴幼儿脑医学计算机扫描图像的分析方法及实现系统
CN101739681A (zh) * 2009-12-14 2010-06-16 西北工业大学 基于相关预测模型的磁共振图像中检测结构形变的方法
CN102663414A (zh) * 2012-03-14 2012-09-12 大连灵动科技发展有限公司 一种基于脑功能成像的识别大脑认知状态的方法

Also Published As

Publication number Publication date
JP2016527942A (ja) 2016-09-15
WO2015002846A2 (en) 2015-01-08
US20230293130A1 (en) 2023-09-21
CN105637536A (zh) 2016-06-01
US9412076B2 (en) 2016-08-09
US20150010223A1 (en) 2015-01-08
EP3017400A2 (en) 2016-05-11
EP3017400A4 (en) 2017-08-09
US10885149B2 (en) 2021-01-05
US20210118549A1 (en) 2021-04-22
US11771389B2 (en) 2023-10-03
EP3537343B1 (en) 2020-10-21
US20150012466A1 (en) 2015-01-08
WO2015002846A3 (en) 2015-10-29
US20170193161A1 (en) 2017-07-06
EP3537343A1 (en) 2019-09-11
JP2020028721A (ja) 2020-02-27
JP6603656B2 (ja) 2019-11-06
EP3017400B1 (en) 2019-05-15
US9600778B2 (en) 2017-03-21

Similar Documents

Publication Publication Date Title
CN105637536B (zh) 脑图像流水线和脑图像区域位置和形状预测的方法和系统
CN110391014B (zh) 利用使用深度学习的序列预测的医学图像采集方法和系统
US11137462B2 (en) System and method for quantifying cell numbers in magnetic resonance imaging (MRI)
US11610313B2 (en) Systems and methods for generating normative imaging data for medical image processing using deep learning
KR102506092B1 (ko) 텐서장 맵핑
Young et al. Computational cardiac atlases: from patient to population and back
Yang et al. Bi-modality medical image synthesis using semi-supervised sequential generative adversarial networks
EP3608871B1 (en) Plane selection using localizer images
US8526691B2 (en) System and method for passive medical device navigation under real-time MRI guidance
Yang et al. Synthesizing multi-contrast MR images via novel 3D conditional Variational auto-encoding GAN
Yu et al. Cardiac LGE MRI segmentation with cross-modality image augmentation and improved U-Net
US20230268068A1 (en) Automated machine learning systems and methods for mapping brain regions to clinical outcomes
Sille Real time segmentation of medical images
Shanmuganathan et al. Two-Step Rigid and Non-Rigid Image Registration for the Alignment of Three-Dimensional Echocardiography Sequences from Multiple Views
Young et al. Fibre orientation atlas guided rapid segmentation of white matter tracts
Ta Multi-Task Learning for Cardiac Motion Analysis and Segmentation in Echocardiography
Kamran Generative Adversarial Networks for Synthesizing Medical Images of Multiple Modalities
Vaidya Perceptually Improved Medical Image Translations Using Conditional Generative Adversarial Networks
Li Computer generative method on brain tumor segmentation in MRI images
Fookes et al. Registration of three dimensional medical images
Tamburo Feature-Based Correspondences to Infer the Location of Anatomical Landmarks
Göksel Duru Diffusion tensor fiber tracking with self-organizing feature maps
Prados Carrasco Visualization and processing of diffusion tensor MRI

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1224772

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200303

Address after: American Minnesota

Patentee after: Owl navigation Co., Ltd

Address before: American Minnesota

Patentee before: SURGICAL INFORMATION SCIENCES, Inc.

REG Reference to a national code

Ref country code: HK

Ref legal event code: WD

Ref document number: 1224772

Country of ref document: HK