CN106257475A - 用于tbi评估的模块化的自动化评分系统 - Google Patents
用于tbi评估的模块化的自动化评分系统 Download PDFInfo
- Publication number
- CN106257475A CN106257475A CN201610431572.4A CN201610431572A CN106257475A CN 106257475 A CN106257475 A CN 106257475A CN 201610431572 A CN201610431572 A CN 201610431572A CN 106257475 A CN106257475 A CN 106257475A
- Authority
- CN
- China
- Prior art keywords
- score
- imaging
- tbi
- imaging data
- diffusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- A61B5/0033—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
- A61B5/004—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 image acquisition of a particular organ or body part
- A61B5/0042—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 image acquisition of 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
- A61B5/05—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
- A61B6/02—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
- A61B6/52—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
-
- 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
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Abstract
本发明涉及用于TBI评估的模块化的自动化评分系统。一种用于生成外伤性脑损伤(TBI)的评估的计算机实施的方法包括接收通过对个体执行结构成像扫描而获取的结构成像数据并基于该结构成像数据来生成结构成像得分的TBI评估计算机。TBI评估计算机接收通过对个体执行功能成像扫描而获取的功能成像数据并基于该功能成像数据来生成功能成像得分。TBI评估计算机还接收通过对个体执行扩散成像扫描而获取的扩散成像数据并基于该扩散成像数据来生成扩散成像得分。基于该结构成像得分、功能成像得分和扩散成像得分,TBI评估计算机生成TBI评估得分。
Description
技术领域
本公开一般地涉及用于外伤性脑损伤(TBI)评估的模块化且自动化的评分系统,其利用使用一个或多个成像模式而收集的结构数据、功能数据和扩散数据。
背景技术
外伤性脑损伤(TBI)是每年花费估计数十亿的重大的公共健康问题。仅在美国,每年就有大概一百七十万TBI的新病例出现在急诊部或需要住院治疗。按照严重程度来说TBI病例中的总的多数(~75%)被分类为轻微的,其中发病高峰在婴儿和幼儿以及青春期晚期和成年早期。就已证实的青春期早期和晚期TBI来说,超过170,000都归因于运动和娱乐活动。据报道,在轻微TBI范围之内,百分之十五在单一的轻微脑损伤之后将不会有症状消退。因此,重要的是尽可能早地诊断TBI,以使得可以在恢复过程期间采取适当的治疗计划。此外,一旦被诊断,重要的是随着时间过去跟踪个体的TBI症状以使得必要时可以调整治疗计划。
诊断TBI的常规系统针对TBI症状的量化。例如,这些系统可以确定个体大脑上的损伤的数目和位置。然而,在该信息和严重程度之间不存在关联。因此,期望产生一种用于TBI评估的系统,其提供严重程度的量化连同相关信息的量化。
发明内容
本发明的实施例通过提供与用于外伤性脑损伤(TBI)评估的模块化且自动化评分系统有关的方法、系统和装置来解决并克服上述不足和缺点中的一个或多个。所公开的技术可以被用来以半自动的方式评估TBI,当需要时使用自动分割和来自专业观察者的手动输入二者。可以使用这些发现并且将其与正常值的数据库相比较以便就结构损坏和脑性能二者评估TBI的范围和严重程度。最终,基于反映患者的TBI的总体严重程度的那些指标来自动建立得分。该得分还可以被用来跟踪疾病随着时间的发展。
如在一些实施例中所描述的,根据本发明的一个方面,用于生成外伤性脑损伤(TBI)的评估的计算机实施的方法包括TBI评估计算机接收通过对个体执行结构成像扫描而获取的结构成像数据并基于该结构成像数据来生成结构成像得分。TBI评估计算机接收通过对个体执行功能成像扫描而获取的功能成像数据并基于该功能成像数据来生成功能成像得分。TBI评估计算机还接收通过对个体执行扩散成像扫描而获取的扩散成像数据并基于该扩散成像数据来生成扩散成像得分。基于该结构成像得分、功能成像得分和扩散成像得分,TBI评估计算机生成TBI评估得分。
在前述方法的一些实施例中,TBI评估计算机在图形用户界面中提供TBI评估得分的图形表示。例如,在一个实施例中,TBI评估计算机基于已更新的结构成像得分、已更新的功能成像得分和已更新的扩散成像得分来生成已更新的TBI评估得分。然后,TBI评估计算机可以在图形用户界面中提供TBI评估得分和已更新的TBI评估得分之间的差别的图形表示。
在前述方法的一些实施例中,结构成像数据包括使用T1序列和T2加权序列中的至少一个而获取的第一结构成像数据。在这些实施例中,该方法可以进一步包括基于第一结构成像数据来确定第一得分,其中结构成像得分是基于第一得分。在一个实施例中,第一得分对应于在第一结构成像数据之内的T2超强度的流行情况(prevalence)。
在前述方法的一些实施例中,结构成像数据还包括使用磁敏感加权成像(SWI)序列获取的第二结构成像数据。在这些实施例中,该方法然后还可以包括基于第二结构成像数据确定第二得分,其中结构成像得分还基于第二得分。例如,在一些实施例中,第二得分对应于在第二结构成像数据之内的损伤或包块的流行情况。
根据前述方法的一些实施例,功能成像数据是使用正电子发射断层摄影(PET)而获取的。在这些实施例中,该方法然后还可以包括:使用功能成像数据来标识一个或多个损伤位置;以及基于一个或多个损伤位置来确定第三得分。结构成像得分然后可以进一步基于第三得分。在一个实施例中,第三得分对应于在功能成像数据之内的损伤或包块的流行情况。
在前述方法的一些实施例中,结构成像数据还包括使用T1和T2序列的多部件驱动均衡单脉冲观察(mcDESPOT,multi-component driven equilibrium single pulseobservation)而获取的第四结构成像数据。在这些实施例中,该方法还可以包括基于第四结构成像数据来确定第四得分,其中结构成像得分还基于第四得分。例如,在一个实施例中,第四得分对应于个体的不足的髓鞘含水率体积分数(DVF)与同多个正常受试者相关联的DVF值的比较。
可以在本发明的不同实施例中对前述方法做出附加特征、进行改良或其他增强。例如,在一些实施例中,功能成像数据包括在试验期间跟踪脑区域中的变化的多个功能图像。在一些实施例中,扩散成像数据得分对应于存在于扩散成像数据中的多个脑特征与同多个正常受试者相关联的对应脑特征的比较。例如,在一个实施例中,脑特征包括:束(tract)长度特征、束数目的特征、连接性的对称性特征、以及与张量映射评估相对应的一个或多个特征。
如在一些实施例中所描述的,根据本发明的另一方面,一种用于生成TBI的评估的制品包括保存用于执行前述方法的计算机可执行指令的非瞬时、有形计算机可读介质。该制品还可以包括对上文关于前述方法而讨论的任何附加特征的指令。
根据本发明的其他实施例,一种用于生成TBI的评估的系统包括数据管理部件和处理器。该数据管理部件被配置成接收:(i)通过对个体执行结构成像扫描而获取的结构成像数据;(ii)通过对个体执行功能成像扫描而获取的功能成像数据;以及(iii)通过对个体执行扩散成像扫描而获取的扩散成像数据。处理器被配置成:(i)基于结构成像数据来生成结构成像得分;(ii)基于功能成像数据来生成功能成像得分;(iii)基于扩散成像数据来生成扩散成像得分;以及(iv)基于结构成像得分、功能成像得分和扩散成像得分来生成TBI评估得分。在一些实施例中,该系统还包括数据库,其被配置成存储结构成像数据、功能成像数据和扩散成像数据。
在一些实施例中可以利用附加功能来配置前述处理器。例如,在一个实施例中,处理器还被配置成基于已更新的结构成像得分、已更新的功能成像得分和已更新的扩散成像得分来生成已更新的TBI评估得分。处理器还可以在显示器上的图形用户界面中提供TBI评估得分和已更新的TBI评估得分之间的差别的图形表示。
根据参考附图进行的说明性实施例的以下详细描述,将使得本发明的附加特征和优点显而易见。
附图说明
当结合附图阅读时,从下面的具体实施方式最佳地理解本发明的前述和其他方面。为了说明本发明,在附图中示出当前优选的实施例,然而,要理解本发明不限于所公开的特定手段。附图中包括的是下面的图:
图1根据一些实施例提供使用用于TBI评估的自动化评分的系统的概况;
图2提供示出了可以在一些实施例中采用的结构数据评分系统的示例的表格;
图3提供图示可以在一些实施例中采用的示例功能数据评分系统的表格;
图4提供图示可以在一些实施例中采用的扩散数据评分系统的表格;
图5根据一些实施例提供图示实施用于TBI评估的自动化评分系统的方法的流程图;以及
图6图示可以在其中实施本发明的实施例的示例性计算环境。
具体实施方式
这里描述通常涉及用于外伤性脑损伤(TBI)评估的模块化且自动化的评分系统的系统、方法和装置,其利用使用一个或多个成像模式而获取的结构数据、功能数据和扩散数据。所公开的评分系统可以被应用于任何TBI分析;然而,其尤其适用于轻微TBI病例。与中度和严重TBI病例不同,按照常规方式已证明轻微TBI病例非常难以诊断和表征。一组图像通常不足以适当地标识和进一步表征由TBI引起的异常。结构信息将给出损伤存在的指标,同时功能和扩散图像将给出对中枢神经系统的损坏程度,从而指示大脑执行地怎么样。当然,尽管这两组指标可以相关,但是可能没有任何发现或者在结构上以及一些扩散或功能测量中有非常少的发现。因此,所公开的技术利用考虑若干个成像模式并且使用它们的特性来将发现组合到一个得分中的自动化算法。该建立的得分允许对TBI的严重性和程度的评估并且还提供随着时间跟踪疾病/行为的手段。该评分模型还根据患者的不同是模块化的,因此在不是所有成像模式都可用的情况下允许调整得分。
图1根据一些实施例提供使用用于TBI评估的自动化评分的系统100的概况。简言之,使用一个或多个成像设备来对个体执行成像。在图1的示例中,获得五种类型的图像获取:计算机断层摄影获取105A、结构磁共振成像(MRI)获取105B、正电子发射断层摄影(PET)获取105C、功能MRI获取105D和扩散MRI获取105E。在一些实施例中,可以从两个或更多单独的物理设备(例如成像扫描仪)获得这些获取105A、105B、105C、105D和105E。在其他实施例中,单个设备可以提供与图1中描绘的多个获取相对应的数据。例如,可以由单个扫描仪来提供图1中描绘的不同MRI获取。来自获取105A、105B、105C、105D和105E的所有数据被存储在图像数据库115中。然后TBI评估计算机110使用存储在图像数据库115中的信息来生成代表TBI的个体风险的得分。在一些实施例中,图像数据库115是TBI评估计算机110的部分,而在其他实施例中可以在单独的计算设备(图1中未示出)上实施图像数据库115。在一些实施例中,作为对将图像数据库115用作中间存储机构的替代,可以直接获得与获取105A、105B、105C、105D和105E相关的数据并且根据需要来使用它们。
从105A、105B、105C、105D和105E获取的数据被TBI评估计算机110内的以下三种类型的部件使用:结构数据评分部件110A、功能数据评分部件110B以及扩散数据评分部件110C。这些部件110A、110B和110C中的每一个都为特定类型的数据生成得分。例如,结构数据评分部件110A为经由结构MRI获取105B获取的数据生成得分。数据管理部件110G协调数据在图像数据库115和各个评分部件110A、110B和110C之间的分配。可以基于例如存储在图像数据库中的各个文件的文件类型或者基于数据源和特定评分部件之间的预置关联来执行该分配。
结构数据评分部件110A使用结构成像数据来生成得分。可以被结构数据评分部件110A使用的结构成像数据的示例包括但不限于来自计算机断层摄影获取105A、结构MRI获取105B和正电子发射断层摄影(PET)获取105C的数据。这些获取105A、105B和105C中的每一个可以提供与它们的特定模式有关的各种数据。例如,结构MRI获取105B可以被用于使用高分辨率MR T1、T2加权、磁敏感加权成像SWI、液体衰减反转恢复(FLAIR)和/或T1和T2的多部件驱动均衡单脉冲观察(mcDESPOT)技术来获取图像。
在一些实施例中,结构数据评分部件110A被配置成在由各种成像模式提供的结构信息中标识损伤。在一些实施例中,在处理期间由结构数据评分部件110A来自动检测损伤。在其他实施例中,来自专业观察者的共识标记可以被用于损伤检测。可以基于其上检测到损伤的序列/模式的数目来配置置信水平。
图2提供示出了在一些实施例中可以被结构数据评分部件110A采用的结构数据评分系统200的示例的表格。该评分系统200使用无论什么模式而检测到的损伤的数目并且沿着脑区域(例如前额、中央、边缘、皮层下灰层、顶叶)对它们分类。把针对每一种损伤类型的得分进行加和,并且通过所有脑区域之中的最大得分来反映针对全脑的得分。
应该注意,在图2中,基于对每个患者来说可获得的模式/序列的数目来确定结构评分。因此,评分系统200被应用于T1/T2加权、SWI/FLAIR图像、PET和多部件中的发现。在图2的示例中,基于它们可用于TBI评估的可能性来对这些序列/模式排序。T1和T2加权的成像数据最有可能被提出以用于这样的评估。这被表示为评分类型S1(结构1)。相关联的评分值然后一直到6。评分类型S2表示S1类型序列和SWI/FLAIR二者,其中相关联的最大得分(AMS)值为9。类似地,S3将PET数据集添加到现有的数据的评分池S2中(AMS=12)并且S4指示所有分类数据都存在于评估中(AMS=15),包括白质中髓鞘的评估、或mcDESPOT。如本领域中所理解的,与分割结合的mcDESPOT由于诸如白质(WM)中、WM损伤中、扩散异常的WM中以及表现正常的白质(NAWM)中诸如总的不足的髓鞘含水率(MWF)体积或者DV之类的测量而允许另外导出MWF不足。通过由上述中的每一个除以对应的区域体积来导出不足的MWF体积分数(DVF)。将个体的不足的MWF体积分数与一组正常受试者的那些相比较,并且评分是基于患者的DVF处于离统计上正常受试者有多远。
返回图1,功能数据评分部件110B基于从功能MRI获取105D获取的功能数据集(例如静止状态fMRI)的可用性来生成分数。通过使用功能数据集,功能数据评分部件110B提供测量结果与预期正常值的偏差的测量。例如,患者数据可以被注册到正常受试者的空间中,并且遍及试验过程的每个体素进展将与正常相比较。例如可以在体素或感兴趣的区域(ROI)之内执行进展跟踪。它可以在执行时利用功能数据来完成同样的内容,其中评分方法类似于结构数据评分部件110A对结构数据施加的评分方法。例如,可以执行n>1个试验并且相应地进行评分。这些试验应该被明确地限定并且使数据获取标准化以增加得分的一致性。图3提供图示可以在一些实施例中被功能数据评分部件110B采用的示例功能数据评分系统300的表格。
扩散数据评分部件110C基于从扩散MRI获取105E获取的扩散数据来生成得分。可以例如使用扩散张量成像、高角分辨率扩散成像和/或扩散谱成像技术来获取该扩散数据。扩散数据评分部件110C将扩散数据与相应地来自正常受试者的得分相比较。对于扩散评分,存在可以考虑在内的一些特征。图4提供图示可以在一些实施例中被扩散数据评分部件110C采用的扩散数据评分系统400的表格。在此示例中,通过使用经由纤维束成像从扩散模型(例如扩散张量、取向分布函数、纤维取向分布等等)生成的白质纤维束来评估若干个特征并且与在正常受试者中它们的对应物相比较来确定得分。图4中呈现出的表格的第一行参照束的长度的特征,可以将束的长度的特征与正常受试者中的它们的平均长度相比较。表格的第二行对应于穿过大脑特定区域的束的数目的特征。表格的第三行对应于连接性的对称性(即左脑相对右脑)的特征。最终,最后两行对应于使用张量映射(分别地是部分各向异性(FA)和平均扩散率(MD))生成的评估。对于这两行,该偏差与正常相比较(例如脑ROI上的平均或体素方面的)。
继续参考图1,总评分部件110D通过组合如先前所述而获得的不同评分进行来提供TBI的整体评估。例如,在一些实施例中,计算整体得分如下:
。
K对应于没有任何损伤或TBI的患者。因此,较低的评分对应于更严重的TBI。可以通过下面的等式来确定K:
。
K1被用作设置可以基于试验结果或其他先验知识确定的最小非零得分的缓冲器。例如,在一些实施例中,K被设置成3。的值将取决于所涉及的模式的类型并且可以使用图2中提供的AMS项的加和(即)来确定该值。的值表示最大功能得分并且可以基于针对该类型的数据而采用的得分来设置该值。例如,使用图3中提供的示例评分系统300,将被设置成5。类似地,表示基于扩散评分信息的最大扩散得分。例如,通过使用图4中呈现的评分系统400,可以使用为25的(即对所示的5行的最大值求和)。
应该注意的是,最大评分计算应该与总体评分方法匹配。因此,例如,用户可以选取仅对扩散数据中一种类型的束信息(例如图4中的连接性的对称性)评分。在这种情况下,将是15,等于连接性的对称性、FA评估和MD评估的相应最大值的和。
跟踪部件110E从总评分部件110D接收TBIScore并且存储该TBIScore。可以例如使用TBI评估计算机110中的本地存储装置或外部存储介质来实施存储。在一些实施例中,TBI评估计算机110被配置成将TBIScore直接插入与要被评分的个体相关联的电子健康记录(HER)中。另外,在一些实施例中,跟踪部件110E可以被用来跟踪TBIScore随时间的变化。因此,由于需要新的扫描,所以可以生成新的TBIScore值并且将其与先前生成的值相比较。以这种方式,可以评估个体在损伤之后的一段时间内的TBI风险。在一些实施例中,跟踪部件110E还可以提供TBIScore遍及特定时间段的变化的统计。
输出部件110F被用来将TBIScore递送到一个或多个外部设备。例如,如上文所解释的,在一些实施例中,TBIScore被输出到EHR。在其他实施例中,TBIScore可以被呈现在图形用户界面(GUI)中,可能具有诸如TBI随着时间如何变化的图之类的附加信息。该GUI还可以被用于显示在生成TBIScore中使用的图像。
图5根据一些实施例提供图示实施用于TBI评估的自动化评分系统的方法500的流程图。简言之,图5示出结构成像数据、功能成像数据和扩散成像数据的得分生成。跨越各种类型的成像数据并行执行该得分生成。应该注意的是,图5中呈现出的步骤的顺序仅仅是过程如何发生的一个示例。例如,可以串行而不是如图5中图示的并行地执行或组合各个步骤。
在步骤505处开始,TBI评估计算机(例如图1中的TBI评估计算机110)接收通过对个体执行结构成像扫描而获取的结构成像数据。如上文参考图1所解释的,可以使用诸如但不限于MRI、CT和PET的模式来执行该结构成像扫描。在步骤510处,TBI评估计算机基于结构成像数据来生成结构成像得分。例如,在一些实施例中,使用上文参考图2所描述的评分系统来生成得分。
在步骤515-530处,以与上文参考结构数据描述的相似的方式来处理功能数据和扩散数据。因此,在步骤515处,TBI评估计算机接收通过对个体执行功能成像扫描而获取的功能成像数据,并且在步骤520处,所接收到的数据被用于生成功能成像得分。类似地,在步骤525处,TBI评估计算机接收通过对个体执行扩散成像扫描而获取的扩散成像数据,并且在步骤530处,所接收到的数据被用于生成扩散成像得分。
在一些实施例中,同时处理每一数据类型的各种形式,而在其他实施例中,可以处理可用的数据。例如,参考图2中呈现出的结构数据,可以基于MRI数据来生成得分。同时,可以为PET数据生成得分。可替代地,甚至可以在MRI数据被获取之前处理PET数据。以这种方式,可以生成初步得分并且当获取新数据时改进该初步得分。
继续参考图5,在步骤535处,基于结构成像得分、功能成像得分和扩散成像得分来计算TBI评估得分。在一些实施例中,然后在GUI中将该得分呈现给用户。另外,该得分可以被存储以便当执行新成像且生成新得分时允许随着时间过去而跟踪TBI风险。
图6图示可以在其中实施本发明的实施例的示例性计算环境600。例如,计算环境600可以被用来实施图1中示出的TBI评估计算机110。计算机和计算环境(诸如计算机系统610和计算环境600)是本领域技术人员已知的并且因此在这里简略地描述它们。
如图6中所示,计算机系统610可以包括通信机构(诸如系统总线621)或用于在计算机系统610内传达信息的其他通信机构。计算机系统610还包括与系统总线621耦合的用于处理该信息的一个或多个处理器620。
处理器620可以包括一个或多个中央处理单元(CPU)、图形处理单元(GPU)或本领域中已知的任何其他处理器。更一般地,如在这里使用的处理器是用于执行存储在计算机可读介质上的机器可读指令、用于实行任务的设备,并且可以包括硬件和固件中的任一个或其组合。处理器还可以包括存储可执行用来实行任务的机器可读指令的存储器。处理器通过操作、分析、修改、转换或传送用于由可执行程序或信息设备使用的信息和/或通过将信息路由到输出设备来作用于该信息。处理器可以使用或包括例如计算机、控制器或微处理器的能力,并且可以使用可执行指令来调节该处理器以执行不能由通用计算机执行的专用功能。处理器可以与能够实现其之间的交互和/或通信的任何其他处理器(电气耦合和/或就像包括可执行部件一样)耦合。用户接口处理器或生成器是包括用于生成显示图像或其部分的电子电路或软件或二者组合的已知元件。用户接口包括使用户能够与处理器或其他设备进行交互的一个或多个显示图像。
继续参考图6,计算机系统610还包括耦合到系统总线621用于存储要由处理器620执行的信息和指令的系统存储器630。系统存储器630可以包括处于易失性和/或非易失性存储器(诸如只读存储器(ROM)631和/或随机存取存储器(RAM)632)形式的计算机可读存储介质。RAM 632可以包括(多个)其他动态存储设备(例如动态RAM、静态RAM和同步DRAM)。ROM631可以包括(多个)其他静态存储设备(例如可编程ROM、可擦除PROM和电可擦除PROM)。此外,系统存储器630可以被用于存储在处理器620执行指令期间的临时变量或其他中间信息。包含帮助诸如在启动期间在计算机系统610内的各元件之间传递信息的基本例程的基本输入/输出系统633(BIOS)可以被存储在ROM 631中。RAM 632可以包含可直接访问和/或当前正由处理器620操作的数据和/或程序模块。系统存储器630可以另外包括例如操作系统634、应用程序635、其他程序模块636和程序数据637。
计算机系统610还包括盘控制器640,其被耦合到系统总线621以控制用于存储信息和指令的一个或多个存储设备,诸如磁性硬盘641和可移除介质驱动器642(例如软盘驱动器、致密盘驱动器、磁带驱动器和/或固体驱动器)。可以使用适当的设备接口(例如小计算机系统接口(SCSI)、集成设备电子器件(IDE)、通用串行总线(USB)或火线)将存储设备添加到计算机系统610。
计算机系统610还可以包括显示控制器665,其被耦合到系统总线621以控制用于将信息显示给计算机用户的显示器或监视器666(诸如阴极射线管(CRT)显示器或液晶显示器(LCD)。计算机系统包括输入接口660以及一个或多个输入设备(诸如键盘662和定点设备661),以便与计算机用户交互以及将信息提供给处理器620。定点设备661例如可以是鼠标、光笔、追踪球或指示杆,用于将方向信息和命令选择传达给处理器620以及控制光标在显示器666上的移动。显示器666可以提供触摸屏接口,其允许输入来补充或替换通过定点设备661的方向信息和命令选择的通信。
计算机系统610可以响应于处理器620执行包含在存储器(诸如系统存储器630)中的一个或多个指令的一个或多个序列来实行本发明的实施例的处理步骤的一部分或所有。可以将这样的指令从另一计算机可读介质(诸如磁性硬盘641或可移除介质驱动器642)读入到系统存储器630中。磁性硬盘641可以包含本发明的实施例所使用的一个或多个数据存储和数据文件。数据存储内容和数据文件可以被加密以改进安全性。还可以在多处理布置中采用处理器620以执行包含在系统存储器630中的指令的一个或多个序列。在可替代实施例中,硬连线电路可以被用来代替软件指令或者与其组合。因此,实施例不限于硬件电路和软件的任何特定组合。
如上文所阐述的,计算机系统610可以包括用于保存根据本发明的实施例所编程的指令和用于包含数据结构、表格、记录或这里描述的其他数据的至少一个计算机可读介质或存储器。如这里所使用的术语“计算机可读介质”指代参与向处理器620提供指令以用于执行的任何介质。计算机可读介质可以采用许多形式,包括但不限于非瞬时、非易失性介质、易失性介质和传输介质。非易失性介质的非限制性示例包括光盘、固态驱动器、磁盘和磁性光盘(诸如磁性硬盘641或可移除介质驱动器642)。易失性介质的非限制性示例包括动态存储器(诸如系统存储器630)。传输介质的非限制性示例包括同轴电缆、铜线和纤维光学器件,包括组成系统总线621的电线。传输介质还可以采用声波或光波的形式,诸如在无线电波和红外数据通信期间生成的那些。
计算环境600还可以包括使用到一个或多个远程计算机(诸如远程计算设备680)的逻辑连接在联网环境中操作的计算机系统610。远程计算设备680可以是个人计算机(膝上型或桌上型)、移动设备、服务器、路由器、网络PC、对等设备或其他常见的网络节点,并且通常包括上述与计算机系统610有关的许多元件或所有元件。当在联网环境中使用时,计算机系统610可以包括用于通过网络671(诸如因特网)建立通信的调制解调器672。可以经由用户网络接口670或经由另一适当的机构将调制解调器672连接到系统总线621。
网络671可以是通常本领域已知的任何网络或系统,包括因特网、内联网、局域网(LAN)、广域网(WAN)、城域网(MAN)、直接连接或系列连接、蜂窝电话网络或能够促使计算机系统610和其他计算机(例如远程计算设备680)之间的通信的任何其他网络或介质。网络671可以是有线的、无线的或其组合。可以使用以太网、通用串行总线(USB)或通常本领域已知的任何其他有线连接来实施有线连接。可以使用Wi-Fi、WiMAX和蓝牙、红外线、蜂窝网络、卫星或通常本领域已知的任何其他无线连接方法来实施无线连接。此外,若干网络可以单独工作或彼此通信以促进网络671中的通信。
如这里所使用的,可执行应用程序包括用于例如响应于用户命令或输入来调节处理器来实施预定功能(诸如操作系统、上下文数据获取系统或其他信息处理系统的功能)的代码或机器可读指令。可执行程序是一段代码或机器可读指令、子例程、或用于执行一个或多个特定过程的可执行应用的代码或部分的其他不同区段。这些过程可以包括接收输入数据和/或参数、对接收到的输入数据执行操作和/或响应于接收到的输入参数来执行功能,以及提供结果得到的输出数据和/或参数。
如这里所使用的,图形用户界面(GUI)包括由显示处理器生成并且使能够与处理器或其他设备以及相关联的数据获取和处理功能进行用户交互的一个或多个显示图像。GUI还包括可执行程序或可执行应用。该可执行程序或可执行应用调节显示处理器来生成表示GUI显示图像的信号。这些信号被供应给显示设备,其显示图像以便由用户观看。在可执行程序或可执行应用的控制下,处理器响应于从输入设备接收到的信号来操作GUI显示图像。以这种方式,用户可以使用输入设备与显示图像交互,从而使用户与处理器或其他设备的交互成为可能。
可以响应于用户命令来自动地或完全地或部分地执行这里的功能和过程步骤。在没有活动的用户直接初始化的情况下,响应于一个或多个可执行指令或设备操作来执行自动执行的活动(包括步骤)。而且,尽管为了便于理解将一些方法步骤描述为单独的步骤,但是任何这样的步骤不应该被解释为必然不同的,也不应该被解释为在它们的性能方面是依赖于顺序的。
图的过程和系统不是独有的。可以根据本发明的原理导出其他系统、过程和菜单来完成相同目标。尽管已经参考特定实施例描述了本发明,但是要理解的是在这里示出和描述实施例和变化仅出于说明的目的。在不脱离本发明范围的情况下本领域技术人员可以实施对当前设计的修改。如本文所描述,可以使用硬件部件、软件部件和/或其组合来实施各种系统、子系统、代理、管理器和过程。本文中权利要求要素不依据35 U.S.C.112第六款来进行解释,除非使用短语“用于…的装置”来明确叙述该要素。
Claims (20)
1.一种用于生成外伤性脑损伤(TBI)的评估的计算机实施的方法,该方法包括:
由TBI评估计算机接收通过对个体执行结构成像扫描而获取的结构成像数据;
由TBI评估计算机基于该结构成像数据来生成结构成像得分;
由TBI评估计算机接收通过对个体执行功能成像扫描而获取的功能成像数据;
由TBI评估计算机基于该功能成像数据来生成功能成像得分;
由TBI评估计算机接收通过对个体执行扩散成像扫描而获取的扩散成像数据;
由TBI评估计算机基于该扩散成像数据来生成扩散成像得分;以及
由TBI评估计算机基于该结构成像得分、功能成像得分和扩散成像得分来生成TBI评估得分。
2.根据权利要求1所述的方法,还包括:
由TBI评估计算机在图形用户界面中提供所述TBI评估得分的图形表示。
3.根据权利要求2所述的方法,还包括:
由TBI评估计算机基于已更新的结构成像得分、已更新的功能成像得分和已更新的扩散成像得分来生成已更新的TBI评估得分;
由TBI评估计算机在图形用户界面中提供TBI评估得分和已更新的TBI评估得分之间的差别的图形表示。
4.根据权利要求1所述的方法,其中所述结构成像数据包括使用T1序列和T2加权序列中的至少一个而获取的第一结构成像数据,并且该方法还包括:
基于第一结构成像数据来确定第一得分,
其中所述结构成像得分基于该第一得分。
5.根据权利要求4所述的方法,其中所述第一得分对应于第一结构成像数据之内的T2超强度的流行情况。
6.根据权利要求5所述的方法,其中所述结构成像数据还包括使用磁敏感加权成像(SWI)序列获取的第二结构成像数据,并且该方法还包括:
基于第二结构成像数据确定第二得分,
其中所述结构成像得分还基于该第二得分。
7.根据权利要求6所述的方法,其中所述第二得分对应于第二结构成像数据之内的损伤或包块的流行情况。
8.根据权利要求6所述的方法,其中所述功能成像数据是使用正电子发射断层摄影(PET)而获取的,并且该方法还包括:
使用所述功能成像数据来标识一个或多个损伤位置;
基于一个或多个损伤位置来确定第三得分,
其中所述结构成像得分还基于该第三得分。
9.根据权利要求8所述的方法,其中所述第三得分对应于所述功能成像数据之内的损伤或包块的流行情况。
10.根据权利要求8所述的方法,其中所述结构成像数据还包括使用T1和T2序列的多部件驱动均衡单脉冲观察(mcDESPOT)而获取的第四结构成像数据,并且该方法还包括:
基于第四结构成像数据来确定第四得分,
其中所述结构成像得分还基于该第四得分。
11.根据权利要求10所述的方法,其中所述第四得分对应于个体的不足的髓鞘含水率体积分数(DVF)与同多个正常受试者相关联的DVF值的比较。
12.根据权利要求1所述的方法,其中所述功能成像数据包括在试验期间跟踪脑区域中的变化的多个功能图像。
13.根据权利要求1所述的方法,其中所述扩散成像数据得分对应于存在于扩散成像数据中的多个脑特征与同多个正常受试者相关联的对应脑特征的比较。
14.根据权利要求13所述的方法,其中所述脑特征包括:
束长度特征,
束数目的特征,
连接性的对称性的特征,以及
与张量映射评估相对应的一个或多个特征。
15.一种用于生成外伤性脑损伤(TBI)的评估的制品,该制品包括保存用于执行包括以下各项的方法的计算机可执行指令的非瞬时、有形计算机可读介质:
接收通过对个体执行结构成像扫描而获取的结构成像数据;
基于该结构成像数据来生成结构成像得分;
接收通过对个体执行功能成像扫描而获取的功能成像数据;
基于该功能成像数据来生成功能成像得分;
接收通过对个体执行扩散成像扫描而获取的扩散成像数据;
基于该扩散成像数据来生成扩散成像得分;以及
基于该结构成像得分、功能成像得分和扩散成像得分来生成TBI评估得分。
16.根据权利要求15所述的制品,其中所述方法还包括:
在图形用户界面中提供所述TBI评估得分的图形表示。
17.根据权利要求16所述的制品,其中所述方法还包括:
基于已更新的结构成像得分、已更新的功能成像得分和已更新的扩散成像得分来生成已更新的TBI评估得分;
在图形用户界面中提供TBI评估得分和已更新的TBI评估得分之间的差别的图形表示。
18.一种用于生成外伤性脑损伤(TBI)的评估的系统,该系统包括:
数据管理部件,其被配置成:
接收通过对个体执行结构成像扫描而获取的结构成像数据;
接收通过对个体执行功能成像扫描而获取的功能成像数据;
接收通过对个体执行扩散成像扫描而获取的扩散成像数据;以及
处理器,其被配置成:
基于该结构成像数据来生成结构成像得分,
基于该功能成像数据来生成功能成像得分,
基于该扩散成像数据来生成扩散成像得分,以及
基于该结构成像得分、功能成像得分和扩散成像得分来生成TBI评估得分。
19.根据权利要求18所述的系统,还包括:
被配置成存储所述结构成像数据、功能成像数据和扩散成像数据的数据库。
20.根据权利要求19所述的系统,其中所述处理器还被配置成:
基于已更新的结构成像得分、已更新的功能成像得分和已更新的扩散成像得分来生成已更新的TBI评估得分;以及
在显示器上的图形用户界面中提供TBI评估得分和已更新的TBI评估得分之间的差别的图形表示。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/741834 | 2015-06-17 | ||
US14/741,834 US10751017B2 (en) | 2015-06-17 | 2015-06-17 | Modular automated scoring system for TBI assessment |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106257475A true CN106257475A (zh) | 2016-12-28 |
CN106257475B CN106257475B (zh) | 2019-11-19 |
Family
ID=57587397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610431572.4A Active CN106257475B (zh) | 2015-06-17 | 2016-06-17 | 用于tbi评估的模块化的自动化评分系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10751017B2 (zh) |
CN (1) | CN106257475B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11723579B2 (en) | 2017-09-19 | 2023-08-15 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
US11478603B2 (en) | 2017-12-31 | 2022-10-25 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to enhance emotional response |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
JP7309854B2 (ja) | 2018-08-08 | 2023-07-18 | ミネトロニクス ニューロ インコーポレイテッド | 中枢神経系に沿って治療するためのシステム、カテーテル、および方法 |
CN113382683A (zh) | 2018-09-14 | 2021-09-10 | 纽罗因恒思蒙特实验有限责任公司 | 改善睡眠的系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140081658A1 (en) * | 2012-03-07 | 2014-03-20 | Henry S. Irving | Computer-Based Analysis and Storage System for a Brain Rehabilitation Procedure |
CN103717129A (zh) * | 2011-05-24 | 2014-04-09 | 加利福尼亚大学董事会 | 脑磁图源成像 |
US20140289172A1 (en) * | 2012-01-18 | 2014-09-25 | Brainscope Company, Inc. | Method and device for multimodal neurological evaluation |
US20150018664A1 (en) * | 2013-07-12 | 2015-01-15 | Francisco Pereira | Assessment of Traumatic Brain Injury |
-
2015
- 2015-06-17 US US14/741,834 patent/US10751017B2/en active Active
-
2016
- 2016-06-17 CN CN201610431572.4A patent/CN106257475B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103717129A (zh) * | 2011-05-24 | 2014-04-09 | 加利福尼亚大学董事会 | 脑磁图源成像 |
US20140289172A1 (en) * | 2012-01-18 | 2014-09-25 | Brainscope Company, Inc. | Method and device for multimodal neurological evaluation |
US20140081658A1 (en) * | 2012-03-07 | 2014-03-20 | Henry S. Irving | Computer-Based Analysis and Storage System for a Brain Rehabilitation Procedure |
US20150018664A1 (en) * | 2013-07-12 | 2015-01-15 | Francisco Pereira | Assessment of Traumatic Brain Injury |
Non-Patent Citations (3)
Title |
---|
JD LEWINE ET AL: "Objective documentation of traumatic brain injury subsequent to mild head trauma: multimodal brain imaging with MEG, SPECT, and MRI", 《THE JOURNAL OF HEAD TRAUMA REHABILITATION》 * |
THOMAS W. MCALLISTER ET AL: "Neuroimaging findings in mild traumatic brain injury", 《JOURNAL OF CLINICAL AND EXPERIMENTAL NEUROPSYCHOLOGY》 * |
Z. KOU ET AL: "Susceptibility Weighted Imaging Complements Diffusion Tensor Imaging in Traumatic Brain Injury", 《NEUROIMAGE》 * |
Also Published As
Publication number | Publication date |
---|---|
US10751017B2 (en) | 2020-08-25 |
US20160367209A1 (en) | 2016-12-22 |
CN106257475B (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106257475A (zh) | 用于tbi评估的模块化的自动化评分系统 | |
US9265441B2 (en) | Assessment of traumatic brain injury | |
Gonzalez et al. | Disease staging and prognosis in smokers using deep learning in chest computed tomography | |
Gates et al. | Unsupervised classification during time-series model building | |
Li et al. | Detecting Alzheimer's disease on small dataset: A knowledge transfer perspective | |
Sander et al. | Towards increased trustworthiness of deep learning segmentation methods on cardiac MRI | |
US10249042B2 (en) | Method and apparatus for providing medical information service on basis of disease model | |
Young et al. | Computational cardiac atlases: from patient to population and back | |
Ahmidi et al. | An objective and automated method for assessing surgical skill in endoscopic sinus surgery using eye‐tracking and tool‐motion data | |
JP2021180929A (ja) | 診断支援装置、診断支援システム、情報処理方法、及びプログラム | |
Ackerman et al. | Congenital diaphragmatic defects: proposal for a new classification based on observations in 234 patients | |
CN105868524A (zh) | 用于医学图像集的自动基准真值生成 | |
JP5984251B2 (ja) | 医用画像処理システム、医用画像処理装置、及び医用画像処理方法 | |
Clifton et al. | Machine learning and software engineering in health informatics | |
Nagel et al. | Non-invasive and quantitative estimation of left atrial fibrosis based on P waves of the 12-Lead ECG—a large-scale computational study covering anatomical variability | |
Wu et al. | Fast and automated segmentation for the three-directional multi-slice cine myocardial velocity mapping | |
Gopalakrishnan et al. | cMRI-BED: A novel informatics framework for cardiac MRI biomarker extraction and discovery applied to pediatric cardiomyopathy classification | |
Budd et al. | Detecting hypo-plastic left heart syndrome in fetal ultrasound via disease-specific atlas maps | |
JP7124265B2 (ja) | バイオマーカー検出方法、疾病判断方法、バイオマーカー検出装置、及びバイオマーカー検出プログラム | |
Osmanlıoğlu et al. | Connectomic assessment of injury burden and longitudinal structural network alterations in moderate‐to‐severe traumatic brain injury | |
CN105868537A (zh) | Pet-ct动态医学影像智能定量分析系统和分析方法 | |
Lachinov et al. | Learning spatio-temporal model of disease progression with neuralodes from longitudinal volumetric data | |
Yang et al. | Identification of Homogeneous Subgroups from Resting-State fMRI Data | |
Boykin et al. | Offseason body composition changes detected by dual-energy X-ray absorptiometry versus multifrequency bioelectrical impedance analysis in collegiate American football athletes | |
Bleton et al. | Myocardial infarct localization using neighbourhood approximation forests |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180211 Address after: Erlangen, Germany Applicant after: SIEMENS AG Address before: new jersey Applicant before: Siemens AG |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |